-
公开(公告)号：CN117347968A
公开(公告)日：2024-01-05
申请号：CN202311414950.4
申请日：2023-10-27
Applicant: 上海无线电设备研究所
Abstract: 本发明公开了一种海杂波瞬态特性表征方法，包括：获取海杂波回波数据，并根据所述海杂波回波数据，采用统计分析方法，计算海杂波瞬态幅度起伏特性的特征参数；根据所述海杂波回波数据，采用瞬时谱分析方法，计算海杂波瞬态频谱特性的特征参数；根据所述海杂波瞬态幅度起伏特性的特征参数和所述海杂波瞬态频谱特性的特征参数，构建海杂波瞬态特征表征模型，以实现海杂波瞬态表征。本发明提供的一种海杂波瞬态特性表征方法，解决了近距离、雷达观测时间极其有限情况下海杂波幅度、频谱特性精细化表征的问题，可应用于雷达与目标高速交会场景下海杂波与目标识别，提高雷达系统抗强海杂波干扰能力。
-
公开(公告)号：CN116774178A
公开(公告)日：2023-09-19
申请号：CN202310645262.2
申请日：2023-06-01
Applicant: 上海无线电设备研究所
Abstract: 本发明公开了一种单频MIMO弧形阵列雷达的近距频域三维成像方法，包括：S1、获取单频MIMO弧形阵列雷达的时域回波信号；S2、通过计算从MIMO弧形阵列至等效MIMO线性阵列的时域回波补偿函数，得到时域补偿后的回波信号；S3、对上述回波信号执行傅里叶变换，获取频域回波信号，根据驻定相位原理推导匹配滤波函数，得到匹配滤波后的频域回波信号；S4、根据波数映射关系将上述频域回波信号投影至图像频域空间中，并对图像频域信号执行三维傅里叶逆变换，得到单频MIMO弧形阵列的三维雷达图像。本发明利用MIMO弧形阵列的距离向实孔径获得距离向分辨，实现了单频MIMO弧形阵列雷达对近距目标的快速三维成像，从而提高了MIMO弧形阵列雷达的成像效率。
-
公开(公告)号：CN109657196B
公开(公告)日：2023-03-28
申请号：CN201811429153.2
申请日：2018-11-27
Applicant: 上海无线电设备研究所
Abstract: 本发明涉及一种基于空域强耦合路径加速的MOM‑KA混合方法，包含以下步骤：S1、计算目标初始电流；S2、获取目标与环境间的强耦合路径，建立目标与环境强耦合区域集合；S3、根据步骤S2建立的强耦合区域集合，计算目标与环境间的互耦；S4、计算考虑目标与环境耦合后的目标电流，根据电流变化率判断迭代是否收敛，如收敛则结束迭代过程，如不收敛则重复步骤S3～S4。本发明给出了目标与粗糙面间的耦合路径，建立了目标与粗糙面间的强耦合区域集合，只计算存在较强互耦的目标与粗糙面区域间的耦合，能够在保证求解精度的前提下大幅提升计算效率。
-
公开(公告)号：CN110826643B
公开(公告)日：2022-08-19
申请号：CN201911142677.8
申请日：2019-11-20
Applicant: 上海无线电设备研究所
IPC: G06V10/764 , G01S7/41
Abstract: 本发明公开了一种极化欧拉特征融合深度学习的海上目标识别方法，该方法包含以下步骤：S1、海上人造目标的极化散射机制分析；S2、基于步骤S1的分析结果，构建对应的海上几何体极化距离矩阵数据集，并对极化距离矩阵数据集的样本进行多极化特征提取；S3、基于步骤S2，训练多极化特征融合的深度学习模型；S4、采用海上人造目标对步骤S3的多极化特征融合的深度学习模型识别测试验证。其优点是：该方法从海上目标的基础极化散射机制出发，基于深度学习融合利用HRRP和极化信息实现目标识别，消除了方位敏感性带来的不利影响，提高了雷达目标识别的精度，具有检测率高、虚警率低、扩展应用灵活、处理过程全自动的优点。
-
公开(公告)号：CN111458689B
公开(公告)日：2022-07-05
申请号：CN202010290931.5
申请日：2020-04-14
Applicant: 上海无线电设备研究所
IPC: G01S7/41
Abstract: 针对超低空目标与海面背景复合多路径散射问题，本发明提供一种基于极化散射中心的多径散射特征分类方法，实现复合散射背景下的目标散射特征识别。该方法实现过程分为三步：一是超低空目标与海面复合散射数据的极化散射中心提取，包括散射中心复数幅值与位置；二是极化散射中心二维散射矩阵的极化分解与散射体类型鉴别；三是极化散射中心分布位置的多路径分析及散射中心分类。本发明的超低空目标与海面复合散射特征识别方法，能够在复杂多路径干扰下识别出目标散射中心与位置，滤除背景多径杂波干扰，有效解决当前目标与环境复合散射场景下的目标跟踪与识别难题，为提升目标的探测与识别精度提供可行的途径。
-
Patent Agency Ranking
公开(公告)号：CN112052899A
公开(公告)日：2020-12-08
申请号：CN202010916944.9
申请日：2020-09-03
Applicant: 上海无线电设备研究所
