-
公开(公告)号：CN110232362B
公开(公告)日：2023-04-07
申请号：CN201910526996.2
申请日：2019-06-18
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084 , G06T5/00 , G06T5/20 , G06T7/11 , G06T7/136 , G06T7/60
Abstract: 本发明公开了一种基于卷积神经网络和多特征融合的舰船尺寸估计方法，主要解决现有技术在中低分辨情况下目标尺寸估计误差较大的问题。其实现方案是：1)获取训练样本和测试样本，进行预处理；2)获取目标区域幅度图像，计算多维特征；3)构建目标尺寸估计网络框架，并用训练样本对其训练，得到训练好的模型；4)用训练好的模型估计测试样本的初步尺寸特征；5)将多维特征与初步尺寸特征组成新多维特征；6)利用新的多维特征训练梯度提升决策树GBDT；7)利用训练好的GBDT模型估计测试样本的最终尺寸特征。本发明利用CNN网络能自主学习SAR图像目标特征，提高了目标尺寸估计精度，可用于SAR图像舰船目标的识别与分类。
-
公开(公告)号：CN109212519B
公开(公告)日：2023-04-07
申请号：CN201810977596.9
申请日：2018-08-27
Applicant: 西安电子科技大学 , 西安中电科西电科大雷达技术协同创新研究院有限公司
IPC: G01S13/66 , G06N3/0442 , G06N3/047 , G06N3/084
Abstract: 本发明公开了一种基于贝叶斯深度长短期记忆网络BF‑DLSTM的窄带雷达目标跟踪方法，主要解决类带雷达目标跟踪中，待跟踪目标运动类型与预先假设的目标运动类型不匹配造成的难以有效跟踪的问题。本发明实现的步骤如下：(1)构建多种运动类型组成的训练数据集；(2)构建贝叶斯深度长短期记忆网络BF‑DLSTM；(3)对训练集进行归一化处理；(4)训练贝叶斯深度长短期记忆网络BF‑DLSTM；(5)窄带雷达目标跟踪。本发明通过基于贝叶斯深度长短期记忆网络BF‑DLSTM的窄带雷达目标跟踪方法，能够对多种运动类型的目标及机动目标实现精度更高地有效跟踪。
-
公开(公告)号：CN109188420B
公开(公告)日：2023-04-07
申请号：CN201810977574.2
申请日：2018-08-27
Applicant: 西安电子科技大学 , 西安中电科西电科大雷达技术协同创新研究院有限公司
Abstract: 本发明公开了一种基于深度长短期记忆网络的窄带雷达目标跟踪方法，主要解决类带雷达目标跟踪中，待跟踪目标运动类型与预先假设的目标运动类型不匹配造成的难以有效跟踪的问题。本发明实现的步骤如下：(1)构建多种运动类型组成的训练数据集；(2)构建深度长短期记忆网络；(3)对训练集进行归一化处理；(4)训练深度长短期记忆网络；(5)窄带雷达目标跟踪。本发明通过基于深度长短期记忆网络的窄带雷达目标跟踪方法，能够对多种运动类型的目标及机动目标实现精度更高地有效跟踪。
-
公开(公告)号：CN111208484B
公开(公告)日：2023-03-14
申请号：CN202010042763.8
申请日：2020-01-15
Applicant: 西安电子科技大学
Abstract: 本发明属于雷达信号处理技术领域，具体涉及一种基于角度信息的主瓣密集假目标剔除方法，包括：获取包括方位角信息和俯仰角信息的点迹集合；计算所述点迹集合中每个点迹和其他点迹的空间角度差，得到若干空间角度差；根据所述若干空间角度差得到所述点迹集合中每个点迹的领域；根据DBSCAN聚类算法与所述点迹集合中每个点迹的领域对所有点迹进行聚类，得到若干点迹簇；将所述若干点迹簇作为主瓣密集假目标从所述点迹集合中剔除得到剔除后的点迹集合。具有降低虚警概率、提高目标检测性能、聚类的准确度的有益效果，同时还改善了应用在雷达信号处理时的性能。
-
-
Patent Agency Ranking
公开(公告)号：CN111027454B
公开(公告)日：2023-03-10
申请号：CN201911238758.8
申请日：2019-12-06
Applicant: 西安电子科技大学
