CN116027294B - 基于决策级融合的单比特雷达微动目标识别方法、装置 - Google Patents
基于决策级融合的单比特雷达微动目标识别方法、装置 Download PDFInfo
- Publication number
- CN116027294B CN116027294B CN202310140059.XA CN202310140059A CN116027294B CN 116027294 B CN116027294 B CN 116027294B CN 202310140059 A CN202310140059 A CN 202310140059A CN 116027294 B CN116027294 B CN 116027294B
- Authority
- CN
- China
- Prior art keywords
- range profile
- resolution range
- dimensional high
- profile data
- probability distribution
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000010586 diagram Methods 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 238000013139 quantization Methods 0.000 claims abstract description 27
- 230000003068 static effect Effects 0.000 claims description 37
- 238000001914 filtration Methods 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 19
- 238000009825 accumulation Methods 0.000 claims description 17
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 7
- 238000002592 echocardiography Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
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
- 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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了基于决策级融合的单比特雷达微动目标识别方法、装置，包括：对获取的雷达数据进行单比特量化处理得到一维高分辨距离像；并截取带运动目标的一维高分辨距离像数据；通过训练好的一维卷积神经网络进行识别得到第一基本概率分配；同时将截取一维高分辨距离像数据进行时频分析，并通过训练好的第二卷积神经网络进行目标识别，得到第二基本概率分配；将融合后的第一基本概率分配和得到的第二基本概率分配再次进行决策级融合，得到最终微动目标识别结果。本发明通过在决策级对目标高分辨距离像的分类结果和对目标微动特征通过时频分析得到的时频图分类结果进行融合，使得对目标的分类结果准确率显著提高，所需时间大大降低。
Description
技术领域
本发明涉及信号处理技术领域，尤其涉及的是一种基于决策级融合的单比特雷达微动目标识别方法、装置、智能终端及存储介质。
背景技术
雷达目标识别技术作为现代雷达系统中十分重要的一环，其通过提取目标的各种特征，从而实现对目标的类别进行判断。不但可以为军事行动提供决策意见，筛选威胁性更高的目标；也可以为民用雷达的数据信息处理提供更多的信息。
但是随着雷达单比特量化的兴起和实时性处理的需求，雷达目标识别技术也需要做出进一步的研究。一方面，单比特雷达信号相比于传统雷达信号丢失了幅度信息，使得针对目标识别的信号特征提取更依赖于单比特雷达的频域信息；另一方面，目标微动特征提取的时频分析技术需要一定的时间积累，在回波次数较少时，缺乏足够的微动特征用来区分目标。
因此，现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于决策级融合的单比特雷达微动目标识别方法、装置、智能终端及存储介质，本发明通过使用DS证据理论在决策级对目标高分辨距离像的分类结果和对目标微动特征通过时频分析得到的时频图分类结果进行融合，使得对目标的分类结果准确率显著提高，所需时间大大降低。
本发明解决问题所采用的技术方案如下：
第一方面，本发明实施例提供一种基于决策级融合的单比特雷达微动目标识别方法，其中，所述方法包括：
采集获取雷达数据，对获取的雷达数据进行单比特量化、并进行去斜接收或匹配滤波处理得到一维高分辨距离像；
将得到的一维高分辨距离像数据进行静态杂波滤除，得到消除静态杂波的一维高分辨距离像数据；
对消除静态杂波的一维高分辨距离像数据进行运动目标检测，截取带运动目标的一维高分辨距离像数据；
将截取到的带运动目标的一维高分辨距离像数据，通过训练好的一维卷积神经网络，对一维高分辨距离像数据的包络特征进行识别，得到对运动目标的一维高分辨距离像数据的第一基本概率分配；
同时将截取一维高分辨距离像数据中进行向量累积，并对累积后的数据进行时频分析得到时频图，对得到的时频图通过训练好的第二卷积神经网络进行目标识别，得到对运动目标的时频图的第二基本概率分配；
将得到的第一基本概率分配进行决策级融合，得到运动目标的一维高分辨距离像数据的第一基本概率分配；并将融合后的第一基本概率分配和得到的第二基本概率分配再次进行决策级融合，得到最终对运动目标的第三基本概率分配，即得到微动目标识别结果。
