-
公开(公告)号：CN116524051A
公开(公告)日：2023-08-01
申请号：CN202310369043.6
申请日：2023-04-10
申请人： 哈尔滨工业大学
摘要： 本发明提出一种基于分数阶傅里叶变换域模态分解的高分辨ISAR成像方法。该方法首先对运动目标散射点回波中每个距离单元的信号进行分数阶傅里叶变换域模态分解，得到信号各个模态分量；然后对每个模态分量进行魏格纳‑维尔分布，并将各个模态分量的魏格纳‑维尔分布累加，最终得到一个时间‑距离‑瞬时多普勒立方图，那么抽取时间上的一帧即可得到目标的距离‑瞬时多普勒图像。与传统ISAR成像方法相比，本发明方法构造的时频分析不存在交叉项，且具有较高的时频分辨率，有利于进一步提升ISAR成像性能。
-
公开(公告)号：CN116522073A
公开(公告)日：2023-08-01
申请号：CN202310372752.X
申请日：2023-04-10
申请人： 哈尔滨工业大学
IPC分类号： G06F18/10 , G06F17/14 , G06F123/02
摘要： 一种分数傅里叶变换域的自适应信号分解方法、存储介质及计算机，涉及信号处理领域。解决了频域能量非聚集信号分解问题。本发明所述的分解方法引入分数阶傅里叶变换下卷积的概念，将待分解信号分解成K(K>1)个分数域带宽有限的本征模态分量mk(t)，在变换角度α下的每个本征模态分量的中心分数阶频率为uk，其约束条件是模态分量和等于输入信号，本发明将分解过程变为求解约束变分问题的最优解问题，既有效的分解了频域为能量非聚集的信号，又提高了信号分解效率。本发明应用于非平稳信号的自适应分解领域。
-
公开(公告)号：CN116524051B
公开(公告)日：2024-01-09
申请号：CN202310369043.6
申请日：2023-04-10
申请人： 哈尔滨工业大学
摘要： 本发明提出一种基于分数阶傅里叶变换域模态分解的高分辨ISAR成像方法。该方法首先对运动目标散射点回波中每个距离单元的信号进行分数阶傅里叶变换域模态分解，得到信号各个模态分量；然后对每个模态分量进行魏格纳‑维尔分布，并将各个模态分量的魏格纳‑维尔分布累加，最终得到一个时间‑距离‑瞬时多普勒立方图，那么抽取时间上的一帧即可得到目标的距离‑瞬时多普勒图像。与传统ISAR成像方法相比，本发明方法构造的时频分析不存在交叉项，且具有较高的时频分辨率，有利于进一步提升ISAR成像性能。
-
公开(公告)号：CN116660895A
公开(公告)日：2023-08-29
申请号：CN202310549027.5
申请日：2023-05-16
申请人： 哈尔滨工业大学
摘要： 基于数据驱动的分数阶小波变换域ISAR成像方法、设备、存储介质和产品，属于雷达成像技术领域，解决现有ISAR成像技术不能获得高时频分辨率和受交叉项影响导致成像质量低问题。本发明的方法包括：找到待处理信号在能量聚集的分数阶傅里叶变换域下设计分数阶小波基函数，并通过半离散分数阶卷积对待处理信号进行滤波分解，而后经过魏格纳分布表示分解信号，最终得到消除了交叉项的时频表示。与传统方法相比本发明保证了ISAR成像的高分辨率，而且又避免了交叉项的影响。因此本发明可以实现高质量的ISAR成像。本发明适用于逆合成孔径雷达ISAR成像。
-
公开(公告)号：CN116561564A
公开(公告)日：2023-08-08
申请号：CN202310530211.5
申请日：2023-05-12
申请人： 哈尔滨工业大学
IPC分类号： G06F18/2131 , G06F18/10 , G06F17/14
摘要： 本发明提出一种数据驱动的分数阶小波变换自适应信号分解与重构方法。所述方法在信号能量最佳聚集的分数阶傅里叶变换域上确定信号的支撑区间，并基于分数阶小波变换理论，构建基于数据驱动的用于信号分解的分数阶小波基函数。然后，通过分数阶卷积运算，以构建的分数阶小波基函数为卷积核实现对信号的滤波分解。进一步地，根据构建的分数阶小波基函数设计用于信号重构的分数阶小波基函数，并基于信号分解结果利用分数阶卷积运算实现对信号的完全重构。与现有方法相比，能够避免信号在频域信号能量扩散导致信号各分量成分相互交叠而无法分离的问题。
-
公开(公告)号：CN116484174A
公开(公告)日：2023-07-25
申请号：CN202310253733.5
申请日：2023-03-16
申请人： 哈尔滨工业大学
IPC分类号： G06F18/10 , G06N3/0464 , G06N3/084
摘要： 本发明提出了一种基于可学习分数阶小波变换的信号稀疏分解与重建系统及方法，构建训练数据样本；针对于应用场景采集训练信号s(t)作为网络的训练数据样本；训练可学习分数阶小波变换深度卷积网络；采集S1训练数据样本中的待稀疏分解与重建的信号将S1采集得到的待稀疏分解与重建的信号输入S2训练完的可学习分数阶小波变换深度卷积网络进行稀疏分解与重建；最后输出重建信号；将分数阶小波变换的卷积级联分解算法和合成算法中预设的滤波器参数替换为可学习参量，通过反向传播算法更新，可以对目标信号实现稀疏分解与重建。
-
公开(公告)号：CN116541660A
公开(公告)日：2023-08-04
申请号：CN202310508205.X
申请日：2023-05-08
申请人： 哈尔滨工业大学
IPC分类号： G06F18/10 , G06F18/2131
摘要： 本发明提出一种基于数据驱动的分数阶小波变换去噪方法。所述方法在分数阶小波去噪的基础上，将所有的滤波器替换为可学习的卷积核，并定义了一种用于信号降噪的可学习阈值函数激活层，网络中的分数阶尺度滤波器和分数阶小波滤波器以及阈值函数中的正负偏差是通过神经网络反向传播算法得到的。该方法是一种完全基于数据驱动的信号去噪方法。与常规的分数阶小波去噪相比，数据驱动的分数阶小波去噪省去了繁琐的阈值函数设计过程，提高了去噪算法的使用效率。
-
-
-
-
-
-
搜索结果
7 条记录 (耗时 0.029 秒)
