CN114519372B - 基于支持向量机的一维距离像目标识别方法 - Google Patents
基于支持向量机的一维距离像目标识别方法 Download PDFInfo
- Publication number
- CN114519372B CN114519372B CN202210107842.1A CN202210107842A CN114519372B CN 114519372 B CN114519372 B CN 114519372B CN 202210107842 A CN202210107842 A CN 202210107842A CN 114519372 B CN114519372 B CN 114519372B
- Authority
- CN
- China
- Prior art keywords
- target
- distance
- amplitude
- support vector
- range profile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4808—Evaluating distance, position or velocity data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/08—Systems determining position data of a target for measuring distance only
- G01S17/10—Systems determining position data of a target for measuring distance only using transmission of interrupted, pulse-modulated waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于支持向量机的一维距离像目标识别方法,其实现步骤是:1、获得目标一维距离像,2、确定目标一维距离像中的噪声区域,3、根据噪声区域和虚警率设置判别门限,4、根据判决门限从背景噪声中提取目标区域,5、利用主成分分析法PCA,对目标区域中的数据进行降维处理,得到特征矩阵,6、生成训练集,7、训练支持向量机分类器,8、对待识别目标一维距离像进行目标分类,本发明根据噪声区域设置判决门限提取出一维距离像种的目标区域,能够在复杂电磁环境中保证目标识别率。
Description
技术领域
本发明属于通信技术领域,更进一步涉及雷达目标识别技术领域中的一种基于支持向量机的一维距离像目标识别方法,本发明可用于复杂电磁环境下的一维距离像目标的识别。
背景技术
通过雷达回波数据对目标类别进行判别是远距离目标识别的有效途径之一。判断雷达待识别目标主要依据雷达目标截面积或一维距离像。高分辨率一维距离像是由宽带雷达获取的目标散射中心回波的向量和,它不仅提供了目标的几何形状和结构特点,还包含了目标识别所需的更多相关信息。因此,通过一维距离像快速准确的识别出目标非常重要。但是,目标高分辨一维距离像容易受到环境噪声影响,而且在复杂电磁环境中,存在各种背景噪声以及大量的干扰物,影响了雷达目标识别方法的工作性能。
中国人民解放军海军航空大学航空作战勤务学院在其申请的专利文献“一种基于多尺寸一维卷积的雷达一维距离像识别方法和装置”(申请号:202110908110.8,申请公布号:CN 113640764 A)中公开了一种基于多尺寸一维卷积的雷达一维距离像识别方法。该方法的实现步骤包括:1、计算机动目标的角度信息;2、获得机动目标的雷达一维距离像信息;3、获得角度数据集与雷达一维距离像数据集;4、获得雷达一维距离像的一维卷积预估尺寸;5、构建雷达一维距离像自动识别的多尺寸一维卷积神经网络模型;6、训练多尺寸一维卷积神经网络模型;7、将角度信息与雷达一维距离像信息输入训练后的多尺寸一维卷积神经网络模型,获得机动目标的雷达一维距离像识别结果。该方法虽然通过区分不同雷达视角下机动目标的一维距离像数据特征,有效提高识别率。但是,该方法仍然存在的不足之处是,该方法在工程实践中,需要根据一维距离像数据集预估尺寸,根据不同的尺寸构建不同的神经网络来作分类器,而且没有将一维距离像中的目标区域从背景噪声中提取出来,若在复杂电磁环境中,采用该种方法进行目标识别,针对不同尺寸的距离像,训练分类器会耗费大流量时间,目标识别率容易受到环境噪声影响。