所述的基于决策级融合的单比特雷达微动目标识别方法，其中，所述采集获取雷达数据，对获取的雷达数据进行单比特量化、并进行去斜接收或匹配滤波处理得到一维高分辨距离像的步骤包括：
控制雷达向探测区域发射线性调频脉冲，信号经目标反射后被雷达接收，接收到回波信号，完成雷达数据采集；
对接收到的回波信号进行单比特量化，得到单比特雷达数据；
对得到单比特雷达数据进行去斜接收处理，以对雷达回波信号和本振信号直接进行混频；再对混频后结果进行傅里叶变换处理，得到一维高分辨距离像数据。
所述的基于决策级融合的单比特雷达微动目标识别方法，其中，所述采集获取雷达数据，对获取的雷达数据进行单比特量化、并进行去斜接收或匹配滤波处理得到一维高分辨距离像的步骤包括：
控制雷达向探测区域发射线性调频脉冲，信号经目标反射后被雷达接收，接收到回波信号，完成雷达数据采集；
对接收到的回波信号进行单比特量化，得到单比特雷达数据；
对得到单比特雷达数据进行匹配滤波处理，先通过傅里叶变换计算出回波信号的频谱，再将回波信号的频谱与匹配滤波器的频响相乘，然后进行快速傅里叶逆变换得到一维高分辨距离像数据。
所述的基于决策级融合的单比特雷达微动目标识别方法，其中，所述将得到的一维高分辨距离像数据进行静态杂波滤除，得到消除静态杂波的一维高分辨距离像数据包括：
将得到的一维高分辨距离像数据通过动目标指示滤波器，滤除静态杂波，得到消除静态杂波的一维高分辨距离像数据。
所述的基于决策级融合的单比特雷达微动目标识别方法，其中，所述将截取到的带运动目标的一维高分辨距离像数据，通过训练好的一维卷积神经网络，对一维高分辨距离像数据的包络特征进行识别，得到对运动目标的一维高分辨距离像数据的第一基本概率分配包括：
将截取到的运动目标的一维高分辨距离像数据分别进行归一化和对齐处理、以克服一维高分辨距离像数据的幅度敏感性和平移敏感性；
将归一化和对齐处理后的一维高分辨距离像数据送入训练好的一维卷积神经网络，对一维高分辨距离像数据的包络特征进行识别，得到所述一维卷积神经网络对运动目标的一维高分辨距离像数据的基本概率分配。
所述的基于决策级融合的单比特雷达微动目标识别方法，其中，所述同时将截取一维高分辨距离像数据中进行向量累积，并对累积后的数据进行时频分析得到时频图，对得到的时频图通过训练好的第二卷积神经网络进行目标识别，得到对运动目标的时频图的第二基本概率分配的步骤包括：
同时将截取一维高分辨距离像数据中运动目标的n个一维高分辨距离像数据信号通过距离向合并进行向量累积；
对累积后的数据进行时频分析得到时频图；
对时频分析后产生的时频图进行归一化处理后送入训练好的第二卷积神经网络进行目标识别，得到第二卷积神经网络B对运动目标的时频图的基本概率分配。
所述的基于决策级融合的单比特雷达微动目标识别方法，其中，所述将得到的第一基本概率分配进行决策级融合，得到运动目标的一维高分辨距离像数据的第一基本概率分配；并将融合后的第一基本概率分配和得到的第二基本概率分配再次进行决策级融合，得到最终对运动目标的第三基本概率分配，即得到微动目标识别结果包括：
将得到运动目标的一维高分辨距离像数据的第一基本概率分配积累到n个后通过DS证据理论进行决策级融合，得到预定的运动目标的一维高分辨距离像数据的第一基本概率分配；
将融合后的一维高分辨距离像数据的第一基本概率分配和时频图分类得到的第二基本概率分配再次通过DS证据理论进行决策级融合，得到最终对运动目标的第三基本概率分配；
将第三基本概率分配作为运动目标对应各种类别的概率，并选取其中概率值最高的即为最终预测结果。
一种基于决策级融合的单比特雷达微动目标识别装置，其中，所述装置包括：
雷达数据采集处理模块，用于采集获取雷达数据，对获取的雷达数据进行单比特量化、并进行去斜接收或匹配滤波处理得到一维高分辨距离像；
过滤处理模块，用于将得到的一维高分辨距离像数据进行静态杂波滤除，得到消除静态杂波的一维高分辨距离像数据；
目标检测与截取模块，用于对消除静态杂波的一维高分辨距离像数据进行运动目标检测，截取带运动目标的一维高分辨距离像数据；
第一识别模块，用于将截取到的带运动目标的一维高分辨距离像数据，通过训练好的一维卷积神经网络，对一维高分辨距离像数据的包络特征进行识别，得到对运动目标的一维高分辨距离像数据的第一基本概率分配；
第二识别模块，用于同时将截取一维高分辨距离像数据中进行向量累积，并对累积后的数据进行时频分析得到时频图，对得到的时频图通过训练好的第二卷积神经网络进行目标识别，得到对运动目标的时频图的第二基本概率分配；
融合与识别模块，用于将得到的第一基本概率分配进行决策级融合，得到运动目标的一维高分辨距离像数据的第一基本概率分配；并将融合后的第一基本概率分配和得到的第二基本概率分配再次进行决策级融合，得到最终对运动目标的第三基本概率分配，即得到微动目标识别结果。
一种智能终端，其中，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行任意一项所述的方法。
一种非临时性计算机可读存储介质，其中，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行任意一项所述的方法。
本发明的有益效果在于：本发明针对单比特雷达数据，利用HRRP(一维高分辨距离像)和时频图的特征通过DS证据理论进行决策级融合，得到了更为精准可靠的微动目标识别结果，不仅降低了传统时频分析进行时间积累的时间，还可以为随后的精细成像提供决策依据。本发明并具有如下优点：
(1)由于对雷达信号进行单比特量化后丢失了幅度信息，因此进行脉冲压缩后得到的HRRP数据中杂波幅度有所上升(信杂比降低)，对目标识别造成了极大干扰。单独进行HRRP的特征识别，识别准确率不高，将其和目标的微动特征联合起来；本发明在决策级进行证据融合，可以有效提高识别率。
