CN116401409A - 基于原型生成的hrrp识别数据库构建方法 - Google Patents
基于原型生成的hrrp识别数据库构建方法 Download PDFInfo
- Publication number
- CN116401409A CN116401409A CN202310215607.0A CN202310215607A CN116401409A CN 116401409 A CN116401409 A CN 116401409A CN 202310215607 A CN202310215607 A CN 202310215607A CN 116401409 A CN116401409 A CN 116401409A
- Authority
- CN
- China
- Prior art keywords
- prototype
- iteration
- hrrp
- training
- network
- 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
- 238000010276 construction Methods 0.000 title description 3
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 15
- 238000005457 optimization Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于原型生成的HRRP识别数据库构建方法，包括：获取训练数据集；构建多形成函数f(x，h)；其中，多形成函数f(x，h)的运算规则为将原型集中的每个样本x切分为h个子样本，并将切分后的子样本调整为原始样本的大小；基于训练数据集利用多形成函数与单步参数匹配进行原型生成以获取原型集；利用多形成函数对原型集进行处理，得到HRRP识别数据库。该方法相比于传统的方法，可以在保证较低的计算复杂度的同时保证挖掘出HRRP数据中最具价值的信息以构建高质量的HRRP识别数据库，节约了存储资源与计算资源。
Description
技术领域
本发明属于雷达技术领域，具体涉及一种基于原型生成的HRRP识别数据库构建方法。
背景技术
雷达(Radio Detecting And Ranging，Radar)是一种具有全天时、全天候和远距离探测能力的无线电探测装置。雷达在进行工作时首先由天线发射电磁波，电磁波遇到目标后被反射并且被雷达接收机接收，最后通过对接收的雷达回波信号进行处理和分析便可以检测出目标是否存在并且判断目标所在的位置。雷达高分辨距离像(high resolutionrange profile，HRRP)是高分辨雷达获取的目标散射点子回波在雷达射线方向上投影的矢量和。HRRP数据是一维向量，也包含了目标丰富的结构和特征信息，并且易于获取、存储和进行处理，因此它被广泛应用于目标型号的识别任务。随着雷达软件与硬件技术的长足发展，雷达HRRP数据空前激增。一方面，海量数据为基于数据驱动的机器学习方法获取有价值信息提供了充分空间；另一方面，高维度、过冗余以及高噪声也是上述繁多、复杂数据的固有特性。为消除数据冗余、发现数据结构、提高数据质量，原型生成是一种行之有效的方式。通过寻找一个原型集来表示目标集，以从样本空间进行数据约简，在增强数据可用性的同时，提升机器学习算法的执行效率。
Wang,Zhu等人在2018年发表的文章《Dataset distillation》将网络参数表述为原型集的函数，并将原型生成任务表述为一个双级优化问题。具体来说，方法核心是优化原型集，使在原型集上训练的深度网络模型在原始大数据集上的损失最小。然而，这种方法涉及一个嵌套的优化，需要在网络参数的多个优化步骤中展开原型集的递归计算图，因此需要昂贵的计算成本且性能一般。
Zhao等人在2021年发表在International Conference on LearningRepresentations的文章《Dataset condensation with gradient matching》提出，当网络训练的样本分别来自原始数据集和原型集时，对两个数据集的网络参数的梯度进行匹配，以解决递归计算图展开的问题。但该方法存在一些问题，首先其所采用梯度匹配方法不能有效的进行匹配，其次原型集优化的计算成本虽然相比wang所提出的方法有一定的减少但是还是较高，最后所优化的原型集代表性有限。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于原型生成的HRRP识别数据库构建方法。本发明要解决的技术问题通过以下技术方案实现：
一种基于原型生成的HRRP识别数据库构建方法，包括：
步骤1：获取训练数据集；
步骤2：构建多形成函数f(x，h)；
其中，所述多形成函数f(x，h)的运算规则为将原型集中的每个样本x切分为h个子样本，并将切分后的子样本调整为原始样本的大小；
