CN114881215A - 一种毫米波雷达数据筛选性神经网络处理方法 - Google Patents
一种毫米波雷达数据筛选性神经网络处理方法 Download PDFInfo
- Publication number
- CN114881215A CN114881215A CN202210551055.6A CN202210551055A CN114881215A CN 114881215 A CN114881215 A CN 114881215A CN 202210551055 A CN202210551055 A CN 202210551055A CN 114881215 A CN114881215 A CN 114881215A
- Authority
- CN
- China
- Prior art keywords
- millimeter wave
- wave radar
- radar data
- filtering
- points
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种毫米波雷达数据筛选性神经网络处理方法和装置，其方法包括：先对毫米波雷达数据信号进行错误点和噪点的线性化筛选与结构化剔除，再对预处理后的毫米波雷达数据进行神经网络滤波，接着对毫米波雷达数据进行像素级前融合，最后进行迭代加密滤波和神经网络深度修正法滤波，其装置包括数据预处理模块、模糊滤波模块、像素级前融合模块和数据去冗模块；本发明在一定程度上降低了数据量，便于后续滤波处理，再依次对毫米波雷达数据进行模糊滤波、小波变换去噪、迭代加密滤波以及基于神经网络深度修正法滤波，从而在修正毫米波雷达数据高斯噪声的同时还对脉冲数据进行前融合，提高了毫米波雷达数据的信噪比。
Description
技术领域
本发明涉及雷达数据去冗技术领域，尤其涉及一种毫米波雷达数据筛选性神经网络处理方法。
背景技术
雷达，是英文Radar的音译，源于radio detection and ranging的缩写，意思为"无线电探测和测距"，即用无线电的方法发现目标并测定它们的空间位置，因此，雷达也被称为“无线电定位”，是利用电磁波探测目标的电子设备，雷达发射电磁波对目标进行照射并接收其回波，由此获得目标至电磁波发射点的距离、距离变化率(径向速度)、方位、高度等信息，雷达信号在采集或者传输的过程中，往往会引入不同程度的噪声，这就为后面的信号分析、阈值分割、特征提取等带来很大的难度，信号数据去噪便成为雷达信号处理中非常重要的一环。
现有毫米波雷达数据去噪方法手段单一，只能单一的对高斯噪声或脉冲噪声进行处理，而不能同时处理毫米波雷达数据中的高斯噪声和脉冲噪声，导致数据去冗效果较差，滤波质量较低，滤波效率也不高，因此，本发明提出一种毫米波雷达数据筛选性神经网络处理方法以解决现有技术中存在的问题。
发明内容
针对上述问题，本发明的目的在于提出一种毫米波雷达数据筛选性神经网络处理方法，解决现有毫米波雷达数据去噪方法滤波效果较差、质量较低以及效率不高的问题。
为了实现本发明的目的，本发明通过以下技术方案实现：一种毫米波雷达数据筛选性神经网络处理方法，包括以下步骤：
步骤一：先对毫米波雷达数据信号中高程值明显低于领域内点的错误点进行分离并线性化筛选与结构化剔除，再通过设置绝对高程阈值提取出高程值明显高于邻域内点的激光点，以线性化筛选与结构化剔除噪点，得到预处理后的毫米波雷达数据；
步骤二：应用模糊理论，先统计毫米波雷达数据实际信号与噪声的特点，结合毫米波雷达数据的局部和全局信息，给出相应的模糊规则，并构造相适配的隶属度函数，再结合隶属度函数，利用模糊滤波算法对毫米波雷达数据进行初步滤波处理；
步骤三：先对初步滤波处理后的毫米波雷达数据的复合多维信号进行降维结构分解，并根据实际需要设定降维结构分解的层数，再设定一个阈值，对降维结构分解后每层的高频系数进行阈值量化，接着将绝对值小于神经网络设定阈值当做噪声系数去除，实现毫米波雷达复合多维信号的去噪，随后对去噪后的毫米波雷达复合多维信号进行二维小波反变换重构信号，得到小波变换后的毫米波雷达数据；