(2)目标的微动特征是雷达目标识别的一个显著特征，但提取目标的微动特征需要进行时频分析，而进行时频分析就必然要求进行一定的时间积累，否则无法观察到目标的微动特征，这就为实时的目标识别带来了极大阻碍。不断降低时间积累的时间，目标的微动特征将逐渐不明显，目标识别的准确率也会不断降低，而本发明通过HRRP的特征进行目标识别，仅通过一个或数个回波就可以得到较好的判别结果，因此可以将HRRP识别和时频图识别进行决策级融合，在降低回波数的同时，得到准确的识别结果。
(3)对目标进行高时效和高性能的识别也能为整个成像任务提供重要的决策依据，虽然单比特量化有效缓解了雷达系统对数据的存储和算力压力，但合理的算力分配仍是重要问题。本发明采用快速有效的单比特目标识别可以快速筛选出具有高价值和高威胁的目标，为雷达对其进行精细成像任务提供重要的决策依据，避免相应的算力浪费。
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中记载的一些实施例，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是本发明实施例提供的基于决策级融合的单比特雷达微动目标识别方法的流程示意图。
图2是本发明实施例提供的基于决策级融合的单比特雷达微动目标识别方法具体应用实施例流程示意图。
图3是本发明实施例提供的基于决策级融合的单比特雷达微动目标识别方法中原始HRRP和单比特HRRP对比图示意图。
图4是本发明实施例提供的基于决策级融合的单比特雷达微动目标识别方法中对消前HRRP和对消后HRRP对比图示意图。
图5是本发明实施例提供的基于决策级融合的单比特雷达微动目标识别方法中目标识别准确率结果示意图。
图6是本发明实施例提供的基于决策级融合的单比特雷达微动目标识别装置的原理框图。
图7是本发明实施例提供的智能终端的内部结构原理框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
现有技术中有少部分针对单比特雷达的微动目标分类技术做出的研究，例如现有技术有使用CNN–Bi-RNN网络并结合注意力机制对HRRP进行分类识别，通过对网络结构的优化，使网络准确学习到了各类目标的特征，提高了分类的准确率。但是对回波进行单比特量化后，其HRRP特征变得模糊，会显著影响分类识别准确率。
另外有使用短时傅里叶变换对目标的微动特征进行分析，通过对时频图进行学习，完成对目标的分类识别。但是运用时频变化对数据进行分析，需要积累一定时间的数据，仅数据积累就需要1s时间，无法满足实时识别的要求的问题。
为了解决现有技术的问题，本发明提供一种基于决策级融合的单比特雷达微动目标识别方法，本发明通过使用DS证据理论在决策级对目标高分辨距离像的分类结果和对目标微动特征通过时频分析得到的时频图分类结果进行融合，使得对目标的分类结果准确率显著提高，所需时间大大降低。
以下本发明用到的专用名词解释如下：
HRRP High resolution range profile一维高分辨距离像；
STFT Short-Time Fourier Transform短时傅里叶变换；
FFT Fast Fourier Transform快速傅里叶变换；
MTI Moving Target Indication动目标指示；
CFAR Constant False Alarm Rate恒虚警率；
BPA Basic Probability Assignment基本概率分配；
示例性方法
如图1中所示，本发明实施例提供一种基于决策级融合的单比特雷达微动目标识别方法，所述基于决策级融合的单比特雷达微动目标识别方法可以应用于智能终端。在本发明实施例中，所述方法包括如下步骤：
步骤S100、采集获取雷达数据，对获取的雷达数据进行单比特量化、并进行去斜接收或匹配滤波处理得到一维高分辨距离像；
本发明具体实施时，参考图2所示，可以通过：雷达向探测区域发射线性调频脉冲，信号经目标反射后被雷达接收，接收到的回波信号为sd(tk)，完成雷达数据采集。然后对接收到的回波信号进行单比特量化，单比特量化的定义为s1(tk)＝sign(sd(tk))，其中sign(·)是用于提取信号正负性的函数。得到的单比特雷达数据其实部在1和-1之间变化，虚部在j和-j之间变化。然后对数据进行去斜接收或匹配滤波，去斜接收为对雷达回波信号和本振信号直接进行混频，再对混频后结果进行傅里叶变换(fast fourier transform，FFT)处理得到一维高分辨距离像(high resolution range profile，HRRP)数据；匹配滤波为先通过FFT(傅里叶变换)计算出回波信号的频谱，再将其与匹配滤波器的频响相乘，然后进行快速傅里叶逆变换得到HRRP数据。本次使用去斜接收得到相应区域的HRRP，HRRP表达式为：
其中xi为目标各个散射点，Ii和Qi分别代表其实部和虚部。单比特HRRP(一维高分辨距离像)数据和原始数据HRRP(一维高分辨距离像)数据对比如图3所示；
步骤S200、将得到的一维高分辨距离像数据进行静态杂波滤除，得到消除静态杂波的一维高分辨距离像数据；
本发明具体实施时，参考图2所示，将得到的一维高分辨距离像(HRRP)数据通过动目标指示(moving target indication，MTI)滤波器，滤除大量静态杂波，使运动目标的微动分量更加明显，得到消除静态杂波的一维高分辨距离像(HRRP)数据。常见的MTI滤波器有二脉冲对消和三脉冲对消，本次使用二脉冲对消，对消前数据与对消后的数据对比图如4所示；其对消原理为输入信号sn(t)经过一个延时单元后输出为s'n(t)，表现形式为：
s'n(t)＝sn(t)-sn-1(t)
步骤S300、对消除静态杂波的一维高分辨距离像(HRRP)数据进行运动目标检测，截取带运动目标的一维高分辨距离像(HRRP)数据；