步骤3：基于所述训练数据集利用所述多形成函数与单步参数匹配进行原型生成以获取原型集；
步骤4：利用所述多形成函数对所述原型集进行处理，得到HRRP识别数据库。
在本发明的一个实施例中，步骤1包括：
从雷达回波数据库中提取若干个高分辨距离像，并利用短时傅里叶变换计算每个高分辨距离像的谱图，将得到的若干个谱图组成训练数据集Tr。
在本发明的一个实施例中，步骤3包括：
31)使用高斯分布初始化原型集
并设置最大外层迭代次数K和最大内层迭代次数T；
其中，
表示第k次外层迭代中第t次内层迭代的原型集，初始时，t与k均为0；
32)对深度神经网络进行初始化，并在所述训练数据集上利用随机化学习率对初始化后的深度神经网络预训练一个迭代轮次，得到当前第k次外层迭代的网络参数θk；
33)分别从所述原型集
和训练数据集Tr中的每个类别中各抽取一批样本/>
和/>
并利用所述多形成函数对/>
进行处理，生成样本集/>
其中，c表示类别标签；
34)将
和/>
分别输入深度神经网络之后，利用反向传播算法分别得到网络参数θk的一阶梯度/>
和/>
35)基于所述一阶梯度
和/>
利用单步参数匹配公式计算损失函数；
36)利用所述损失函数对当前原型集
进行反向传播，以得到第k次外层迭代中第t+1次内层迭代的原型集/>
37)将
输入深度神经网络中训练迭代若干次以更新网络参数θk；
38)令t＝t+1，返回步骤33)进行下一轮内层迭代，直至达到最大内层迭代次数T，得到第k次外层迭代中第T-1次内层迭代的原型集
39)令k＝k+1，并令第k+1次外层迭代中第1次内层迭代的原型集
返回步骤32)开始下一轮外层迭代，直至达到最大外层迭代次数K，获得最终的原型集
在本发明的一个实施例中，在步骤35)中，所述损失函数的计算公式为：
其中，C表示类别数目，λ的值为类别数目C，
的表示如下：
其中，Al,Bl表示网络第l层的梯度，L为深度神经网络的总层数，out表示网络第l层输出通道的数目，
表示网络第l层第i个输出通道所包含网络参数的梯度。
在本发明的一个实施例中，在步骤36)中，利用所述损失函数对当前原型集
进行反向传播的表达式为：
其中，ηM为优化原型集的学习率，
为第t次迭代的结果，/>
表示使用loss对原型集/>
求一阶导数。
本发明的有益效果：
1、本发明提供的方法针对雷达HRRP库内样本过多的情况，构建了多形成函数，并利用多形成函数与单步参数匹配，从而生成原型集；该方法考虑了原始数据集的数据规律性，在雷达HRRP库内样本过多时，相比于传统的方法，该方法可以在保证较低的计算复杂度的同时，挖掘出HRRP数据中最具价值的信息以得到高质量的HRRP识别数据库，节约了存储资源与计算资源；
2、本发明提供的方法无需展开昂贵的递归计算图，因此无需太高的计算成本；且该方法利用网络的早期模型来描述完整的特征空间，不仅节约了计算资源，而且增强了原型集的多样性。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种基于原型生成的HRRP识别数据库构建方法的流程示意图；
图2是本发明实施例提供的一种雷达目标识别方法的流程示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
实施例一
请参见图1，图1是本发明实施例提供的一种基于原型生成的HRRP识别数据库构建方法的流程示意图，其包括：
步骤1：获取训练数据集。
具体的，可从雷达回波数据库中提取若干个高分辨距离像，并利用短时傅里叶变换计算每个高分辨距离像的谱图，将得到的若干个谱图组成训练数据集Tr。
例如，在本实施例中，首先，可从十类民航飞机的雷达回波数据库中提取N个高分辨距离像作为样本；其中，N的取值可以为大于60000的整数，十类民航飞机HRRP数目均为大于6000的整数。
然后，利用短时傅里叶变换计算每个样本的谱图，以生成训练数据集。
需要说明的是，也可以采用上述方法生成测试数据集。
例如，可从雷达接收到的十类民航飞机HRRP数据中提取M个高分辨距离像作为生成测试数据集，其中M为取值大于0的整数。
步骤2：构建多形成函数。
具体的，本实施例构建的多形成函数表示为f(x，h)，其中，x表示原型集中的样本，h表示每个样本所蕴含的信息样本数目。多形成函数f(x，h)的具体运算规则为将原型集中的每个样本x切分为h个子样本，并将切分后的子样本调整为原始样本的大小。
例如，在本实施例中，可以取h＝2，则多形成函数的处理流程为：
将原型集中样本x通过从样本的中间部分切分的方法分为两个样本；然后，通过上采样中双线性插值方法将切分后的两个样本调整为原始样本的大小。
步骤3：基于所述训练数据集利用所述多形成函数与单步参数匹配进行原型生成以获取原型集。
在本实施例中，步骤3具体包括：
31)使用高斯分布初始化原型集
并设置最大外层迭代次数K和最大内层迭代次数T；其中，/>
表示第k次外层迭代中第t次内层迭代的原型集，初始时，t与k均为0。
