公开(公告)号：CN112305506B

公开(公告)日：2023-02-14

申请号：CN202011156030.3

申请日：2020-10-26

Applicant: 哈尔滨工程大学

Inventor： 蒋伊琳 ,  尹子茹 ,  赵忠凯 ,  陈涛 ,  郭立民 ,  刘鲁涛

IPC: G01S7/285 ,  G01S7/292 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于CNN的LPI雷达信号检测方法，使用CNN进行信号检测，将信号检测问题转化成基于CNN的特征提取问题，对截获到的雷达信号脉冲进行采样，将采样后的离散信号的同相分量和正交分量直接输入神经网络，实现在一定误差范围内的高准确率信号检测。本发明对不同SNR下的LPI雷达信号检测具有泛化能力；由于信号带宽、载频等参数的随机性，可以保证测试集具有泛化性，说明对未经训练的信号具有一定的泛化能力，具有良好的应用前景。

公开(公告)号：CN112305506A

公开(公告)日：2021-02-02

申请号：CN202011156030.3

申请日：2020-10-26

Applicant: 哈尔滨工程大学

Inventor： 蒋伊琳 ,  尹子茹 ,  赵忠凯 ,  陈涛 ,  郭立民 ,  刘鲁涛

IPC: G01S7/285 ,  G01S7/292 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于CNN的LPI雷达信号检测方法，使用CNN进行信号检测，将信号检测问题转化成基于CNN的特征提取问题，对截获到的雷达信号脉冲进行采样，将采样后的离散信号的同相分量和正交分量直接输入神经网络，实现在一定误差范围内的高准确率信号检测。本发明对不同SNR下的LPI雷达信号检测具有泛化能力；由于信号带宽、载频等参数的随机性，可以保证测试集具有泛化性，说明对未经训练的信号具有一定的泛化能力，具有良好的应用前景。

公开(公告)号：CN113326757A

公开(公告)日：2021-08-31

申请号：CN202110570134.7

申请日：2021-05-25

Applicant: 哈尔滨工程大学

Inventor： 蒋伊琳 ,  尹希航 ,  宋宇 ,  尹子茹 ,  陈涛 ,  郭立民 ,  刘鲁涛 ,  赵忠凯

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06F17/14

Abstract: 本发明提供一种基于卷积神经网络的频率合成器类型识别方法，包括如下步骤：步骤一：建立DDS相位截断模型；步骤二：建立带有小数分频杂散的Fractional‑N PLL模型；步骤三：对步骤一和步骤二的模型进行仿真，得到四十种频率的信号；步骤四：训练CNN模型，实现对频率合成器类型识别；所述步骤四具体为：将仿真信号的时频图像输入进卷积神经网络中，CNN模型包括一个输入层、3个卷积层、3个池层和2个完全连接层。本发明CNN更适合于与时频图像相结合的频率合成器类型识别，即使在信噪比较低的情况下，也能获得较高的识别率。将任一信号输入训练好的CNN模型，能够快速准确地输出识别结果。

公开(公告)号：CN111948622A

公开(公告)日：2020-11-17

申请号：CN202010786659.X

申请日：2020-08-07

Applicant: 哈尔滨工程大学

Inventor： 蒋伊琳 ,  尹子茹 ,  赵忠凯 ,  陈涛

IPC: G01S7/41

Abstract: 本发明提供基于并联CNN-LSTM的线性调频雷达信号TOA估计算法，利用CNN良好的空间特征提取能力和LSTM良好的时间序列处理能力，提取脉冲信号的空间特征和时间特征，将TOA问题转化成基于并联CNN-LSTM的特征提取问题，对截获到的雷达信号脉冲进行采样，将采样后的离散信号的同相分量和正交分量直接作为输入，无需将接收信号变换为基带信号的复杂运算，就适用于低信噪比和在信号调制参数未知的情况下，可实现在一定误差范围内的精确TOA估计。本发明针对已经比较成熟的神经网络的结构和参数进行修改，使之适用于LFM雷达接收信号的采样序列，所述并联CNN-LSTM算法具有对不同的信道带宽、载频、信噪比的LFM雷达信号进行深度学习、提取特征、找到内在联系、完成训练的能力。