本发明具体实施时，参考图2所示，对消除静态杂波的一维高分辨距离像(HRRP)数据进行运动目标检测，常用的目标检测方式为恒虚警检测(constant false alarm rate，CFAR)。其中均值类CFAR是最常用的一类检测方法，包括单元平均CFAR(sell averaging–CFAR，CA-CFAR)、最大选择CFAR(greatest order-CFAR，GO-CFAR)和最小选择CFAR(smallest order-CFAR，SO-CAFR)，本发明实施例采用CA-CFAR在消除静态杂波的一维高分辨距离像(HRRP)数据上进行目标检测，对于给定的预期平均虚警概率和N个近邻单元，CA-CFAR最终得到的检测阈值表达式为：
公式中，为检测阈值；α为尺度因子；/>为干扰功率，xi为运动目标。
使用CA-CAFR确定运动目标xi所在位置后，截取运动目标xi的HRRP数据。
在另一种实施方式中，本发明对HRRP数据再次进行慢时间维傅里叶变换，得到距离-速度图，然后利用图像形态学处理如连通域检测、极大值稳定区域检测对距离-速度图进行目标检测替换步骤S300中使用一维CFAR对HRRP进行目标检测。
步骤S400、将截取到的带运动目标的一维高分辨距离像数据，通过训练好的一维卷积神经网络，对一维高分辨距离像数据的包络特征进行识别，得到对运动目标的一维高分辨距离像数据的第一基本概率分配；
本发明具体实施时，参考图2所示，将截取到的带运动目标的一维高分辨距离像(HRRP)数据，进行预处理后输入到训练好的一维卷积神经网络A，对一维高分辨距离像(HRRP)数据的包络特征进行识别，得到网络A对运动目标的一维高分辨距离像(HRRP)数据的第一基本概率分配。
具体地，将截取到的运动目标xi的一维高分辨距离像(HRRP)数据分别进行归一化和对齐处理、克服一维高分辨距离像(HRRP)数据的幅度敏感性和平移敏感性。然后将一维高分辨距离像(HRRP)数据送入训练好的一维卷积神经网络A，对一维高分辨距离像(HRRP)数据的包络特征进行识别，得到一维卷积神经网络A对运动目标xi的一维高分辨距离像(HRRP)数据的第一基本概率分配(basic probabil ity assignment，BPA)为m′1，其各类别概率值通过softmax函数计算，其计算公式如下：
其中k表示神经网络的类别数，v为输出向量，vj为v中第j个类别的值，i表示当前需要计算的类别。
步骤S500、同时将截取一维高分辨距离像数据中进行向量累积，并对累积后的数据进行时频分析得到时频图，对得到的时频图通过训练好的第二卷积神经网络进行目标识别，得到对运动目标的时频图的第二基本概率分配；
同时将截取一维高分辨距离像数据中运动目标的n个一维高分辨距离像数据信号通过距离向合并进行向量累积，对累积后的数据进行时频分析得到时频图；对时频分析后产生的时频图进行归一化处理后送入训练好的第二卷积神经网络B进行目标识别，得到第二卷积神经网络B对运动目标xi的时频图的第二基本概率分配；
本发明具体实施时，参考图2所示，，本发明同时将截取到的带运动目标的一维高分辨距离像(HRRP)数据中运动目标xi的n个HRRP信号通过距离向合并进行向量累积，对累积后的数据进行时频分析得到时频图。常用的时频分析方法有短时傅里叶变换(short-time fourier transform，STFT)、小波分析和魏格纳-威尔分布，本次使用短时傅里叶变换对数据进行时频分析，对于给定的非稳定信号s(t)的STFT定义为：
其中h(t)为窗函数，它在时间上翻转并具有τ个样本的偏移量，s(t)为输入信号。对时频分析后产生的时频图进行归一化处理后送入训练好的第二卷积神经网络B进行目标识别，得到第二卷积神经网络B对运动目标xi的时频图的基本概率分配(BPA)为m2，其概率值计算方法与步骤S400中的相同。
步骤S600、将得到的第一基本概率分配进行决策级融合，得到运动目标的一维高分辨距离像数据的第一基本概率分配；并将融合后的第一基本概率分配和得到的第二基本概率分配再次进行决策级融合，得到最终对运动目标的第三基本概率分配，即得到微动目标识别结果。
本好明利用HRRP和时频图的特征通过DS证据理论进行决策级融合，得到了更为精准可靠的微动目标识别结果；
本发明具体实施时，参考图2所示，本步骤将步骤S400中得到运动目标xi的HRRP(一维高分辨距离像)数据的第一BPA(基本概率分配)积累到n个后通过DS证据理论(Dempster-Shafer envidence theory)进行决策级融合，得到更为精准的运动目标xi的HRRP(一维高分辨距离像)数据的第一BPA(基本概率分配)为m1。然后将融合后的HRRP(一维高分辨距离像)数据的第一BPA(基本概率分配)为m1和步骤S500中时频图分类得到的第二BPA(基本概率分配)再次通过DS证据理论进行决策级融合，得到最终对运动目标xi的第三BPA(基本概率分配)为m12，第三BPA(基本概率分配)m12为该运动目标对应各种类别的概率，选取其中概率值最高的即为最终预测结果。DS证据理论针对运动目标xi的融合公式为：
其中K为归一化常数，其计算公式为：
式中，A和B分别代表两个分类器，xi为运动目标，m1(A)为分类器A的BPA(基本概率分配)，m2(B)为分类器B的BPA(基本概率分配)，m12为融合后BPA(基本概率分配)。
单比特量化：通过将回波信号与设定的阈值进行比较，进而得到由0和1组成的一比特回波录取数据，大大降低了回波数据的采集、存储和传输压力。本专利针对单比特雷达数据设计，所以需要在雷达回波处理过程中加入单比特量化。
在另一实施例中，本发明可以利用贝叶斯准则等证据合成方法替换步骤S600中DS证据理论进行决策级融合。