IPC: G06V20/13 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于深度密集连接和度量学习的SAR舰船目标分类方法，主要解决现有技术提取特征不准确，分类效果差的问题。其方案是：1)获取舰船目标SAR图像训练数据，并对其进行扩充；2)建立由深度密集连接层和嵌入转换层组成的网络模型；3)将扩充后的训练数据送入2)中构建的网络，使用带有L2范数正则项的交叉熵损失对网络初步训练；4)将三元组损失和基于Fisher判别准则的正则项加入3)中的损失函数，送入训练数据继续训练网络模型，得到最终训练好的网络模型；5)将测试数据送到训练好的网络模型中，得到舰船的分类结果。本发明能更好的完成深度特征提取，提高了分类性能，可用于海域舰船监测和目标分类。
-
公开(公告)号：CN112766381B
公开(公告)日：2023-01-24
申请号：CN202110085648.3
申请日：2021-01-22
Applicant: 西安电子科技大学
IPC: G06V10/94 , G06V10/764 , G06N3/047 , G06N3/0475 , G06N3/048 , G06N3/08
Abstract: 本发明提供了一种有限样本下属性引导的SAR图像生成方法。主要解决训练样本有限的情况下，现有的SAR图像生成对抗网络容易产生网络崩塌或者生成的仿真图像的真实感较差的问题。本发明的步骤如下：(1)构建训练集；(2)构建生成器网络；(3)构建判别器网络；(4)构建属性引导的生成对抗网络；(5)训练属性引导的生成对抗网络；(6)使用训练好的属性引导的生成对抗网络生成SAR仿真图像。本发明可在训练样本数量有限情况下训练属性引导的生成对抗网络，再利用训练好的属性引导的生成对抗网络，生成指定类别和方位角度的SAR图像，且生成的SAR图像的真实性更高。
-
公开(公告)号：CN110109065B
公开(公告)日：2022-12-06
申请号：CN201910385895.8
申请日：2019-05-09
Applicant: 西安电子科技大学
IPC: G01S7/282
Abstract: 本发明公开了一种基于LFM信号的MIMO雷达部分相关波形设计方法，主要解决现有技术发射方向图匹配度低和脉冲压缩主瓣展宽的问题。其实现方案是：1)初始化线性调频LFM信号频率间隔和初始相位；2)以频率间隔、初相为输入，以发射方向图与期望发射方向图的匹配度为约束条件，利用脉冲压缩后信号的旁瓣幅度构造代价函数；3)调用代价函数，利用极小极大法进行优化，得到优化后的频率间隔和初相；4)根据优化后的频率间隔和初相，得到最终的一组信号，完成波形的设计。本发明设计的波形发射方向图匹配度高，脉冲压缩主瓣窄，可用于目标探测。
-
公开(公告)号：CN110456314B
公开(公告)日：2022-12-02
申请号：CN201910718225.3
申请日：2019-08-05
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于主瓣展宽的集中式MIMO雷达波形优化方法，用于解决现有技术中存在的角域信号旁瓣电平较高的问题，实现步骤为：构建集中式MIMO雷达系统的发射波形矩阵；计算角域信号；计算发射方向图，并建立其优化目标函数；对角域信号进行自相关和互相关；建立自相关旁瓣电平和互相关电平的优化目标函数；建立自相关主瓣电平的优化目标函数；建立集中式MIMO雷达系统的主瓣展宽波形的优化目标函数；获取集中式MIMO雷达波形优化结果。本发明的集中式MIMO雷达波形优化方法，在匹配期望的发射方向图的同时，降低了角域信号的旁瓣电平。
-
公开(公告)号：CN110082737B
公开(公告)日：2022-11-18
申请号：CN201910331583.9
申请日：2019-04-24
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于直方图概率多假设跟踪的微多普勒曲线提取方法，包括建立目标分量的传感器模型，将微多普勒时频图看作平稳随机过程的观测直方图，计算目标分量的单元概率和微多普勒时频图的整体分辨单元概率，根据目标分量的传感器模型和时频图整体分辨单元概率计算预期测量值；根据目标分量单元概率和目标分量的参数模型计算单元质心，得到合成向量和相应的合成协方差矩阵，以及混合过程协方差矩阵；确定更新的混合概率系数，根据更新的混合概率系数计算信号强度估计值；最后通过递归的扩展卡尔曼平滑滤波估计状态，得到目标参数的估计结果。本发明能够实现低信噪比条件下对多分量微多普勒曲线的提取，且运算量较小。
-
-
-
-
-
-
-
-
-
Search Results
951
records
(took 0.048 seconds)
