DE19518993A1 - Vorrichtung und Verfahren zur automatischen Detektion oder Klassifikation von Objekten - Google Patents
Vorrichtung und Verfahren zur automatischen Detektion oder Klassifikation von ObjektenInfo
- Publication number
- DE19518993A1 DE19518993A1 DE19518993A DE19518993A DE19518993A1 DE 19518993 A1 DE19518993 A1 DE 19518993A1 DE 19518993 A DE19518993 A DE 19518993A DE 19518993 A DE19518993 A DE 19518993A DE 19518993 A1 DE19518993 A1 DE 19518993A1
- Authority
- DE
- Germany
- Prior art keywords
- classification
- objects
- network
- neural network
- detection
- 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.)
- Withdrawn
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
- G01S7/41—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
- G01S7/417—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 involving the use of neural networks
Description
Die Erfindung betrifft eine Vorrichtung und ein Verfahren zur
automatischen Detektion oder Klassifikation von Objekten mittels
Dopplerechos von Radarsignalen mittels eines neuronalen Netzes.
Aus dem Stand der Technik ist es bekannt, eine sogenannte
Zielklassifikation oder Zieldetektion mittels eines Dopplerechos von
ausgesendeten Radarsignalen vorzunehmen. Zur Signalklassifikation
werden neuronale Netze verwendet. Diese neuronalen Netze sind
sogenannte MLBPN (Multilayer Back Propagation Neural Networks).
Mittels eines solchen Multilayer Back Propagation Networks kann eine
Signalaufbereitung dergestalt erfolgen, daß beispielsweise zwischen
verschiedenen Objekten, wie z. B. verschiedenen Typen von
Luftfahrzeugen, unterschieden werden kann ("Radar Target Recognition
Using Multilayer Back Propagation Neural Network (MLBPN)"; von: O.
Nandagopal et al; Defence Science and Technology Organisation
Salisbury, Australien, Seite 422 bis 425).
Des weiteren ist im Stand der Technik aufgeführt, welche
verschiedenen Möglichkeiten sich bieten, um eine Zielklassifikation
unter Verwendung von Radardaten durchzuführen. Hierbei wird zwischen
drei verschiedenen Möglichkeiten unterschieden, welche zur
Unterscheidung verschiedener Klassen von Luftkraftfahrzeugen
verwendet werden. Eine Möglichkeit davon ist die Verwendung eines
Multilayer Perzeptron neuronalen Netzwerkes oder eines sogenannten
Branched Multilayer Perzeptron neuronalen Netzwerkes. Beide
Netzwerke wurden unter gleichen Bedingungen getestet und als
Unterscheidungsmerkmal und Klassifikationskriterium wurde
ausgewählt, welches dieser Netzwerke zu einer höheren
Klassifikationsrate führte. Der Unterschied zwischen diesen beiden
Netzwerken und den drei verschiedenen Studien lag darin, daß die
Netztopologie verändert wurde. Hierbei wurden die sogenannten
"Hidden Nodes", die ein neuronales Netzwerk klassifizieren, in ihrer
Anzahl verändert.
Des weiteren wird in der Studie beschrieben, daß neuronale Netze,
aufgrund der Tatsache, daß sie trainiert werden können, dazu führen,
daß eine Merkmalsextraktionsfunktion nicht verwendet werden muß. Die
Studie befaßt sich damit, daß eine erste neuronale Netzwerkstudie
sich aus dem bekannten Multilayer Perzeptron zusammensetzt mit einem
Hidden Layer, welches trainiert wird mit dem sogenannten Back
Propagation Algorithmus. Es wurden dazu zwei Experimente
durchgeführt, in denen dieses Netzwerk entweder mit 100 msec oder
mit 25 msec Zeit bis zur Erkennung eines Ziels verwendet wurde. Die
zweite Studie über ein zweites neuronales Netz wurde dergestalt
ausgebildet, daß zwei Multilayer Perzeptron Netzwerke, bei denen
jedes mittels des Back Propagation Algorithmus trainiert worden ist,
verwendet wurden ("Target Classification Using Radar Data: A
Comparative Study"; von: Gerardo J. Melendez et al; SPIE Volume 1709
Applications on Artificial Neuronal Networks 3, 1992).