由上可见，本发明的有益效果在于：本发明针对单比特雷达数据，利用HRRP和时频图的特征通过DS证据理论进行决策级融合，得到了更为精准可靠的微动目标识别结果，不仅降低了传统时频分析进行时间积累的时间，还可以为随后的精细成像提供决策依据。
本发明的效果可以通过实测数据实验进一步说明，数据采用AWR2243毫米波雷达采集，数据处理时采用MATLAB软件进行处理。
所得最终目标识别准确率结果如图4所示：HRRP表示通过DS证据理论对不同回波个数的HRRP结果进行融合的识别准确率，可见随着回波数的提升其融合后的准确率也在不断提高并趋于平缓；STFT表示通过短时傅里叶变化得到的不同回波的时频图的识别准确率，可见随着回波数的减少其准确率不断降低，说明其微动特征越来越不明显；DS表示通过DS证据理论对相同回波下HRRP和时频图分类的结果进行决策级融合后的识别准确率，可见相较于单一的HRRP识别和时频图识别，其准确率均得到不同程度的提升。
本发明实施例中，通过步骤S600的DS证据理论对单比特雷达的HRRP网络识别结果和时频图网络识别结果进行决策级融合，在降低微动特征积累时间的同时，有效提高识别准确率。
示例性设备
如图6中所示，本发明实施例提供一种基于决策级融合的单比特雷达微动目标识别装置，该装置包括：
雷达数据采集处理模块510，用于采集获取雷达数据，对获取的雷达数据进行单比特量化、并进行去斜接收或匹配滤波处理得到一维高分辨距离像；
过滤处理模块520，用于将得到的一维高分辨距离像数据进行静态杂波滤除，得到消除静态杂波的一维高分辨距离像数据；
目标检测与截取模块530，用于对消除静态杂波的一维高分辨距离像数据进行运动目标检测，截取带运动目标的一维高分辨距离像数据；
第一识别模块540，用于将截取到的带运动目标的一维高分辨距离像数据，通过训练好的一维卷积神经网络，对一维高分辨距离像数据的包络特征进行识别，得到对运动目标的一维高分辨距离像数据的第一基本概率分配；
第二识别模块550，用于同时将截取一维高分辨距离像数据中进行向量累积，并对累积后的数据进行时频分析得到时频图，对得到的时频图通过训练好的第二卷积神经网络进行目标识别，得到对运动目标的时频图的第二基本概率分配；
融合与识别模块560，用于将得到的第一基本概率分配进行决策级融合，得到运动目标的一维高分辨距离像数据的第一基本概率分配；并将融合后的第一基本概率分配和得到的第二基本概率分配再次进行决策级融合，得到最终对运动目标的第三基本概率分配，即得到微动目标识别结果，具体如上所述。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图7所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏、雷达模块。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于决策级融合的单比特雷达微动目标识别方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该智能终端的雷达模块是预先在智能终端内部设置。
本领域技术人员可以理解，图7中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：
采集获取雷达数据，对获取的雷达数据进行单比特量化、并进行去斜接收或匹配滤波处理得到一维高分辨距离像；
将得到的一维高分辨距离像数据进行静态杂波滤除，得到消除静态杂波的一维高分辨距离像数据；
对消除静态杂波的一维高分辨距离像数据进行运动目标检测，截取带运动目标的一维高分辨距离像数据；
将截取到的带运动目标的一维高分辨距离像数据，通过训练好的一维卷积神经网络，对一维高分辨距离像数据的包络特征进行识别，得到对运动目标的一维高分辨距离像数据的第一基本概率分配；
同时将截取一维高分辨距离像数据中进行向量累积，并对累积后的数据进行时频分析得到时频图，对得到的时频图通过训练好的第二卷积神经网络进行目标识别，得到对运动目标的时频图的第二基本概率分配；
将得到的第一基本概率分配进行决策级融合，得到运动目标的一维高分辨距离像数据的第一基本概率分配；并将融合后的第一基本概率分配和得到的第二基本概率分配再次进行决策级融合，得到最终对运动目标的第三基本概率分配，即得到微动目标识别结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述，本发明公开了一种基于决策级融合的单比特雷达微动目标识别方法、装置、智能终端及存储介质，所述方法包括：采集获取雷达数据，对获取的雷达数据进行单比特量化、并进行去斜接收或匹配滤波处理得到一维高分辨距离像；将得到的一维高分辨距离像数据进行静态杂波滤除，得到消除静态杂波的一维高分辨距离像数据；对消除静态杂波的一维高分辨距离像数据进行运动目标检测，截取带运动目标的一维高分辨距离像数据；将截取到的带运动目标的一维高分辨距离像数据，通过训练好的一维卷积神经网络，对一维高分辨距离像数据的包络特征进行识别，得到对运动目标的一维高分辨距离像数据的第一基本概率分配；同时将截取一维高分辨距离像数据中进行向量累积，并对累积后的数据进行时频分析得到时频图，对得到的时频图通过训练好的第二卷积神经网络进行目标识别，得到对运动目标的时频图的第二基本概率分配；将得到的第一基本概率分配进行决策级融合，得到运动目标的一维高分辨距离像数据的第一基本概率分配；并将融合后的第一基本概率分配和得到的第二基本概率分配再次进行决策级融合，得到最终对运动目标的第三基本概率分配，即得到微动目标识别结果。
本发明针对单比特雷达数据，利用HRRP(一维高分辨距离像)和时频图的特征通过DS证据理论进行决策级融合，得到了更为精准可靠的微动目标识别结果，不仅降低了传统时频分析进行时间积累的时间，还可以为随后的精细成像提供决策依据。本发明并具有如下优点：