电子科技大学在其申请的专利文献“基于伪标签学习的雷达一维距离像目标识别方法”(申请号:201711067556.2,申请公布号:CN 107870321 A)中公开了一种基于伪标签学习的雷达一维距离像目标识别方法。该方法的实现步骤包括:1、将单基地雷达获取的一维距离像信噪比SNR为22dB的数据作为训练数据,并对样本数据的标签做离散编码;2、利用CNN分别以两种目标标记方式进行训练得到预测模型,利用预测模型对待识别样本进行识别获得伪标签,对伪标签进行多级编码;3、将待识别数据和伪标签一同作为训练数据重新训练,获得新的预测模型,以此作为最终的目标识别模型。该方法虽然可以在低信噪比的情况下的目标识别率可以达到90%以上,但是,该方法仍然存在的不足之处是,该方法在工程实践中,对回波信号的信噪比要求高,在特征提取的过程通过缩放的方法降低特征维数。若在复杂电磁环境中采用该种方法进行目标识别,由于信噪比不能满足要求,需要通过缩放得到的特征矩阵导致丢失目标的结构信息,影响目标的识别率。
综上所述,对于一维距离像目标识别方法在现有雷达目标识别领域的应用,目前已有的方法在复杂电磁环境中容易受到背景噪声和干扰物的影响,且分类器设计复杂,训练时间长,不利复杂电磁环境中的目标识别。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于支持向量机的一维距离像目标识别方法,以解决现有技术存在的分类器设计复杂,训练时间长以及在复杂电磁环境中,背景噪声和干扰物影响目标识别系统工作性能的问题。
实现本发明目的的具体思路是:本发明通过对现有技术的一维距离像目标识别方法进行了改进,先对不少于两种目标的不同姿态角下的回波信号进行脉冲压缩处理得到一维距离像,根据一维距离像中的噪声区域设置参考门限,提取出目标区域,这样既可以减少噪声的影响提高抗干扰能力,也可以减少矩阵维数。由此解决了在复杂电磁环境中容易受到背景噪声和干扰物的影响的问题。本发明将目标区域进行降维处理,提取出目标区域的主要特征作为特征矩阵,并对每个特征矩阵标注标签,将标注好的特征矩阵作为训练集训练分类器。分类器使用的支持向量机,该种分类器结构简单,训练时间短。由此解决了分类器设计复杂,训练时间长,不利复杂电磁环境中的目标识别的问题。本发明最后通过训练好的分类器,对从待识别一维距离像中提取出的特征矩阵进行分类,实现了复杂电磁环境中的目标识别。
实现本发明目的的技术方案的步骤如下:
步骤1,获得目标一维距离像:
(1a)对雷达接收的目标回波信号与该信号对应的发射信号分别做离散傅里叶变换DFT,得到目标回波信号与该信号对应的发射信号的频域信号序列;
(1b)将两个频域信号序列共轭相乘后再作逆傅里叶变换,得到横轴为距离、纵轴为幅度的目标一维距离像;
步骤2,确定目标一维距离像中的噪声区域:
(2b)将目标一维距离像中的距离轴均分为四等份,得到四段距离轴长度相等的目标一维距离像;
(2b)计算每段距离轴的目标一维距离像幅度的熵,将熵值最大的一段对应的距离和幅度组成的一维距离像作为噪声区域;
步骤3,根据噪声区域和虚警率设置判别门限如下:
其中,σ2表示噪声区域幅度的方差,Ln表示噪声区域距离轴的长度,Σ表示求和操作,ln表示噪声区域的距离单元的序号,x(ln)表示噪声区域在第ln个距离单元对应的幅度值,T表示判决门限,Pf表示虚警率,Q(x)表示服从标准正态分布的随机变量大于x时的概率,π表示圆周率,e(·)表示以自然常数e为底的指数操作,t表示标准正态分布的自变量值;
步骤4,根据判决门限从背景噪声中提取目标区域:
以噪声区域距离轴的左右两个端点为起始点,分别从两边检测每个距离单元对应的幅度值,当检测点越过目标一维距离像的距离轴端点时,进行循环检测,将左右两边第一个幅度大于检测门限时对应的距离单元作为目标区域距离轴取值范围的左右边界,将包括这两个距离单元和中间所有距离单元及其对应幅度组成目标区域;
步骤5,利用主成分分析法PCA,对目标区域中的数据进行降维处理,得到特征矩阵:
步骤6,生成训练集:
采用与步骤1至步骤5的相同操作,对雷达接收到的至少2个不同目标的回波信号进行处理,得到每种目标样本的特征矩阵,并给每种目标样本标注标签,将所有目标样本的特征矩阵及其对应的类别标签组成训练集;
步骤7,训练支持向量机分类器:
标记M个支持向量机,每个支持向量机的正样本为其类别标签对应的特征矩阵,负样本从其余的特征矩阵中随机选取,训练得到M个支持向量机的最优超平面,其中,M等于训练集中类别标签的总数;