在本实施例中，原型集中每类样本的数目为IPC，最大外层迭代次数K可设置为300，最大内层迭代次数T可设置为100。
32)对深度神经网络进行初始化，并在所述训练数据集上利用随机化学习率对初始化后的深度神经网络预训练一个迭代轮次，得到当前第k次外层迭代的网络参数θk。
在本实施例中，深度神经网络可以采用任意一种现有的网络结构，本实施例对此不做限定。
33)分别从所述原型集
和训练数据集Tr中的每个类别中各抽取一批样本/>
和/>
并利用所述多形成函数对/>
进行处理，生成样本集/>
其中，c表示类别标签。
具体的，将原型集
中抽取的样本/>
输入多形成函数f(x，h)得到新的样本
其中，/>
的样本数目为/>
样本数目的两倍。
34)将
和/>
分别输入深度神经网络θk之后，利用反向传播算法分别得到网络参数θk的一阶梯度/>
和/>
关于具体的算法过程可参考现有相关技术，本实施例在此不做详细描述。
35)基于所述一阶梯度
和/>
利用单步参数匹配公式计算损失函数。
在本实施例中，所述损失函数的计算公式为：
其中，C表示类别数目，λ的值为类别数目C，
的表示如下：
其中，Al,Bl表示网络第l层的梯度，L为深度神经网络的总层数，out表示网络第l层输出通道的数目，
表示网络第l层第i个输出通道所包含网络参数的梯度。
36)利用所述损失函数对当前原型集
进行反向传播，以得到第k次外层迭代中第t+1次内层迭代的原型集/>
公式表示为：
其中，ηM为优化原型集的学习率，
为第t次迭代的结果，/>
表示使用loss对原型集/>
求一阶导数。
37)将
输入深度神经网络中训练迭代若干次以更新网络参数θk。
可选的，在本实施例中，可以对深度神经网络训练迭代10次以更新网络参数θk。
38)令t＝t+1，返回步骤33)进行下一轮内层迭代，直至达到最大内层迭代次数T，得到第k次外层迭代中第T-1次内层迭代的原型集
39)令k＝k+1，并令第k+1次外层迭代中第1次内层迭代的原型集
返回步骤32)开始下一轮外层迭代，直至达到最大外层迭代次数K，获取最终的原型集
本实施例首先无需展开昂贵的递归计算图，因此无需太高的计算成本；接着考虑了原始数据集的数据规律性，在相同的存储预算下生成了更多的原型集样本；其次优化了原型生成匹配公式以生成更具信息量的原型集；最后本发明不采用成千上万的网络拼接出一个大的样本特征空间，而是利用网络的早期模型来描述完整的特征空间，不仅节约了计算资源，而且增强了原型集的多样性。
步骤4：利用所述多形成函数对所述原型集进行处理，得到HRRP识别数据库。
本发明提供的方法针对雷达HRRP库内样本过多的情况，构建了多形成函数，并利用多形成函数与单步参数匹配，从而生成原型集；该方法考虑了原始数据集的数据规律性，在雷达HRRP库内样本过多时，相比于传统的方法，该方法可以在保证较低的计算复杂度的同时，挖掘出HRRP数据中最具价值的信息以得到高质量的HRRP识别数据库，节约了存储资源与计算资源。
实施例二
在上述实施例一的基础上，本实施例还提供了一种雷达目标识别方法。请参见图2，图2是本发明实施例提供的一种雷达目标识别方法的流程示意图，其包括：
S1：构建HRRP识别数据库，并从中提取训练样本集和测试样本集；
S2：利用所述训练样本集训练深度神经网络直至网络收敛；
S3：将所述测试样本集输入训练好的深度神经网络，以得到识别结果。
其中，步骤S1采用上述实施例一提供的方法构建HRRP识别数据库。在构建好HRRP识别数据库后，可以从中选取样本形成训练样本集和测试样本集。
由此，本实施例提供的雷达目标识别方法也可以节约存储资源与计算资源，且具有较好的目标识别效果。
实施例三
下面通过仿真试验，对本发明的有益效果进行验证说明。
1、试验条件：
本次试验采用的是十类民航飞机物理参数，具体如表1所示，并设定原型集的大小为训练数据集大小的0.1％，1％，5％。
表1十类民航飞机物理参数
| 编号 | 飞机型号 | 翼展(m) | 机身总长(m) | 机身总高(m) |
| 1 | 空客A319 | 34.09 | 33.84 | 11.76 |
| 2 | 空客A320 | 34.09 | 37.57 | 11.76 |
| 3 | 空客A321 | 34.09 | 44.51 | 11.76 |
| 4 | 空客A330-200 | 60.30 | 58.82 | 17.39 |
| 5 | 空客A330-300 | 60.30 | 63.69 | 16.83 |
| 6 | 空客A350-941 | 64.75 | 66.80 | 17.05 |
| 7 | 波音737-700 | 34.30 | 33.60 | 12.50 |
| 8 | 波音737-800 | 34.30 | 39.50 | 12.50 |
| 9 | 波音747-89L | 59.64 | 70.60 | 19.30 |
| 10 | 庞巴迪CRJ-900 | 24.85 | 36.19 | 7.57 |
