-
公开(公告)号：CN113807206B
公开(公告)日：2023-04-07
申请号：CN202111003567.0
申请日：2021-08-30
申请人： 电子科技大学
IPC分类号： G06V20/10 , G06V10/30 , G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464
摘要： 本发明提出了一种基于去噪任务辅助的SAR图像目标识别方法，属于目标识别领域。本发明提出的网络包括去噪子网络与分类子网络两部分，去噪子网络中通过多尺度特征提取层、注意力机制以及残差学习结构可实现噪声信息学习。考虑到标准卷积在提取多尺度特征时会增大网络宽度，进而导致模型参数量增加。为此，本发明采用空洞卷积结构实现多尺度特征提取。在去噪子网络辅助下分类子网络可完成目标特征提取与分类。分类子网络中引入注意力思想来指导模型在特征空间、通道与空间交互层面上完成SAR图像目标特征提取与自适应加权，进而改善目标识别精度。通过在MSTAR数据集上进行仿真实验，证明了本发明中的方法在噪声环境下具有较好的SAR图像目标识别效果。
-
公开(公告)号：CN112446357B
公开(公告)日：2022-05-03
申请号：CN202011478677.8
申请日：2020-12-15
申请人： 电子科技大学
摘要： 本发明公开了一种基于胶囊网络的SAR自动目标识别方法,雷达目标识别领域。该方法的主要流程：首先对原始SAR图像进行裁剪处理，然后将裁剪后的图像进行简单的卷积处理，之后利用具有不同膨胀率的卷积核来提取多尺度特征，然后利用自适应的特征细化模块增强重要的特征，再通过逐像素融合策略融合增强后的多尺度特征，然后再输入到基于胶囊单元的网络层进行更抽象特征学习并保留特征间的空间关系，最后将编码器网络的输出的特征输入到一个由四个转置卷积层组成的解码器网络进行SAR目标重构来改善编码器的学习能力；SAR目标鉴别结果在编码器网络的最后一层输出。本发明与现有的深度卷积神经网络算法相比具有更高的精度。
-
公开(公告)号：CN114237842A
公开(公告)日：2022-03-25
申请号：CN202111456134.0
申请日：2021-12-02
申请人： 电子科技大学
IPC分类号： G06F9/48
摘要： 本发明公开了基于典型参数限定的相控阵雷达自适应任务调度方法。该方法的主要流程：首先生成时间轴上的任务请求队列，初始化时间指针；从请求队列中删除最晚可执行时间小于时间指针的任务；判断请求队列中是否存在最早可执行时间小于或等于时间指针的任务，若无，更新时间指针重复以上判断，若有形成任务判断列表；再计算判断列表中每个任务此时的时间偏差和截止期差值，通过典型参数限定的方法选取任务执行，若均不满足参数限定的条件则更新时间指针进行以上判断，若满足则写入执行队列、更新时间指针并从任务请求队列中删除；当请求队列为空或时间指针超出时间轴范围时，结束调度任务。本发明较传统调度方法可提高平均5％的调度成功率、改善执行时间偏移性能因子1.75dB，有效的实现了调度成功率和执行时间偏差之间的平衡。
-
公开(公告)号：CN107861117B
公开(公告)日：2020-11-17
申请号：CN201710963976.2
申请日：2017-10-17
申请人： 电子科技大学
摘要： 本发明公开了一种适用于连续波周界监视雷达的多目标参数测量方法，属于信号处理技术，具体涉及连续波雷达的频谱修正、多目标配对和参数测量方法。提供一种方法，解决差拍操作带来的距离速度耦合问题；解决“距离‑多普勒”域(RD域)数据的频谱修正，以便能实现高精度的测距测速；在多目标情形下能够准确进行目标配对。针对连续波周界监视雷达，提供了一种高效、高精度的多目标距离、速度测量算法；在频谱细化方面，突破了传统频谱细化或校正操作只在一维距离频谱进行的限制，对于测速精度的提高没有一味依赖于增加FFT点数或者距离谱的细化，而是同时充分利用MTD的结果，这样就提高了算法的效率和信息的利用率。
-
公开(公告)号：CN108629371B
公开(公告)日：2020-06-16
申请号：CN201810408401.9
申请日：2018-05-02
申请人： 电子科技大学
IPC分类号： G06K9/62
摘要： 本发明公开了一种对二维时频数据的数据降维方法，应用于二维数据的降维和压缩。该方法主要流程：首先，对样本数据中心化；然后将中心化的数据映射到高维空间，并在高维空间使用核函数构建映射数据的协方差；最后利用双边二维主成分分析算法对协方差进行降维，得到特征投影变换矩阵。该算法不仅充分利用了原始数据中的非线性特征，而且所得特征投影矩阵系数量较少，这样既提高了识别率、数据压缩率，又减少了计算量。
