CN115932773A - 基于谱形特征的目标角度检测方法、装置、设备及介质 - Google Patents
基于谱形特征的目标角度检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115932773A CN115932773A CN202211616867.0A CN202211616867A CN115932773A CN 115932773 A CN115932773 A CN 115932773A CN 202211616867 A CN202211616867 A CN 202211616867A CN 115932773 A CN115932773 A CN 115932773A
- Authority
- CN
- China
- Prior art keywords
- target
- curve
- angle detection
- power spectrum
- spectrum
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明实施例公开了一种基于谱形特征的目标角度检测方法、装置、设备及介质,该方法包括:获取满足第一设定条件的多目标功率谱曲线;其中,所述多目标功率谱曲线为信号功率随着频谱变化的曲线;所述多目标功率谱曲线为多个目标的功率谱曲线的叠加曲线;对所述多目标功率谱曲线进行特征提取,获得多目标谱形特征;将所述多目标谱形特征输入至目标角度检测模型中,获得多个目标的角度。本发明公开实施例,通过多目标谱形特征以及目标角度检测模型进行多目标角度分辨的方式,可以使用较低的算力达到雷达角度高分辨的效果。
Description
技术领域
本发明实施例涉及雷达目标检测技术领域,尤其涉及一种基于谱形特征的目标角度检测方法、装置、设备及介质。
背景技术
近年来,智能驾驶热潮兴起,各类车载传感器随之快速发展,毫米波雷达凭借体积小、成本低、适应性强等诸多优点,受到车载市场的极大青睐,在智能驾驶系统中发挥了重要作用。
毫米波雷达通过测量距离、速度和角度来获取目标的位置和运动信息,其中角度测量一直都是毫米波雷达最重要也是最复杂的功能之一。对于角度测量,各学者提出了各种算法,但仍具有一些问题,如超分辨算法(MUSIC、MVDR等),算法复杂度过高,算力消耗太大,并且受噪声干扰影响较大,在实际应用中有诸多限制。另外,目前主流角分辨算法在很大程度上依赖于对谱峰值数量的判断,使用场景具有较大的限制,例如当目标角间距在3dB波束宽度以内时,即使超分辨算法也有很大概率因为谱峰合并而分辨失败。
发明内容
本发明实施例提供一种基于谱形特征的目标角度检测方法、装置、设备及介质,可以使用较低的算力达到雷达角度高分辨的效果。
第一方面,本发明实施例提供一种基于谱形特征的目标角度检测方法,包括:获取满足第一设定条件的多目标功率谱曲线;其中,所述多目标功率谱曲线为信号功率随着频谱变化的曲线;所述多目标功率谱曲线为多个目标的功率谱曲线的叠加曲线;对所述多目标功率谱曲线进行特征提取,获得多目标谱形特征;将所述多目标谱形特征输入至目标角度检测模型中,获得多个目标的角度。
第二方面,一种基于谱形特征的目标角度检测装置,包括:多目标功率谱曲线获取模块,用于获取满足第一设定条件的多目标功率谱曲线;其中,所述多目标功率谱曲线为信号功率随着频谱变化的曲线;所述多目标功率谱曲线为多个目标的功率谱曲线的叠加曲线;多目标谱形特征提取模块,用于对所述多目标功率谱曲线进行特征提取,获得多目标谱形特征;目标角度检测模块,用于将所述多目标谱形特征输入至目标角度检测模型中,获得多个目标的角度。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的基于谱形特征的目标角度检测方法。
第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于谱形特征的目标角度检测方法。
本实施例的技术方案,通过获取满足第一设定条件的多目标功率谱曲线;其中,所述多目标功率谱曲线为信号功率随着频谱变化的曲线;所述多目标功率谱曲线为多个目标的功率谱曲线的叠加曲线;对所述多目标功率谱曲线进行特征提取,获得多目标谱形特征;将所述多目标谱形特征输入至目标角度检测模型中,获得多个目标的角度。本发明公开实施例,通过多目标谱形特征以及目标角度检测模型进行多目标角度分辨的方式,可以使用较低的算力达到雷达角度高分辨的效果。