步骤四：先对小波变换后的毫米波雷达数据进行迭代加密滤波，再提取毫米波雷达数据中的离散点，接着对离散点进行腐蚀运算，然后将腐蚀运算后的离散点高程与原始离散点高程进行对比，并选取符合像素级前融合设定阈值的点作为种子点，同时根据腐蚀运算前后的离散点高程差分配不同的权重，之后利用神经网络深度修正拟合曲面，计算所有离散点的拟合高程，并与实际高程比较，并将小于预设阈值的点加入种子点，分配权重并重新拟合曲面，迭代至种子点集不发生变化，得到滤波去噪的毫米波雷达数据，完成数据去冗。
进一步改进在于：所述步骤一中，所述错误点为经多路径反射而产生的比实际点位低的低点，所述噪点由雷达发射的激光点照射到空中的非地物上产生。
进一步改进在于：所述步骤二中，统计毫米波雷达数据实际信号与噪声的特点时，通过实际信号与噪声的统计特点得到统计数据，进行数据处理，舍弃不合逻辑的数据，画出频率曲线，根据频率曲线计算频率，绘制隶属函数曲线。
进一步改进在于：所述步骤二中，构造相适配的隶属度函数的具体步骤为：先用二元对比法主观确定毫米波雷达数据每一元素的顺序或优先程度，并作数量估计，再取其平均值作为隶属度函数。
进一步改进在于：所述步骤二中，构造相适配的隶属度函数的具体步骤为：先设毫米波雷达数据去冗输出初值为滤波窗口内各样本的均值，再由滤波输出初值导致各样本的隶属度，接着对导出的模糊隶属度进行加权均值，得到均值输出，随后比较滤波输出初值和均值输出的差值是否小于预设的阈值，若小于该阈值，则迭代结束，输出为均值输出，否则由均值输出导出新的模糊隶属度，即隶属度函数。
进一步改进在于：所述步骤三中，毫米波雷达数据的复合多维信号经小波变换后，能量集中在最低分辨率子带信号上，复合多维信号的加性随机噪声经过小波变换后，能量分散在各个高分辨率子带信号上。
进一步改进在于：所述步骤四中，进行迭代加密滤波的具体步骤为：先将小波变换后的毫米波雷达数据划分为块，并假设区块内所有的点具有相同权重，再将区块内所有点拟合为一个曲面，接着利用神经网络深度修正法拟合曲面的点集，根据残差确定再次拟合曲面时点的权重，迭代得到最终曲面即为真实数字高程模型，利用得到的真实数字高程模型对初始滤波表面拟合的点集进行区分，完成加密滤波。
一种毫米波雷达数据筛选性神经网络处理装置，包括数据预处理模块、模糊滤波模块、像素级前融合模块和数据去冗模块，所述数据预处理模块对毫米波雷达数据进行错误点和噪点的线性化筛选与结构化剔除并与模数滤波模块连接，所述模糊滤波模块对毫米波雷达数据进行初步滤波并与像素级前融合模块连接，像素级前融合模块对毫米波雷达数据进行小波变换并与数据去冗模块连接，所述数据去冗模块对毫米波雷达数据进行迭代加密滤波以及神经网络深度修正法滤波。
本发明的有益效果为：本发明先对毫米波雷达数据进行错误点和噪点线性化筛选与结构化剔除处理，在一定程度上降低了数据量，便于后续滤波处理，再依次对毫米波雷达数据进行模糊滤波、小波变换去噪、迭代加密滤波以及基于神经网络深度修正法滤波，通过多重滤波前融合的结合，在修正毫米波雷达数据高斯噪声的同时还对脉冲数据进行前融合，提高了毫米波雷达数据的信噪比，相比传统单一的滤波方法效果更好，数据去冗质量也更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例中的方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例一
参见图1，本实施例提供了一种毫米波雷达数据筛选性神经网络处理方法，包括以下步骤：
步骤一：先对毫米波雷达数据信号中高程值明显低于领域内点的错误点进行分离并线性化筛选与结构化剔除，错误点为经多路径反射而产生的比实际点位低的低点，再通过设置绝对高程阈值提取出高程值明显高于邻域内点的激光点，以线性化筛选与结构化剔除噪点，噪点由雷达发射的激光点照射到空中的非地物上产生，得到预处理后的毫米波雷达数据；