步骤8,对待识别目标一维距离像进行目标分类:
采用与步骤1至步骤5的相同操作,对雷达接收到的待识别目标的回波信号进行处理,得到每种待识别目标样本的特征矩阵,将其分别输入到训练好的M个支持向量机中,选出M个支持向量机预测为正样本的权值最大的支持向量机,其对应的类别标签即为目标分类的结果。
本发明与现有技术相比有以下优点:
第一,本发明根据噪声区域和虚警率设置判别门限,再根据判决门限从背景噪声中提取目标区域,克服了现有技术在复杂电磁环境中目标识别能力容易受到背景噪声和干扰物的影响的缺陷,使得本发明在保证目标特征信息完整前提下,提高了目标识别技术的抗干扰能力。
第二,本发明利用主成分分析法PCA,对目标区域中的数据进行降维处理,得到特征矩阵,生成训练集来训练支持向量机分类器克服了现有技术中分类器设计复杂,训练时间长的缺陷,使得本发明的分类器在保证识别率的前提下设计简单,训练时间短,识别速度快。
附图说明
图1为本发明的流程图。
具体实施方式
以下结合图1和实施例对本发明做进一步的详细描述。
步骤1,获得目标一维距离像。
对雷达接收的目标回波信号与该信号对应的发射信号分别做离散傅里叶变换DFT,得到目标回波信号与该信号对应的发射信号的频域信号序列如下:
其中,S(k)表示与雷达接收的目标回波信号对应的第k个频率节点发射信号的幅度,k表示发射信号频率节点的序号,n表示发射信号时间节点的序号,N表示发射信号时间节点的总数,s(n)表示与雷达接收的目标回波信号对应的第n个时间节点发射信号的幅度,j表示虚数单位符号,S′(k′)表示雷达接收的第k′个频率节点目标回波信号的幅度,N′表示回波信号时间节点的总数,k′表示回波信号频率节点的序号,N′=N,n′表示回波信号时间节点的序号,s′(n′)表示雷达接收的第n′个时间节点目标回波信号的幅度。
将两个频域信号序列共轭相乘后再作逆傅里叶变换,得到横轴为距离、纵轴为幅度的目标一维距离像。
本发明实施例中,对宽带雷达接收到的目标回波信号进行数字采样将模拟信号转换成数字信号,对整个脉宽内的数字信号进行离散傅里叶变换得到频域离散信号,然后与其对应的发射信号的频域离散信号进行共轭相乘后再进行逆傅里叶变换运算,将脉宽内的时间单位通过光速转成距离单位,这样就得到该目标的横轴为距离,纵轴为幅度的一维距离像。
步骤2,确定目标一维距离像中的噪声区域。
因为目标区域距离轴的长度小于一维距离像距离轴总长度的一半,因此这四等份一维距离像中,必定有一段全部为噪声区域,所以将目标一维距离像中的距离轴均分为四等份,得到四段距离轴长度相等的目标一维距离像。
由于噪声区域的幅度随机性最大所对应的熵值也是最大,因此,通过计算每段距离轴的目标一维距离像幅度的熵,将熵值最大的一段对应的距离和幅度组成的一维距离像作为噪声区域;
所述每段距离轴的目标一维距离像幅度的熵是由下式得到的:
其中,Sp表示第p段距离轴对应的目标一维距离像幅度的熵,Lp表示第p段距离轴的长度,lp表示第p段距离轴的距离单元序号,x(lp)表示第p段距离轴上第lp个距离单元对应的幅度值,log2(·)表示以自然常数2为底的对数操作。
步骤3,根据噪声区域和虚警率设置判别门限。
因为噪声区域的幅度变化可以近似认为服从正态分布,根据概率论知识可知通过计算噪声区域幅度的均值和方差就可以估计出对应的正态分布的均值和方差,由估计出的均值和方差再加上设置的虚警率计算出判决门限。
判决门限的计算公式如下:
其中,σ2表示噪声区域幅度的方差,σ2表示噪声区域距离轴的长度,Σ表示求和操作,ln表示噪声区域的距离单元的序号,x(ln)表示噪声区域在第ln个距离单元对应的幅度值,T表示判决门限,Pf表示虚警率,Q(x)表示服从标准正态分布的随机变量大于x时的概率,π表示圆周率,e(·)表示以自然常数e为底的指数操作,t表示标准正态分布的自变量值。
步骤4,根据判决门限从背景噪声中提取目标区域。
以噪声区域距离轴的左右两个端点为起始点,分别从两边检测每个距离单元对应的幅度值,当检测点越过目标一维距离像的距离轴端点时,进行循环检测,将左右两边第一个幅度大于检测门限时对应的距离单元作为目标区域距离轴取值范围的左右边界,将包括这两个距离单元和中间所有距离单元及其对应幅度组成目标区域。
步骤5,利用主成分分析法PCA,对目标区域中的数据进行降维处理,通过正交变换将目标区域可能存在相关性的变量数据转换为一组线性不相关的变量,得到特征矩阵。
步骤6,生成训练集。
采用与步骤1至步骤5的相同操作,对雷达接收到的至少2个不同目标的回波信号进行处理,得到每种目标样本的特征矩阵,并给每种目标样本标注标签,将所有目标样本的特征矩阵及其对应的类别标签组成训练集。