2、试验内容及结果分析
依据上述飞机信息，分别采用本发明的方法和传统的方法从训练数据集中选取3组原型集，将它们分别输入到深度神经网络中进行训练，随后将测试集送入训练好的深度神经网络，得到3组本发明方法的识别结果和3组传统方法的识别结果，结果如表2所示。
表2传统方法和本发明方法分类正确率结果对比
从表2可以看出，采用本发明的方法相比传统的方法具有更高的分类正确率。
之所以产生上述性能差异主要源于三点差异，首先本发明考虑原始数据集的数据规律性，在相同的存储预算下生成了更多的原型集样本；其次本发明优化了原型生成匹配公式以生成更具信息量的原型集；最后本发明不采用成千上万的网络拼接出一个大的样本特征空间，而是利用网络的早期模型来描述完整的特征空间，不仅节约了计算资源，而且增强了原型集的多样性。因此基于原型生成的HRRP识别数据库构建方法，可在雷达HRRP库内样本过多时，从HRRP数据库生成最具价值的样本，以节约存储资源与计算资源。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (6)
1.一种基于原型生成的HRRP识别数据库构建方法，其特征在于，包括：
步骤1：获取训练数据集；
步骤2：构建多形成函数f(x，h)；
其中，所述多形成函数f(x，h)的运算规则为将原型集中的每个样本x切分为h个子样本，并将切分后的子样本调整为原始样本的大小；
步骤3：基于所述训练数据集利用所述多形成函数与单步参数匹配进行原型生成以获取原型集；
步骤4：利用所述多形成函数对所述原型集进行处理，得到HRRP识别数据库。
2.根据权利要求1所述的基于原型生成的HRRP识别数据库构建方法，其特征在于，步骤1包括：
从雷达回波数据库中提取若干个高分辨距离像，并利用短时傅里叶变换计算每个高分辨距离像的谱图，将得到的若干个谱图组成训练数据集Tr。
3.根据权利要求1所述的基于原型生成的HRRP识别数据库构建方法，其特征在于，步骤3包括：
31)使用高斯分布初始化原型集
并设置最大外层迭代次数K和最大内层迭代次数T；
其中，
表示第k次外层迭代中第t次内层迭代的原型集，初始时，t与k均为0；
32)对深度神经网络进行初始化，并在所述训练数据集上利用随机化学习率对初始化后的深度神经网络预训练一个迭代轮次，得到当前第k次外层迭代的网络参数θk；
33)分别从所述原型集
和训练数据集Tr中的每个类别中各抽取一批样本/>
和
并利用所述多形成函数对/>
进行处理，生成样本集/>
其中，c表示类别标签；
34)将
和/>
分别输入深度神经网络之后，利用反向传播算法分别得到网络参数θk的一阶梯度/>
和/>
35)基于所述一阶梯度
和/>
利用单步参数匹配公式计算损失函数；
36)利用所述损失函数对当前原型集
进行反向传播，以得到第k次外层迭代中第t+1次内层迭代的原型集/>
37)将
输入深度神经网络中训练迭代若干次以更新网络参数θk；
38)令t＝t+1，返回步骤33)进行下一轮内层迭代，直至达到最大内层迭代次数T，得到第k次外层迭代中第T-1次内层迭代的原型集
39)令k＝k+1，并令第k+1次外层迭代中第1次内层迭代的原型集
返回步骤32)开始下一轮外层迭代，直至达到最大外层迭代次数K，获得最终的原型集/>
4.根据权利要求3所述的基于原型生成的HRRP识别数据库构建方法，其特征在于，在步骤35)中，所述损失函数的计算公式为：
其中，C表示类别数目，λ的值为类别数目C，
的表达式如下：
其中，Al,Bl表示网络第l层的梯度，L为深度神经网络的总层数，out表示网络第l层输出通道的数目，
表示网络第l层第i个输出通道所包含网络参数的梯度。
5.根据权利要求3所述的基于原型生成的HRRP识别数据库构建方法，其特征在于，在步骤36)中，利用所述损失函数对当前原型集
进行反向传播的表达式为：
其中，ηM为优化原型集的学习率，
为第t次迭代的结果，/>
表示使用loss对原型集
求一阶导数。
6.一种雷达目标识别方法，其特征在于，包括：
采用权利要求1-5任一项所述的方法构建HRRP识别数据库，并从中提取训练样本集和测试样本集；
利用所述训练样本集训练深度神经网络直至网络收敛；
将所述测试样本集输入训练好的深度神经网络，以得到识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310215607.0A CN116401409A (zh) | 2023-03-07 | 2023-03-07 | 基于原型生成的hrrp识别数据库构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310215607.0A CN116401409A (zh) | 2023-03-07 | 2023-03-07 | 基于原型生成的hrrp识别数据库构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116401409A true CN116401409A (zh) | 2023-07-07 |