附图说明
图1为本发明实施例提供的一种基于谱形特征的目标角度检测方法的流程图;
图2为本发明实施例提供的等幅值双目标功率谱曲线;
图3为本发明实施例提供的一种不等幅值双目标功率谱曲线;
图4为本发明实施例提供的另一种不等幅值双目标功率谱曲线;
图5为本发明实施例提供的单目标功率谱曲线;
图6是本发明实施例提供的又一种基于谱形特征的目标角度检测方法的流程示意图;
图7为本发明实施例提供的一种基于谱形特征的目标角度检测装置的结构示意图;
图8是实现本发明实施例的的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明实施例提供的一种基于谱形特征的目标角度检测方法的流程图,本实施例可适用于对多目标进行角度分辨情况,该方法可以由基于谱形特征的目标角度检测装置来执行,该装置可以通过软件和/或硬件的形式实现,可选的,通过电子设备来实现,该电子设备可以是移动终端、PC端或服务器等。具体包括如下步骤:
S110、获取满足第一设定条件的多目标功率谱曲线。
其中,所述多目标功率谱曲线为信号功率随着频谱变化的曲线;多目标功率谱曲线为多个目标的功率谱曲线的叠加曲线。多目标功率谱曲线可以是通过仿真软件获得的曲线,也可以是在实际应用中,通过雷达获取目标回波信号,对目标回波信号进行处理后得到的多目标功率谱曲线。其中,多个目标优选为两个目标。目标可以理解为任意类型的物体,如车辆、行人等。如图2所示,图2为本发明实施例提供的等幅值双目标功率谱曲线,实线(fftsig-sum)表示两个目标的功率谱曲线(虚线)的叠加曲线,虚线1(fftsig1)和虚线2(fftsig2)分别表示两个目标中的单个目标的功率谱曲线,横坐标fftbins可以认为是频谱,纵坐标fftamp可以认为是功率(幅值)。如图3和图4所示,图3为本发明实施例提供的一种不等幅值双目标功率谱曲线和图4为本发明实施例提供的另一种不等幅值双目标功率谱曲线,图3和图4中的实线(fftsig-sum)均表示两个目标的功率谱曲线(虚线)的叠加曲线,虚线1(fftsig1)和虚线2(fftsig2)均表示两个目标中的单个目标的功率谱曲线。
可选的,第一设定条件可以是:多个目标的回波信号叠加后的信噪比大于设定信噪比门限;设定分贝谱形宽度大于标准波束宽度的设定倍数;设定分贝谱形宽度内的峰值的数量为一个。
其中,设定倍数可以是2倍,标准波束宽度可以是标准单目标3db波束宽度。如图5所示的单目标功率谱曲线中的3分贝波束宽度。本实施例中,对设定信噪比门限不作限制,优选为30分贝。设定分贝可以是任意的分贝,本实施例对此不作限制,例如可以是8分贝、6分贝,优选为8分贝。
具体的,获取通过传统波束形成算法(ConventionalBeamforming,CBF)扫描得到的回波信号,通过雷达信号处理流程对回波信号进行加工处理,并在角度维度通过加密快速傅里叶变换得到功率谱曲线,并获取符合第一设定条件的多目标功率谱曲线。对于不符合第一设定条件的功率谱曲线可以认为是单目标功率谱曲线,而对于单目标功率谱曲线则通过CBF算法进行处理即可。
S120、对多目标功率谱曲线进行特征提取,获得多目标谱形特征。
其中,多目标谱形特征可以理解为在主瓣对应的多目标功率谱曲线中,设定谱形宽度对应的设定数量的幅值。
可选的,对多目标功率谱曲线进行特征提取,获得多目标谱形特征的方式可以是:从多目标功率谱曲线中确定主瓣对应的子功率谱曲线;根据标准波束宽度确定目标谱形宽度;在主瓣对应的子功率谱曲线中,在目标谱形宽度对应的幅值范围内选取第一设定数量的幅值;将第一设定数量的幅值组成的序列作为多目标谱形特征。
其中,标准波束宽度可以是标准单目标的功率谱曲线的3分贝波束宽度。目标谱形宽度可以是标准波束宽度的3倍。第一设定数量可以是30至45之间的任意一个数。
需要说明的是,对于第一设定数量,可以是目标谱形宽度对应的功率谱曲线中包含的点的数量,点的横坐标为频谱,点的纵坐标为幅值(功率)。第一设定数量的功率谱曲线与目标谱形宽度对应的功率谱曲线大致相当。
本实施例中,首先确定出主瓣对应的子功率谱曲线;然后在子功率谱曲线中确定出设定分贝谱形宽度;其中,设定分贝谱形宽度可以是8分贝谱形宽度;接着确定出目标谱形宽度,其中,目标谱形宽度大于设定分贝谱形宽度,目标谱形宽度所对应的功率谱曲线(幅值数量)包括设定分贝谱形宽度所对应的功率谱曲线(幅值数量);接着以设定分贝谱形宽度的中点对应的幅值为中心,在目标谱形宽度对应的幅值范围内选取第一设定数量的幅值;并将第一设定数量的幅值组成的序列作为多目标谱形特征。