-
公开(公告)号：CN108734115B
公开(公告)日：2020-03-27
申请号：CN201810414265.4
申请日：2018-05-03
申请人： 电子科技大学
摘要： 本发明公开了一种基于标签一致字典学习的雷达目标识别方法，属于雷达领域,特别是通过构建稀疏信号的具有鉴别能力的完备字典和稀疏编码，实现了信号的稀疏表征。该方法主要流程：首先，构建高分辨距离像的LC‑KSVD字典学习模型；然后再初始化模型中的相关参数；再使用K‑SVD算法求解LC‑KSVD字典学习模型的最优解；接下来，再对字典D和线性分类器矩阵W进行归一化；最后，更具D、W来确定测试样本所属类别。本发明方法可以使得学习到的完备字典具备鉴别能力，不仅能够更好地实现对信号的稀疏表征，而且可以用于分类。
-
公开(公告)号：CN106257488B
公开(公告)日：2019-11-19
申请号：CN201610529486.7
申请日：2016-07-07
申请人： 电子科技大学
IPC分类号： G06K9/00
摘要： 本发明公开了一种基于邻域特征空间鉴别分析的雷达目标识别方法，将每类雷达目标的数据划分为训练样本和测试样本；构建每个训练样本的类内邻域特征空间和类间邻域特征空间，并计算每个样本点到其类内和类间邻域特征空间的垂直矢量并计算其加权值；构建所有训练样本的类内散射矩阵和类间散射矩阵并求解高维雷达目标数据空间到低维特征子空间的变换矩阵，根据得到的变换矩阵，将所有的训练样本和测试样本从高维雷达目标数据空间变换到低维特征子空间中的特征点，完成特征提取；采用最近邻法对每一个测试样本的特征点进行分类，完成雷达目标识别。本发明方法能够有效提高子空间的学习能力，提高有限训练样本条件下的雷达目标识别性能，且运算量低。
-
公开(公告)号：CN107703503A
公开(公告)日：2018-02-16
申请号：CN201710863908.9
申请日：2017-09-22
申请人： 电子科技大学
CPC分类号： G01S13/58 , G01S13/726
摘要： 该发明公开了一种基于GPU加速的点迹凝聚方法，属于数据处理技术，具体涉及加速点迹凝聚算法。针对边扫描边跟踪体制雷达，采用如图5的扫描方式，来自一个角度的回波数据为一帧数据，每收到W帧数据后，采用GPU对收到的W帧数据做并行距离向凝聚处理，得到每帧的目标，再采用CPU进行相同目标的判断和融合，从而实现本发明的目的。本发明的有益效果是在保证雷达持续每一圈扫描的同时，目标的点迹凝聚处理能够及时的对每一圈得到原始点迹数据进行凝聚，同时增加了一个截止变量，避免因为中间帧此目标没有原始点迹而造成此目标凝聚过程断裂而造成输出多个目标，提高了目标凝聚的准确性。
-
公开(公告)号：CN104820213B
公开(公告)日：2017-10-17
申请号：CN201510205149.8
申请日：2015-04-28
申请人： 电子科技大学
IPC分类号： G01S7/40
摘要： 该发明公开了一种基于动态剔除的搜索跟踪雷达方向图估计方法，属于信号处理技术，具体涉及跟踪雷达方向图计算方法。该方法包括：信号接收、信号处理、信号输出三个部分；其中信号接收为从收到的信号中每隔相同的时间提取一次信号的幅度信息，每次提取的幅度信息为一个待测幅度点，得到一系列待测幅度点；信号处理为针对每一个待测幅度点，计算该待测幅度点周围多个幅度点的平均幅度值，通过获得的平均值来判断该幅度点是否为异常点，若是异常点则将其剔除，再估计方向图。从而本发明得到比较理想的雷达方向图，并得到较为精确的主瓣与旁瓣的比值。
-
公开(公告)号：CN106199544A
公开(公告)日：2016-12-07
申请号：CN201610481502.X
申请日：2016-06-24
申请人： 电子科技大学
IPC分类号： G01S7/41
CPC分类号： G01S7/411
摘要： 本发明公开了基于核鉴别局部切空间排列的雷达目标距离像识别方法，其包括以下步骤：获取若干已知其所属目标类别的训练距离像和待识别其所属目标类别的测试距离像；预处理获取的训练距离像和测试距离像；基于局部切空间重构误差最小化和类间散射最大化准则，得到从高维距离像空间到低维特征空间的映射矩阵V；提取训练距离像和测试距离像的特征：y＝VTk，其中，VT为映射矩阵V的转置，k为任意一个训练距离像或测试距离像的核向量；采用最近邻法比较测试距离像和训练距离像的特征，将每个待识别的测试距离像划归到离其最近的训练距离像所属的目标类别中。
-
-
-
-
-
-
-
-
-
搜索结果
86 条记录 (耗时 0.033 秒)