本发明实施例中,对宽带雷达接收到3种目标90个姿态角下的回波信号,采用步骤1至步骤5对每种目标90个姿态角下的回波信号进行处理,每种目标就得到90个不同姿态角下的特征矩阵,并给每个特征矩阵标注标签,其中同一目标的特征矩阵标记相同的标签,将这三种目标所有的特征矩阵及其对应的类别标签组成训练集。
步骤7,训练支持向量机分类器。
标记M个支持向量机,M等于训练集中类别标签的总数,每个支持向量机的正样本为其类别标签对应的特征矩阵,负样本从其余的特征矩阵中随机选取,训练得到M个支持向量机的最优超平面。
本发明实施例中,标记了3个支持向量机,这三个支持向量机的标签与三种目标的标签一一对应,每个支持向量机的正样本为其标签对应的目标不同姿态角下的90个特征矩阵,负样本样本别的目标的特征矩阵中随机抽取90个,这样每个支持向量机就由180个特征矩阵进行训练得到这3个支持向量机的最优超平面,完成对分类器的训练。
步骤8,对待识别目标一维距离像进行目标分类。
采用与步骤1至步骤5的相同操作,对雷达接收到的待识别目标的回波信号进行处理,得到待识别目标样本的特征矩阵,将其分别输入到训练好的M个支持向量机中,选出M个支持向量机预测为正样本的权值最大的支持向量机,其对应的类别标签即为目标分类的结果。
本发明实施例中,随机接收3种目标不同姿态角下的回波信号,对接受到回波信号采用步骤1至步骤5的处理方法,得到待识别目标特征矩阵,将其分别输入到3个支持向量机中进行分类,比较这个3个支持向量机预测为正样本的权值大小,权值最大的支持向量机的标签即为目标分类的结果。
以上是本发明的一个具体实例,并不构成对本发明的任何限制,凡是在本发明的思想和精神下进行的修改和变化,均属于本发明的保护范围。
Claims (3)
1.一种基于支持向量机的一维距离像目标识别方法,其特征在于,根据噪声区域和虚警率估计判别门限,根据判决门限从背景噪声中提取目标区域,该方法的步骤如下:
步骤1,获得目标一维距离像:
(1a)对雷达接收的目标回波信号与该信号对应的发射信号分别做离散傅里叶变换DFT,得到目标回波信号与该信号对应的发射信号的频域信号序列;
(1b)将两个频域信号序列共轭相乘后再作逆傅里叶变换,得到横轴为距离、纵轴为幅度的目标一维距离像;
步骤2,确定目标一维距离像中的噪声区域:
(2a)将目标一维距离像中的距离轴均分为四等份,得到四段距离轴长度相等的目标一维距离像;
(2b)计算每段距离轴的目标一维距离像幅度的熵,将熵值最大的一段对应的距离和幅度组成的一维距离像作为噪声区域;
步骤3,根据噪声区域和虚警率设置判别门限如下:
其中,σ2表示噪声区域幅度的方差,Ln表示噪声区域距离轴的长度,Σ表示求和操作,ln表示噪声区域的距离单元的序号,x(ln)表示噪声区域在第ln个距离单元对应的幅度值,T表示判决门限,Pf表示虚警率,Q(x)表示服从标准正态分布的随机变量大于x时的概率,π表示圆周率,e(·)表示以自然常数e为底的指数操作,t表示标准正态分布的自变量值;
步骤4,根据判决门限从背景噪声中提取目标区域:
以噪声区域距离轴的左右两个端点为起始点,分别从两边检测每个距离单元对应的幅度值,当检测点越过目标一维距离像的距离轴端点时,进行循环检测,将左右两边第一个幅度大于检测门限时对应的距离单元作为目标区域距离轴取值范围的左右边界,将包括这两个距离单元和中间所有距离单元及其对应幅度组成目标区域;
步骤5,利用主成分分析法PCA,对目标区域中的数据进行降维处理,得到特征矩阵:
步骤6,生成训练集:
采用与步骤1至步骤5的相同操作,对雷达接收到的至少2个不同目标的回波信号进行处理,得到每种目标样本的特征矩阵,并给每种目标样本标注标签,将所有目标样本的特征矩阵及其对应的类别标签组成训练集;
步骤7,训练支持向量机分类器:
标记M个支持向量机,每个支持向量机的正样本为其类别标签对应的特征矩阵,负样本从其余的特征矩阵中随机选取,训练得到M个支持向量机的最优超平面,其中,M等于训练集中类别标签的总数;
步骤8,对待识别目标一维距离像进行目标分类:
采用与步骤1至步骤5的相同操作,对雷达接收到的待识别目标的回波信号进行处理,得到每种待识别目标样本的特征矩阵,将其分别输入到训练好的M个支持向量机中,选出M个支持向量机预测为正样本的权值最大的支持向量机,其对应的类别标签即为目标分类的结果。
