CN117129947B - 一种基于miniunet的平面变换法雷达信号识别方法 - Google Patents

一种基于miniunet的平面变换法雷达信号识别方法 Download PDF

Info

Publication number
CN117129947B
CN117129947B CN202311395171.4A CN202311395171A CN117129947B CN 117129947 B CN117129947 B CN 117129947B CN 202311395171 A CN202311395171 A CN 202311395171A CN 117129947 B CN117129947 B CN 117129947B
Authority
CN
China
Prior art keywords
radar
feature map
signals
dimensional
mininet
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
Application number
CN202311395171.4A
Other languages
English (en)
Other versions
CN117129947A (zh
Inventor
陈英爽
吕春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Golden Fulcrum Technology Co ltd
Original Assignee
Chengdu Golden Fulcrum Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Golden Fulcrum Technology Co ltd filed Critical Chengdu Golden Fulcrum Technology Co ltd
Priority to CN202311395171.4A priority Critical patent/CN117129947B/zh
Publication of CN117129947A publication Critical patent/CN117129947A/zh
Application granted granted Critical
Publication of CN117129947B publication Critical patent/CN117129947B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明请求保护一种基于miniunet的平面变换法雷达信号识别方法，通过输入多个待处理一维雷达信号，对所述待处理雷达信号进行脉间平面变换，得到二维雷达特征图，之后将所述二维雷达特征图输入miniunet网络，将所述二维雷达特征图分离成多张分选特征图；解析所述多张分选特征图，得到待识别雷达信号；对所述待识别雷达信号进行识别。该方案利用脉间特征的二维图形进行图像识别分选信号，特征提取速度快、计算速度快，对待载频变化、重频捷变、重频参差等复杂信号时具有较高的分选识别率。

