基于多通道复用卷积神经网络的雷达目标识别方法

    公开(公告)号:CN113807186B

    公开(公告)日:2024-07-12

    申请号:CN202110951460.2

    申请日:2021-08-18

    Abstract: 本发明公开了一种基于多通道复用卷积神经网络的雷达目标识别方法,包括:将雷达信号处理单元输出的一维目标频域信号通过奇偶交替循环右移构造为二维数据矩阵信号,按类别生成训练集和测试集;构造由多通道复用模块组成的卷积神经网络;使用训练集对卷积神经网络进行训练,使用测试集进行训练结果的衡量。本发明提出基于奇偶交替循环右移的二维数据构造方式,在构造的数据可以有效抑制网络训练过程中的过拟合现象,提高分类的可靠性;此外,还提出一种多通道复用模块,在提高网络对目标识别的正确率的同时,还可以降低网络的复杂度压缩网络模型需要的存储计算资源,减少训练时间。

    一种分布式相干通信中的载波相位同步方法

    公开(公告)号:CN117834100A

    公开(公告)日:2024-04-05

    申请号:CN202311872476.X

    申请日:2023-12-31

    Abstract: 本发明公开了一种分布式相干通信中的载波相位同步方法,包括:n个发射机独立随机生成载波相位修正值的初值;各发射机独立在一定取值范围内随机生成一个相位扰动值,用载波相位修正值修正本地载波相位后生成两个符号,其中一符号添加相位扰动,各发射机同时发送这两个符号;n个发射机信号的和信号被接收机接收,分别计算两个符号对应和信号的平均功率,将平均功率值反馈回发射机;发射机计算得到反映平均功率变化趋势的修正量,乘以步长因子后得到相位修正值的调整量并更新本地相位修正值。本发明提高了载波相位同步的收敛速度,大大节省了同步时间,同时具有较好的收敛稳定性与收敛精度,同步效果较之传统的同步算法有较大的提升。

    基于改进ALM算法的稀疏阵列DOA估计方法

    公开(公告)号:CN117805770A

    公开(公告)日:2024-04-02

    申请号:CN202410021418.4

    申请日:2024-01-05

    Abstract: 本发明公开了一种基于改进ALM算法的稀疏阵列DOA估计方法,包括以下步骤:将稀疏阵列采样的回波快拍数据重构为Toeplitz矩阵,并将重构后的矩阵值赋给观测矩阵D;采用改进ALM算法对稀疏矩阵进行填充后获得满秩矩阵A;所有数据均填充完毕后获得满秩矩阵X,采用后向空间平滑算法,分别求出每个子阵的协方差R’XX,对其平均后获得协方差矩阵RXX,最后运用常规DOA估计算法来完成波达方向角估计。本发明改进ALM算法在阵元个数相对较小,阵元更稀疏的情况下也能很好的恢复出满秩接收矩阵,在非相关,相干信源,信源数更多的情况下,仍能保持良好的测向性能。

    多项式旋转-多项式傅里叶变换的高速高机动目标检测方法

    公开(公告)号:CN111123214B

    公开(公告)日:2023-09-01

    申请号:CN201911311705.4

    申请日:2019-12-18

    Abstract: 本发明公开了一种多项式旋转‑多项式傅里叶变换的高速高机动目标检测方法,首先分别对积累时间内的M个雷达脉冲回波进行数字化采样以及脉冲压缩处理,得到快时间‑慢时间二维雷达回波数据矩阵;然后根据待检测目标运动特性确定搜索参数组的阶数和范围并初始化搜索参数组;接着利用多项式旋转‑多项式傅里叶变换在整个参数搜索空间内对数据矩阵进行相参积累,得到距离‑多普勒分布图;最后利用恒虚警检测判断目标的有无,若有目标则可以得到目标的距离和运动状态信息。多项式旋转‑多项式傅里叶变换可以在计算复杂度远小于广义拉东变换的条件下,与其达到同样的理论最佳积累效果,实现低信噪比环境下临近空间高速高机动目标相参积累。