需要说明的是,由于各多目标功率谱曲线的设定谱形宽度是不同的,因此通过目标谱形宽度、设定分贝谱形宽度和第一设定数量使得每个多目标谱形特征中的幅值的数量是相同的,以保证后续目标角度检测模型的准确运行。
可选的,在主瓣对应的子功率谱曲线中,在目标谱形宽度对应的幅值范围内选取第一设定数量的幅值的方式可以是:在目标谱形宽度对应的幅值范围内,以设定分贝谱形宽度中点对应的幅值为中心,分别向左和向右选取第二设定数量的幅值;第二设定数量为第一设定数量的一半。
本实施例中,通过在目标谱形宽度对应的幅值范围内,以设定分贝谱形宽度中点对应的幅值为中心,分别向左和向右选取第二设定数量幅值的方式,可以有效并准确提取出多目标谱形特征。
可选的,将第一设定数量的幅值组成的序列作为多目标谱形特征的方式可以是:对第一设定数量的幅值进行标准化处理;将标准化处理后的第一设定数量的幅值组成的序列作为多目标谱形特征。
其中,标准化处理可以是第一设定数量的幅值中的每个幅值减去峰点幅值。本实施例中,通过对第一设定数量的幅值进行标准化处理,使得每个序列中的峰值点幅值为0,其余为负数,从而保证了后续目标角度检测模型的准确运行。
S130、将多目标谱形特征输入至目标角度检测模型中,获得多个目标的角度。
其中,目标角度检测模型可以是任意类型的神经网络模型,本实施例对此不作限制,例如可以是浅层神经网络或深层神经网络,深层神经网络可以是卷积神经网络、注意力机制等。浅层神经网络的隐藏层和每层的神经元的数量可以根据目标角度检测模型的训练效果和天线阵型进行调整。例如隐藏层的数量可以是1层或2层,每层的神经元可以是10个。训练算法可以是列文伯格-马夸尔特法(LevenbergMarquardt,LM)。
本实施例,通过将多目标谱形特征输入至目标角度检测模型中,获得多个目标的角度对应的频谱索引,并将符合条件的多个目标的角度对应的频谱索引进行转换处理,得到最终的实际的多目标角度。
可选的,将多目标谱形特征输入至目标角度检测模型中,获得多目标角度的方式可以是:将多目标谱形特征输入至目标角度检测模型,输出多个目标的频谱索引;若多个目标的频谱索引满足第二设定条件,则将多个目标的频谱索引进行转换,获得多个目标的角度。
其中,第二设定条件为多个目标的频谱索引对应的频谱差在第一设定范围。第一设定范围可以是标准单目标3分贝波束宽度的0.5倍至标准单目标3分贝波束宽度的1.5倍之间。其中频谱索引可以通过1至第一设定数量之间的任意数值表示,即可以是1至第一设定数量之间的整数,也可以是1至第一设定数量之间的小数。
具体的,将多目标谱形特征输入至目标角度检测模型,输出多个目标的频谱索引,若多个目标的频谱索引不满足第二设定条件,则对多目标谱形特征通过单目标角度检测的方法进行处理。若多个目标的频谱索引满足第二设定条件,则根据天线阵型对多个目标的频谱索引进行转换,获得多个目标的实际角度值。
可选的,目标角度检测模型的训练方式为:获取满足第一设定条件的多目标功率谱曲线样本集,将多目标功率谱曲线样本拆分为训练集和测试集;第一设定条件为:多个目标的功率谱曲线的最大功率差在第二设定范围内;多个目标的回波信号的信噪比均在第三设定范围内;多个目标的角度间距在第四设定范围内;多目标功率谱曲线中主瓣对应的峰值的数量为一个;对多目标功率谱曲线样本集进行特征提取,获得训练特征样本集及测试特征样本集;基于训练特征样本集对目标角度检测模型进行训练;基于测试特征样本集对训练后的目标角度检测模型进行测试。
其中,多目标功率谱曲线样本集中多目标功率谱曲线样本的数量不低于5000个,多目标功率谱曲线样本集包括仿真多目标功率谱曲线样本子集和实际多目标功率谱曲线样本子集,且仿真多目标功率谱曲线样本子集中多目标功率谱曲线样本和实际多目标功率谱曲线样本子集中多目标功率谱曲线样本的数量各占样本集总数量的一半。训练集和测试集数量比例可以是8:2。