Weiterhin ist aus dem Stand der Technik bekannt eine
Zielklassifikation zur Unterscheidung zwischen beispielsweise vier
verschiedenen Klassen, wie z. B. Luftfahrzeugen, Bodenfahrzeugen,
Hubschraubern und Gruppen von kleinen sich bewegenden Zielen
vorzunehmen. Diese Unterscheidung wird ebenfalls mit Hilfe des
Dopplerechos von ausgesendeten Radarsignalen vorgenommen. Hierbei
wird ebenfalls die Möglichkeit der Verwendung des sogenannten
Multilayer Perzeptron Netzwerkes mit dem Back Propagation
Algorithmus erläutert ("A Neural Network Approach to Doppler-Based
Target Classification"; von: Juan J. Martinez Madrid, et al;
Universidad Politecnica de Madrid, Spanien, Seiten 450 bis 453).
Neben den bisher erläuterten Möglichkeiten, eine Klassifikation auf
Land durchzuführen, gibt es des weiteren die Möglichkeit, eine
Detektion von kleinen, sich bewegenden Radarsignalen in der Umgebung
eines Ozeans vorzunehmen. Hierzu wird insbesondere unterschieden
zwischen kleinen Eisbergen oder Teilen von Eisbergen, die mit
konventionellen Radarsystemen der Marine nicht auffindbar sind. Die
Detektion von kleinen Eisbergen oder Teilen von Eisbergen erfolgt
hierbei ebenfalls mittels neuronaler Netze, die mit einem Back
Propagation Algorithmus trainiert werden ("Neural Network Detection
of Small Moving Radar Targets in an Ocean Environment"; von: Jane
Cunningham et al; McMaster University, Hamilton, Ontario, 1992,
Seite 306 bis 315).
Nachteilig bei der Verwendung des Netzwerktypen Multilayer
Perzeptron Netzwerkes, welches mit dem Standardverfahren der Error
Back Propagation trainiert wird, ist, daß sich in der praktischen
Anwendung Nachteile ergeben, wie z. B. eine lange Entwicklungszeit
für die empirische Suche nach einer problemangepaßten Netztopologie,
sowie lange Rechenzeiten für das Training und eine vergleichsweise
große und komplizierte Netzwerktopologie. Dies wirkt sich
insbesondere dann nachteilig aus, wenn hochverwechselbare Klassen
detektiert oder klassifiziert werden sollen, und wenn eine Vielzahl
von ähnlichen Klassen eindeutig klassifiziert werden sollen.
Daher ist es Aufgabe der vorliegenden Erfindung, eine Vorrichtung
und ein Verfahren zu schaffen, welche die Nachteile des Standes der
Technik nicht aufweisen.
Dies wird erfindungsgemäß gelöst durch die Lehre des Anspruchs 1 und
die Lehre der Ansprüche 5 und 8.
Vorteilhaft erweist sich bei der Verwendung der erfindungsgemäßen
Vorrichtung und des erfindungsgemäßen Verfahrens, daß eine
automatische Generierung einer problemangepaßten Netzwerktopologie
und das Training der Netzwerkparameter in einem Schritt erfolgt.
Weiterhin vorteilhaft ist, daß nach Abschluß des Trainings eine
schnelle Klassifikation erfolgen kann, da eine sehr kompakte
Netzwerktopologie erzeugt worden ist. Diese beiden vorteilhaften
Eigenschaften des erfindungsgemäßen neuronalen Netzes führen dazu,
daß sowohl der Entwicklungsaufwand als auch der erforderliche
Aufwand im späteren Einsatz, wie z. B. Rechenzeit und Speicherplatz
stetig minimiert wird.