Family
ID=87016872
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310215607.0A Pending CN116401409A (zh) | 2023-03-07 | 2023-03-07 | 基于原型生成的hrrp识别数据库构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116401409A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117687014A (zh) * | 2024-02-04 | 2024-03-12 | 南京信息工程大学 | 一种基于二维滤波MapDrift的SAR等效雷达速度估计方法 |
-
2023
- 2023-03-07 CN CN202310215607.0A patent/CN116401409A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117687014A (zh) * | 2024-02-04 | 2024-03-12 | 南京信息工程大学 | 一种基于二维滤波MapDrift的SAR等效雷达速度估计方法 |
| CN117687014B (zh) * | 2024-02-04 | 2024-04-16 | 南京信息工程大学 | 一种基于二维滤波MapDrift的SAR等效雷达速度估计方法 |
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 | |
| CN111160176B (zh) | 基于融合特征的一维卷积神经网络地面雷达目标分类方法 | |
| CN110197286B (zh) | 一种基于混合高斯模型和稀疏贝叶斯的主动学习分类方法 | |
| CN108447057B (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
| CN112364730B (zh) | 基于稀疏子空间聚类的高光谱地物自动分类方法及系统 | |
| CN110210330B (zh) | 基于内隐知识构建图卷积网络的电磁信号识别方法及装置 | |
| CN102175999B (zh) | 基于谱图特征的雷达目标高分辨距离像识别方法 | |
| Liu | Multi-feature fusion for specific emitter identification via deep ensemble learning | |
| CN110516525B (zh) | 基于gan和svm的sar图像目标识别方法 | |
| CN116401409A (zh) | 基于原型生成的hrrp识别数据库构建方法 | |
| CN112684427A (zh) | 基于串行二次强化训练的雷达目标识别方法 | |
| CN109151727B (zh) | 基于改进的dbn的wlan指纹定位数据库构建方法 | |
| CN113359135B (zh) | 一种成像及识别模型的训练方法、应用方法、装置及介质 | |
| CN107564008A (zh) | 基于关键像素模糊聚类的快速sar图像分割方法 | |
| CN111208483B (zh) | 基于贝叶斯支持向量数据描述的雷达库外目标识别方法 | |
| CN114897002A (zh) | 基于LPINet的低截获概率雷达信号脉内调制识别方法 | |
| CN113486917A (zh) | 一种基于度量学习的雷达hrrp小样本目标识别方法 | |
| CN116243248A (zh) | 基于多标签分类网络的多分量干扰信号识别方法 | |
| CN109766910A (zh) | 基于相似度传递的图聚类方法 | |
| CN115932770A (zh) | 雷达辐射源个体精准智能识别方法、系统、设备及终端 | |
| CN109946667B (zh) | 基于卷积神经网络的识别变体飞机高分辨距离像方法 | |
| CN109212501B (zh) | 基于局部嵌入的雷达高分辨距离像目标识别方法 | |
| CN111860144B (zh) | 一种基于MDR-Net的雷达目标识别系统及方法 | |
| CN113283390B (zh) | 基于门控多尺度匹配网络的sar图像小样本目标识别方法 | |
| Xu et al. | Individual recognition of communication emitter based on deep learning |
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 |