步骤二：应用模糊理论，先统计毫米波雷达数据实际信号与噪声的特点，通过实际信号与噪声的统计特点得到统计数据，进行数据处理，舍弃不合逻辑的数据，画出频率曲线，根据频率曲线计算频率，绘制隶属函数曲线，再结合毫米波雷达数据的局部和全局信息，给出相应的模糊规则，并构造相适配的隶属度函数，然后结合隶属度函数，利用模糊滤波算法对毫米波雷达数据进行初步滤波处理，构造相适配的隶属度函数的具体步骤为：先用二元对比法主观确定毫米波雷达数据每一元素的顺序或优先程度，并作数量估计，再取其平均值作为隶属度函数；
步骤三：先对初步滤波处理后的毫米波雷达数据的复合多维信号进行降维结构分解，并根据实际需要设定降维结构分解的层数，再设定一个阈值，对降维结构分解后每层的高频系数进行阈值量化，接着将绝对值小于神经网络设定阈值当做噪声系数去除，实现毫米波雷达复合多维信号的去噪，随后对去噪后的毫米波雷达复合多维信号进行二维小波反变换重构信号，得到小波变换后的毫米波雷达数据，毫米波雷达数据的复合多维信号经小波变换后，能量集中在最低分辨率子带信号上，复合多维信号的加性随机噪声经过小波变换后，能量分散在各个高分辨率子带信号上；
步骤四：先对小波变换后的毫米波雷达数据进行迭代加密滤波，具体步骤为：先将小波变换后的毫米波雷达数据划分为块，并假设区块内所有的点具有相同权重，再将区块内所有点拟合为一个曲面，接着利用神经网络深度修正法拟合曲面的点集，根据残差确定再次拟合曲面时点的权重，迭代得到最终曲面即为真实数字高程模型，利用得到的真实数字高程模型对初始滤波表面拟合的点集进行区分，完成加密滤波；
再提取毫米波雷达数据中的离散点，接着对离散点进行腐蚀运算，然后将腐蚀运算后的离散点高程与原始离散点高程进行对比，并选取符合像素级前融合设定阈值的点作为种子点，同时根据腐蚀运算前后的离散点高程差分配不同的权重，之后利用神经网络深度修正拟合曲面，计算所有离散点的拟合高程，并与实际高程比较，并将小于预设阈值的点加入种子点，分配权重并重新拟合曲面，迭代至种子点集不发生变化，得到滤波去噪的毫米波雷达数据，完成数据去冗。
本实施例还提供了一种毫米波雷达数据筛选性神经网络处理装置，包括数据预处理模块、模糊滤波模块、像素级前融合模块和数据去冗模块，数据预处理模块对毫米波雷达数据进行错误点和噪点的线性化筛选与结构化剔除并与模数滤波模块连接，模糊滤波模块对毫米波雷达数据进行初步滤波并与像素级前融合模块连接，像素级前融合模块对毫米波雷达数据进行小波变换并与数据去冗模块连接，数据去冗模块对毫米波雷达数据进行迭代加密滤波以及神经网络深度修正法滤波。
实施例二
参见图1，本实施例提供了一种毫米波雷达数据筛选性神经网络处理方法，包括以下步骤：
步骤一：先对毫米波雷达数据信号中高程值明显低于领域内点的错误点进行分离并线性化筛选与结构化剔除，错误点为经多路径反射而产生的比实际点位低的低点，再通过设置绝对高程阈值提取出高程值明显高于邻域内点的激光点，以线性化筛选与结构化剔除噪点，噪点由雷达发射的激光点照射到空中的非地物上产生，得到预处理后的毫米波雷达数据；
步骤二：应用模糊理论，先统计毫米波雷达数据实际信号与噪声的特点，通过实际信号与噪声的统计特点得到统计数据，进行数据处理，舍弃不合逻辑的数据，画出频率曲线，根据频率曲线计算频率，绘制隶属函数曲线，再结合毫米波雷达数据的局部和全局信息，给出相应的模糊规则，并构造相适配的隶属度函数，然后结合隶属度函数，利用模糊滤波算法对毫米波雷达数据进行初步滤波处理，构造相适配的隶属度函数的具体步骤为：先设毫米波雷达数据去冗输出初值为滤波窗口内各样本的均值，再由滤波输出初值导致各样本的隶属度，接着对导出的模糊隶属度进行加权均值，得到均值输出，随后比较滤波输出初值和均值输出的差值是否小于预设的阈值，若小于该阈值，则迭代结束，输出为均值输出，否则由均值输出导出新的模糊隶属度，即隶属度函数；
步骤三：先对初步滤波处理后的毫米波雷达数据的复合多维信号进行降维结构分解，并根据实际需要设定降维结构分解的层数，再设定一个阈值，对降维结构分解后每层的高频系数进行阈值量化，接着将绝对值小于神经网络设定阈值当做噪声系数去除，实现毫米波雷达复合多维信号的去噪，随后对去噪后的毫米波雷达复合多维信号进行二维小波反变换重构信号，得到小波变换后的毫米波雷达数据，毫米波雷达数据的复合多维信号经小波变换后，能量集中在最低分辨率子带信号上，复合多维信号的加性随机噪声经过小波变换后，能量分散在各个高分辨率子带信号上；