Weitere vorteilhafte Ausgestaltungen sind den Unteransprüchen 2 bis
4 und den Unteransprüchen 6 und 7 zu entnehmen.
Im folgenden wird die Erfindung anhand einer Figur und anhand von
Ausführungsbeispielen näher erläutert. Folgende Figur zeigt:
Figur Blockschaltbild eines Simulationssystems zur Klassifikation
von unterschiedlichen Objekten.
In dem Gegenstand der vorliegenden Erfindung geht es um eine
Zielklassifikation auf Basis des Dopplertonechos. Ausgesendete
Radarsignale werden von einem bewegten Objekt, welches zu
klassifizieren ist, reflektiert. Die reflektierten Signale, die
sogenannten Dopplertonechos, die einer Dopplerverschiebung
unterliegen, werden wieder aufgefangen und werden einer
automatischen Zielklassifikation zugeführt, um festzustellen, von
welchem Objekt dieses Dopplertonecho reflektiert wurde. Unter den so
reflektierten Signalen sind demgemäß akustische Aufnahmen von
Dopplertönen zu verstehen. Beispielsweise läßt sich hier anführen,
daß eine Unterscheidung und Klassifikation zwischen Hubschrauber,
Fußgänger und Panzer auf Grundlage der Dopplerechos wünschenswert
ist. Bei einer Detektion von Seezielen ist es wünschenswert, zu
detektieren und damit festzustellen, ob es sich um ein Objekt
handelt oder nicht, wie beispielsweise eine Welle. Demgemäß steht
hierbei das Ziel voran, eine Detektion von Objekten in einem
Beobachtungssegment auf Basis des Dopplerechos von bewegten Objekten
mittels neuronaler Netze herauszufinden.
Im folgenden wird zuerst auf die Klassifikation von bewegten
Objekten auf dem Lande eingegangen. Zur Klassifikation muß eine
Entscheidung aus einer Vielzahl von vorgegebenen Objekten in
unterschiedlichen Klassen erfolgen. Eine Klassifikation ist dann
erfolgt, wenn genau eine Entscheidung explizit getroffen worden ist.
Optimierungskriterium ist hierbei die Minimierung der
Verwechslungswahrscheinlichkeit. Hierbei bedeutet
Verwechslungswahrscheinlichkeit die Wahrscheinlichkeit, ein bewegtes
Objekt wie z. B. einen Soldaten, mit einem Panzer in der
Klassifikation zu vertauschen.
Eine solche Vorrichtung zur automatischen Klassifikation von
Objekten mittels Dopplerechos von Radarsignalen wird eine solche
Klassifikation mittels eines neuronalen Netzes ausgeführt.
Erfindungsgemäß ist das neuronale Netz ein sogenanntes
Kaskadenkorrelations-Netz. Das Kaskadenkorrelations-Netz, im
folgenden in seiner englischsprachigen Bezeichnung
"Cascade-Correlation" Netz verwendet, ist eine neue Architektur mit
einem übergeordneten Lernalgorithmus für künstliche neuronale Netze.
Als Besonderheit weist das Cascade-Correlations Netz keine vorher
festgelegte Topologie auf. Cascade-Correlation beginnt mit einem
minimalen Netzwerk, danach werden automatisch neue sogenannte Hidden
Units einer nach dem anderen trainiert und hinzugefügt. Diese
kreieren dann eine Multilayer Struktur. Ist einmal ein neuer Hidden
Unit hinzuaddiert worden, wird dieser nicht mehr verändert und
sozusagen eingefroren. Diese Einheit wird dann eine sogenannte
permanente Detektorstruktur in dem Netzwerk. Wie ein solches Netz
aufgebaut wird, bzw. wie Hidden Units hinzugefügt werden, soll
erfindungsgemäß derart erfolgen, wie dies in dem Artikel "The
Cascade-Correlation Learning Architecture"; von: Scott I. Fahlman
und Christian Lebiere, August 29, 1991, School of Computer Science
Carnegi Melon University Pittsburgh, PA 15213 beschrieben worden
ist.
