CN116500618B - 一种高频超视距雷达测距与模糊环境成像的实现方法 - Google Patents
一种高频超视距雷达测距与模糊环境成像的实现方法 Download PDFInfo
- Publication number
- CN116500618B CN116500618B CN202310768713.1A CN202310768713A CN116500618B CN 116500618 B CN116500618 B CN 116500618B CN 202310768713 A CN202310768713 A CN 202310768713A CN 116500618 B CN116500618 B CN 116500618B
- Authority
- CN
- China
- Prior art keywords
- data
- environment
- frequency
- processing
- chaos
- 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
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9004—SAR image acquisition techniques
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
- G01S13/9047—Doppler beam sharpening mode
-
- 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)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种高频超视距雷达测距与模糊环境成像的实现方法，包括以下步骤：S1、使用快速混沌变换算法进行实时雷达信号频率分析；S2、将步骤S1中的快速混沌变换算法应用在目标环境中，以目标环境为中心频率限定扫频宽度；S3、根据步骤S2计算数据逻辑代价函数的数值；S4、对所捕获的目标环境的物理折射/返程信号进行测量，并生成可辨识的图像；S5、对步骤S4中获取的测量数据和图像进行压缩，获取所需数据并进行持续探查。本发明有益效果：增强信号处理能力、优化系统性能、提供可视化信息、节省存储空间和传输带宽，并支持持续的数据探查。这将为雷达系统的应用提供更高效、准确和可靠的解决方案。
Description
技术领域
本发明属于雷达成像领域，尤其是涉及一种高频超视距雷达测距与模糊环境成像的实现方法。
背景技术
UXC雷达技术是一种全新的基于6G通讯架构技术环境下的高频超视距雷达，根据国际电信联盟（ITU）采用VHF&UHF的标准执行一种介于这两项之间的Xx-HF波段（频率：350-1500MHz至2-20THz,波长1-2.5m），采用介于S和C波段之间的监视与探索平台波段。技术主要优势表现在（1）在要求相对宽带（一般指6G物理通讯场景宽带要求）的系统工作中具备更优秀的、更大的可选用带宽选项选择用以更好的基于模糊（混沌）状态下的距离分辨率；（2）具备目前最先进的雷达不同的更微小的天线口径形成高增益的波束能力。有效提升满足更智能化的雷达布局/布站要求；（3）相对于其他先进雷达目标散射截面位置，本技术散射区处于高逻辑门结构可拖曳光学区上；（4）较低的ChaosFuzzy（混沌模糊场景）环境噪声水平通常位于接收机内部（傅里叶热解析）噪声电平之下；（5）较其他雷达体系中对于电离层路径相比，本系统处于高稳定和超视距传输路径更有效获取更高目标定位精度与有效跟踪性能；（6）可通过将主/被动雷达（两者都可调整）天线抬高或降低而削减信号覆盖距离内的杂波和干扰源等。
现有雷达技术一般只是将信号系统和基于MATLAB仿真测试等问题有所提升，不同的是其雷达信号ChaosFuzzyUHF监管平台更具备ARG（AI Real GPT）实时多功能3DSUXC雷达探测、智讯搜索等技术，其计算速度是目前雷达数倍（采用光子量神经计算：基于光子计算与量子计算联合协作计算法则），让雷达波自由行走在未知的ChaosFuzzy环境场合移动中，达成更高效更敏捷的机动能力，对未知环境下的潜在威胁进行最有效的对抗和执行规避动作等，将有效和无效的信号数据进行快速评估并智能数据挖掘等处理，让信号第一时间处于监管和外置命令执行支持中。
发明内容
有鉴于此，本发明旨在提出一种高频超视距雷达测距与模糊环境成像的实现方法，以解决背景技术中的至少一个问题。
为达到上述目的，本发明的技术方案是这样实现的：
一种高频超视距雷达测距与模糊环境成像的实现方法，包括以下步骤：
S1、使用快速混沌变换算法进行实时雷达信号频率分析；
S2、将步骤S1中的快速混沌变换算法应用在目标环境中，以目标环境为中心频率限定扫频宽度；
S3、根据步骤S2计算数据逻辑代价函数的数值；
S4、对所捕获的目标环境的物理折射/返程信号进行测量，并生成可辨识的图像；
S5、对步骤S4中获取的测量数据和图像进行压缩，获取所需数据并进行持续探查。
进一步的，在高频环境中，确定快速混沌变换算法中整体环境时间间隔中的一个相干处理间隔到下一个相干处理间隔中的PRI、ChaosFuzzyMTI的杂波干扰位置，并对杂波干扰予以剔除，用以将未知环境下的目标图像清晰度予以扩展实现高清晰度三维成像；
其中，
PRI为PulseRepetitionInterval，为脉冲重复间隔；
ChaosFuzzyMTI为ChaosFuzzyMovingTargetIndicator，为混沌运动目标指示器。
进一步的，利用基于超快X-C波型雷达-可自主认知型识别的混沌模型学习算法，在超视距探测与侦测中的信号与系统间，通过6G环境下的Chaos神经网络的检测、统计、处理、清洗、估计、抗干扰、信号小波傅里叶转换分析对雷达的MATLAB仿真场的有效评估，同时对Chaos逻辑门中对于模糊识别参数进行检测，完成大模型预训练。
进一步的，高频超视距雷达测距与三维成像实现方式如下：
利用广义CGKM实现精准高频信道和信号接收的计算机模型对统计信号估计检测，经Chaos环境迭代数据傅里叶转换解析结构电离层反射后被“超级贝叶斯场大圆口径/孔径阵列多变量控制系统天线”在ChaosfuzzyTimes内采样，其中CGKM为ChaosGreatKnowlageModel；
在进行超视距参数标准识别中，对于从接收数据计算样本自相关序列与光子远距视觉Chaos算法即ACS-OCA进行参数模型的预深度自主有监督学习模型训练给出合理的估计统计量对测距环境的数据进行数据分析和数据挖掘，并对高噪声干扰源进行Chaos环境压迫型除/降噪处理以及采用预三维数据法对ACS-OCA采样而获取超远端视觉识别函数的数据样本采样；
采用匹配场FLA算法，对数据协方差直方图矩阵参数环境下的模糊混沌空间中的Spacetechnology对ID源参数进行评估和预估计算并寻求其代价函数在激活函数对冲产生其复极点位置上的代价函数峰值退火；
利用UXC高频通道模拟器，采用三维控制模型技术来实现实测数字成像CVF分布式策略迭代强化学习以及对于自适应高识别图像处理预大模型训练，利用采样和谐协方差矩阵算法在Chaos采样矩阵环境中进行混沌采样矩阵反演；
利用CFSAR成像的傅里叶转换的多普勒处理技术，采用对高视距远端目标检测和识别其回波信号对于CFSAR的回馈反射、辐射照射数据分析达成协议参考参数数据逐行分析处理和多普勒处理，将交互的不少于两个正交的维度进行图像识别处理，而其距离分表率交由接收机带宽和脉冲多普勒-贝叶斯压缩处理控制，其中CFSAR为基于混沌模糊环境下的合成孔径雷达。
进一步的，联合数学建模模糊计算公式：
设有指标权重矩阵，模糊指标特征矩阵/>，模糊中心指标矩阵/>，模糊识别矩阵/>，称/>为样本j或类别h之间的加权广义权距离；
绝对误差与相对误差、标准偏差、决策系数：
，式中/>表示绝对误差，/>表示i样本的预测值，/>表示第i样本的实测值；
，式中/>表示相对误差，常用百分数表示：
，式中/>表示平均相对差，n表示样本的个数；
，式中SEC表示样本集的标准偏差，n表示样本个数，若某一个样本的绝对误差大于2倍的标准误差，则可以认为该样本为异常样本，将其剔除即可；
，式中/>为决策系数，/>表示/>的平均值。
进一步的，本方案公开了一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，所述处理器用于执行一种高频超视距雷达测距与模糊环境成像的实现方法。
进一步的，本方案公开了一种服务器，包括至少一个处理器，以及与所述处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，以使所述至少一个处理器执行一种高频超视距雷达测距与模糊环境成像的实现方法。
进一步的，本方案公开了一种计算机可读取存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现一种高频超视距雷达测距与模糊环境成像的实现方法。
相对于现有技术，本发明所述的一种高频超视距雷达测距与模糊环境成像的实现方法具有以下有益效果：
上述步骤的有益效果如下：
1）快速混沌变换算法进行实时雷达信号频率分析：使用快速混沌变换算法可以高效地对雷达信号进行频率分析，帮助识别目标环境中不同频率成分的信号，并提供更详细的频域信息。
2）限定扫频宽度并应用于目标环境：通过将快速混沌变换算法应用于目标环境，可以根据目标环境为中心频率限定扫频宽度，减少对不相关信号的处理，提高系统的效率和准确性。
3）计算数据逻辑代价函数的数值：计算数据逻辑代价函数的数值，可以量化探测结果与目标环境之间的差异，帮助评估系统的性能，并为后续优化提供反馈指标。
4）测量目标环境的物理折射/返程信号并生成可辨识的图像：结合数据逻辑代价函数的数值，对捕获的目标环境的物理折射/返程信号进行测量，并生成可辨识的图像，提供更直观、可视化的目标环境信息，有助于进一步分析和判断。
5）压缩数据以持续探查：对测量数据和图像进行压缩，可以减小数据的存储空间和传输带宽需求，实现持续的数据探查，使系统能够快速地处理和传输数据，并提高资源利用效率。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面将详细说明本发明。
一种高频超视距雷达测距与模糊环境成像的实现方法，包括以下步骤：
S1、使用快速混沌变换算法进行实时雷达信号频率分析；
对雷达接收到的信号进行频率分析，找出信号中存在的各种频率成分和相应的幅度，通过使用快速混沌变换算法，有效地处理复杂的非线性系统，并在短时间内得出结果；
实现这一步骤通常需要利用专门的信号处理设备或者高性能计算机，以及适合处理雷达信号的算法库例如：
信号处理设备：为了采集和处理雷达信号，你可能需要专门的信号处理设备，如软件定义无线电(SDR)设备或雷达前端接口；
高性能计算机：雷达信号处理通常需要大量的计算资源。选择一台配置高、性能强的计算机可以提高处理效率；
算法库：有许多成熟的开源算法库可供使用，如GNURadio和MATLAB中的信号处理工具箱。这些库提供了各种用于雷达信号处理的功能和算法，如滤波、脉冲压缩、目标检测和跟踪等。
S2、将步骤S1中的快速混沌变换算法应用在目标环境中，以目标环境为中心频率限定扫频宽度；
在确定信号的频率特性后，将快速混沌变换算法应用到实际的目标环境中，其中“目标环境”为雷达试图探测的区域或物体，并通过改变雷达的发射频率、功率和波形来针对不同的目标环境进行优化，具体方法如下：
发射频率：低频雷达可以穿透障碍物和天气干扰，但分辨率较低；高频雷达可以提供更好的目标分辨率，但对障碍物和天气敏感，根据目标环境的需求选择合适的发射频率；
功率：增加功率可以提高雷达的信号强度，从而增加探测距离和目标检测性能，根据实际情况进行调整；
波形设计：雷达的波形设计是通过改变脉冲宽度、重复频率、调频斜率等参数来优化雷达性能的过程，通过改变脉冲宽度进行距离分辨优化；通过调整调频斜率进行速度分辨优化，波形设计根据目标环境和应用需求进行优化。
S3、根据步骤S2计算数据逻辑代价函数的数值；
逻辑代价函数是一个反映处理复杂度、数据质量和处理时间等因素的数学模型，根据已经收集到的数据来计算这个函数的数值，通过对代价函数的计算，评估当前处理策略的效率，如果代价过高，则调整处理策略或优化算法，其具体过程如下：
本实施例使用交叉熵损失函数作为逻辑代价函数，交叉熵损失函数可以被定义为：
J=-(y*log(y_pred)+(1-y)*log(1-y_pred))；
其中，J表示逻辑代价函数的值，y是实际结果（标签），y_pred是通过激活函数（例如sigmoid函数）得到的预测结果；
将模型的预测结果通过激活函数（sigmoid函数）进行转换，将其限制在0到1之间，表示概率值；
将转化后的预测结果和实际结果带入逻辑代价函数公式中进行计算，若实际结果为1，则计算-y*log(y_pred)；若实际结果为0，则计算-(1-y)*log(1-y_pred)；
对多个样本中的每个样本的逻辑代价进行求和或求平均，以获得整体数据的逻辑代价函数数值。
S4、对所捕获的目标环境的物理折射/返程信号进行测量，并生成可辨识的图像；
在确定了处理策略并收集到足够的数据后，下一步就是对数据进行进一步处理，提取出有意义的信息。这一步通常包括信号的测量、处理和图像的生成，最终的目标是生成一张能够表示目标环境特性的图像。
S5、对步骤S4中获取的测量数据和图像进行压缩，获取所需数据并进行持续探查。
为了节省存储空间和传输带宽，并使得数据能够被快速地处理和传输，本发明使用Huffman编码进行无损压缩，具体过程如下：
对于要压缩的数据，通过扫描数据并记录每个值的出现次数，统计每个数据值出现的频率；
根据统计得到的频率信息，使用优先队列构建Huffman树，其中频率较高的数据值位于树的较低层，频率较低的数据值位于树的较高层；
从Huffman树的根节点开始，沿着左子树走为0，沿着右子树走为1，为每个数据值分配唯一的二进制编码，较常见的数据值将具有较短的编码，而较不常见的数据值将具有较长的编码；
用分配的编码替换原始数据中的每个值，并将编码后的数据存储为二进制文件进行数据压缩；
使用相同的Huffman编码表，将压缩后的数据转换回原始数据。
通过实时监测和分析处理结果，可以获取有关目标环境特征和信号质量的反馈信息，并相应地调整雷达系统的发射频率、功率、波形等参数，从而提高雷达的性能，增加目标的探测距离、准确性和鲁棒性。
这种集成了Huffman编码无损压缩和参数优化的雷达系统设计，不仅可以在数据处理和传输方面节省资源，还能够更好地适应不同的目标环境和应用需求，通过不断优化参数，可以使得雷达系统在各种条件下都能取得较好的探测效果。
在高频环境中，确定快速混沌变换算法中整体环境时间间隔中的一个相干处理间隔到下一个相干处理间隔中的PRI、ChaosFuzzyMTI的杂波干扰位置，并对杂波干扰予以剔除，用以将未知环境下的目标图像清晰度予以扩展实现高清晰度三维成像；
其中，
PRI为PulseRepetitionInterval，为脉冲重复间隔；
ChaosFuzzyMTI为ChaosFuzzyMovingTargetIndicator，为混沌运动目标指示器。
利用基于超快X-C波型雷达-可自主认知型识别的混沌模型学习算法，在超视距探测与侦测中的信号与系统间，通过6G环境下的Chaos神经网络的检测、统计、处理、清洗、估计、抗干扰、信号小波傅里叶转换分析对雷达的MATLAB仿真场的有效评估，同时对Chaos逻辑门中对于模糊识别参数进行检测，完成大模型预训练。
高频超视距雷达测距与三维成像实现方式如下：
利用广义CGKM实现精准高频信道和信号接收的计算机模型对统计信号估计检测，经Chaos环境迭代数据傅里叶转换解析结构电离层反射后被“超级贝叶斯场大圆口径/孔径阵列多变量控制系统天线”在ChaosfuzzyTimes内采样，其中CGKM为ChaosGreatKnowlageModel；
在进行超视距参数标准识别中，对于从接收数据计算样本自相关序列与光子远距视觉Chaos算法即ACS-OCA进行参数模型的预深度自主有监督学习模型训练给出合理的估计统计量对测距环境的数据进行数据分析和数据挖掘，并对高噪声干扰源进行Chaos环境压迫型除/降噪处理以及采用预三维数据法对ACS-OCA采样而获取超远端视觉识别函数的数据样本采样；
采用匹配场FLA算法，对数据协方差直方图矩阵参数环境下的模糊混沌空间中的Spacetechnology对ID源参数进行评估和预估计算并寻求其代价函数在激活函数对冲产生其复极点位置上的代价函数峰值退火；
利用UXC高频通道模拟器，采用三维控制模型技术来实现实测数字成像CVF分布式策略迭代强化学习以及对于自适应高识别图像处理预大模型训练，利用采样和谐协方差矩阵算法在Chaos采样矩阵环境中进行混沌采样矩阵反演；
利用CFSAR成像的傅里叶转换的多普勒处理技术，采用对高视距远端目标检测和识别其回波信号对于CFSAR的回馈反射、辐射照射数据分析达成协议参考参数数据逐行分析处理和多普勒处理，将交互的不少于两个正交的维度进行图像识别处理，而其距离分表率交由接收机带宽和脉冲多普勒-贝叶斯压缩处理控制，其中CFSAR为基于混沌模糊环境下的合成孔径雷达。
实施例一：
其联合数学建模模糊计算公式：
设有指标权重矩阵，模糊指标特征矩阵/>，模糊中心指标矩阵/>，模糊识别矩阵/>，称/>为样本j或类别h之间的加权广义权距离；
绝对误差与相对误差、标准偏差、决策系数：
，式中/>表示绝对误差，/>表示i样本的预测值，/>表示第i样本的实测值；
，式中/>表示相对误差，常用百分数表示：
，式中/>表示平均相对差，n表示样本的个数；
，式中SEC表示样本集的标准偏差，n表示样本个数，若某一个样本的绝对误差大于2倍的标准误差，则可以认为该样本为异常样本，将其剔除即可；
，式中/>为决策系数，/>表示/>的平均值。
实施例二：
本方案公开了一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，所述处理器用于执行一种高频超视距雷达测距与模糊环境成像的实现方法。
实施例三：
本方案公开了一种服务器，包括至少一个处理器，以及与所述处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，以使所述至少一个处理器执行一种高频超视距雷达测距与模糊环境成像的实现方法。
实施例四：
本方案公开了一种计算机可读取存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现一种高频超视距雷达测距与模糊环境成像的实现方法。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和系统，可以通过其它的方式实现。例如，以上所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。上述单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
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 (7)
1.一种高频超视距雷达测距与模糊环境成像的实现方法，其特征在于，包括以下步骤：
S1、使用快速混沌变换算法进行实时雷达信号频率分析；
S2、将步骤S1中的快速混沌变换算法应用在目标环境中，以目标环境为中心频率限定扫频宽度；
S3、根据步骤S2计算数据逻辑代价函数的数值；
S4、结合步骤S3对步骤S2中捕获的目标环境的物理折射/返程信号进行测量，并生成可辨识的图像；
S5、对步骤S4中获取的测量数据和图像进行压缩，获取所需数据并进行持续探查；
在步骤S3中，逻辑代价函数是一个反映处理复杂度、数据质量和处理时间因素的数学模型，根据已经收集到的数据来计算这个函数的数值，通过对代价函数的计算，评估当前处理策略的效率，如果代价过高，则调整处理策略或优化算法，其具体过程如下：
使用交叉熵损失函数作为逻辑代价函数，交叉熵损失函数可以被定义为：
J=-(y*log(y_pred)+(1-y)*log(1-y_pred))；
其中，J表示逻辑代价函数的值，y是实际结果，y_pred是通过激活函数得到的预测结果，所述激活函数包括sigmoid函数；
将模型的预测结果通过激活函数进行转换，将其限制在0到1之间，表示概率值；
将转化后的预测结果和实际结果带入逻辑代价函数公式中进行计算，若实际结果为1，则计算-y*log(y_pred)；若实际结果为0，则计算-(1-y)*log(1-y_pred)；
对多个样本中的每个样本的逻辑代价进行求和或求平均，以获得整体数据的逻辑代价函数数值。
2.根据权利要求1所述的一种高频超视距雷达测距与模糊环境成像的实现方法，其特征在于：在高频环境中，确定快速混沌变换算法中整体环境时间间隔中的一个相干处理间隔到下一个相干处理间隔中的PRI、ChaosFuzzyMTI的杂波干扰位置，并对杂波干扰予以剔除，用以将未知环境下的目标图像清晰度予以扩展实现高清晰度三维成像；
其中，
PRI为PulseRepetitionInterval，为脉冲重复间隔；
ChaosFuzzyMTI为ChaosFuzzyMovingTargetIndicator，为混沌运动目标指示器。
3.根据权利要求2所述的一种高频超视距雷达测距与模糊环境成像的实现方法，其特征在于：利用基于超快X-C波型雷达-可自主认知型识别的混沌模型学习算法，在超视距探测与侦测中的信号与系统间，通过6G环境下的Chaos神经网络的检测、统计、处理、清洗、估计、抗干扰、信号小波傅里叶转换分析对雷达的MATLAB仿真场的有效评估，同时对Chaos逻辑门中对于模糊识别参数进行检测，完成大模型预训练。
4.根据权利要求3所述的一种高频超视距雷达测距与模糊环境成像的实现方法，其特征在于，高频超视距雷达测距与三维成像实现方式如下：
利用广义CGKM实现精准高频信道和信号接收的计算机模型对统计信号估计检测，经Chaos环境迭代数据傅里叶转换解析结构电离层反射后被“超级贝叶斯场大圆口径/孔径阵列多变量控制系统天线”在ChaosfuzzyTimes内采样，其中CGKM为ChaosGreatKnowlageModel；
在进行超视距参数标准识别中，对于从接收数据计算样本自相关序列与光子远距视觉Chaos算法即ACS-OCA进行参数模型的预深度自主有监督学习模型训练给出合理的估计统计量对测距环境的数据进行数据分析和数据挖掘，并对高噪声干扰源进行Chaos环境压迫型除/降噪处理以及采用预三维数据法对ACS-OCA采样而获取超远端视觉识别函数的数据样本采样；
采用匹配场FLA算法，对数据协方差直方图矩阵参数环境下的模糊混沌空间中的Spacetechnology对ID源参数进行评估和预估计算并寻求其代价函数在激活函数对冲产生其复极点位置上的代价函数峰值退火；
利用UXC高频通道模拟器，采用三维控制模型技术来实现实测数字成像CVF分布式策略迭代强化学习以及对于自适应高识别图像处理预大模型训练，利用采样和谐协方差矩阵算法在Chaos采样矩阵环境中进行混沌采样矩阵反演；
利用CFSAR成像的傅里叶转换的多普勒处理技术，采用对高视距远端目标检测和识别其回波信号对于CFSAR的回馈反射、辐射照射数据分析达成协议参考参数数据逐行分析处理和多普勒处理，将交互的不少于两个正交的维度进行图像识别处理，而其距离分表率交由接收机带宽和脉冲多普勒-贝叶斯压缩处理控制，其中CFSAR为基于混沌模糊环境下的合成孔径雷达。
5.一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，其特征在于：所述处理器用于执行上述权利要求1-4任一所述的一种高频超视距雷达测距与模糊环境成像的实现方法。
6.一种服务器，其特征在于：包括至少一个处理器，以及与所述处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，以使所述至少一个处理器执行如权利要求1-4任一所述的一种高频超视距雷达测距与模糊环境成像的实现方法。
7.一种计算机可读取存储介质，存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1-4任一项所述的一种高频超视距雷达测距与模糊环境成像的实现方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310768713.1A CN116500618B (zh) | 2023-06-28 | 2023-06-28 | 一种高频超视距雷达测距与模糊环境成像的实现方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310768713.1A CN116500618B (zh) | 2023-06-28 | 2023-06-28 | 一种高频超视距雷达测距与模糊环境成像的实现方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116500618A CN116500618A (zh) | 2023-07-28 |
| CN116500618B true CN116500618B (zh) | 2023-09-15 |
Family
ID=87317011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310768713.1A Active CN116500618B (zh) | 2023-06-28 | 2023-06-28 | 一种高频超视距雷达测距与模糊环境成像的实现方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116500618B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102680962A (zh) * | 2012-05-18 | 2012-09-19 | 天津大学 | 宽带认知被动雷达系统架构设计方法 |
| CN105116384A (zh) * | 2015-07-21 | 2015-12-02 | 电子科技大学 | 基于混沌序列的调频调相的雷达正交波形设计方法 |
| CN109975775A (zh) * | 2019-04-03 | 2019-07-05 | 西安邮电大学 | 一种雷达回波半实测数据仿真方法 |
| CN112924949A (zh) * | 2021-01-26 | 2021-06-08 | 中国科学院国家空间科学中心 | 一种基于fpga的实时产生混沌雷达发射信号系统及方法 |
| CN113030876A (zh) * | 2021-04-08 | 2021-06-25 | 南京誉葆科技有限公司 | 一种混沌调相雷达信号的设计方法 |
| CN113655459A (zh) * | 2021-09-27 | 2021-11-16 | 清华大学 | 一种基于泊松盘采样的雷达无模糊多普勒扩展方法及装置 |
| CN114994420A (zh) * | 2022-05-27 | 2022-09-02 | 中国电子科技集团公司第十研究所 | 相控阵天线阵元通道相位偏转特性测试方法 |
| CN115877344A (zh) * | 2023-02-21 | 2023-03-31 | 南京理工大学 | 一种宽带检测跟踪识别一体化处理的雷达探测方法及系统 |
| CN116165625A (zh) * | 2023-03-01 | 2023-05-26 | 南京邮电大学 | 一种基于功率域复用的雷达通信一体化设计方法及装置 |
-
2023
- 2023-06-28 CN CN202310768713.1A patent/CN116500618B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102680962A (zh) * | 2012-05-18 | 2012-09-19 | 天津大学 | 宽带认知被动雷达系统架构设计方法 |
| CN105116384A (zh) * | 2015-07-21 | 2015-12-02 | 电子科技大学 | 基于混沌序列的调频调相的雷达正交波形设计方法 |
| CN109975775A (zh) * | 2019-04-03 | 2019-07-05 | 西安邮电大学 | 一种雷达回波半实测数据仿真方法 |
| CN112924949A (zh) * | 2021-01-26 | 2021-06-08 | 中国科学院国家空间科学中心 | 一种基于fpga的实时产生混沌雷达发射信号系统及方法 |
| CN113030876A (zh) * | 2021-04-08 | 2021-06-25 | 南京誉葆科技有限公司 | 一种混沌调相雷达信号的设计方法 |
| CN113655459A (zh) * | 2021-09-27 | 2021-11-16 | 清华大学 | 一种基于泊松盘采样的雷达无模糊多普勒扩展方法及装置 |
| CN114994420A (zh) * | 2022-05-27 | 2022-09-02 | 中国电子科技集团公司第十研究所 | 相控阵天线阵元通道相位偏转特性测试方法 |
| CN115877344A (zh) * | 2023-02-21 | 2023-03-31 | 南京理工大学 | 一种宽带检测跟踪识别一体化处理的雷达探测方法及系统 |
| CN116165625A (zh) * | 2023-03-01 | 2023-05-26 | 南京邮电大学 | 一种基于功率域复用的雷达通信一体化设计方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116500618A (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107861107B (zh) | 一种适用于连续波雷达的双门限cfar与点迹凝聚方法 | |
| KR102440355B1 (ko) | 해수면 전파 반사율을 이용한 딥 러닝 해양 클러스터 데이터 측정 시스템 | |
| Abuhoureyah et al. | WiFi-based human activity recognition through wall using deep learning | |
| CN112731307B (zh) | 基于距离-角度联合估计的ratm-cfar检测器及检测方法 | |
| CN107229040B (zh) | 基于稀疏恢复空时谱估计的高频雷达目标检测方法 | |
| CN112147584A (zh) | 一种基于非均匀杂波的mimo雷达扩展目标检测方法 | |
| Deng et al. | UWB NLOS recognition based on improved convolutional neural network assisted by wavelet analysis and gramian angular field | |
| CN115600101B (zh) | 一种基于先验知识的无人机信号智能检测方法及装置 | |
| CN116942125A (zh) | 基于ngo-vmd算法的uwb生命体征信号检测方法 | |
| Jin | Theory on structure and coloring of maximal planar graphs (4)-operations and Kempe equivalent classes | |
| CN111796253A (zh) | 基于稀疏信号处理的雷达目标恒虚警检测方法 | |
| CN116500618B (zh) | 一种高频超视距雷达测距与模糊环境成像的实现方法 | |
| CN112882010B (zh) | 基于信噪比领域知识网络的高分辨距离像目标识别方法 | |
| CN113126086A (zh) | 一种基于状态预测积累的生命探测雷达弱目标检测方法 | |
| CN118330628A (zh) | 一种雷达高速距离扩展目标的联合相参积累与检测方法 | |
| CN111583267A (zh) | 基于广义模糊c均值聚类的快速sar图像旁瓣抑制方法 | |
| CN115937977B (zh) | 一种基于多维特征融合的少样本人体动作识别方法 | |
| CN117420549A (zh) | 一种基于毫米波雷达的路面结冰检测方法与系统 | |
| Xu et al. | Radar modulation recognition of intra-pulse overlapping signals based on object detection | |
| CN106249241A (zh) | 一种自适应杂波功率统计算法 | |
| CN113376610B (zh) | 基于信号结构信息的窄带雷达目标检测方法 | |
| CN116318249A (zh) | 一种基于改进YOLOv5的短波跳频信号分选方法 | |
| Ji et al. | Intelligent Target Detection Method for HFSWR based on Dual-scale Branch Fusion Network and Adaptive Threshold Control | |
| Weinberg et al. | A Weber–Haykin detector in correlated Pareto distributed clutter | |
| CN112859007A (zh) | 一种基于极化分解的海杂波背景下弱小目标检测识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20250609 Address after: 518000 Guangdong Province Shenzhen City Guangming District Yutang Street Tianliao Community Zhiyanchuangxin Innovation Building 1 601 Patentee after: Shenzhen Xinghang Wulian science and Technology Co.,Ltd. Country or region after: China Address before: 300384 Tianjin City Binhai New Area Binhai High-tech Industrial Park Kaihua Road No. 3, Room 313 Patentee before: Luoan Technology (Tianjin) Co.,Ltd. Country or region before: China |