2.根据权利要求1所述的基于支持向量机的一维距离像目标识别方法,其特征在于,步骤(1a)中所述的目标回波信号与该信号对应的发射信号的频域信号序列中的每个频率节点信号的幅度是由下式得到的:
其中,S(k)表示与雷达接收的目标回波信号对应的第k个频率节点发射信号的幅度,k表示发射信号频率节点的序号,n表示发射信号时间节点的序号,N表示发射信号时间节点的总数,s(n)表示与雷达接收的目标回波信号对应的第n个时间节点发射信号的幅度,j表示虚数单位符号,S′(k′)表示雷达接收的第k′个频率节点目标回波信号的幅度,N′表示回波信号时间节点的总数,k′表示回波信号频率节点的序号,N′=N,n′表示回波信号时间节点的序号,s′(n′)表示雷达接收的第n′个时间节点目标回波信号的幅度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210107842.1A CN114519372B (zh) | 2022-01-28 | 2022-01-28 | 基于支持向量机的一维距离像目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210107842.1A CN114519372B (zh) | 2022-01-28 | 2022-01-28 | 基于支持向量机的一维距离像目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114519372A CN114519372A (zh) | 2022-05-20 |
CN114519372B true CN114519372B (zh) | 2023-06-20 |
Family
ID=81597162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210107842.1A Active CN114519372B (zh) | 2022-01-28 | 2022-01-28 | 基于支持向量机的一维距离像目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114519372B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115219990A (zh) * | 2022-07-13 | 2022-10-21 | 陕西黄河集团有限公司 | 一种一维距离像的特征提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107870321A (zh) * | 2017-11-03 | 2018-04-03 | 电子科技大学 | 基于伪标签学习的雷达一维距离像目标识别方法 |
CN110334741A (zh) * | 2019-06-06 | 2019-10-15 | 西安电子科技大学 | 基于循环神经网络的雷达一维距离像识别方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102230961B (zh) * | 2011-03-31 | 2013-05-08 | 北京航空航天大学 | 基于相位补偿处理的扩展目标检测方法 |
CN105259541B (zh) * | 2015-11-26 | 2017-10-13 | 西安电子科技大学 | 一种多站雷达抗有源欺骗式干扰的方法 |
CN106501788B (zh) * | 2016-11-18 | 2018-10-23 | 西安电子工程研究所 | 一种雷达恒虚警检测门限自适应设置方法 |
CN107784320B (zh) * | 2017-09-27 | 2019-12-06 | 电子科技大学 | 基于卷积支持向量机的雷达一维距离像目标识别方法 |
JP6511560B1 (ja) * | 2018-03-15 | 2019-05-15 | 東芝電波プロダクツ株式会社 | 精測進入レーダ及び表示システム |
CN109521411A (zh) * | 2018-12-19 | 2019-03-26 | 西安电子科技大学 | 一种距离扩展目标的检测方法 |
CN110412548B (zh) * | 2019-07-20 | 2023-08-01 | 中国船舶集团有限公司第七二四研究所 | 基于高分辨一维距离像的雷达多目标识别方法 |
CN112444785B (zh) * | 2019-08-30 | 2024-04-12 | 华为技术有限公司 | 一种目标行为识别的方法、装置和雷达系统 |