(1)由于对雷达信号进行单比特量化后丢失了幅度信息，因此进行脉冲压缩后得到的HRRP数据中杂波幅度有所上升(信杂比降低)，对目标识别造成了极大干扰。单独进行HRRP的特征识别，识别准确率不高，将其和目标的微动特征联合起来；本发明在决策级进行证据融合，可以有效提高识别率。
(2)目标的微动特征是雷达目标识别的一个显著特征，但提取目标的微动特征需要进行时频分析，而进行时频分析就必然要求进行一定的时间积累，否则无法观察到目标的微动特征，这就为实时的目标识别带来了极大阻碍。不断降低时间积累的时间，目标的微动特征将逐渐不明显，目标识别的准确率也会不断降低，而本发明通过HRRP的特征进行目标识别，仅通过一个或数个回波就可以得到较好的判别结果，因此可以将HRRP识别和时频图识别进行决策级融合，在降低回波数的同时，得到准确的识别结果。
(3)对目标进行高时效和高性能的识别也能为整个成像任务提供重要的决策依据，虽然单比特量化有效缓解了雷达系统对数据的存储和算力压力，但合理的算力分配仍是重要问题。本发明采用快速有效的单比特目标识别可以快速筛选出具有高价值和高威胁的目标，为雷达对其进行精细成像任务提供重要的决策依据，避免相应的算力浪费。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于决策级融合的单比特雷达微动目标识别方法，其特征在于，所述方法包括：
采集获取雷达数据，对获取的雷达数据进行单比特量化、并进行去斜接收或匹配滤波处理得到一维高分辨距离像；
将得到的一维高分辨距离像数据进行静态杂波滤除，得到消除静态杂波的一维高分辨距离像数据；
对消除静态杂波的一维高分辨距离像数据进行运动目标检测，截取带运动目标的一维高分辨距离像数据；
将截取到的带运动目标的一维高分辨距离像数据，通过训练好的一维卷积神经网络，对一维高分辨距离像数据的包络特征进行识别，得到对运动目标的一维高分辨距离像数据的第一基本概率分配；
将截取到的运动目标的一维高分辨距离像数据中运动目标的n个一维高分辨距离像数据信号通过距离向合并进行向量积累，并对累积后的数据进行时频分析得到时频图，对得到的时频图通过训练好的第二卷积神经网络进行目标识别，得到对运动目标的时频图的第二基本概率分配；
将得到的第一基本概率分配积累到n个后进行决策级融合，得到运动目标的一维高分辨距离像数据的第一基本概率分配；并将融合后的第一基本概率分配和得到的第二基本概率分配再次进行决策级融合，得到最终对运动目标的第三基本概率分配，即得到微动目标识别结果。
2.根据权利要求1所述的基于决策级融合的单比特雷达微动目标识别方法，其特征在于，所述采集获取雷达数据，对获取的雷达数据进行单比特量化、并进行去斜接收或匹配滤波处理得到一维高分辨距离像的步骤包括：
控制雷达向探测区域发射线性调频脉冲，信号经目标反射后被雷达接收，接收到回波信号，完成雷达数据采集；
对接收到的回波信号进行单比特量化，得到单比特雷达数据；
对得到单比特雷达数据进行去斜接收处理，以对雷达回波信号和本振信号直接进行混频；再对混频后结果进行傅里叶变换处理，得到一维高分辨距离像数据。
3.根据权利要求1所述的基于决策级融合的单比特雷达微动目标识别方法，其特征在于，所述采集获取雷达数据，对获取的雷达数据进行单比特量化、并进行去斜接收或匹配滤波处理得到一维高分辨距离像的步骤包括：
控制雷达向探测区域发射线性调频脉冲，信号经目标反射后被雷达接收，接收到回波信号，完成雷达数据采集；
对接收到的回波信号进行单比特量化，得到单比特雷达数据；
对得到单比特雷达数据进行匹配滤波处理，先通过傅里叶变换计算出回波信号的频谱，再将回波信号的频谱与匹配滤波器的频响相乘，然后进行快速傅里叶逆变换得到一维高分辨距离像数据。
4.根据权利要求1所述的基于决策级融合的单比特雷达微动目标识别方法，其特征在于，所述将得到的一维高分辨距离像数据进行静态杂波滤除，得到消除静态杂波的一维高分辨距离像数据包括：
将得到的一维高分辨距离像数据通过动目标指示滤波器，滤除静态杂波，得到消除静态杂波的一维高分辨距离像数据。
5.根据权利要求1所述的基于决策级融合的单比特雷达微动目标识别方法，其特征在于，所述将截取到的带运动目标的一维高分辨距离像数据，通过训练好的一维卷积神经网络，对一维高分辨距离像数据的包络特征进行识别，得到对运动目标的一维高分辨距离像数据的第一基本概率分配包括：
将截取到的运动目标的一维高分辨距离像数据分别进行归一化和对齐处理、以克服一维高分辨距离像数据的幅度敏感性和平移敏感性；
将归一化和对齐处理后的一维高分辨距离像数据送入训练好的一维卷积神经网络，对一维高分辨距离像数据的包络特征进行识别，得到所述一维卷积神经网络对运动目标的一维高分辨距离像数据的基本概率分配。
6.根据权利要求1所述的基于决策级融合的单比特雷达微动目标识别方法，其特征在于，所述将截取到的运动目标的一维高分辨距离像数据中运动目标的n个一维高分辨距离像数据信号通过距离向合并进行向量积累，并对累积后的数据进行时频分析得到时频图，对得到的时频图通过训练好的第二卷积神经网络进行目标识别，得到对运动目标的时频图的第二基本概率分配的步骤包括：
同时将截取一维高分辨距离像数据中运动目标的n个一维高分辨距离像数据信号通过距离向合并进行向量累积；
对累积后的数据进行时频分析得到时频图；
对时频分析后产生的时频图进行归一化处理后送入训练好的第二卷积神经网络进行目标识别，得到第二卷积神经网络对运动目标的时频图的基本概率分配。
7.根据权利要求1所述的基于决策级融合的单比特雷达微动目标识别方法，其特征在于，所述将得到的第一基本概率分配积累到n个后进行决策级融合，得到运动目标的一维高分辨距离像数据的第一基本概率分配；并将融合后的第一基本概率分配和得到的第二基本概率分配再次进行决策级融合，得到最终对运动目标的第三基本概率分配，即得到微动目标识别结果包括：