本实施例中,对于第一设定条件,在得到多目标功率谱曲线之前,需要确定以下参数:多个目标的功率谱曲线的最大功率差在第二设定范围内,最大功率差可以理解为在各目标的功率谱曲线中的峰值之间的功率差。其中,第二设定范围可以是-5分贝至5分贝之间。示例性的,多目标以双目标为例,A目标的功率谱曲线中主瓣对应的峰值为C,B目标的功率谱曲线中主瓣对应的峰值为D,双目标的功率谱曲线的最大功率差为C-D。多个目标的回波信号叠加后的信噪比在第三设定范围内,第三设定范围可以是30分贝至60分贝之间;多个目标的角度间距在第四设定范围内;第四设定范围与第一设定范围相同。在得到多目标功率谱曲线之后,多目标功率谱曲线中主瓣对应的峰值的数量为一个可以理解为设定分贝谱形宽度内的峰值的数量为一个。
具体的,对于训练集和测试集的特征提取,可以采用如下方式进行提取:从多目标功率谱曲线中确定主瓣对应的子功率谱曲线;根据标准波束宽度确定目标谱形宽度;在主瓣对应的子功率谱曲线中,在目标谱形宽度对应的幅值范围内选取第一设定数量的幅值;将第一设定数量的幅值组成的序列作为多目标谱形特征。在目标谱形宽度对应的幅值范围内选取第一设定数量的幅值的方式可以是:在目标谱形宽度对应的幅值范围内,以设定分贝谱形宽度中点对应的幅值为中心,分别向左和向右选取第二设定数量的幅值;第二设定数量为第一设定数量的一半。
本实施例中,在将训练特征样本集输入目标角度检测模型进行训练之前还包括对训练特征样本集进行标准化处理;以及测试特征样本集输入训练后的目标角度检测模型进行测试之前还包括对测试特征样本集进行标准化处理。
本实施例中,获取满足第三设定条件的多目标功率谱曲线样本集,将多目标功率谱曲线样本拆分为训练集和测试集,通过训练集对目标角度检测模型进行训练,得到训练后的目标角度检测模型,通过测试集对训练后的目标角度检测模型进行测试,以验证训练后的目标角度检测模型的效果。
需要说明的是,对于训练特征样本集中标签,即多目标角度对应的标签,可以通过真实频谱索引表示,具体通过1至第一设定数量之间的任意数值表示(含小数)。而对于训练特征样本集中幅值的位置顺序可以通过1至第一设定数量之间的整数表示。
可选的,基于训练特征样本集对目标角度检测模型进行训练的方式可以是:获取训练特征样本集的真实频谱索引;将训练特征样本集输入目标角度检测模型,输出预测频谱索引;确定真实频谱索引和预测频谱索引间的损失函数;基于损失函数对目标角度检测模型进行训练。
其中,损失函数可以是任意的损失函数,例如可以是交叉熵损失函数。本实施例中,对于目标角度检测模型的训练过程:在将训练特征样本集输入至目标角度检测模型之后,目标角度检测模型输出预测频谱索引,并基于损失函数将预测频谱索引与训练特征样本集对应的真实频谱索引进行比较,得到损失误差,根据损失误差对目标角度检测模型中的参数进行调整,将调整后的目标角度检测模型再次根据训练特征样本集和损失函数进行训练,直至损失误差满足设定阈值,或满足迭代终止条件停止目标角度检测模型的训练,迭代终止条件可以是训练1000次。
本实施例的技术方案,通过获取满足第一设定条件的多目标功率谱曲线;其中,所述多目标功率谱曲线为信号功率随着频谱变化的曲线;所述多目标功率谱曲线为多个目标的功率谱曲线的叠加曲线;对所述多目标功率谱曲线进行特征提取,获得多目标谱形特征;将所述多目标谱形特征输入至目标角度检测模型中,获得多个目标的角度。本发明公开实施例,通过多目标谱形特征以及目标角度检测模型进行多目标角度分辨的方式,可以使用较低的算力达到雷达角度高分辨的效果。
图6是本发明实施例提供的又一种基于谱形特征的目标角度检测方法的流程示意图。具体步骤如下:
S210、获取满足第三设定条件的多目标功率谱曲线样本集。
S220、对多目标功率谱曲线样本集进行特征提取,获得训练特征样本集。
S230、基于训练特征样本集对目标角度检测模型进行训练。
S240、将训练后的目标角度检测模型导出,并移植上板,使目标角度检测模型运行于板端。
S250、获取满足第一设定条件的多目标功率谱曲线对多目标功率谱曲线进行特征提取,获得多目标谱形特征。
S260、将多目标谱形特征输入至目标角度检测模型中,获得多个目标的角度。
图7为本发明实施例提供的一种基于谱形特征的目标角度检测装置的结构示意图。如图7所示,装置包括:多目标功率谱曲线获取模块701、多目标谱形特征提取模块702及目标角度检测模块703;
多目标功率谱曲线获取模块701,用于获取满足第一设定条件的多目标功率谱曲线;其中,所述多目标功率谱曲线为信号功率随着频谱变化的曲线;所述多目标功率谱曲线为多个目标的功率谱曲线的叠加曲线;
多目标谱形特征提取模块702,用于对所述多目标功率谱曲线进行特征提取,获得多目标谱形特征;
目标角度检测模块703,用于将所述多目标谱形特征输入至目标角度检测模型中,获得多个目标的角度。
