-
公开(公告)号：CN111027454A
公开(公告)日：2020-04-17
申请号：CN201911238758.8
申请日：2019-12-06
Applicant: 西安电子科技大学
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：CN107122753B
公开(公告)日：2020-04-07
申请号：CN201710316452.4
申请日：2017-05-08
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于集成学习的SAR目标鉴别方法，主要解决现有技术在训练数据类别分布不平衡时SAR目标鉴别性能低的问题。其方案是：1.对给定的训练切片和测试切片提取词包模型特征；2.对杂波类训练样本进行随机下采样，将得到的子集与目标类训练样本一起训练获得代价敏感的字典；3.对杂波类训练样本进行随机下采样，将得到的子集与目标类训练样本一起训练获得SVM分类器；4.利用代价敏感的字典和SVM分类器对测试样本进行分类，记录测试样本的分类决策值；5.利用最大投票方法对测试样本的分类决策值进行判定，确定测试样本最终的类别标号。本发明提升了鉴别的性能，可用于对复杂场景下的训练数据类别不平衡时的SAR目标鉴别。
-
公开(公告)号：CN110780290A
公开(公告)日：2020-02-11
申请号：CN201911057969.1
申请日：2019-11-01
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于长短期记忆网络LSTM的多机动目标跟踪方法，本发明实现的步骤如下：(1)构建长短期记忆网络LSTM；(2)生成训练数据集；(3)训练长短期记忆网络LSTM；(4)利用长短期记忆网络LSTM进行多机动目标资源分配；(5)利用卡尔曼滤波算法进行多机动目标跟踪。本发明通过基于长短期记忆网络LSTM的多机动目标跟踪方法，能够准确提取机动目标的运动特征，准确预测机动目标的贝叶斯克拉美罗界BCRLB，进而对多机动目标分配雷达资源，实现多机动目标的高精度跟踪。
-
公开(公告)号：CN106990399B
公开(公告)日：2019-12-20
申请号：CN201710331922.4
申请日：2017-05-11
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: 本发明公开了一种用于目标跟踪的组网雷达系统功率和带宽联合分配方法，其主要思路为：建立组网雷达系统，所述组网雷达系统包含融合中心和N个雷达站，N个雷达站的探测区域中存在目标；初始化k，k∈{1,2,…,K}，计算k时刻组网雷达系统中N个雷达站的采样回波数据，并发送至融合中心；融合中心接收k时刻组网雷达系统中N个雷达站接收到目标反射回来的回波数据波形后计算到k时刻的目标状态向量估计值，进而计算k+1时刻组网雷达系统资源分配的关于Pk+1和βk+1的代价函数，进而分别计算k+1时刻N个雷达站的发射信号功率输出值和k+1时刻组网雷达系统的发射信号带宽输出值；直到得到K时刻N个雷达站的发射信号功率输出值和K时刻组网雷达系统的发射信号带宽输出值时停止对目标的跟踪。
-
公开(公告)号：CN110555841A
公开(公告)日：2019-12-10
申请号：CN201910852799.X
申请日：2019-09-10
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于自注意图像融合和深度嵌入聚类DEC的无监督SAR图像变化检测方法，旨在提高变化检测的准确率，实现步骤为：获取对数比差异图像D1；获取对数比差异图像D1的显著图S；对对数比差异图像D1与D1的显著图S进行像素级自注意融合；获取训练样本数据V和测试样本数据V'；构建深度嵌入聚类DEC网络模型，并对其进行训练；获取SAR图像的变化检测结果。本发明在生成差异图像的过程中将对数比差异图像与其显著图进行像素级自注意融合，解决对数比差异图像信息不准确的问题，此外，本发明获取的训练与测试样本包含了融合后的差异图像的重要信息，并使用深度嵌入聚类DEC方法完成像素聚类，提高了检测性能。
-
Patent Agency Ranking
公开(公告)号：CN110488276A
公开(公告)日：2019-11-22
申请号：CN201910498591.2
申请日：2019-06-10
Applicant: 西安电子科技大学
Abstract: 本发明涉及一种面向多目标跟踪任务的异构雷达网最优资源按需分配方法，该方法首先建立异步雷达网络和目标运动模型，然后基于融合时间间隔内的异步测量值集合将资源分配问题制定为凸问题，将其分解为Q个相互独立的凸的子问题，利用对偶上升法求解Q个凸问题得到Q个目标的资源分配最优解，进而得到对于所有目标的资源分配最优解；利用资源分配最优解和雷达对目标的异步测量值集合，采用最大似然法估计目标扩展状态，并将该状态作为卡尔曼滤波器的输入最终得到目标扩展状态的滤波值。本发明实施例适用于有限发射资源预算条件下的资源分配，较少的资源就可以达到相同的跟踪精度，在满足多目标跟踪精度需求的前提下，使发射资源最小化。
-
公开(公告)号：CN110232362A
公开(公告)日：2019-09-13
申请号：CN201910526996.2
申请日：2019-06-18
Applicant: 西安电子科技大学
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08 , 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：CN110109065A
公开(公告)日：2019-08-09
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：CN109978164A
公开(公告)日：2019-07-05
申请号：CN201910201582.2
申请日：2019-03-18
Applicant: 西安电子科技大学
Abstract: 一种基于深度置信网络识别变体飞机的高分辨距离像的方法。其步骤为：(1)构建深度置信网络；(2)生成高分辨距离像样本集；(3)对每个样本的幅度进行归一化处理；(4)训练深度置信网络；(5)目标识别；本发明通过构建并训练深度置信网络，利用训练好的深度置信网络学习变体飞机与非变体飞机的高分辨距离像的共性特征，深度置信网络根据学习到的共性特征实现对变体飞机高分辨距离像的稳健识别，能够有效地解决变体飞机与相对应的非变体飞机高分辨距离像失配导致的对变体飞机正确识别率下降的问题，本发明具有显著降低变体部分对变体飞机识别带来的影响，有效提高了对变体飞机的识别性能的优点。
-
公开(公告)号：CN106951921B
公开(公告)日：2019-07-02
申请号：CN201710149246.9
申请日：2017-03-14
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于贝叶斯多核学习支持向量机的SAR目标识别方法，主要解决现有的目标识别方法对SAR图像目标识别不准确的问题。其实现步骤为：1)输入原始SAR图像并预处理，计算不同特征的核矩阵；2)根据多核学习方法对核矩阵进行组合；3)根据组合的核矩阵对支持向量机建立贝叶斯多核学习支持向量机模型；4)使用期望最大化算法求解贝叶斯多核学习支持向量机模型，得到最优解；5)使用最优解对SAR图像测试数据进行目标识别。本发明有效地结合了贝叶斯方法的推断能力和多核学习方法的区分能力，提高了识别性能，可用于对SAR图像的分类。
-
-
-
-
-
-
-
-
-
Search Results
950
records
(took 0.047 seconds)
