-
公开(公告)号：CN110118958B
公开(公告)日：2023-03-24
申请号：CN201910421769.3
申请日：2019-05-21
Applicant: 西安电子科技大学
IPC: G01S7/41
Abstract: 本发明公开了一种基于变分编码‑解码网络的宽带雷达复回波去噪方法，解决了传统去噪耗时长、对噪声先验依赖的问题。实现步骤：分别获取高信噪比和含噪复距离像的复频谱构成训练集以及测试集；构建变分编码‑解码网络；利用训练集训练变分编码‑解码网络，采用随机梯度下降法更新编码部分网络权值，解码网络权值固为傅里叶基；当两次更新目标函数变化小于10e‑4时，训练结束，否者继续迭代更新；测试集输入已训练的网络，其输出为去噪后的复频谱，将去噪后的复频谱做逆快速傅里叶变换得到去噪的复距离像。本发明的变分编码‑解码网络去噪性能较好，去噪时间短，对噪声先验无依赖。用于噪声背景下对飞机、汽车等运动目标的雷达回波噪声抑制。
-
公开(公告)号：CN111680593A
公开(公告)日：2020-09-18
申请号：CN202010472335.9
申请日：2020-05-29
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于自适应一类SVM模型的SAR图像目标鉴别方法，主要解决现有一类SVM模型中高斯核参数难以选择的问题。其方案是：选取训练SAR图像目标样本和测试SAR图像样本；根据训练目标样本的近邻关系，构造边缘样本集合C1和内部样本集合C2；最大化边缘样本集合C1的平均信息熵和内部样本集合C2的平均信息熵的差值，确定高斯核参数；根据高斯核参数，建立自适应一类SVM模型；利用序列最小优化算法，求解自适应一类SVM的模型参数；根据模型参数，对测试样本进行鉴别，得到测试样本的类别标号。本发明能自适应的选择的高斯核参数，缩短了确定核参数的时间，提高鉴别准确率，用于识别接收的雷达图像中的目标和杂波。
-
公开(公告)号：CN104680183A
公开(公告)日：2015-06-03
申请号：CN201510112513.6
申请日：2015-03-14
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了基于散射点和K中心一类分类器的SAR目标鉴别方法，主要解决了现有技术未从雷达成像的本质揭示目标和杂波虚警的区别，鉴别总正确率低的缺点。其技术方案是：1)对SAR图像进行恒虚警检测，提取切片；2)从提取的切片中选取包含真实目标的切片构成训练样本；3)依散射点模型从训练样本中提取散射点矩阵，并进行幅度2-范数归一；4)对训练样本散射点矩阵进行K中心聚类，得到簇中心；5)计算K中心一类分类器的鉴别门限Thr；6)计算测试样本和簇中心的最小双向Hausdorff距离；7)根据该距离判断测试样本是否为目标。本发明降低了杂波虚警的虚警率，有效提高了鉴别总正确率，适用于SAR图像中车辆等具有显著强散射点分布特征的人造目标的鉴别。
-
公开(公告)号：CN111598881B
公开(公告)日：2022-07-12
申请号：CN202010423773.6
申请日：2020-05-19
Applicant: 西安电子科技大学
IPC: G06T7/00 , G06K9/62 , G06V10/774 , G06V10/764
Abstract: 本发明公开了一种基于变分自编码器的图像异常检测方法，具体是融合变分自编码器和支持向量数据描述的异常检测方法，解决了现有技术中异常检测与特征提取两个阶段分离，异常检测性能受限以及传统异常检测无法应对高维、大规模异常检测任务的问题。实现步骤包括：图像数据采集；数据集划分与数据预处理；构造以变分自编码器为基础的异常检测模型；训练异常检测模型；根据训练好的模型计算区分正常与异常图像数据的阈值；使用训练好的模型判断待测图像是否为异常图像。本发明采用支持向量数据描述对变分自编码器提取到的特征做距离上的约束，提取的特征更适合做异常检测，内存复杂性低，可应用于高维、大规模异常检测任务。
-
公开(公告)号：CN111680593B
公开(公告)日：2023-03-24
申请号：CN202010472335.9
申请日：2020-05-29
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/26 , G06V10/762 , G06V10/764
Abstract: 本发明公开了一种基于自适应一类SVM模型的SAR图像目标鉴别方法，主要解决现有一类SVM模型中高斯核参数难以选择的问题。其方案是：选取训练SAR图像目标样本和测试SAR图像样本；根据训练目标样本的近邻关系，构造边缘样本集合C1和内部样本集合C2；最大化边缘样本集合C1的平均信息熵和内部样本集合C2的平均信息熵的差值，确定高斯核参数；根据高斯核参数，建立自适应一类SVM模型；利用序列最小优化算法，求解自适应一类SVM的模型参数；根据模型参数，对测试样本进行鉴别，得到测试样本的类别标号。本发明能自适应的选择的高斯核参数，缩短了确定核参数的时间，提高鉴别准确率，用于识别接收的雷达图像中的目标和杂波。
-
Patent Agency Ranking
公开(公告)号：CN111598881A
公开(公告)日：2020-08-28
