-
公开(公告)号：CN114861712A
公开(公告)日：2022-08-05
申请号：CN202210413812.3
申请日：2022-04-14
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于改进时序卷积网络的雷达目标识别方法，首先对原始HRRP样本集进行预处理，采用TCN模型提取HRRP的数据特征；然后采用多层次注意力模块，自适应的缩放数据不同片段的特征重要性；最后通过全连接层将更有效的特征进行保留，最后采用softmax对网络的输出进行分类。本发明通过因果卷积来建立HRRP的因果序列特性，并且通过膨胀卷积和堆叠模型深度来扩大模型的感受野，提取更全面的特征信息。提出了针对多层时间卷积网络的多层次注意力机制，对不同层次反映的目标结构特征进行重要性调整，突出可分性强的层次特征，抑制无用特征，自适应调整各个层次输出对识别结果的影响。
-
公开(公告)号：CN112782660A
公开(公告)日：2021-05-11
申请号：CN202011599336.6
申请日：2020-12-29
申请人： 杭州电子科技大学
IPC分类号： G01S7/41
摘要： 本发明公开了一种基于Bert的雷达目标识别方法，包括以下步骤：S1，收集数据并划分训练集和测试集，通过雷达采集的HRRP数据，需要对每个类别进行采样，分别选出训练集和测试集，之后进行合并，保证每个类别的数据形式都有被采样到；S2，对HRRP数据进行幂次变换，并使用注意力机制；S3，用Bert模型处理幂次变换的输出，提取更加深层的特征；S4，搭建分类器，对HRRP目标分类，对Bert模型的输出，再次使用注意力机制的思想，将更有效的特征进行保留，最后采用softmax对网络的输出进行分类；S5，将经过S1处理后的HRRP测试集送入S2、S3、S4步骤中已训练完成的模型中进行测试。
-
公开(公告)号：CN112699782A
公开(公告)日：2021-04-23
申请号：CN202011595694.X
申请日：2020-12-29
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于N2N和Bert的雷达HRRP目标识别方法，包括以下步骤：S1，收集数据并划分训练集和测试集，通过雷达采集的HRRP数据，需要对每个类别进行采样，分别选出训练集和测试集，之后进行合并，保证每个类别的数据形式都有被采样到；S2，用N2N模块进行降噪；S3，经过N2N模块的数据，经过卷积神经网络模块提取，调整下通道数，以便输入到Bert模型中；S4，用Bert处理CNN提取的有效特征，提取更加深层的特征；S5，在分类层对特征进行分类；S6，将经过S1处理后的HRRP测试集送入S5步骤中已训练完成的模型中进行测试。
-
公开(公告)号：CN112782660B
公开(公告)日：2023-06-30
申请号：CN202011599336.6
申请日：2020-12-29
申请人： 杭州电子科技大学
IPC分类号： G01S7/41
摘要： 本发明公开了一种基于Bert的雷达目标识别方法，包括以下步骤：S1，收集数据并划分训练集和测试集，通过雷达采集的HRRP数据，需要对每个类别进行采样，分别选出训练集和测试集，之后进行合并，保证每个类别的数据形式都有被采样到；S2，对HRRP数据进行幂次变换，并使用注意力机制；S3，用Bert模型处理幂次变换的输出，提取更加深层的特征；S4，搭建分类器，对HRRP目标分类，对Bert模型的输出，再次使用注意力机制的思想，将更有效的特征进行保留，最后采用softmax对网络的输出进行分类；S5，将经过S1处理后的HRRP测试集送入S2、S3、S4步骤中已训练完成的模型中进行测试。
-
公开(公告)号：CN113238197B
公开(公告)日：2023-07-04
申请号：CN202011600963.7
申请日：2020-12-29
申请人： 杭州电子科技大学
IPC分类号： G01S7/41
摘要： 本发明公开了一种基于Bert和BiLSTM的雷达目标识别及据判方法，包括以下步骤：S1，收集样本并划分训练集和测试集，进行数据预处理，包括强调归一化和重心对齐；S2，使用带注意力机制的幂次变换；S3，用Bert处理幂次变换的输出，提取更加深层的特征；S4，通过双向LSTM，加强特征提取；S5，使用softmax分类器分类；S6，将经过S1处理后的HRRP测试集送入S2、S3、S4，S5步骤中已训练完成的模型中进行测试。
-