步骤四：先对小波变换后的毫米波雷达数据进行迭代加密滤波，具体步骤为：先将小波变换后的毫米波雷达数据划分为块，并假设区块内所有的点具有相同权重，再将区块内所有点拟合为一个曲面，接着利用神经网络深度修正法拟合曲面的点集，根据残差确定再次拟合曲面时点的权重，迭代得到最终曲面即为真实数字高程模型，利用得到的真实数字高程模型对初始滤波表面拟合的点集进行区分，完成加密滤波；
再提取毫米波雷达数据中的离散点，接着对离散点进行腐蚀运算，然后将腐蚀运算后的离散点高程与原始离散点高程进行对比，并选取符合像素级前融合设定阈值的点作为种子点，同时根据腐蚀运算前后的离散点高程差分配不同的权重，之后利用神经网络深度修正拟合曲面，计算所有离散点的拟合高程，并与实际高程比较，并将小于预设阈值的点加入种子点，分配权重并重新拟合曲面，迭代至种子点集不发生变化，得到滤波去噪的毫米波雷达数据，完成数据去冗。
本实施例还提供了一种毫米波雷达数据筛选性神经网络处理装置，包括数据预处理模块、模糊滤波模块、像素级前融合模块和数据去冗模块，数据预处理模块对毫米波雷达数据进行错误点和噪点的线性化筛选与结构化剔除并与模数滤波模块连接，模糊滤波模块对毫米波雷达数据进行初步滤波并与像素级前融合模块连接，像素级前融合模块对毫米波雷达数据进行小波变换并与数据去冗模块连接，数据去冗模块对毫米波雷达数据进行迭代加密滤波以及神经网络深度修正法滤波。
当需要对毫米波雷达数据进行滤波时，先利用数据预处理模块对毫米波雷达数据信号经错误点和噪点的线性化筛选与结构化剔除，再利用模糊滤波模块对预处理后的毫米波雷达数据进行，接着利用像素级前融合模块对后的毫米波雷达数据进行像素级前融合，最后利用数据去冗模块对小波变换后的毫米波雷达数据进行迭代加密滤波和神经网络深度修正法滤波，完成毫米波雷达数据的滤波工作。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种毫米波雷达数据筛选性神经网络处理方法，其特征在于，包括以下步骤：
步骤一：先对毫米波雷达数据信号中高程值明显低于领域内点的错误点进行分离并线性化筛选与结构化剔除，再通过设置绝对高程阈值提取出高程值明显高于邻域内点的激光点，以线性化筛选与结构化剔除噪点，得到预处理后的毫米波雷达数据；
步骤二：应用模糊理论，先统计毫米波雷达数据实际信号与噪声的特点，结合毫米波雷达数据的局部和全局信息，给出相应的模糊规则，并构造相适配的隶属度函数，再结合隶属度函数，利用模糊滤波算法对毫米波雷达数据进行初步滤波处理；
步骤三：先对初步滤波处理后的毫米波雷达数据的复合多维信号进行降维结构分解，并根据实际需要设定降维结构分解的层数，再设定一个阈值，对降维结构分解后每层的高频系数进行阈值量化，接着将绝对值小于神经网络设定阈值当做噪声系数去除，实现毫米波雷达复合多维信号的去噪，随后对去噪后的毫米波雷达复合多维信号进行二维小波反变换重构信号，得到小波变换后的毫米波雷达数据；
步骤四：先对小波变换后的毫米波雷达数据进行迭代加密滤波，再提取毫米波雷达数据中的离散点，接着对离散点进行腐蚀运算，然后将腐蚀运算后的离散点高程与原始离散点高程进行对比，并选取符合像素级前融合设定阈值的点作为种子点，同时根据腐蚀运算前后的离散点高程差分配不同的权重，之后利用神经网络深度修正拟合曲面，计算所有离散点的拟合高程，并与实际高程比较，并将小于预设阈值的点加入种子点，分配权重并重新拟合曲面，迭代至种子点集不发生变化，得到滤波去噪的毫米波雷达数据，完成数据去冗。
2.根据权利要求1所述的一种毫米波雷达数据筛选性神经网络处理方法，其特征在于：所述步骤一中，所述错误点为经多路径反射而产生的比实际点位低的低点，所述噪点由雷达发射的激光点照射到空中的非地物上产生。
3.根据权利要求1所述的一种毫米波雷达数据筛选性神经网络处理方法，其特征在于：所述步骤二中，统计毫米波雷达数据实际信号与噪声的特点时，通过实际信号与噪声的统计特点得到统计数据，进行数据处理，舍弃不合逻辑的数据，画出频率曲线，根据频率曲线计算频率，绘制隶属函数曲线。