Description

一种基于miniunet的平面变换法雷达信号识别方法
技术领域
本发明涉及雷达信号处理领域，尤其涉及一种基于miniunet的平面变换法雷达信号识别方法。
背景技术
雷达信号的分选识别是对信号进一步分析的前提，对于电子对抗战有着重要的意义。而目前电磁环境复杂，雷达的调制方式日益复杂，基于传统参数的特征匹配识别算法已经逐渐失效。
雷达信号分选识别方法主要有两种，一种是基于脉间特征的分选识别、另一种是基于脉内特征的分选识别。随着雷达信号的载频变化、重频捷变、重频参差等复杂调制形式出现，经典的简单的脉间分选算法已难以胜任。而脉内算法特征提取困难、计算量巨大。
近年来图像处理技术发展迅速，因此基于信号的时频图像完成分选识别成为了一种趋势。目前已有的许多研究尝试沿用这种思路，利用时频分布等方法对信号进行时频分析，得到信号的时频图像，再基于信息论，领域专业知识，针对时频图像人工设计雷达信号的特征向量，最后再利用机器学习方法完成信号分类。这种方法的特征提取模块虽然语义明确，但泛化性较差，同时特征维数有限，在复杂情况下容易遇到瓶颈。另一类基于深度学习的雷达信号分选识别方法，虽然完成了信号的自动特征提取，但是对标签数据有较大依赖。
发明内容
本发明正是针对现有技术中存在的技术问题提供一种基于miniunet的平面变换法雷达信号识别方法。
为了实现上述目的，本发明的技术方案如下：
一种基于miniunet的平面变换法雷达信号识别方法，包括步骤：
输入多个待处理雷达信号，所述待处理雷达信号为一维信号；
对所述待处理雷达信号进行脉间平面变换，得到二维雷达特征图；
将所述二维雷达特征图输入miniunet网络，将所述二维雷达特征图分离成多张分选特征图；
解析所述多张分选特征图，得到待识别雷达信号；
对所述待识别雷达信号进行识别。
优选的，输入所述待处理雷达信号后，将多个所述待处理雷达信号按照时序进行排列，得到多个所述待处理雷达信号的时序到达序列。
优选的，所述对所述待处理雷达信号进行脉间平面变换，得到二维雷达特征图，具体包括：
通过所述时序到达序列得到平面变换矩阵和平面变换逆矩阵；
去除所述平面变换矩阵和平面变换逆矩阵的噪点后，计算得到二维雷达特征图。
优选的，所述将所述二维雷达特征图输入miniunet网络，将所述二维雷达特征图分离成多张分选特征图，具体包括：
所述miniunet网络采用小型的unet改进版本，输入图像小于所述unet，网络层少于所述unet，速度快于所述unet；
所述miniunet网络将所述二维雷达特征图中有规律的形状分离出来。
优选的，解析所述多张分选特征图，得到待识别雷达信号，具体包括：
根据所述miniunet网络分离出来的分选特征图的形状，搜索出所述待处理雷达信号的原始信号分离出的信号，作为待识别雷达信号。
本发明请求保护一种基于miniunet的平面变换法雷达信号识别方法，通过输入多个待处理一维雷达信号，对所述待处理雷达信号进行脉间平面变换，得到二维雷达特征图，之后将所述二维雷达特征图输入miniunet网络，将所述二维雷达特征图分离成多张分选特征图；解析所述多张分选特征图，得到待识别雷达信号；对所述待识别雷达信号进行识别。该方案利用脉间特征的二维图形进行图像识别分选信号，特征提取速度快、计算速度快，对待载频变化、重频捷变、重频参差等复杂信号时具有较高的分选识别率。
附图说明
图1为本发明所涉及的一种基于miniunet的平面变换法雷达信号识别方法的工作流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
本发明实施例如下：
参照附图1，本发明请求保护一种基于miniunet的平面变换法雷达信号识别方法，包括步骤：
输入多个待处理雷达信号，所述待处理雷达信号为一维信号；
对所述待处理雷达信号进行脉间平面变换，得到二维雷达特征图；
将所述二维雷达特征图输入miniunet网络，将所述二维雷达特征图分离成多张分选特征图；
解析所述多张分选特征图，得到待识别雷达信号；
对所述待识别雷达信号进行识别。
优选的，输入所述待处理雷达信号后，将多个所述待处理雷达信号按照时序进行排列，得到多个所述待处理雷达信号的时序到达序列。
优选的，所述对所述待处理雷达信号进行脉间平面变换，得到二维雷达特征图，具体包括：
通过所述时序到达序列得到平面变换矩阵和平面变换逆矩阵；
去除所述平面变换矩阵和平面变换逆矩阵的噪点后，计算得到二维雷达特征图。
附图1中，Toa为接收到信号的到达时间；
平面变换的原理是输入一组信号的Toa序列；
通过公式（1），获得平面变换矩阵D；
（1）
；
通过公式（2），获得平面变换逆矩阵D’ ；
（2）
；
然后去除D和D’的噪点，在通过|D-D’|得到二维雷达特征图；
优选的，所述将所述二维雷达特征图输入miniunet网络，将所述二维雷达特征图分离成多张分选特征图，具体包括：
所述miniunet网络采用小型的unet改进版本，输入图像小于所述unet，网络层少于所述unet，速度快于所述unet；
所述miniunet网络将所述二维雷达特征图中有规律的形状分离出来。
优选的，解析所述多张分选特征图，得到待识别雷达信号，具体包括：
根据所述miniunet网络分离出来的分选特征图的形状，搜索出所述待处理雷达信号的原始信号分离出的信号，作为待识别雷达信号。
Unet网络输入图像为572x572，输出得到2*388*388分割后得图像。
miniunet网络如下：
输入图像大小为572x572；
3*3卷积后图像大小为 616*568*568；
2*2maxpooling后图像大小为16*284*284；
5*5卷积输出后图像大小为32*280*280；
2*2maxpooling后图像大小输出为32*140*140；
5*5卷积后图像大小输出为64*136*136；
2*2maxpooling后图像大小输出为64*68*68；
3*3卷积后图像大小输出为128*66*66；
3*3卷积后图像大小输出为128*64*64；
2*2maxpooling后图像大小输出为128*32*32；
3*3卷积后图像大小输出为256*30*30；
3*3卷积后图像大小输出为256*28*28；
2*2反卷积后图像大小输出为256*56*56；
3*3卷积后图像大小输出为128*54*54；
3*3卷积后图像大小输出为128*52*52；
2*2反卷积输出64*104*104；
5*5卷积后图像大小输出为64*100*100；
2*2反卷积后图像大小输出为32*200*200；
5*5卷积后图像大小输出为32*196*196；
2*2反卷积后图像大小输出为16*388*388；
反卷积后图像大小输出为2*388*388；
本领域技术人员能够理解，本公开所披露的内容可以出现多种变型和改进。例如，以上所描述的各种设备或组件可以通过硬件实现，也可以通过软件、固件、或者三者中的一些或全部的组合实现。
本公开中使用了流程图用来说明根据本公开的实施例的方法的步骤。应当理解的是，前面或后面的步骤不一定按照顺序来精确的进行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中。
本领域普通技术人员可以理解上述方法中的全部或部分的步骤可通过计算机程序来指令相关硬件完成，程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本公开并不限制于任何特定形式的硬件和软件的结合。
除非另有定义，这里使用的所有术语具有与本公开所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
以上是对本公开的说明，而不应被认为是对其的限制。尽管描述了本公开的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本公开的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本公开范围内。应当理解，上面是对本公开的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本公开由权利要求书及其等效物限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (3)