公开(公告)号：CN112764024B
公开(公告)日：2023-06-16
申请号：CN202011600978.3
申请日：2020-12-29
申请人： 杭州电子科技大学
IPC分类号： G01S13/88
摘要： 本发明公开了一种基于卷积神经网络和Bert的雷达目标识别方法，包括以下步骤：S1，收集数据并划分训练集和测试集，对数据进行强度归一化和重心对齐处理；S2，将上述处理的HRRP样本输入到CNN模块，用CNN对处理后的样本进行提取特征；S3，用Bert处理CNN提取的有效特征，提取更加深层的特征；S4，搭建分类器，对HRRP目标分类，对Bert的输出，再次使用注意力机制，将更有效的特征进行保留，最后采用softmax对网络的输出进行分类；S5，将经过S1处理后的HRRP测试集送入S2、S3、S4步骤中已训练完成的模型中进行测试。
-
公开(公告)号：CN115079116A
公开(公告)日：2022-09-20
申请号：CN202210391518.7
申请日：2022-04-14
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于Transformer和时间卷积网络的雷达目标识别方法，首先对原始HRRP样本集进行预处理；通过卷积模块对样本进行特征提取并改变数据格式；再通过基于VIT的MoCo对比学习模块，在特征空间上学习区分不同样本；之后将经过MoCo对比学习模块得到的特征，输入时间卷积模块，进一步地加强模型的表征能力，得到可分性更强的特征；最后通过全连接层将更有效的特征进行保留，最后采用softmax对网络的输出进行分类。本发明中应用引入时间卷积网络，使模型获取HRRP中更为全面的信息，进一步提高模型的特征提取能力，得到可分性更强的特征用于分类。
-
公开(公告)号：CN115047421A
公开(公告)日：2022-09-13
申请号：CN202210391520.4
申请日：2022-04-14
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于Transformer的雷达目标识别方法，首先对原始HRRP样本集进行预处理，然后采用多尺度CNN来融合多种不同感受野的特征，并用SE模块基于通道之间的依赖关系进行建模，再采用Albert模型对HRRP数据进行建模。最后通过注意力分类模块对特征进行分类，完成HRRP识别。本发明应用堆叠Albert模块结合多头注意力机制来提取HRRP的双向特征。采用多尺度CNN结合SE模块来代替嵌入表示。针对HRRP的特殊性，利用多尺度卷积提取HRRP的多层次空间特征，通过不同的卷积核提取不同尺度的结构特征，并通过SE模块实现通道的重要性调整，提高了网络初期的表达能力。
-
公开(公告)号：CN113238197A
公开(公告)日：2021-08-10
申请号：CN202011600963.7
申请日：2020-12-29
申请人： 杭州电子科技大学
IPC分类号： G01S7/41
摘要： 本发明公开了一种基于Bert和BiLSTM的雷达目标识别及据判方法，包括以下步骤：S1，收集样本并划分训练集和测试集，进行数据预处理，包括强调归一化和重心对齐；S2，使用带注意力机制的幂次变换；S3，用Bert处理幂次变换的输出，提取更加深层的特征；S4，通过双向LSTM，加强特征提取；S5，使用softmax分类器分类；S6，将经过S1处理后的HRRP测试集送入S2、S3、S4，S5步骤中已训练完成的模型中进行测试。
-
公开(公告)号：CN112764024A
公开(公告)日：2021-05-07
申请号：CN202011600978.3
申请日：2020-12-29
申请人： 杭州电子科技大学
IPC分类号： G01S13/88
摘要： 本发明公开了一种基于卷积神经网络和Bert的雷达目标识别方法，包括以下步骤：S1，收集数据并划分训练集和测试集，对数据进行强度归一化和重心对齐处理；S2，将上述处理的HRRP样本输入到CNN模块，用CNN对处理后的样本进行提取特征；S3，用Bert处理CNN提取的有效特征，提取更加深层的特征；S4，搭建分类器，对HRRP目标分类，对Bert的输出，再次使用注意力机制，将更有效的特征进行保留，最后采用softmax对网络的输出进行分类；S5，将经过S1处理后的HRRP测试集送入S2、S3、S4步骤中已训练完成的模型中进行测试。
-
-
-
-
-
-
-
-
-
搜索结果
10 条记录 (耗时 0.035 秒)