Besonders vorteilhaft erweist sich der Einsatz eines solchen
Cascade-Correlations Netzes, wenn es sich um eine rückgekoppelte
Netzwerkstruktur handelt oder wenn zusätzlich ein rückgekoppeltes
neuronales Netz verwendet wird. Im folgenden wird anhand von Fig. 1
und eines Ausführungsbeispiels erläutert, wie die Verwendung des
neuronalen Netzes in Form eines Cascade-Correlations Netzes erfolgen
kann. Dabei ist zu beachten, daß in der Trainingsphase dieses zu
einer problemangepaßten Netzwerkstruktur des Cascade-Correlations
Netzes führen soll, um danach in der Testphase eine solche kompakte
Netztopologie zu erzeugen, die zu einer schnellen Klassifikation
führt. In einer Datenbasis D sind akustische Aufnahmen von
reflektierten Dopplertönen von Radarsignalen gespeichert. Die derart
in der Datenbasis D vorhandenen Analogsignale wurden mit einer
festgelegten Abtastfrequenz von z. B. 4 kHz digitalisiert. Des
weiteren wurden Aufnahmen von jeweils 3 Sekunden oder von jeweils
1,5 Sekunden Dauer erstellt. Diese wurden in Blöcke von 128
Abtastwerten zusammengefaßt, wobei sich immer 64 Abtastwerte mit dem
vorherigen Block überlappten. Als Analysefenster wurde ein
Hammingfenster verwendet. Die entstandenen Signalwerte wurde mit
Hilfe einer diskreten Fouriertransformation (genannt FFT) in den
Frequenzbereich abgebildet. Die Darstellung erfolgte durch 64
Betragskoeffizienten, die gemittelt und logarithmiert wurden. In dem
hier verwendeten Ausführungsbeispiel entstanden somit 63 Datensätze
von drei verschiedenen Klassen I, II, III, dies waren Hubschrauber
H, Fußgänger F und Panzer P. Daraus erfolgte eine willkürliche erste
Unterteilung.
Für den fall, daß die Testdaten in Zeitsegmente von 1,5 Sekunden
unterteilt wurden, entstanden entsprechend doppelt so viele
Datensätze. In der Testphase bzw. in der Trainingsphase wurde dem
Cascade-Correlations Netz ein Originaldatensatz antrainiert. Hierbei
wurde dem Cascade-Correlation Netz das Trainingsmuster bis zu
einhundertmal präsentiert, bevor ein weiterer Netzknoten (Hidden
Layer) angefügt wurde. Dies wurde so lange wiederholt, bis das Netz
alle Muster richtig gelernt hatte. In einer weiteren Testreihe
wurden die Testsegmente, die in 1,5 Sekunden Länge aufgeteilt worden
sind, als Testsegment an das neuronale Netz herangeführt.
In der Anwendung einer vorher trainierten Vorrichtung zur
Klassifikation werden die aufgezeichneten oder ankommenden Signale,
die einem Datensatz D entsprechen, einer Merkmalsextraktion M
zugeführt. Die Merkmalsextraktion M wird auf Basis cepstraler
Koeffizienten durchgeführt, deren Anzahl variiert werden kann.
Darauf wird die Klassifikation K durchgeführt, worauf eine Hypothese
H erstellt wird. Aufgrund der Hypothese H wird die Klasse und das
Objekt festgelegt, welches erkannt und klassifiziert worden ist.