本实施例的技术方案,通过多目标功率谱曲线获取模块获取满足第一设定条件的多目标功率谱曲线;其中,所述多目标功率谱曲线为信号功率随着频谱变化的曲线;所述多目标功率谱曲线为多个目标的功率谱曲线的叠加曲线;通过多目标谱形特征提取模块对所述多目标功率谱曲线进行特征提取,获得多目标谱形特征;通过目标角度检测模块将所述多目标谱形特征输入至目标角度检测模型中,获得多个目标的角度。本发明公开实施例,通过多目标谱形特征以及目标角度检测模型进行多目标角度分辨的方式,可以使用较低的算力达到雷达角度高分辨的效果。
可选的,所述第一设定条件,包括:多个目标的回波信号叠加后的信噪比大于设定信噪比门限;设定分贝谱形宽度大于标准波束宽度的设定倍数;所述设定分贝谱形宽度内的峰值的数量为一个。
可选的,多目标谱形特征提取模块具体用于:从所述多目标功率谱曲线中确定主瓣对应的子功率谱曲线;根据标准波束宽度确定目标谱形宽度;在所述主瓣对应的子功率谱曲线中,在所述目标谱形宽度对应的幅值范围内选取第一设定数量的幅值;将所述第一设定数量的幅值组成的序列作为多目标谱形特征。
可选的,多目标谱形特征提取模块还用于:在所述目标谱形宽度对应的幅值范围内,以设定分贝谱形宽度中点对应的幅值为中心,分别向左和向右选取第二设定数量的幅值;所述第二设定数量为所述第一设定数量的一半。
可选的,多目标谱形特征提取模块还用于:对所述第一设定数量的幅值进行标准化处理;将标准化处理后的第一设定数量的幅值组成的序列作为多目标谱形特征。
可选的,目标角度检测模块具体用于:将所述多目标谱形特征输入至目标角度检测模型,输出多个目标的频谱索引;若所述多个目标的频谱索引满足第二设定条件,则将所述多个目标的频谱索引进行转换,获得多个目标的角度;其中,所述第二设定条件为多个目标的频谱索引对应的频谱差在所述第一设定范围。
可选的,目标角度检测模块还用于:获取满足所述第三设定条件的多目标功率谱曲线样本集,将所述多目标功率谱曲线样本拆分为训练集和测试集;所述第三设定条件为:多个目标的功率谱曲线的最大功率差在第二设定范围内;多个目标的回波信号的信噪比均在第三设定范围内;多个目标的角度间距在第四设定范围内;多目标功率谱曲线中主瓣对应的峰值的数量为一个;对所述多目标功率谱曲线样本集进行特征提取,获得训练特征样本集及测试特征样本集;基于所述训练特征样本集对所述目标角度检测模型进行训练;基于所述测试特征样本集对训练后的目标角度检测模型进行测试。
可选的,目标角度检测模块还用于:获取所述训练特征样本集的真实频谱索引;将所述训练特征样本集输入所述目标角度检测模型,输出预测频谱索引;确定所述真实频谱索引和所述预测频谱索引间的损失函数;基于所述损失函数对所述目标角度检测模型进行训练。
图8示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图8所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM12以及RAM13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如一种基于谱形特征的目标角度检测方法。
在一些实施例中,一种基于谱形特征的目标角度检测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM13并由处理器11执行时,可以执行上文描述的一种基于谱形特征的目标角度检测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行一种基于谱形特征的目标角度检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (11)
1.一种基于谱形特征的目标角度检测方法,其特征在于,包括:
获取满足第一设定条件的多目标功率谱曲线;其中,所述多目标功率谱曲线为信号功率随着频谱变化的曲线;所述多目标功率谱曲线为多个目标的功率谱曲线的叠加曲线;
对所述多目标功率谱曲线进行特征提取,获得多目标谱形特征;
将所述多目标谱形特征输入至目标角度检测模型中,获得多个目标的角度。
2.根据权利要求1所述的方法,其特征在于,所述第一设定条件,包括:
多个目标的回波信号叠加后的信噪比大于设定信噪比门限;
设定分贝谱形宽度大于标准波束宽度的设定倍数;
所述设定分贝谱形宽度内的峰值的数量为一个。