Abstract: 本发明提供一种基于生成对抗网络的单幅舰船目标SAR图像生成方法，包含步骤：S1、预处理采集的单幅舰船目标SAR图像，生成规范化的图像识别样本，对图像识别样本进行不同尺度的下采样，生成若干训练图像；S2、构建基于N+1个生成对抗网络的多尺度全卷积金字塔网络；S3、建立网络训练模型，基于训练图像由粗到精的训练多尺度全卷积金字塔网络；S4、建立基于支持向量机的高质量舰船SAR图像筛选器，并训练该图像筛选器；S5、将步骤S3中网络训练模型的输出结果作为图像筛选器的输入，通过图像筛选器输出若干单幅舰船目标SAR图像的正确样本。本发明能够根据单幅舰船目标SAR图像，生成相同内容的高质量多尺度的新图像。
-
公开(公告)号：CN109657196A
公开(公告)日：2019-04-19
申请号：CN201811429153.2
申请日：2018-11-27
Applicant: 上海无线电设备研究所
Abstract: 本发明涉及一种基于空域强耦合路径加速的MOM-KA混合方法，包含以下步骤：S1、计算目标初始电流；S2、获取目标与环境间的强耦合路径，建立目标与环境强耦合区域集合；S3、根据步骤S2建立的强耦合区域集合，计算目标与环境间的互耦；S4、计算考虑目标与环境耦合后的目标电流，根据电流变化率判断迭代是否收敛，如收敛则结束迭代过程，如不收敛则重复步骤S3～S4。本发明给出了目标与粗糙面间的耦合路径，建立了目标与粗糙面间的强耦合区域集合，只计算存在较强互耦的目标与粗糙面区域间的耦合，能够在保证求解精度的前提下大幅提升计算效率。
-
公开(公告)号：CN107808383A
公开(公告)日：2018-03-16
申请号：CN201710952653.3
申请日：2017-10-13
Applicant: 上海无线电设备研究所
CPC classification number: G06T7/11 , G01S13/9011 , G06T7/13 , G06T7/136 , G06T2207/10044 , G06T2207/20104 , G06T2207/30181
Abstract: 一种强海杂波下SAR图像目标快速检测方法，包含：S1、采用区域分块策略，将大场景SAR图像划分若干子块SAR图像；S2、基于子孔径相干处理获取与子块SAR图像对应的目标-杂波对比度增强的子块相干图像；S3、基于子块相干图像的显著性，筛选出含目标的目标子块相干图像及对应的目标子块SAR图像，作为候选目标子块图像；S4、对候选目标子块图像进行精细目标检测，包括：对目标子块相干图像检测低散射目标像素，对目标子块SAR图像检测目标细节轮廓，对两种检测结果融合处理；S5、对精细目标检测结果除虚警，进行区域合并，得到最终目标检测结果。本发明能检测出海面大场景SAR图像中的结构复杂和散射强度弱的目标，检测率高，虚警率低，自适应性强，计算速度快。
-
公开(公告)号：CN118864980A
公开(公告)日：2024-10-29
申请号：CN202411040585.X
申请日：2024-07-31
Applicant: 上海无线电设备研究所
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06V10/80 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 一种基于LSTM神经网络的空中目标分类识别方法，用于对目标图像进行分类识别；所述方法包括：步骤S1，构建分析目标图像的可视化模块；步骤S2，将原始目标图像输入至可视化模块识别中进行识别，对原始目标图像并进行反馈标注，得到关键部位标注后的目标图像，所述关键部位标注后的目标图像包含若干标注关键部位；步骤S3，将关键部位标注后的目标图像输入LSTM神经网络模型中，进行特征分类识别，得到特征分类识别结果；步骤S4，将所有特征分类识别结果进行融合分析，获取运动目标识别结果。本发明通过LSTM神经网络模型进行目标类型的预测，能够聚焦图像中目标关键部位，排除干扰对象等带来的干扰，有效提高目标识别精度。
-
公开(公告)号：CN118731944A
公开(公告)日：2024-10-01
申请号：CN202410983302.9
申请日：2024-07-22
Applicant: 上海无线电设备研究所
Abstract: 本发明公开了一种目标关键部位的近场散射中心特征表征方法，包括：基于一定雷达视角下的近场雷达回波计算高分辨距离像；基于近场属性散射中心模型计算二维SAR图像的近场属性散射中心图，并提取近场属性散射中心参数特征；基于近场属性散射中心图计算近场时频图特征；基于目标的全姿态三维散射中心重构模型产生目标在多方位姿态下的电磁散射数据，并结合卷积神经网络提取多方位姿态深度特征；将所述高分辨距离像和所述近场属性散射中心参数特征融合生成目标整体与目标关键部位之间的相对空间位置特征；通过所述近场时频图特征获取目标相对于雷达探测方位角改变的时域变化特征；将所述相对空间位置特征和所述时域变化特征与所述多方位姿态深度特征匹配与融合，实现在全方位姿态下的近场散射中心特征表征及特征扩展，为关键部位识别提供特征空间支持。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.026 seconds)