申请号：CN202010423773.6
申请日：2020-05-19
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于变分自编码器的图像异常检测方法，具体是融合变分自编码器和支持向量数据描述的异常检测方法，解决了现有技术中异常检测与特征提取两个阶段分离，异常检测性能受限以及传统异常检测无法应对高维、大规模异常检测任务的问题。实现步骤包括：图像数据采集；数据集划分与数据预处理；构造以变分自编码器为基础的异常检测模型；训练异常检测模型；根据训练好的模型计算区分正常与异常图像数据的阈值；使用训练好的模型判断待测图像是否为异常图像。本发明采用支持向量数据描述对变分自编码器提取到的特征做距离上的约束，提取的特征更适合做异常检测，内存复杂性低，可应用于高维、大规模异常检测任务。
-
公开(公告)号：CN110118958A
公开(公告)日：2019-08-13
申请号：CN201910421769.3
申请日：2019-05-21
Applicant: 西安电子科技大学
IPC: G01S7/41
Abstract: 本发明公开了一种基于变分编码-解码网络的宽带雷达复回波去噪方法，解决了传统去噪耗时长、对噪声先验依赖的问题。实现步骤：分别获取高信噪比和含噪复距离像的复频谱构成训练集以及测试集；构建变分编码-解码网络；利用训练集训练变分编码-解码网络，采用随机梯度下降法更新编码部分网络权值，解码网络权值固为傅里叶基；当两次更新目标函数变化小于10e-4时，训练结束，否者继续迭代更新；测试集输入已训练的网络，其输出为去噪后的复频谱，将去噪后的复频谱做逆快速傅里叶变换得到去噪的复距离像。本发明的变分编码-解码网络去噪性能较好，去噪时间短，对噪声先验无依赖。用于噪声背景下对飞机、汽车等运动目标的雷达回波噪声抑制。
-
公开(公告)号：CN105975994B
公开(公告)日：2019-05-21
申请号：CN201610333374.4
申请日：2016-05-19
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
IPC: G06K9/62
Abstract: 本发明公开了一种基于非相似性变换一类SVM模型的SAR目标鉴别方法。其实现方案为：1.对训练图像和测试图像进行预处理，得到训练和测试样本集；2.根据训练样本集构建非相似性变换一类SVM模型，推出模型参数的联合后验分布；3.根据模型参数的联合后验分布，推出单个模型参数的条件后验分布；4.利用Gibbs采样对模型参数采样I次，从I+1次开始，每间隔Isp次，保存一次采样结果，共保存Ts次；5.根据保存的采样结果，得到特征变换后的测试样本和对应的聚类标号；6，将变换后的测试样本带入到聚类标号对应的一类SVM中，输出测试目标类别标号。本发明具有模型参数便于选择，识别性能高的优点，可以用于SAR目标鉴别。
-
公开(公告)号：CN104680183B
公开(公告)日：2018-07-24
申请号：CN201510112513.6
申请日：2015-03-14
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了基于散射点和K中心一类分类器的SAR目标鉴别方法，主要解决了现有技术未从雷达成像的本质揭示目标和杂波虚警的区别，鉴别总正确率低的缺点。其技术方案是：1)对SAR图像进行恒虚警检测，提取切片；2)从提取的切片中选取包含真实目标的切片构成训练样本；3)依散射点模型从训练样本中提取散射点矩阵，并进行幅度2‑范数归一；4)对训练样本散射点矩阵进行K中心聚类，得到簇中心；5)计算K中心一类分类器的鉴别门限Thr；6)计算测试样本和簇中心的最小双向Hausdorff距离；7)根据该距离判断测试样本是否为目标。本发明降低了杂波虚警的虚警率，有效提高了鉴别总正确率，适用于SAR图像中车辆等具有显著强散射点分布特征的人造目标的鉴别。
-
公开(公告)号：CN105975994A
公开(公告)日：2016-09-28
申请号：CN201610333374.4
申请日：2016-05-19
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
IPC: G06K9/62
CPC classification number: G06K9/6269 , G06K9/6218 , G06K9/6286
Abstract: 本发明公开了一种基于非相似性变换一类SVM模型的SAR目标鉴别方法。其实现方案为：1.对训练图像和测试图像进行预处理，得到训练和测试样本集；2.根据训练样本集构建非相似性变换一类SVM模型，推出模型参数的联合后验分布；3.根据模型参数的联合后验分布，推出单个模型参数的条件后验分布；4.利用Gibbs采样对模型参数采样I次，从I+1次开始，每间隔Isp次，保存一次采样结果，共保存Ts次；5.根据保存的采样结果，得到特征变换后的测试样本和对应的聚类标号；6，将变换后的测试样本带入到聚类标号对应的一类SVM中，输出测试目标类别标号。本发明具有模型参数便于选择，识别性能高的优点，可以用于SAR目标鉴别。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.035 seconds)