3.根据权利要求1所述的方法,其特征在于,对所述多目标功率谱曲线进行特征提取,获得多目标谱形特征,包括:
从所述多目标功率谱曲线中确定主瓣对应的子功率谱曲线;
根据标准波束宽度确定目标谱形宽度;
在所述主瓣对应的子功率谱曲线中,在所述目标谱形宽度对应的幅值范围内选取第一设定数量的幅值;
将所述第一设定数量的幅值组成的序列作为多目标谱形特征。
4.根据权利要求3所述的方法,其特征在于,在所述主瓣对应的子功率谱曲线中,在所述目标谱形宽度对应的幅值范围内选取第一设定数量的幅值,包括:
在所述目标谱形宽度对应的幅值范围内,以设定分贝谱形宽度中点对应的幅值为中心,分别向左和向右选取第二设定数量的幅值;所述第二设定数量为所述第一设定数量的一半。
5.根据权利要求3所述的方法,其特征在于,将所述第一设定数量的幅值组成的序列作为多目标谱形特征,包括:
对所述第一设定数量的幅值进行标准化处理;
将标准化处理后的第一设定数量的幅值组成的序列作为多目标谱形特征。
6.根据权利要求4或5所述的方法,其特征在于,将所述多目标谱形特征输入至目标角度检测模型中,获得多目标角度,包括:
将所述多目标谱形特征输入至目标角度检测模型,输出多个目标的频谱索引;
若所述多个目标的频谱索引满足第二设定条件,则将所述多个目标的频谱索引进行转换,获得多个目标的角度;其中,所述第二设定条件为多个目标的频谱索引对应的频谱差在所述第一设定范围。
7.根据权利要求1所述的方法,其特征在于,所述目标角度检测模型的训练方式为:
获取满足所述第三设定条件的多目标功率谱曲线样本集,将所述多目标功率谱曲线样本拆分为训练集和测试集;所述第三设定条件为:多个目标的功率谱曲线的最大功率差在第二设定范围内;多个目标的回波信号叠加后的信噪比在第三设定范围内;多个目标的角度间距在第四设定范围内;多目标功率谱曲线中主瓣对应的峰值的数量为一个;
对所述多目标功率谱曲线样本集进行特征提取,获得训练特征样本集及测试特征样本集;
基于所述训练特征样本集对所述目标角度检测模型进行训练;
基于所述测试特征样本集对训练后的目标角度检测模型进行测试。
8.根据权利要求7所述的方法,其特征在于,基于所述训练特征样本集对所述目标角度检测模型进行训练,包括:
获取所述训练特征样本集的真实频谱索引;
将所述训练特征样本集输入所述目标角度检测模型,输出预测频谱索引;
确定所述真实频谱索引和所述预测频谱索引间的损失函数;
基于所述损失函数对所述目标角度检测模型进行训练。
9.一种基于谱形特征的目标角度检测装置,其特征在于,包括:
多目标功率谱曲线获取模块,用于获取满足第一设定条件的多目标功率谱曲线;其中,所述多目标功率谱曲线为信号功率随着频谱变化的曲线;所述多目标功率谱曲线为多个目标的功率谱曲线的叠加曲线;
多目标谱形特征提取模块,用于对所述多目标功率谱曲线进行特征提取,获得多目标谱形特征;
目标角度检测模块,用于将所述多目标谱形特征输入至目标角度检测模型中,获得多个目标的角度。
10.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的基于谱形特征的目标角度检测方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-8中任一项所述的基于谱形特征的目标角度检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211616867.0A CN115932773A (zh) | 2022-12-15 | 2022-12-15 | 基于谱形特征的目标角度检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211616867.0A CN115932773A (zh) | 2022-12-15 | 2022-12-15 | 基于谱形特征的目标角度检测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115932773A true CN115932773A (zh) | 2023-04-07 |
Family