4.根据权利要求1所述的一种毫米波雷达数据筛选性神经网络处理方法，其特征在于：所述步骤二中，构造相适配的隶属度函数的具体步骤为：先用二元对比法主观确定毫米波雷达数据每一元素的顺序或优先程度，并作数量估计，再取其平均值作为隶属度函数。
5.根据权利要求1所述的一种毫米波雷达数据筛选性神经网络处理方法，其特征在于：所述步骤二中，构造相适配的隶属度函数的具体步骤为：先设毫米波雷达数据去冗输出初值为滤波窗口内各样本的均值，再由滤波输出初值导致各样本的隶属度，接着对导出的模糊隶属度进行加权均值，得到均值输出，随后比较滤波输出初值和均值输出的差值是否小于预设的阈值，若小于该阈值，则迭代结束，输出为均值输出，否则由均值输出导出新的模糊隶属度，即隶属度函数。
6.根据权利要求1所述的一种毫米波雷达数据筛选性神经网络处理方法，其特征在于：所述步骤三中，毫米波雷达数据的复合多维信号经小波变换后，能量集中在最低分辨率子带信号上，复合多维信号的加性随机噪声经过小波变换后，能量分散在各个高分辨率子带信号上。
7.根据权利要求1所述的一种毫米波雷达数据筛选性神经网络处理方法，其特征在于：所述步骤四中，进行迭代加密滤波的具体步骤为：先将小波变换后的毫米波雷达数据划分为块，并假设区块内所有的点具有相同权重，再将区块内所有点拟合为一个曲面，接着利用神经网络深度修正法拟合曲面的点集，根据残差确定再次拟合曲面时点的权重，迭代得到最终曲面即为真实数字高程模型，利用得到的真实数字高程模型对初始滤波表面拟合的点集进行区分，完成加密滤波。
8.一种毫米波雷达数据筛选性神经网络处理装置，其特征在于：包括数据预处理模块、模糊滤波模块、像素级前融合模块和数据去冗模块，所述数据预处理模块对毫米波雷达数据进行错误点和噪点的线性化筛选与结构化剔除并与模数滤波模块连接，所述模糊滤波模块对毫米波雷达数据进行初步滤波并与像素级前融合模块连接，所述像素级前融合模块对毫米波雷达数据进行小波变换并与数据去冗模块连接，所述数据去冗模块对毫米波雷达数据进行迭代加密滤波以及神经网络深度修正法滤波。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210551055.6A CN114881215A (zh) | 2022-05-18 | 2022-05-18 | 一种毫米波雷达数据筛选性神经网络处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210551055.6A CN114881215A (zh) | 2022-05-18 | 2022-05-18 | 一种毫米波雷达数据筛选性神经网络处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114881215A true CN114881215A (zh) | 2022-08-09 |
Family
ID=82677698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210551055.6A Pending CN114881215A (zh) | 2022-05-18 | 2022-05-18 | 一种毫米波雷达数据筛选性神经网络处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114881215A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117113284A (zh) * | 2023-10-25 | 2023-11-24 | 南京舜云智慧城市科技有限公司 | 多传感器融合的数据处理方法、装置与多传感器融合方法 |
-
2022
- 2022-05-18 CN CN202210551055.6A patent/CN114881215A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117113284A (zh) * | 2023-10-25 | 2023-11-24 | 南京舜云智慧城市科技有限公司 | 多传感器融合的数据处理方法、装置与多传感器融合方法 |
