-
公开(公告)号：CN119881878A
公开(公告)日：2025-04-25
申请号：CN202411955001.1
申请日：2024-12-27
Applicant: 北京理工大学 , 北理工郑州智能科技研究院
IPC: G01S13/88 , G01S7/02 , G01S7/41 , G06F18/243 , G06N3/0464 , G06N3/084 , G06F18/213 , G06F18/10
Abstract: 本发明公开了一种层次原型损失函数约束的雷达HRRP目标开集识别方法，在面对RATR实际应用中的开放环境，测试集中包含训练阶段未曾出现的目标时，提高模型对已知类别的泛化性能，并在识别未知类别的同时提供未知类别与已知类别之间关系的信息。具体来说，首先，基于先验知识构建了一个类别层次结构，以指导训练和测试阶段。然后，我们提出了一种层次原型损失(HPL)以约束特征空间分布与类别层次结构一致。最后，利用训练好的原型网络按照层次结构进行预测，以此能够提供未知类别与已知类别之间关系的信息。在实测HRRP数据上的广泛实验验证了我们所提方法对于开集识别的有效性。
-
公开(公告)号：CN115308705B
公开(公告)日：2024-12-03
申请号：CN202210940267.3
申请日：2022-08-05
Applicant: 北京理工大学
IPC: G01S7/41 , G06F18/15 , G06F18/213 , G06F18/241 , G06F18/27 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/049 , G06N3/09
Abstract: 本发明涉及极窄脉冲雷达数据生成技术领域，具体涉及一种基于生成对抗网络(Generative Adversarial Network,GAN)的多姿态极窄脉冲回波生成方法。该方法通过构建一个具备多姿态极窄脉冲回波数据生成能力的GAN，对目标的缺失视角极窄脉冲回波进行生成，能够一定程度上替代实测采集、电磁仿真等方法实现未知视角极窄脉冲回波数据的快速获取，解决雷达目标电磁特性、RATR研究中面临的极窄脉冲回波姿态敏感性问题。
-
公开(公告)号：CN116166982A
公开(公告)日：2023-05-26
申请号：CN202211385705.0
申请日：2022-11-07
Applicant: 北京理工大学
IPC: G06F18/24 , G06F18/213 , G06F18/25 , G06N3/08 , G06N3/0464
Abstract: 本发明提出了一种基于散射中心匹配度约束和结构特征辅助约束的多域极窄脉冲雷达回波目标融合识别方法，构建了一种极窄脉冲雷达回波多频多极化融合识别的端到端分类模型，能够对输入的多频多极化极窄脉冲雷达回波进行特征提取与频率维和极化维信息的融合，进而将融合特征直接进行识别，实现了端到端的融合识别一体化，该方法采用基于特征级融合的深度学习技术，能够较为充分地利用样本包含的特征信息，使模型在分类任务中做出更准确、更稳定的判决。充分挖掘多频段、多极化信息之间的关联，并融合挖掘的频率维和极化维信息，利用多频多极化极窄脉冲雷达回波丰富的散射信息，达到相对理想的目标识别效果。
-
公开(公告)号：CN116049712A
公开(公告)日：2023-05-02
申请号：CN202211494295.3
申请日：2022-11-25
Applicant: 北京理工大学
IPC: G06F18/24 , G06F18/25 , G06F18/214 , G06F18/22 , G06F30/20
Abstract: 本发明公开了涉及一种先验知识辅助多分类器融合的极窄脉冲雷达目标识别方法，属于雷达目标识别技术领域。本方法将目标的先验概念信息，引入树形层次结构的自动化构建过程，弥补了基于数据自动化构建方法在知识上的不足，构建的树形结构中各分类节点的任务区分难度大大降低。因此，面对类别种类繁多、数据量不足的识别场景，本发明方法依然有较好的精细化目标识别性能。
-
公开(公告)号：CN115166649B
公开(公告)日：2023-04-11
申请号：CN202211095425.6
申请日：2022-09-08
Applicant: 北京理工大学
Abstract: 本发明属于雷达目标检测领域，具体涉及一种极窄脉冲雷达散射点特征聚合目标极化检测方法，适用于对距离扩展目标进行检测。本发明在散射点特征聚合时，分别对每个距离单元使用能量强度和极化特征差异信息获取目标散射点位置标记矩阵，并根据各距离单元被判定为目标散射点的频次作为权重进行特征聚合，该操作可以自适应地为各个距离单元赋予不同的权重，使检测器更关注于目标所在的距离单元，避免陷落损失问题，提升检测性能。
-
Patent Agency Ranking
公开(公告)号：CN115685114A
公开(公告)日：2023-02-03
申请号：CN202211142804.6
申请日：2022-09-20
Applicant: 北京理工大学