将得到运动目标的一维高分辨距离像数据的第一基本概率分配积累到n个后通过DS证据理论进行决策级融合，得到预定的运动目标的一维高分辨距离像数据的第一基本概率分配；
将融合后的一维高分辨距离像数据的第一基本概率分配和时频图分类得到的第二基本概率分配再次通过DS证据理论进行决策级融合，得到最终对运动目标的第三基本概率分配；
将第三基本概率分配作为运动目标对应各种类别的概率，并选取其中概率值最高的即为最终预测结果。
8.一种基于决策级融合的单比特雷达微动目标识别装置，其特征在于，所述装置包括：
雷达数据采集处理模块，用于采集获取雷达数据，对获取的雷达数据进行单比特量化、并进行去斜接收或匹配滤波处理得到一维高分辨距离像；
过滤处理模块，用于将得到的一维高分辨距离像数据进行静态杂波滤除，得到消除静态杂波的一维高分辨距离像数据；
目标检测与截取模块，用于对消除静态杂波的一维高分辨距离像数据进行运动目标检测，截取带运动目标的一维高分辨距离像数据；
第一识别模块，用于将截取到的带运动目标的一维高分辨距离像数据，通过训练好的一维卷积神经网络，对一维高分辨距离像数据的包络特征进行识别，得到对运动目标的一维高分辨距离像数据的第一基本概率分配；
第二识别模块，用于将截取到的运动目标的一维高分辨距离像数据中运动目标的n个一维高分辨距离像数据信号通过距离向合并进行向量积累，并对累积后的数据进行时频分析得到时频图，对得到的时频图通过训练好的第二卷积神经网络进行目标识别，得到对运动目标的时频图的第二基本概率分配；
融合与识别模块，用于将得到的第一基本概率分配积累到n个后进行决策级融合，得到运动目标的一维高分辨距离像数据的第一基本概率分配；并将融合后的第一基本概率分配和得到的第二基本概率分配再次进行决策级融合，得到最终对运动目标的第三基本概率分配，即得到微动目标识别结果。
9.一种智能终端，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1-7中任意一项所述的方法。
10.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310140059.XA CN116027294B (zh) | 2023-02-14 | 2023-02-14 | 基于决策级融合的单比特雷达微动目标识别方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310140059.XA CN116027294B (zh) | 2023-02-14 | 2023-02-14 | 基于决策级融合的单比特雷达微动目标识别方法、装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116027294A CN116027294A (zh) | 2023-04-28 |
| CN116027294B true CN116027294B (zh) | 2023-11-03 |
Family
ID=86072347
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310140059.XA Active CN116027294B (zh) | 2023-02-14 | 2023-02-14 | 基于决策级融合的单比特雷达微动目标识别方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116027294B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116482680B (zh) * | 2023-06-19 | 2023-08-25 | 精华隆智慧感知科技（深圳）股份有限公司 | 一种身体干扰识别方法、装置、系统和存储介质 |
| CN116930908A (zh) * | 2023-09-18 | 2023-10-24 | 安徽隼波科技有限公司 | 一种基于fpga的毫米波雷达人车识别检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104865569A (zh) * | 2015-05-29 | 2015-08-26 | 武汉大学 | 一种基于单频网外辐射源雷达的飞机目标识别方法 |
| CN104965199A (zh) * | 2015-07-28 | 2015-10-07 | 中国人民解放军海军航空工程学院 | 雷达视频运动目标特征融合判定方法 |
| CN107463966A (zh) * | 2017-08-17 | 2017-12-12 | 电子科技大学 | 基于双深度神经网络的雷达一维距离像目标识别方法 |
| KR102120812B1 (ko) * | 2018-12-17 | 2020-06-09 | 재단법인대구경북과학기술원 | 카메라와 레이더의 확률 융합에 기반한 타겟 인지 및 분류 시스템 및 그 방법 |
| CN114428235A (zh) * | 2022-01-07 | 2022-05-03 | 西安电子科技大学 | 基于决策级融合的空间微动目标识别方法 |
-
2023
- 2023-02-14 CN CN202310140059.XA patent/CN116027294B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104865569A (zh) * | 2015-05-29 | 2015-08-26 | 武汉大学 | 一种基于单频网外辐射源雷达的飞机目标识别方法 |
| CN104965199A (zh) * | 2015-07-28 | 2015-10-07 | 中国人民解放军海军航空工程学院 | 雷达视频运动目标特征融合判定方法 |