1.一种基于miniunet的平面变换法雷达信号识别方法，其特征在于，包括步骤：
输入多个待处理雷达信号，所述待处理雷达信号为一维信号；
对所述待处理雷达信号进行脉间平面变换，得到二维雷达特征图；
将所述二维雷达特征图输入miniunet网络，将所述二维雷达特征图分离成多张分选特征图；
解析所述多张分选特征图，得到待识别雷达信号；
对所述待识别雷达信号进行识别；
输入所述待处理雷达信号后，将多个所述待处理雷达信号按照时序进行排列，得到多个所述待处理雷达信号的时序到达序列；
所述对所述待处理雷达信号进行脉间平面变换，得到二维雷达特征图，具体包括：
通过所述时序到达序列得到平面变换矩阵和平面变换逆矩阵；
去除所述平面变换矩阵和平面变换逆矩阵的噪点后，计算得到二维雷达特征图；
输入一组信号的Toa序列；
通过公式（1），获得平面变换矩阵D；
（1）
；
通过公式（2），获得平面变换逆矩阵D’ ；
（2）
；
去除D和D’的噪点，在通过|D-D’|得到二维雷达特征图；
所述将所述二维雷达特征图输入miniunet网络，将所述二维雷达特征图分离成多张分选特征图，具体包括：
所述miniunet网络采用小型的unet改进版本，输入图像小于所述unet，网络层少于所述unet，速度快于所述unet；
所述miniunet网络将所述二维雷达特征图中有规律的形状分离出来。
2.如权利要求1所述的一种基于miniunet的平面变换法雷达信号识别方法，其特征在于，所述将所述二维雷达特征图输入miniunet网络，将所述二维雷达特征图分离成多张分选特征图，具体包括：
所述miniunet网络采用小型的unet改进版本，输入图像小于所述unet，网络层少于所述unet，速度快于所述unet；
所述miniunet网络将所述二维雷达特征图中有规律的形状分离出来。
3.如权利要求2所述的一种基于miniunet的平面变换法雷达信号识别方法，其特征在于，解析所述多张分选特征图，得到待识别雷达信号，具体包括：
根据所述miniunet网络分离出来的分选特征图的形状，搜索出所述待处理雷达信号的原始信号分离出的信号，作为待识别雷达信号。
CN202311395171.4A 2023-10-26 2023-10-26 一种基于miniunet的平面变换法雷达信号识别方法 Active CN117129947B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311395171.4A CN117129947B (zh) 2023-10-26 2023-10-26 一种基于miniunet的平面变换法雷达信号识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311395171.4A CN117129947B (zh) 2023-10-26 2023-10-26 一种基于miniunet的平面变换法雷达信号识别方法

Publications (2)

Publication Number Publication Date
CN117129947A CN117129947A (zh) 2023-11-28
CN117129947B true CN117129947B (zh) 2023-12-26

Family

ID=88863142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311395171.4A Active CN117129947B (zh) 2023-10-26 2023-10-26 一种基于miniunet的平面变换法雷达信号识别方法

Country Status (1)

Country Link
CN (1) CN117129947B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117554919B (zh) * 2024-01-11 2024-03-29 成都金支点科技有限公司 一种基于双向lstm网络的雷达信号分选搜索方法