IPC: G01S7/41 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种类别和特征辅助神经网络的极窄脉冲雷达目标识别方法，属于雷达目标识别技术领域，特别涉及一种结合先验知识辅助深度神经网络的目标极窄脉冲雷达回波识别方法。本发明提出了一种结合词包模型和注意力机制的目标电磁特征知识嵌入深度神经网络的方法。本方法通过词包模型对目标特征知识进行整合与表示，使得特征知识与深度特征的表示更为相似，有利于两种信息的结合。同时利用注意力机制使网络自适应地关注对分类任务贡献更大的特征组合，增强了特征组合的判别性，能够进一步提升网络的识别性能。
-
公开(公告)号：CN119851128A
公开(公告)日：2025-04-18
申请号：CN202411954997.4
申请日：2024-12-27
Applicant: 北京理工大学 , 北理工郑州智能科技研究院
IPC: G06V20/10 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06V10/764 , G06N3/0475 , G06N3/094 , G06N3/096 , G01S7/41
Abstract: 本发明公开了一种基于稀疏视角特征生成融合的雷达目标HRRP识别方法。为解决非合作目标的HRRP数据通常难以覆盖全视角，导致的HRRP目标识别方法的性能受限，本发明提出了一种生成式多视角HRRP识别(GMVR)模型。首先，利用深度生成模型的模式学习和生成能力，提出了一个视角特征扩展模块(VFEM)，用于生成稀疏视角附近的多视角特征。随后，基于特征级融合，提出了一个多视角特征融合模块(MVFM)。借助注意力机制，生成的特征能够自适应地整合，从而减少由单视角HRRP样本导致的决策偏差。此外，本发明采用迁移学习来缓解由稀疏视角造成的样本量小的问题。
-
公开(公告)号：CN119716774A
公开(公告)日：2025-03-28
申请号：CN202411774655.4
申请日：2024-12-04
Applicant: 北理工郑州智能科技研究院 , 北京理工大学
IPC: G01S7/41 , G06F18/15 , G06F18/213 , G06F18/2433 , G06F18/22 , G06F18/23 , G06F18/214 , G06F18/21 , G06N3/0464 , G06N3/0455 , G06N3/09 , G06N3/084 , G06N3/0985
Abstract: 本发明公开了一种多地形条件下基于对比学习的雷达目标检测方法，包括预处理后进行数据集的构建以及训练集和测试集的划分，再经过数据增强后，构建增强样本集，并构建正、负样本对，用于后续的模型训练与雷达目标检测性能测试、网络训练和基于训练杂波样本在特征空间中的分布，根据训练评分分数排序取分位点得出决策门限，根据待测样本通过多地形特征提取检测网络的计算得分与决策门限的关系做出最终决策三个步骤；通过使用不同地形下杂波数据作为不同类别对深度网络进行训练，可以学习到不同地形下杂波的特征分布，可适应不同地形下的目标检测，极大提升多地形场景下雷达目标检测的实际应用性能。
-
公开(公告)号：CN115308705A
公开(公告)日：2022-11-08
申请号：CN202210940267.3
申请日：2022-08-05
Applicant: 北京理工大学
Abstract: 本发明涉及极窄脉冲雷达数据生成技术领域，具体涉及一种基于生成对抗网络(Generative Adversarial Network,GAN)的多姿态极窄脉冲回波生成方法。该方法通过构建一个具备多姿态极窄脉冲回波数据生成能力的GAN，对目标的缺失视角极窄脉冲回波进行生成，能够一定程度上替代实测采集、电磁仿真等方法实现未知视角极窄脉冲回波数据的快速获取，解决雷达目标电磁特性、RATR研究中面临的极窄脉冲回波姿态敏感性问题。
-
公开(公告)号：CN114970595A
公开(公告)日：2022-08-30
申请号：CN202111673162.8
申请日：2021-12-31
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于深度学习的单快拍多目标角度估计方法，包括：对单快拍回波数据进行预处理；将视场角划分为一系列角度区间；基于DNN网络架构，设计与步骤S2中的角度区间一一对应的滤波器和估计子网络；其中，滤波器的输入为步骤S1预处理后的数据，并将只属于本角度区间的数据输出至对应的估计子网络；所述估计子网络根据其输入的数据进行角度估计；基于样本集对构建的各滤波器和估计子网络进行训练，得到训练好的各滤波器和估计子网络；将待估计的单快拍数据预处理后，输入至各滤波器，得到各估计子网络的角度估计结果，将所有所述估计子网络的输出结果进行角度融合，最终得到目标数量及目标角度。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.027 seconds)