ID=86553754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211616867.0A Pending CN115932773A (zh) | 2022-12-15 | 2022-12-15 | 基于谱形特征的目标角度检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115932773A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116984747A (zh) * | 2023-09-19 | 2023-11-03 | 讯创(天津)电子有限公司 | 基于lmc工艺使用激光束刻蚀射频区域的方法 |
-
2022
- 2022-12-15 CN CN202211616867.0A patent/CN115932773A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116984747A (zh) * | 2023-09-19 | 2023-11-03 | 讯创(天津)电子有限公司 | 基于lmc工艺使用激光束刻蚀射频区域的方法 |
CN116984747B (zh) * | 2023-09-19 | 2023-11-24 | 讯创(天津)电子有限公司 | 基于lmc工艺使用激光束刻蚀射频区域的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220606B (zh) | 基于一维卷积神经网络的雷达辐射源信号的识别方法 | |
CN108845306B (zh) | 基于变分模态分解的激光雷达回波信号去噪方法 | |
CN109212503B (zh) | 一种基于ar谱分形相关特征的海上目标检测方法及装置 | |
CN110007299B (zh) | 一种基于混合坐标伪谱技术的微弱目标检测跟踪方法 | |
CN111880158A (zh) | 一种基于卷积神经网络序列分类的雷达目标检测方法及系统 | |
CN116593989B (zh) | 一种基于雷达海杂波的对流层波导反演方法及系统 | |
CN115932773A (zh) | 基于谱形特征的目标角度检测方法、装置、设备及介质 | |
CN112036239A (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
CN114492535A (zh) | 一种动作识别方法、装置、设备以及存储介质 | |
CN114117912A (zh) | 一种数据模型双驱动下的海杂波建模与抑制方法 | |
CN115685109A (zh) | 一种对毫米波雷达测试的方法、装置、设备及存储介质 | |
Cai et al. | Modulation recognition of radar signal based on an improved CNN model | |
CN116299291A (zh) | 一种雷达目标的识别方法、装置、设备及存储介质 | |
CN113219466A (zh) | 海面的风速确定方法、装置、电子设备及存储介质 | |
CN109752633B (zh) | 一种对变电站局部放电信号进行定位的方法及系统 | |
CN114966566A (zh) | 一种雷达干扰的抑制方法、装置以及设备 | |
CN115632970A (zh) | 非高斯噪声下通信干扰信号带宽估计方法、设备及存储介质 | |
CN112444786A (zh) | 获取参考噪声基底的方法及装置、目标检测方法、目标检测装置、雷达系统 | |
CN115345216A (zh) | 一种融合先验信息的fmcw雷达干扰消除方法 | |
CN115047419A (zh) | 一种毫米波雷达恒虚警率检测方法及装置 | |
CN113625244B (zh) | 一种基于lstm的多源域的高重频雷达目标检测方法 | |
CN114638262B (zh) | 基于时频二维特征学习的雷达对海杂波智能抑制方法 | |
CN114879175A (zh) | 面向主要目标识别应用的组合射频信号处理方法及装置 | |
CN112751634B (zh) | 一种预测式猝发信号监测切频方法及系统 | |
CN116299211B (zh) | 雷达成像背景数据的确定方法、装置、设备及介质 |
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 |