Im folgenden wird ein erfindungsgemäßes Verfahren zur automatischen
Klassifikation und Detektion von Objekten mittels Dopplerechos von
Radarsignalen näher erläutert (ohne Figur). Ein erfindungsgemäßes
Verfahren führt in einem ersten Schritt eine Berechnung von
Unterschieden zeitlich aufeinanderfolgender Dopplerechos von
Radarsignalen durch. Die zeitlich aufeinanderfolgenden Dopplerechos
werden entweder durch sich bewegende Objekte, die von einer
feststehenden, Radarsignalen aussendenden Antenne detektiert wurden,
erzeugt oder durch eine sich bewegende Antenne. Hierbei wird im
ersten Fall die Bewegungsdynamik eines Objektes zur Klassifizierung
herangezogen oder, wie im zweiten Fall, der Unterschied zwischen
Hintergrund und Objekt detektiert. Beide Möglichkeiten sind
gleichbedeutend wichtig und können unabhängig voneinander angewendet
werden. Zusätzlich wird aus vergangenen und aktuell gespeicherten
Klassifikationsergebnissen auf zukünftige Klassifikationsergebnisse
geschlossen. Mit den berechneten Unterschieden von vergangenen und
aktuell gespeicherten Klassifikationsergebnissen erfolgt eine
automatische Netzwerkgenerierung mit einer möglichst
problemorientierten Struktur (Cascade-Correlations Netzwerk). Ist
die problemorientierte Netzwerkstruktur erst einmal antrainiert, ist
das Cascade-Correlations Netzwerk in der Lage, schnell zu guten
Klassifikationsergebnissen zu gelangen.
Weitere Ausgestaltungen eines solchen Verfahrens und der
entsprechenden Vorrichtung sind, daß neben drei zu klassifizierenden
Objekten auch eine sogenannte Garbage-Klassifikation möglich ist.
Dies bedeutet, daß für den Fall, daß keine eindeutige Klassifikation
durchgeführt werden kann oder daß ein Ergebnis nicht eindeutig ist,
diese sogenannte Garbage-Klasse ausgewählt wird. Dies führt dazu,
daß die Anzahl der richtig klassifizierten Objekte sich weiter
erhöht und daß andere noch nicht trainierte Objekte eine AiZ
"Vortraining" vollziehen, welches zu irgendeinem Zeitpunkt dann dazu
führen kann, daß eine neue Klasse hinzugefügt wird und von da an
selbständig klassifiziert werden kann. Die so in die Garbage-Klasse
abgelegten Daten können erneut auf das Netzwerk gegeben werden und
dadurch, nach einer weiteren Klassifikation, zu einer eindeutigen
Klassifikation führen.
Eine weitere Behandlung von Fehlerquellen ist, über eine Vielzahl
von Eingangssignalen einen Mittelwert zu bilden.
Im folgenden wird eine Detektion von bewegten Objekten in See
erläutert. Bei einer Detektion von Objekten in einem
Beobachtungssegment auf Basis der Dopplerechos von bewegten Objekten
mit neuronalen Netzen, wird als Optimierungskriterium die
Minimierung der Fehlalarmwahrscheinlichkeit und entsprechend die
Maximierung der Entdeckungswahrscheinlichkeit angenommen. Auch bei
diesem Verfahren wird durch Speicherung der Ergebnisse aus
vergangenen Segmenten und deren Verwendung für zukünftige
Entscheidungen auf neue Ergebnisse geschlossen. Bei der Detektion
von Seezielen treten einige unerwünschte Reflexionen, z. B. von
Wellen oder Regen, auf. Diese unerwünschten Reflexionen, im
folgenden Clutter genannt, führen zu verfälschenden Ergebnissen.
Daher erfolgt eine Mittelwertbildung über diese Clutter in einzelnen
Zellen im gesamten Beobachtungsbereich und eine anschließende
Differenzbildung zwischen gemitteltem Cluttermuster und allen
Einzelzellen im Spektral- oder Cepstralbereich. Um eine verstärkte
Differenzbildung der Leistungsdichtespektren bzw. der zugehörigen
Cepstren zu erlauben, wird zwischen einzelnen Entfernungszellen zur
Verstärkung der Unterschiede von Zellen mit und ohne Zielobjekt
gefolgert. Innerhalb dieses Leistungsdichtespektrums erfolgt eine
Maximumsuche. Dies dient dazu, Wellen oder Ziele oder Gischt, die
Maxima verursachen, zu entdecken. Vorzugsweise wird hierbei die
Ableitung der Einhüllenden des Leistungsdichtesprektrums verwendet,
um besonders steile und schmale Maxima zu isolieren. Diese weisen
meist auf Ziele hin.