    一种基于改进窗函数的S变换时频分析方法

    公开(公告)号:CN109343020B

    公开(公告)日:2023-04-07

    申请号:CN201811367260.7

    申请日:2018-11-16

    Abstract: 本发明公开了一种基于改进窗函数的S变换时频分析方法,属于雷达信号处理领域,包括以下步骤:首先对输入信号进行时域采样,获得信号的离散序列;再对离散序列进行FFT变换,获得信号频谱并对其进行周期延拓处理;然后根据信号频谱和高斯窗函数,构造新的窗函数;最后根据周期延拓后的信号频谱和新的窗函数获取输入信号的时频谱,完成S变换时频分析。本发明的方法既保持了S变换窗长随信号频率变化而变化的特点,同时可以限制窗长的变化范围,避免出现过窄过宽的现象,使得在整个时频谱中都有很高的分辨率。

    基于二维自选择加权卷积神经网络的雷达目标识别方法

    公开(公告)号:CN115712100A

    公开(公告)日:2023-02-24

    申请号:CN202210596499.1

    申请日:2022-05-30

    Abstract: 本发明公开了一种基于二维自选择加权卷积神经网络的雷达目标识别方法,包括:首先,利用Toeplitz矩阵将雷达信号处理系统得到的原始一维时域信号构造成二维的数据信号;再将构造后的二维数据信号根据原始信号的类别按照比例生成训练集和测试集;构造坐标注意力模块,再构造由自选择加权模块组成的卷积神经网络,将训练集数据输入到构造后的网络中进行训练得到训练后的网络模型,最后使用测试集对训练后的网络模型进行测试完成雷达目标的识别分类。本发明能够在非常小的计算参数代价之下,提升目标识别的准确率,适合于计算资源十分有限,又要求较高目标识别精度的场合下进行使用。

    基于DPNALM算法的稀疏阵列DOA估计方法

    公开(公告)号:CN115356678A

    公开(公告)日:2022-11-18

    申请号:CN202210552779.2

    申请日:2022-05-21

    Abstract: 本发明公开了一种基于DPNALM算法的稀疏阵列DOA估计方法,包括:将稀疏阵列回波快拍重构成Toeplitz矩阵;构造基于秩最小化的矩阵填充模型,运用DPNALM算法对模型进行求解得到满阵对所有快拍的缺失数据均填充完毕后得到补全的数据阵列Xr;求Xr的协方差矩阵并对其进行Toeplitz重构;运用DOA估计算法完成波达方向角估计。本发明提出的DPNALM算法将基于秩最小化的矩阵填充模型分解为低秩逼近和去噪两个子问题,利用Dykstra交替投影得到观测矩阵的低秩原子集,并将观测矩阵投影到低秩原子集上进行去噪,将DPNALM应用在非相关信源和相关信源下的稀疏阵列DOA估计中,均能取得较好效果。

    基于随机近端梯度张量分解的VDES接收碰撞信号分离方法

    公开(公告)号:CN112769441B

    公开(公告)日:2022-11-01

    申请号:CN202011570397.X

    申请日:2020-12-26

    Abstract: 本发明公开了一种基于随机近端梯度张量分解的VDES碰撞信号分离方法,该方法适用于欠定或正定情况下(观测信号数目小于或等于源信号数目)VDES碰撞信号分离,具体为:首先对VDES接收信号进行采样、数字下变频处理,得到各子系统观测信号;完成预处理后建立广义协方差矩阵集并利用Tucker分解压缩矩阵集堆叠的张量得到核张量,接着采用随机近端梯度算法优化核张量求解过程,对得到的混合矩阵求逆得到分离矩阵;对分离矩阵计算出的分离信号进行帧头检测、频偏估计、解调处理,得到VDES子系统信号数据帧。本发明利用Tucker分解对张量压缩,减少计算复杂度,随机近端梯度算法在提高分解精度的同时减少求解因子矩阵所需时间,能对VDES系统的接收信号进行实时处理。

Patent Agency Ranking