| CN117113284B (zh) * | 2023-10-25 | 2024-01-26 | 南京舜云智慧城市科技有限公司 | 多传感器融合的数据处理方法、装置与多传感器融合方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bhutada et al. | Edge preserved image enhancement using adaptive fusion of images denoised by wavelet and curvelet transform | |
| CN102034239B (zh) | 一种基于局部灰度突变的红外小目标检测方法 | |
| CN105894476B (zh) | 基于字典学习融合的sar图像降噪处理方法 | |
| CN111965632B (zh) | 一种基于黎曼流形降维的雷达目标检测方法 | |
| CN113050042A (zh) | 基于改进UNet3+网络的雷达信号调制类型识别方法 | |
| CN112213688B (zh) | 一种用于低空空域低小慢飞行器目标个体识别的特征提取方法 | |
| CN102393423A (zh) | 基于自适应阈值正交小波变换的兰姆波去噪方法 | |
| CN101123683A (zh) | 结合可见光图像信息的sar图像斑点噪声抑制方法 | |
| CN114881215A (zh) | 一种毫米波雷达数据筛选性神经网络处理方法 | |
| CN111680737A (zh) | 差异性信噪比条件下的雷达辐射源个体识别方法 | |
| CN109815849A (zh) | 基于奇异值分解的混沌信号去噪算法 | |
| CN106373104A (zh) | 岩石钻孔图像的自适应增强方法 | |
| Zhang et al. | A reverberation noise suppression method of sonar image based on shearlet transform | |
| CN107748885B (zh) | 一种对模糊字符进行识别的方法 | |
| Gupta | A review and comprehensive comparison of image denoising techniques | |
| Devapal et al. | Discontinuity adaptive SAR image despeckling using curvelet-based BM3D technique | |
| CN102509268B (zh) | 基于免疫克隆选择的非下采样轮廓波域图像去噪方法 | |
| CN112859025B (zh) | 一种基于混合网络的雷达信号调制类型分类方法 | |
| CN114066816B (zh) | 基于静态小波变换提取的sar图像无监督变化检测方法 | |
| Ahirwar et al. | A novel wavelet-based denoising method of SAR image using interscale dependency | |
| CN115905919A (zh) | 基于afgan的雷达信号样本数据处理方法、目标识别方法及系统 | |
| CN112213698B (zh) | 一种基于稀疏表示分类的欺骗干扰识别方法 | |
| CN113848532A (zh) | 基于降噪模型的fmcw雷达信号降噪系统及方法 | |
| CN115097391A (zh) | 一种基于自动编码器的合成孔径雷达干扰抑制方法 | |
| CN113205564A (zh) | 一种sar智能目标边缘重构方法 |
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 |