Claims (8)
1. Vorrichtung zur automatischen Detektion oder Klassifikation von
Objekten mittels Dopplerechos von Radarsignalen mit einem neuronalen
Netz
dadurch gekennzeichnet, daß
das neuronale Netz ein Kaskadenkorrelations-Netz ist.
2. Vorrichtung nach Anspruch 1, bei der auf Land bewegte Objekte aus
vorgegebenen Klassen mit einer Vielzahl von Objekten heraus
klassifiziert werden.
3. Vorrichtung nach Anspruch 1, bei der Objekte in Wasser detektiert
werden, indem in Abhängigkeit ob ein Ziel vorhanden ist oder nicht
eine positive oder negative Entscheidung getroffen wird.
4. Vorrichtung nach einem der Ansprüche 1 bis 3, bei der das
neuronale Netz ein rückgekoppeltes neuronales Netz ist oder bei der
zusätzlich ein rückgekoppeltes neuronales Netz vorhanden ist.
5. Verfahren zur automatischen Klassifikation oder Detektion von
Objekten mittels Dopplerechos von Radarsignalen
dadurch gekennzeichnet, daß
- - eine Berechnung von Unterschieden zeitlich aufeinander folgender Dopplerechos von Radarsignalen vorgenommen wird und aus vergangenen und aktuellen gespeicherten Klassifikationsergebnissen, auf zukünftige Klassifikationsergebnisse geschlossen werden kann und
- - ein solches neuronales Netz zur Klassifizierung und Detektion eingesetzt wird, welches eine automatische Netzwerkgenerierung ermöglicht mit einer problemorientierten Struktur.
6. Verfahren nach Anspruch 4, bei dem zur Behandlung von
Fehlerquellen, die zu einer fehlerhaften Klassifikation oder
Detektion führen, über eine Vielzahl von Eingangssignalen ein
Mittelwert gebildet wird.
7. Verfahren nach einem der Ansprüche 4 oder 5, bei dem es ein
Klassifikationsergebnis ist, daß keine Klassifikation eindeutig
ermittelt werden konnte.
8. Verwendung der Vorrichtung nach Anspruch 1 zur Klassifikation von
auf Land bewegten Objekten in Klassen mit Hubschraubern, Panzern und
Soldaten.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19518993A DE19518993A1 (de) | 1995-05-29 | 1995-05-29 | Vorrichtung und Verfahren zur automatischen Detektion oder Klassifikation von Objekten |
EP96108537A EP0747724A1 (de) | 1995-05-29 | 1996-05-29 | Vorrichtung und Verfahren zur automatischen Detektion oder Klassifikation von Objekten |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19518993A DE19518993A1 (de) | 1995-05-29 | 1995-05-29 | Vorrichtung und Verfahren zur automatischen Detektion oder Klassifikation von Objekten |
Publications (1)
Publication Number | Publication Date |
---|---|
DE19518993A1 true DE19518993A1 (de) | 1996-12-05 |
Family
ID=7762719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19518993A Withdrawn DE19518993A1 (de) | 1995-05-29 | 1995-05-29 | Vorrichtung und Verfahren zur automatischen Detektion oder Klassifikation von Objekten |
Country Status (2)
Country | Link |
---|---|
EP (1) | EP0747724A1 (de) |
DE (1) | DE19518993A1 (de) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19649563A1 (de) * | 1996-11-29 | 1998-06-04 | Alsthom Cge Alcatel | Vorrichtung und Verfahren zur automatischen Klassifikation von Objekten |
DE19649618A1 (de) * | 1996-11-29 | 1998-06-04 | Alsthom Cge Alcatel | Verfahren und Vorrichtung zur automatischen Klassifikation von Objekten |