Citations (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5329286A (en) * 1993-06-29 1994-07-12 The United States Of America As Represented By The Secretary Of The Air Force Method for two dimensional doppler imaging of radar targets
US6639546B1 (en) * 2001-11-06 2003-10-28 Lockheed Martin Corporation Radar system in which range ambiguity and range eclipsing are reduced by frequency diversity and alternation of pulse periodicity
JP2009270827A (ja) * 2008-04-30 2009-11-19 Mitsubishi Electric Corp マルチスタティックレーダ装置
CN102615364A (zh) * 2012-01-13 2012-08-01 哈尔滨工业大学深圳研究生院 三维超声波协同调制微细电火花线切割加工装置
CN205594153U (zh) * 2016-05-11 2016-09-21 中国电子科技集团公司第三十八研究所 一种有源相控阵雷达收发组件
CN107870333A (zh) * 2017-10-27 2018-04-03 北京林业大学 一种地面激光雷达模拟角规测定林分平均高的方法
CN108764331A (zh) * 2018-05-25 2018-11-06 哈尔滨工程大学 基于分数阶傅里叶变换的联合分类器多信号调制识别方法
CN108805039A (zh) * 2018-04-17 2018-11-13 哈尔滨工程大学 联合熵与预训练cnn提取时频图像特征的调制识别方法
CN109581318A (zh) * 2019-01-10 2019-04-05 中国人民解放军海军航空大学 基于时间反转非均匀采样的雷达高机动目标相参积累检测方法
CN109633622A (zh) * 2019-01-24 2019-04-16 中国人民解放军海军航空大学 基于时间反转二阶Keystone变换的雷达机动目标跨单元积累方法
EP3492945A1 (en) * 2017-12-01 2019-06-05 Origin Wireless, Inc. Method, apparatus, and system for periodic motion detection and monitoring
EP3546979A1 (en) * 2018-03-28 2019-10-02 Infineon Technologies AG System and method for controlling access to a trunk of a vehicle using a radar sensor
EP3556278A1 (en) * 2018-04-20 2019-10-23 Valtronic Technologies (Holding) SA Scanning device for living objects
CN110632572A (zh) * 2019-09-30 2019-12-31 中国人民解放军战略支援部队信息工程大学 基于无意调相特性的雷达辐射源个体识别方法及装置
CN111551925A (zh) * 2020-05-21 2020-08-18 西安电子科技大学 基于fft的脉间频率捷变雷达的目标速度估计方法
CN112949383A (zh) * 2021-01-22 2021-06-11 中国人民解放军63892部队 一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法
CN113156391A (zh) * 2021-04-25 2021-07-23 电子科技大学 一种雷达信号多维特征智能分选方法
CN113361204A (zh) * 2021-06-21 2021-09-07 黄高明 一种基于sae的雷达辐射源pri调制识别方法
CN113721219A (zh) * 2021-10-08 2021-11-30 中国电子科技集团公司第三十八研究所 一种基于多参数聚类的雷达信号分选方法和系统
CN114595732A (zh) * 2022-05-10 2022-06-07 西安晟昕科技发展有限公司 基于深度聚类的雷达辐射源分选方法
EP4019999A1 (en) * 2020-12-22 2022-06-29 Robin Radar Facilities BV Radar based system for processing radar data representing range and radial velocty of a detected object
CN114997326A (zh) * 2022-06-20 2022-09-02 电子科技大学 一种基于多特征融合的机载雷达工作模式识别方法
CN115034261A (zh) * 2022-05-26 2022-09-09 云南财经大学 雷达辐射源信号脉间特征提取方法、设备及存储介质
CN115575902A (zh) * 2022-09-21 2023-01-06 哈尔滨工程大学 雷达信号多站融合分选方法
CN115982620A (zh) * 2022-12-20 2023-04-18 成都理工大学 基于多类三维特征与Transformer的毫米波雷达人体跌倒行为识别方法及系统
CN115980689A (zh) * 2022-12-26 2023-04-18 西北工业大学 基于点云检测的辐射源信号分选方法、装置、设备及介质
CN116184394A (zh) * 2023-01-06 2023-05-30 成都理工大学 基于多域谱图与多分辨率融合的毫米波雷达手势识别方法及系统
CN116359836A (zh) * 2023-05-31 2023-06-30 成都金支点科技有限公司 一种基于超分辨率测向的无人机目标跟踪方法和系统
CN116505994A (zh) * 2023-06-26 2023-07-28 成都金支点科技有限公司 一种多波束形成方法和装置
CN116626631A (zh) * 2023-02-15 2023-08-22 中国人民解放军海军工程大学 一种联合脉内与脉间特征的雷达型号自动识别方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9291711B2 (en) * 2010-02-25 2016-03-22 University Of Maryland, College Park Compressive radar imaging technology
US10747275B2 (en) * 2017-09-21 2020-08-18 Google Llc Access to high frame-rate radar data via a circular buffer
US10761187B2 (en) * 2018-04-11 2020-09-01 Infineon Technologies Ag Liquid detection using millimeter-wave radar sensor
US10775482B2 (en) * 2018-04-11 2020-09-15 Infineon Technologies Ag Human detection and identification in a setting using millimeter-wave radar