| CN107463966A (zh) * | 2017-08-17 | 2017-12-12 | 电子科技大学 | 基于双深度神经网络的雷达一维距离像目标识别方法 |
| KR102120812B1 (ko) * | 2018-12-17 | 2020-06-09 | 재단법인대구경북과학기술원 | 카메라와 레이더의 확률 융합에 기반한 타겟 인지 및 분류 시스템 및 그 방법 |
| CN114428235A (zh) * | 2022-01-07 | 2022-05-03 | 西安电子科技大学 | 基于决策级融合的空间微动目标识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于证据理论的车辆微动特征识别技术;张欢等;《雷达科学与技术》;17(6);第665-678页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116027294A (zh) | 2023-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116027294B (zh) | 基于决策级融合的单比特雷达微动目标识别方法、装置 | |
| CN109633653A (zh) | 一种雷达抗干扰方法、装置、抗干扰雷达和存储介质 | |
| Ran et al. | An adaptive fast factorized back-projection algorithm with integrated target detection technique for high-resolution and high-squint spotlight SAR imagery | |
| Fuchs et al. | Complex-valued convolutional neural networks for enhanced radar signal denoising and interference mitigation | |
| CN112684428B (zh) | 一种基于信号代理的多目标恒虚警率检测方法 | |
| US11899132B2 (en) | Super-resolution enhancement techniques for radar | |
| CN112731307B (zh) | 基于距离-角度联合估计的ratm-cfar检测器及检测方法 | |
| CN113837131A (zh) | 一种基于fmcw毫米波雷达的多尺度特征融合手势识别方法 | |
| CN114972416A (zh) | 使用神经网络的基于雷达的对象跟踪 | |
| Lee et al. | Digit recognition in air-writing using single millimeter-wave band radar system | |
| Sharma et al. | Non-metallic pipe detection using SF-GPR: A new approach using neural network | |
| Mimouna et al. | Entropy-based ultra-wide band radar signals segmentation for multi obstacle detection | |
| CN117434507A (zh) | 使用可解释人工智能对机器学习算法的训练 | |
| Tantum et al. | Comparison of algorithms for land mine detection and discrimination using ground penetrating radar | |
| CN112731388B (zh) | 一种基于有效散射点能量积累的目标检测方法 | |
| Zhang et al. | Marine radar monitoring IoT system and case study of target detection based on PPI images | |
| CN116027288A (zh) | 生成数据的方法、装置、电子设备及存储介质 | |
| Li et al. | Supervised contrastive learning for vehicle classification based on the IR-UWB radar | |
| Park et al. | Ground reflection-based misalignment detection of automotive radar sensors | |
| Lu et al. | Cascaded object detection networks for FMCW radars | |
| Santos et al. | Ship Detection Using Sentinel-1 Amplitude SAR Data | |
| CN113687348B (zh) | 基于追踪微多普勒图的行人识别方法和装置 | |
| Duong et al. | Moving target classification with a dual automotive fmcw radar system using convolutional neural networks | |
| CN110766005A (zh) | 目标特征提取方法、装置和终端设备 | |
| CN114779230B (zh) | 一种对象跟踪方法、装置、电子设备及车辆 |
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 |