WO1998036289A1 (de) * | 1997-02-14 | 1998-08-20 | Daimler-Benz Aerospace Ag | Verfahren zur zielklassifizierung |
DE19706576A1 (de) * | 1997-02-20 | 1998-08-27 | Alsthom Cge Alcatel | Vorrichtung und Verfahren zur umgebungsadaptiven Klassifikation von Objekten |
DE10110038A1 (de) * | 2001-03-02 | 2002-09-19 | Daimler Chrysler Ag | Verfahren zur autonomen Adaption eines Klassifikators |
US8301344B2 (en) | 2003-07-25 | 2012-10-30 | Robert Bosch Gmbh | Device for classifying at least one object in the surrounding field of a vehicle |
DE102017207442A1 (de) * | 2017-05-03 | 2018-11-08 | Scania Cv Ab | Verfahren und Vorrichtung zum Klassifizieren von Objekten im Umfeld eines Kraftfahrzeuges |
JP2020173171A (ja) * | 2019-04-10 | 2020-10-22 | 三菱電機株式会社 | 電波諸元学習装置及び目標識別装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6333986B1 (en) * | 1998-05-08 | 2001-12-25 | Lockheed Martin Corporation | Cepstral method and system for detecting/classifying objects from air-based or space-based images |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1991002323A1 (en) * | 1989-08-11 | 1991-02-21 | Hughes Aircraft Company | Adaptive network for classifying time-varying data |
US5377305A (en) * | 1991-10-01 | 1994-12-27 | Lockheed Sanders, Inc. | Outer product neural network |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5095443A (en) * | 1988-10-07 | 1992-03-10 | Ricoh Company, Ltd. | Plural neural network system having a successive approximation learning method |
US5140538A (en) * | 1988-12-27 | 1992-08-18 | University Of Arkansas | Hybrid digital-analog computer parallel processor |
US4945494A (en) * | 1989-03-02 | 1990-07-31 | Texas Instruments Incorporated | Neural network and system |
GB9023909D0 (en) * | 1990-11-02 | 1990-12-12 | Secr Defence | Radar apparatus |
-
1995
- 1995-05-29 DE DE19518993A patent/DE19518993A1/de not_active Withdrawn
-
1996
- 1996-05-29 EP EP96108537A patent/EP0747724A1/de not_active Ceased
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1991002323A1 (en) * | 1989-08-11 | 1991-02-21 | Hughes Aircraft Company | Adaptive network for classifying time-varying data |
US5377305A (en) * | 1991-10-01 | 1994-12-27 | Lockheed Sanders, Inc. | Outer product neural network |
Non-Patent Citations (1)
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19649563A1 (de) * | 1996-11-29 | 1998-06-04 | Alsthom Cge Alcatel | Vorrichtung und Verfahren zur automatischen Klassifikation von Objekten |
DE19649618A1 (de) * | 1996-11-29 | 1998-06-04 | Alsthom Cge Alcatel | Verfahren und Vorrichtung zur automatischen Klassifikation von Objekten |
WO1998036289A1 (de) * | 1997-02-14 | 1998-08-20 | Daimler-Benz Aerospace Ag | Verfahren zur zielklassifizierung |
DE19706576A1 (de) * | 1997-02-20 | 1998-08-27 | Alsthom Cge Alcatel | Vorrichtung und Verfahren zur umgebungsadaptiven Klassifikation von Objekten |
US5949367A (en) * | 1997-02-20 | 1999-09-07 | Alcatel Alsthom Compagnie Generale D'electricite | Device and method for classifying objects in an environmentally adaptive manner |
DE10110038A1 (de) * | 2001-03-02 | 2002-09-19 | Daimler Chrysler Ag | Verfahren zur autonomen Adaption eines Klassifikators |
DE10110038B4 (de) * | 2001-03-02 | 2005-10-06 | Daimlerchrysler Ag | Verfahren zur autonomen Adaption eines Klassifikators |
US8301344B2 (en) | 2003-07-25 | 2012-10-30 | Robert Bosch Gmbh | Device for classifying at least one object in the surrounding field of a vehicle |
DE102017207442A1 (de) * | 2017-05-03 | 2018-11-08 | Scania Cv Ab | Verfahren und Vorrichtung zum Klassifizieren von Objekten im Umfeld eines Kraftfahrzeuges |
JP2020173171A (ja) * | 2019-04-10 | 2020-10-22 | 三菱電機株式会社 | 電波諸元学習装置及び目標識別装置 |
JP7272076B2 (ja) | 2019-04-10 | 2023-05-12 | 三菱電機株式会社 | 目標識別装置 |
Also Published As
Publication number | Publication date |
---|---|
EP0747724A1 (de) | 1996-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE60125181T2 (de) | Verfahren und vorrichtung zur radarzielerkennung | |
DE2819880C2 (de) | Empfänger für ein Gerät zur kohärenten Puls-Doppler-Rückstrahlortung | |
DE102009024339B3 (de) | Peilverfahren sowie Peilanlage zum Detektieren und Tracken zeitlich aufeinanderfolgender Peilwinkel | |
EP0860712A2 (de) | Vorrichtung und Verfahren zur umgebungsadaptiven Klassifikation von Objekten | |
EP3112894A1 (de) | Verfahren zur automatischen klassifikation von radarobjekten | |
EP0987683A2 (de) | Spracherkennungsverfahren mit Konfidenzmassbewertung | |
DE19705730C2 (de) | Verfahren zur Zielklassifizierung | |
DE102010030289A1 (de) | Radarsensor und Verfahren zum Betreiben eines Radarsensors | |
DE10207465B4 (de) | Verfahren zur Reduzierung der Falschalarmrate in Radarbildern | |
DE102014217681A1 (de) | Sirenensignalquellenerfassung, -Erkennung und -Lokalisation | |
DE19518993A1 (de) | Vorrichtung und Verfahren zur automatischen Detektion oder Klassifikation von Objekten | |
DE102018201605A1 (de) | Verfahren und Vorrichtung zum Lokalisieren und Verfolgen akustischer aktiver Quellen | |
DE102010013637A1 (de) | Verfahren zur Klassifizierung von Signalen nach der verwendeten Modulationsart | |
EP0784212A2 (de) | Verfahren zur Erzeugung einer Clutter-Schwelle und Anordnungen zur Durchführung des Verfahrens | |
EP0845686A2 (de) | Verfahren und Vorrichtung zur automatischen Klassifikation von Objekten | |
Yar et al. | A complete framework of radar pulse detection and modulation classification for cognitive EW | |
DE3929077C2 (de) | Verfahren und Einrichtung zur akustischen Identifikation und Klassifikation von Hubschraubern | |
EP0213541B1 (de) | Verfahren zur Detektion von Fahrzeugen | |
DE102005003024B4 (de) | Verfahren zur Identifikation und Klassifikation von Objekten mittels Radar | |
EP1271175A1 (de) | Verfahren zum Bestimmen der Zielposition eines schallabstrahlenden Ziels | |
EP1756983B1 (de) | Verfahren zum detektieren von zielen | |
EP0845685A2 (de) | Vorrichtung und Verfahren zur automatischen Klassifikation von Objekten | |
DE3213430A1 (de) | Verfahren und anordnung zur zielerkennung und stoersignalunterdrueckung in radargeraeten | |
EP2699933B1 (de) | Verfahren und vorrichtung zum bestimmen von zielparametern mittels passivem sonar und supportwerten | |
EP1001275B1 (de) | Vorrichtung zum Bestimmen der Einfallsrichtung von zeitlich begrenzt auftretenden Schallwellen |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OM8 | Search report available as to paragraph 43 lit. 1 sentence 1 patent law | ||
8139 | Disposal/non-payment of the annual fee |