Patent Citations (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5329286A (en) * 1993-06-29 1994-07-12 The United States Of America As Represented By The Secretary Of The Air Force Method for two dimensional doppler imaging of radar targets
US6639546B1 (en) * 2001-11-06 2003-10-28 Lockheed Martin Corporation Radar system in which range ambiguity and range eclipsing are reduced by frequency diversity and alternation of pulse periodicity
JP2009270827A (ja) * 2008-04-30 2009-11-19 Mitsubishi Electric Corp マルチスタティックレーダ装置
CN102615364A (zh) * 2012-01-13 2012-08-01 哈尔滨工业大学深圳研究生院 三维超声波协同调制微细电火花线切割加工装置
CN205594153U (zh) * 2016-05-11 2016-09-21 中国电子科技集团公司第三十八研究所 一种有源相控阵雷达收发组件
CN107870333A (zh) * 2017-10-27 2018-04-03 北京林业大学 一种地面激光雷达模拟角规测定林分平均高的方法
EP3492945A1 (en) * 2017-12-01 2019-06-05 Origin Wireless, Inc. Method, apparatus, and system for periodic motion detection and monitoring
EP3546979A1 (en) * 2018-03-28 2019-10-02 Infineon Technologies AG System and method for controlling access to a trunk of a vehicle using a radar sensor
CN108805039A (zh) * 2018-04-17 2018-11-13 哈尔滨工程大学 联合熵与预训练cnn提取时频图像特征的调制识别方法
EP3556278A1 (en) * 2018-04-20 2019-10-23 Valtronic Technologies (Holding) SA Scanning device for living objects
CN108764331A (zh) * 2018-05-25 2018-11-06 哈尔滨工程大学 基于分数阶傅里叶变换的联合分类器多信号调制识别方法
CN109581318A (zh) * 2019-01-10 2019-04-05 中国人民解放军海军航空大学 基于时间反转非均匀采样的雷达高机动目标相参积累检测方法
CN109633622A (zh) * 2019-01-24 2019-04-16 中国人民解放军海军航空大学 基于时间反转二阶Keystone变换的雷达机动目标跨单元积累方法
CN110632572A (zh) * 2019-09-30 2019-12-31 中国人民解放军战略支援部队信息工程大学 基于无意调相特性的雷达辐射源个体识别方法及装置
CN111551925A (zh) * 2020-05-21 2020-08-18 西安电子科技大学 基于fft的脉间频率捷变雷达的目标速度估计方法
EP4019999A1 (en) * 2020-12-22 2022-06-29 Robin Radar Facilities BV Radar based system for processing radar data representing range and radial velocty of a detected object
CN112949383A (zh) * 2021-01-22 2021-06-11 中国人民解放军63892部队 一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法
CN113156391A (zh) * 2021-04-25 2021-07-23 电子科技大学 一种雷达信号多维特征智能分选方法
CN113361204A (zh) * 2021-06-21 2021-09-07 黄高明 一种基于sae的雷达辐射源pri调制识别方法
CN113721219A (zh) * 2021-10-08 2021-11-30 中国电子科技集团公司第三十八研究所 一种基于多参数聚类的雷达信号分选方法和系统
CN114595732A (zh) * 2022-05-10 2022-06-07 西安晟昕科技发展有限公司 基于深度聚类的雷达辐射源分选方法
CN115034261A (zh) * 2022-05-26 2022-09-09 云南财经大学 雷达辐射源信号脉间特征提取方法、设备及存储介质
CN114997326A (zh) * 2022-06-20 2022-09-02 电子科技大学 一种基于多特征融合的机载雷达工作模式识别方法
CN115575902A (zh) * 2022-09-21 2023-01-06 哈尔滨工程大学 雷达信号多站融合分选方法
CN115982620A (zh) * 2022-12-20 2023-04-18 成都理工大学 基于多类三维特征与Transformer的毫米波雷达人体跌倒行为识别方法及系统
CN115980689A (zh) * 2022-12-26 2023-04-18 西北工业大学 基于点云检测的辐射源信号分选方法、装置、设备及介质
CN116184394A (zh) * 2023-01-06 2023-05-30 成都理工大学 基于多域谱图与多分辨率融合的毫米波雷达手势识别方法及系统
CN116626631A (zh) * 2023-02-15 2023-08-22 中国人民解放军海军工程大学 一种联合脉内与脉间特征的雷达型号自动识别方法及系统
CN116359836A (zh) * 2023-05-31 2023-06-30 成都金支点科技有限公司 一种基于超分辨率测向的无人机目标跟踪方法和系统
CN116505994A (zh) * 2023-06-26 2023-07-28 成都金支点科技有限公司 一种多波束形成方法和装置

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
3D-UNet-LSTM: A Deep Learning-Based Radar Echo Extrapolation Model for Convective Nowcasting;Guo, Shiqing;REMOTE SENSING;1506-1529 *
An Improved LPI Radar Waveform Recognition Framework With LDC-Unet and SSR-Loss;W. Jiang;in IEEE Signal Processing Letters;149-153 *
Inverse synthetic aperture radar imaging based on time-frequency analysis through neural network;Chen, Hang;JOURNAL OF ELECTRONIC IMAGING;1300-1308 *
TransSounder: A Hybrid TransUNet-TransFuse Architectural Framework for Semantic Segmentation of Radar Sounder Data;R. Ghosh;in IEEE Transactions on Geoscience and Remote Sensing;1-13 *
基于改进UNet3+网络的雷达辐射源信号识别;李霜;空军工程大学学报(自然科学版);55-60 *
基于矩特征的雷达信号脉内调制样式识别方法研究;吕博群;遥测遥控;32-37 *
太赫兹雷达目标微动特征提取研究进展;杨琪;邓彬;王宏强;秦玉亮;;雷达学报(第01期);26-49 *
改进UNet与DBSCAN融合的车道线检测方法;孙浩铭;机械制造;68-75+61 *

Also Published As

Publication number Publication date
CN117129947A (zh) 2023-11-28

Similar Documents

Publication Publication Date Title
CN107688808B (zh) 一种快速的自然场景文本检测方法
CN117129947B (zh) 一种基于miniunet的平面变换法雷达信号识别方法
CN110175615B (zh) 模型训练方法、域自适应的视觉位置识别方法及装置
CN111860124B (zh) 基于空谱胶囊生成对抗网络的遥感图像分类方法
CN108875826B (zh) 一种基于粗细粒度复合卷积的多分支对象检测方法
CN111126401A (zh) 一种基于上下文信息的车牌字符识别方法
CN111507297B (zh) 一种基于度量信息矩阵的雷达信号识别方法及系统
CN116612472B (zh) 基于图像的单分子免疫阵列分析仪及其方法
Nanni et al. Improving the descriptors extracted from the co-occurrence matrix using preprocessing approaches
JP7192966B2 (ja) 検索装置、学習装置、検索方法、学習方法及びプログラム
Shang et al. An iterative random training sample selection approach to constrained energy minimization for hyperspectral image classification
CN114821519A (zh) 一种基于坐标注意力的交通标志识别方法及系统
CN110880035B (zh) 卷积神经网络的训练方法、装置及结节征象识别方法、装置
Kim et al. Image recognition accelerator design using in-memory processing
Prasetyo et al. Brain Tumor Classification from MRI Images Using Pretrained Deep Convolutional Neural Networks
CN115393868B (zh) 文本检测方法、装置、电子设备和存储介质
Hassan et al. Deep learning for cancer tumor classification using transfer learning and feature concatenation
Leroux et al. Transfer learning with binary neural networks
Song et al. Texture representation using local binary encoding across scales, frequency bands and image domains
CN113128614B (zh) 基于图像梯度的卷积方法、基于方向卷积的神经网络及分类方法
Khan et al. Deriving scale normalisation factors for a GLoG detector
CN117554919B (zh) 一种基于双向lstm网络的雷达信号分选搜索方法
Rabecka et al. Assessing the performance of advanced object detection techniques for autonomous cars
Yun et al. A multi-target detection algorithm for infrared image based on retinex and LeNet5 neural network
Cai et al. Feature Fusion Network for Scene Text Detection

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