-
2022
- 2022-01-28 CN CN202210107842.1A patent/CN114519372B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107870321A (zh) * | 2017-11-03 | 2018-04-03 | 电子科技大学 | 基于伪标签学习的雷达一维距离像目标识别方法 |
CN110334741A (zh) * | 2019-06-06 | 2019-10-15 | 西安电子科技大学 | 基于循环神经网络的雷达一维距离像识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114519372A (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108600135B (zh) | 一种信号调制方式的识别方法 | |
CN107229918B (zh) | 一种基于全卷积神经网络的sar图像目标检测方法 | |
CN113050042B (zh) | 基于改进UNet3+网络的雷达信号调制类型识别方法 | |
CN110929842B (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
CN104135327A (zh) | 基于支持向量机的频谱感知方法 | |
CN112560803A (zh) | 基于时频分析与机器学习的雷达信号调制识别方法 | |
Conning et al. | Analysis of measured radar data for specific emitter identification | |
CN110263646A (zh) | 一种基于卷积神经网络的海面弱目标探测方法和系统 | |
CN113673312B (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
CN114519372B (zh) | 基于支持向量机的一维距离像目标识别方法 | |
CN114895263A (zh) | 基于深度迁移学习的雷达有源干扰信号识别方法 | |
Wan et al. | Automatic LPI radar signal sensing method using visibility graphs | |
CN108507607B (zh) | 一种基于核函数的微弱信号检测方法 | |
CN113608193A (zh) | 一种基于UNet的雷达多目标距离和速度估计方法 | |
CN111983569B (zh) | 基于神经网络的雷达干扰抑制方法 | |
CN113887583A (zh) | 基于深度学习的低信噪比下雷达rd图像目标检测方法 | |
Guven et al. | Classifying LPI radar waveforms with time-frequency transformations using multi-stage CNN system | |
Cao et al. | Deep representation method for radar emitter signal using wavelet packets decomposition | |
CN116010798A (zh) | 一种基于YOLOv5的复杂典型通信信号快速识别分类方法 | |
CN110458219B (zh) | 一种基于stft-cnn-rvfl的φ-otdr振动信号识别算法 | |
CN112633320B (zh) | 基于相像系数和dbscan的雷达辐射源数据清洗方法 | |
CN112014821B (zh) | 一种基于雷达宽带特征的未知车辆目标识别方法 | |
CN112069987B (zh) | 一种基于统计流形寻优降维的干扰类型自动识别方法 | |
CN109945075B (zh) | 一种供水管道泄漏程度检测方法及装置 | |
Mingqiu et al. | Radar signal feature extraction based on wavelet ridge and high order spectral analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |