CN116819482B - 一种基于雷达数据的方解石探测方法 - Google Patents
一种基于雷达数据的方解石探测方法 Download PDFInfo
- Publication number
- CN116819482B CN116819482B CN202311084713.6A CN202311084713A CN116819482B CN 116819482 B CN116819482 B CN 116819482B CN 202311084713 A CN202311084713 A CN 202311084713A CN 116819482 B CN116819482 B CN 116819482B
- Authority
- CN
- China
- Prior art keywords
- radar
- classification
- network
- calcite
- target
- 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
- 229910021532 Calcite Inorganic materials 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 68
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 31
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 239000013078 crystal Substances 0.000 claims description 18
- 230000005484 gravity Effects 0.000 claims description 13
- 230000014509 gene expression Effects 0.000 claims description 12
- 239000006185 dispersion Substances 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000002592 echocardiography Methods 0.000 claims description 3
- 230000001678 irradiating effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000000428 dust Substances 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000009499 grossing Methods 0.000 description 4
- BRPQOXSCLDDYGP-UHFFFAOYSA-N calcium oxide Chemical compound [O-2].[Ca+2] BRPQOXSCLDDYGP-UHFFFAOYSA-N 0.000 description 3
- 239000000292 calcium oxide Substances 0.000 description 3
- ODINCKMPIJJUCX-UHFFFAOYSA-N calcium oxide Inorganic materials [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 238000003776 cleavage reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 229910000514 dolomite Inorganic materials 0.000 description 2
- 239000010459 dolomite Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000007017 scission Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- VTYYLEPIZMXCLO-UHFFFAOYSA-L Calcium carbonate Chemical compound [Ca+2].[O-]C([O-])=O VTYYLEPIZMXCLO-UHFFFAOYSA-L 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Abstract
本发明公开了一种基于雷达数据的方解石探测方法，涉及电磁波分析检测领域，包括：使用毫米波MIMO雷达照射待测目标，接收雷达回波，并通过滤波处理得到雷达信号序列；计算雷达信号序列的自相关矩阵，并对自相关矩阵进行特征值分解，得到各特征值和与各特征值一一对应的特征向量；对各特征向量进行归一化加权相加，得到雷达加权特征向量；通过多尺度分类神经网络分析雷达加权特征向量，识别待测目标是否为方解石。本发明具有不受尘雾、雨雪天气影响，全天候探测的能力；通过雷达信号处理技术，有效提取待测目标的信息，全程高效，可适用于大区域、大规模地机载或车载自动化探测。
Description
技术领域
本发明涉及电磁波分析检测领域，具体涉及一种基于雷达数据的方解石探测方法。
背景技术
氧化钙是一种重要的无机化学物质，主要用于制造水泥、塑料、玻璃等产品。随着经济的快速发展，氧化钙市场需求逐渐增加。而方解石则是自然界中储量极高、分布极广的天然碳酸钙矿，是生产氧化钙的重要原料。
目前，矿物的勘探主要依赖人力，需爬山涉水，采样、试验。例如CN110793953A提出了一种利用激光拉曼光谱快速识别微区方解石和白云石的方法，它不仅能实现方解石的探测，甚至可区分方解石核白云石，但却需要进行细致地切割、抛光，不适用于大区域、大规模的方解石自动化探测。现有技术也提供了基于激光雷达的方解石探测方法，但激光雷达通常价格昂贵，其生成的三维点云数据处理起来也存在复杂度高的缺陷。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于雷达数据的方解石探测方法解决了现有方解石探测方法或需要人工切割、抛光工序，不适用于大区域、大规模自动化探测，或成本昂贵，或数据处理复杂度高的问题。
为了达到上述发明目的，本发明采用的技术方案为：
一种基于雷达数据的方解石探测方法，包括以下步骤：
S1、使用毫米波MIMO（Multiple-Input Multiple-Output，多输入多输出）雷达照射待测目标，接收雷达回波，并通过滤波处理得到雷达信号序列；
S2、计算雷达信号序列的自相关矩阵，并对自相关矩阵进行特征值分解，得到各特征值和与各特征值一一对应的特征向量；
S3、将各特征值作为与其对应的特征向量的权重，对各特征向量进行归一化加权相加，得到雷达加权特征向量；
S4、通过多尺度分类神经网络分析雷达加权特征向量，识别待测目标是否为方解石。
进一步地，所述S1中的滤波处理表达式为：
，
其中，为雷达信号序列，/>为雷达信号序列/>的第/>个元素，/>为雷达回波序列，/>为雷达回波序列/>的第/>个元素，/>为滤波阶数，/>为滤波离散度系数，/>为圆周率，/>为自然常数，/>为滤波偏置系数，/>为滤波阶数的编号；
所述S1得到的雷达信号序列为列向量。
进一步地，所述S2中雷达信号序列的自相关矩阵的计算表达式为：
，
其中，为雷达信号序列的自相关矩阵，/>为雷达信号序列的长度，/>为雷达信号序列的共轭向量，/>为雷达信号序列的转置。
进一步地，所述S2中的各特征值和与各特征值一一对应的特征向量满足如下条件：
，
其中，为特征值分解得到的第/>个特征值，/>为与第/>个特征值对应的特征向量；
各特征向量均为列向量。
进一步地，所述S3得到雷达加权特征向量的表达式为：
，
其中，为雷达加权特征向量，/>为特征值总数。
进一步地，所述多尺度分类神经网络包括：
用于根据雷达加权特征向量，识别待测目标比重是否落入闭区间的比重分类子网络；
用于根据雷达加权特征向量，识别待测目标折射率是否落入闭区间的折射率分类子网络；
用于根据雷达加权特征向量，识别待测目标双折射率是否为0.172的双折射分类子网络；
用于根据雷达加权特征向量，识别待测目标是否为晶体的晶体分类子网络；
用于根据雷达加权特征向量，识别待测目标是否为方解石的方解石分类子网络；
用于根据比重分类子网络、折射率分类子网络、双折射分类子网络和晶体的晶体分类子网络的分类结果，修正方解石分类子网络的分类结果的方解石分类修正层。
进一步地，各分类子网络的分类结果均为布尔类型；若待测目标满足分类条件，则分类结果为1；若待测目标不满足分类条件，则分类结果为0。
进一步地，各分类子网络的模型表达式均为：
，
其中，为分类结果，/>为阶跃函数，/>为网络参数横向量，/>为卷积运算符，为网络扫描列向量，/>为分类阈值。
本发明的有益效果为：
（1）本发明具有不受尘雾、雨雪天气影响，全天候探测的能力，通过雷达信号处理技术，有效提取待测目标的信息，并通过多尺度分类神经网络进行方解石识别判断，全程高效，可适用于大区域、大规模地机载或车载自动化探测。
（2）毫米波信号可穿透尘雾、雨雪、不受恶劣天气的影响，若以无人车、无人机作为毫米波MIMO雷达载体，可进行全天候野外探测。
（3）滤波处理对雷达回波进行了邻域加权叠加的平滑滤波处理，通过滤波阶数、波离散度系数和滤波偏置系数可调控平滑处理的强度，有效降低了空间信道非理想因素干扰下的回波噪点。
（4）自相关矩阵描述了信号序列中各元素的相似性和周期性，对于多输入多输出雷达的回波信号，可凸显出高分辨率下的待测目标包括晶格特性在内的形体特性。
（5）矩阵特征值分解得到的各特征向量互相之间线性无关，代表着待测目标形体特性的空间方向，而各特征值则是这些方向上的差异度。因此，得到特征值和特征向量之后，加权相加，可将二维矩阵数据压缩为一维向量数据，同时又保留了信息。
（6）优良的方解石矿产，其比重为2.71，折射率为1.48至1.66，双折射率为0.172，且为良好的晶体，常见晶形有六方柱{1010}和菱面体{0112}的聚形、复三方偏三角面{2131}、菱面体{0112}等，解理块为平行菱面体{1011}，因此多尺度分类神经网络，从比重的区间、折射率的区间、双折射率的值、是否为晶体等各个尺度并行地独立分析雷达加权特征向量，再用这些结果修正方解石分类子网络的分析结果，提高了方解石探测的筛选精度。
（7）本发明设计的各个分类子网络，使用网络扫描列向量通过卷积运算对雷达加权特征向量进行待测目标形体特性的扫描，再通过网络参数横向量对待测目标形体特性进行线性变换，得到一元回归结果，再通过分类阈值进行偏置控制，输出0（否）、1（是）的识别结果。算法高效、精简。
附图说明
图1为本发明实施例提供的一种基于雷达数据的方解石探测方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，在本发明的一个实施例中，一种基于雷达数据的方解石探测方法，包括以下步骤：
S1、使用毫米波MIMO（Multiple-Input Multiple-Output，多输入多输出）雷达照射待测目标，接收雷达回波，并通过滤波处理得到雷达信号序列。
毫米波信号可穿透尘雾、雨雪、不受恶劣天气的影响，若以无人车、无人机作为毫米波MIMO雷达载体，可进行全天候野外探测。
滤波处理表达式为：
，
其中，为雷达信号序列，/>为雷达信号序列/>的第/>个元素，/>为雷达回波序列，/>为雷达回波序列/>的第/>个元素，/>为滤波阶数，/>为滤波离散度系数，/>为圆周率，/>为自然常数，/>为滤波偏置系数，/>为滤波阶数的编号。
滤波处理对雷达回波进行了邻域加权叠加的平滑滤波处理，通过滤波阶数、波离散度系数和滤波偏置系数可调控平滑处理的强度，有效降低了空间信道非理想因素干扰下的回波噪点。
得到的雷达信号序列为列向量。
S2、计算雷达信号序列的自相关矩阵，并对自相关矩阵进行特征值分解，得到各特征值和与各特征值一一对应的特征向量。
雷达信号序列的自相关矩阵的计算表达式为：
，
其中，为雷达信号序列的自相关矩阵，/>为雷达信号序列的长度，/>为雷达信号序列的共轭向量，/>为雷达信号序列的转置。
自相关矩阵描述了信号序列中各元素的相似性和周期性，对于多输入多输出雷达的回波信号，可凸显出高分辨率下的待测目标包括晶格特性在内的形体特性。
各特征值和与各特征值一一对应的特征向量满足如下条件：
，
其中，为特征值分解得到的第/>个特征值，/>为与第/>个特征值对应的特征向量。
各特征向量均为列向量。
S3、将各特征值作为与其对应的特征向量的权重，对各特征向量进行归一化加权相加，得到雷达加权特征向量，其表达式为：
，
其中，为雷达加权特征向量，/>为特征值总数。
矩阵特征值分解得到的各特征向量互相之间线性无关，代表着待测目标形体特性的空间方向，而各特征值则是这些方向上的差异度。因此，得到特征值和特征向量之后，加权相加，可将二维矩阵数据压缩为一维向量数据，同时又保留了信息。
S4、通过多尺度分类神经网络分析雷达加权特征向量，识别待测目标是否为方解石。
多尺度分类神经网络包括：
用于根据雷达加权特征向量，识别待测目标比重是否落入闭区间的比重分类子网络；
用于根据雷达加权特征向量，识别待测目标折射率是否落入闭区间的折射率分类子网络；
用于根据雷达加权特征向量，识别待测目标双折射率是否为0.172的双折射分类子网络；
用于根据雷达加权特征向量，识别待测目标是否为晶体的晶体分类子网络；
用于根据雷达加权特征向量，识别待测目标是否为方解石的方解石分类子网络；
用于根据比重分类子网络、折射率分类子网络、双折射分类子网络和晶体的晶体分类子网络的分类结果，修正方解石分类子网络的分类结果的方解石分类修正层。
优良的方解石矿产，其比重为2.71，折射率为1.48至1.66，双折射率为0.172，且为良好的晶体，常见晶形有六方柱{1010}和菱面体{0112}的聚形、复三方偏三角面{2131}、菱面体{0112}等，解理块为平行菱面体{1011}，因此多尺度分类神经网络，从比重的区间、折射率的区间、双折射率的值、是否为晶体等各个尺度并行地独立分析雷达加权特征向量，再用这些结果修正方解石分类子网络的分析结果，提高了方解石探测的筛选精度。
各分类子网络的分类结果均为布尔类型；若待测目标满足分类条件，则分类结果为1；若待测目标不满足分类条件，则分类结果为0。
各分类子网络的模型表达式均为：
，
其中，为分类结果，/>为阶跃函数，/>为网络参数横向量，/>为卷积运算符，为网络扫描列向量，/>为分类阈值。
本发明设计的各个分类子网络，使用网络扫描列向量通过卷积运算对雷达加权特征向量进行待测目标形体特性的扫描，再通过网络参数横向量对待测目标形体特性进行线性变换，得到一元回归结果，再通过分类阈值进行偏置控制，输出0（否）、1（是）的识别结果。算法高效、精简。
本实施例的方解石分类修正层，将各分类自网络的分类结果均为1的待测目标，判决为方解石。
综上，本发明具有不受尘雾、雨雪天气影响，全天候探测的能力，通过雷达信号处理技术，有效提取待测目标的信息，并通过多尺度分类神经网络进行方解石识别判断，全程高效，可适用于大区域、大规模地机载或车载自动化探测。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (3)
1.一种基于雷达数据的方解石探测方法，其特征在于，包括以下步骤：
S1、使用毫米波MIMO雷达照射待测目标，接收雷达回波，并通过滤波处理得到雷达信号序列；
S2、计算雷达信号序列的自相关矩阵，并对自相关矩阵进行特征值分解，得到各特征值和与各特征值一一对应的特征向量；
S3、将各特征值作为与其对应的特征向量的权重，对各特征向量进行归一化加权相加，得到雷达加权特征向量；
S4、通过多尺度分类神经网络分析雷达加权特征向量，识别待测目标是否为方解石；
所述S1中的滤波处理表达式为：
，
其中，为雷达信号序列，/>为雷达信号序列/>的第/>个元素，/>为雷达回波序列，为雷达回波序列/>的第/>个元素，/>为滤波阶数，/>为滤波离散度系数，/>为圆周率，/>为自然常数，/>为滤波偏置系数，/>为滤波阶数的编号；
所述S1得到的雷达信号序列为列向量；
所述S2中雷达信号序列的自相关矩阵的计算表达式为：
，
其中，为雷达信号序列的自相关矩阵，/>为雷达信号序列的长度，/>为雷达信号序列的共轭向量，/>为雷达信号序列的转置；
所述S2中的各特征值和与各特征值一一对应的特征向量满足如下条件：
，
其中，为特征值分解得到的第/>个特征值，/>为与第/>个特征值对应的特征向量；
各特征向量均为列向量；
所述S3得到雷达加权特征向量的表达式为：
，
其中，为雷达加权特征向量，/>为特征值总数；
所述多尺度分类神经网络包括：
用于根据雷达加权特征向量，识别待测目标比重是否落入闭区间的比重分类子网络；
用于根据雷达加权特征向量，识别待测目标折射率是否落入闭区间的折射率分类子网络；
用于根据雷达加权特征向量，识别待测目标双折射率是否为0.172的双折射分类子网络；
用于根据雷达加权特征向量，识别待测目标是否为晶体的晶体分类子网络；
用于根据雷达加权特征向量，识别待测目标是否为方解石的方解石分类子网络；
用于根据比重分类子网络、折射率分类子网络、双折射分类子网络和晶体的晶体分类子网络的分类结果，修正方解石分类子网络的分类结果的方解石分类修正层。
2.根据权利要求1所述的基于雷达数据的方解石探测方法，其特征在于，各分类子网络的分类结果均为布尔类型；若待测目标满足分类条件，则分类结果为1；若待测目标不满足分类条件，则分类结果为0。
3.根据权利要求2所述的基于雷达数据的方解石探测方法，其特征在于，各分类子网络的模型表达式均为：
，
其中，为分类结果，/>为阶跃函数，/>为网络参数横向量，/>为卷积运算符，/>为网络扫描列向量，/>为分类阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311084713.6A CN116819482B (zh) | 2023-08-28 | 2023-08-28 | 一种基于雷达数据的方解石探测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311084713.6A CN116819482B (zh) | 2023-08-28 | 2023-08-28 | 一种基于雷达数据的方解石探测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116819482A CN116819482A (zh) | 2023-09-29 |
| CN116819482B true CN116819482B (zh) | 2023-11-10 |
Family
ID=88116969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311084713.6A Active CN116819482B (zh) | 2023-08-28 | 2023-08-28 | 一种基于雷达数据的方解石探测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116819482B (zh) |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0883877A1 (en) * | 1996-02-06 | 1998-12-16 | The Regents Of The University Of California | Methods and apparatus for non-acoustic speech characterization and recognition |
| CN101202577A (zh) * | 2006-12-14 | 2008-06-18 | 中兴通讯股份有限公司 | 无线通信系统的多业务波束赋形装置 |
| CN101877134A (zh) * | 2010-05-07 | 2010-11-03 | 北京航空航天大学 | 一种机场监视视频目标鲁棒跟踪方法 |
| JP2015175859A (ja) * | 2014-03-12 | 2015-10-05 | 学校法人早稲田大学 | パターン認識装置、パターン認識方法及びパターン認識プログラム |
| CN108919219A (zh) * | 2018-07-06 | 2018-11-30 | 西安电子科技大学 | 基于反对称变换和参数可调的分布式目标检测方法 |
| CN109814075A (zh) * | 2019-01-31 | 2019-05-28 | 西安电子科技大学 | 一种mti雷达运动目标检测方法 |
| CN110322077A (zh) * | 2019-07-10 | 2019-10-11 | 燕山大学 | 基于卷积神经网络的水泥原料立磨生料细度指标预测方法 |
| WO2020254857A1 (en) * | 2019-06-18 | 2020-12-24 | Uab Neurotechnology | Fast and robust friction ridge impression minutiae extraction using feed-forward convolutional neural network |
| CN112364689A (zh) * | 2020-10-09 | 2021-02-12 | 天津大学 | 基于cnn与雷达图像的人体动作与身份多任务识别方法 |
| WO2021099584A1 (en) * | 2019-11-22 | 2021-05-27 | F. Hoffmann-La Roche Ag | Multiple instance learner for tissue image classification |
| WO2021167318A1 (en) * | 2020-02-20 | 2021-08-26 | Samsung Electronics Co., Ltd. | Position detection method, apparatus, electronic device and computer readable storage medium |
| CN113988121A (zh) * | 2021-10-19 | 2022-01-28 | 南京理工大学 | 基于特征提取的加权投票多分类器地面雷达目标自动识别方法 |
| WO2022074643A1 (en) * | 2020-10-08 | 2022-04-14 | Edgy Bees Ltd. | Improving geo-registration using machine-learning based object identification |
| CN115061138A (zh) * | 2022-08-18 | 2022-09-16 | 中南大学 | 探地雷达自聚焦并行掩膜后向投影成像方法、设备及介质 |
| CN115343713A (zh) * | 2022-07-13 | 2022-11-15 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种车载毫米波雷达障碍物探测方法，系统，雷达和汽车 |
| EP4102500A1 (en) * | 2021-06-11 | 2022-12-14 | Harman International Industries, Incorporated | System and method for robust wakeword detection in presence of noise in new unseen environments without additional data |
| WO2022260453A1 (en) * | 2021-06-10 | 2022-12-15 | Samsung Electro-Mechanics Co., Ltd. | Non-line-of-sight radar apparatus |
| KR20220166704A (ko) * | 2021-06-10 | 2022-12-19 | 삼성전기주식회사 | 비가시 경로 레이더 장치 |
| CN116256746A (zh) * | 2023-05-12 | 2023-06-13 | 江苏亿连通信技术有限公司 | 基于雷达对防范区域周界空域异物入侵监测系统及方法 |
| CN116468724A (zh) * | 2023-06-08 | 2023-07-21 | 四川亿欣新材料有限公司 | 一种基于光学传感技术的碳酸钙含量测试方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230072968A1 (en) * | 2021-08-25 | 2023-03-09 | Northeastern University | System and Method for Sensing an Environment |
| US20230104047A1 (en) * | 2022-01-18 | 2023-04-06 | Zhoushan Institute Of Calibration And Testing For Quality And Technology Supervision | Track fusion method and device for unmanned surface vehicle |
-
2023
- 2023-08-28 CN CN202311084713.6A patent/CN116819482B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0883877A1 (en) * | 1996-02-06 | 1998-12-16 | The Regents Of The University Of California | Methods and apparatus for non-acoustic speech characterization and recognition |
| CN101202577A (zh) * | 2006-12-14 | 2008-06-18 | 中兴通讯股份有限公司 | 无线通信系统的多业务波束赋形装置 |
| CN101877134A (zh) * | 2010-05-07 | 2010-11-03 | 北京航空航天大学 | 一种机场监视视频目标鲁棒跟踪方法 |
| JP2015175859A (ja) * | 2014-03-12 | 2015-10-05 | 学校法人早稲田大学 | パターン認識装置、パターン認識方法及びパターン認識プログラム |
| CN108919219A (zh) * | 2018-07-06 | 2018-11-30 | 西安电子科技大学 | 基于反对称变换和参数可调的分布式目标检测方法 |
| CN109814075A (zh) * | 2019-01-31 | 2019-05-28 | 西安电子科技大学 | 一种mti雷达运动目标检测方法 |
| WO2020254857A1 (en) * | 2019-06-18 | 2020-12-24 | Uab Neurotechnology | Fast and robust friction ridge impression minutiae extraction using feed-forward convolutional neural network |
| CN110322077A (zh) * | 2019-07-10 | 2019-10-11 | 燕山大学 | 基于卷积神经网络的水泥原料立磨生料细度指标预测方法 |
| WO2021099584A1 (en) * | 2019-11-22 | 2021-05-27 | F. Hoffmann-La Roche Ag | Multiple instance learner for tissue image classification |
| WO2021167318A1 (en) * | 2020-02-20 | 2021-08-26 | Samsung Electronics Co., Ltd. | Position detection method, apparatus, electronic device and computer readable storage medium |
| WO2022074643A1 (en) * | 2020-10-08 | 2022-04-14 | Edgy Bees Ltd. | Improving geo-registration using machine-learning based object identification |
| CN112364689A (zh) * | 2020-10-09 | 2021-02-12 | 天津大学 | 基于cnn与雷达图像的人体动作与身份多任务识别方法 |
| WO2022260453A1 (en) * | 2021-06-10 | 2022-12-15 | Samsung Electro-Mechanics Co., Ltd. | Non-line-of-sight radar apparatus |
| KR20220166704A (ko) * | 2021-06-10 | 2022-12-19 | 삼성전기주식회사 | 비가시 경로 레이더 장치 |
| EP4102500A1 (en) * | 2021-06-11 | 2022-12-14 | Harman International Industries, Incorporated | System and method for robust wakeword detection in presence of noise in new unseen environments without additional data |
| CN113988121A (zh) * | 2021-10-19 | 2022-01-28 | 南京理工大学 | 基于特征提取的加权投票多分类器地面雷达目标自动识别方法 |
| CN115343713A (zh) * | 2022-07-13 | 2022-11-15 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种车载毫米波雷达障碍物探测方法，系统，雷达和汽车 |
| CN115061138A (zh) * | 2022-08-18 | 2022-09-16 | 中南大学 | 探地雷达自聚焦并行掩膜后向投影成像方法、设备及介质 |
| CN116256746A (zh) * | 2023-05-12 | 2023-06-13 | 江苏亿连通信技术有限公司 | 基于雷达对防范区域周界空域异物入侵监测系统及方法 |
| CN116468724A (zh) * | 2023-06-08 | 2023-07-21 | 四川亿欣新材料有限公司 | 一种基于光学传感技术的碳酸钙含量测试方法 |
Non-Patent Citations (4)
| Title |
|---|
| 一种基于互谱思想的STAP降维方法;周成家;鲍庆龙;沈锐超;陈曾平;;雷达科学与技术(第04期);全文 * |
| 海杂波背景下的PSO-RBF弱目标检测;石嘉;夏德平;;电子测量技术(第07期);全文 * |
| 深度学习在矿物识别中的应用 ——以花岗岩中石英、黑云母和钾长石的识别为例;娄威;《中国优秀硕士学位论文全文数据库》;全文 * |
| 铁路路基病害的智能识别;杜攀峰;廖立坚;杨新安;;铁道学报(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116819482A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107238821B (zh) | 一种基于特征谱特征的机场跑道异物检测方法及装置 | |
| CN111308471B (zh) | 基于半监督域适应的雨、雪、冰雹分类监测方法 | |
| CN104036289A (zh) | 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法 | |
| CN101299237B (zh) | 一种基于信息量维数序列的高光谱数据监督分类方法 | |
| CN105389559A (zh) | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 | |
| CN112101271A (zh) | 一种高光谱遥感影像分类方法及装置 | |
| CN103886336A (zh) | 基于稀疏自动编码器的极化sar图像分类方法 | |
| CN105718942B (zh) | 基于均值漂移和过采样的高光谱图像不平衡分类方法 | |
| CN102968640B (zh) | 基于Freeman分解和数据分布特征的极化SAR图像分类方法 | |
| CN105447514B (zh) | 一种基于信息熵的金属识别方法 | |
| CN111222442A (zh) | 一种电磁信号分类方法和装置 | |
| CN104809471B (zh) | 一种基于空间光谱信息的高光谱图像残差融合分类方法 | |
| CN107478599B (zh) | 一种饲料原料中非法添加物三聚氰胺甲醛树脂的检测方法 | |
| CN105548066A (zh) | 一种胶体种类区分方法及系统 | |
| CN108229551A (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 | |
| CN109901130A (zh) | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 | |
| CN109117776A (zh) | 基于航迹信息的飞机与气象杂波分类识别方法 | |
| CN104680184A (zh) | 基于深度rpca的极化sar地物分类方法 | |
| CN108986077A (zh) | 基于双树复小波域共生增广矩阵的浮选泡沫工况识别方法 | |
| Khushaba et al. | Radar-based materials classification using deep wavelet scattering transform: A comparison of centimeter vs. millimeter wave units | |
| Hou et al. | Hyperspectral Mineral Target Detection Based on Density Peak. | |
| CN116819482B (zh) | 一种基于雷达数据的方解石探测方法 | |
| CN103365985A (zh) | 一种类别自适应的极化sar分类方法 | |
| CN111523587A (zh) | 一种基于机器学习的木本植物物种光谱识别方法 | |
| CN103955711A (zh) | 一种成像光谱目标识别分析中的模式识别方法 |
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 |