-
公开(公告)号：CN116994143A
公开(公告)日：2023-11-03
申请号：CN202311044597.5
申请日：2023-08-18
Applicant: 哈尔滨工业大学
IPC: G06V20/10 , G06V20/13 , G06V10/82 , G06V10/426 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/80 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/0895
Abstract: 基于复数区域图Transformer的机动空间目标识别方法，涉及逆合成孔径雷达图像处理领域。本发明是为了解决空间目标快速机动会引起ISAR图像上的姿态变化大，并且由于ISAR图像通常以复数值的形式存在，一般的实数域网络会导致ISAR图像中关键相位信息的丢失的问题。本发明首先，对比学习模块训练ISAR图像块对以适应目标ISAR图像的变化。其次，PGT特征提取模块通过图推理方法和Transformer框架提取图像块的局部和全局上下文特征，以获得目标更有效的表示。最后图识别模块更新特征嵌入形成的节点和节点间边的特征，并输出目标的分类概率和分类结果。
-
公开(公告)号：CN114510877A
公开(公告)日：2022-05-17
申请号：CN202210138087.3
申请日：2022-02-15
Applicant: 哈尔滨工业大学
Abstract: 基于StaggeredSAR体制非线性变化PRI序列设计方法，本发明涉及PRI序列设计的方法。本发明的目的是为了解决现有StaggeredSAR体制中线性变化PRI序列的盲区分布的局限性问题。过程为：一：基于StaggeredSAR体制，计算变化的PRI序列对应的盲区位置，组成PRI序列对应的盲区分布图；二：对盲区分布图的盲区位置的不连续性定量描述；三：对盲区分布图的盲区位置的均匀性定量描述；四：定义非线性变化的PRI序列的目标准则函数；五：采用遗传算法对每个PRI序列计算目标准则函数并进行优化，得到最优目标准则函数值对应的PRI序列。本发明用于微波遥感技术领域。
-
公开(公告)号：CN112784757A
公开(公告)日：2021-05-11
申请号：CN202110098588.9
申请日：2021-01-25
Applicant: 哈尔滨工业大学
Abstract: 海上SAR舰船目标显著性检测与识别方法，属于图像处理领域。本发明为了解决针对弱目标检测性能较差、图像显著性提取适应性低的问题。本发明方法包括：将高斯滤波后的单通道SAR灰度图像扩充为三通道灰度图像，进行Lab颜色空间转换，计算像素点在不同尺度下的显著性，生成多尺度显著性子图，将各显著性子图融合后形成最终的显著图；对显著图做两次阈值分割，得到分割结果；对显著图中疑似目标区域的像素点进行聚类，输出疑似目标区域对应的外接矩形信息；提取哈尔特征，将哈尔特征输入至级联分类器中进行训练，得到舰船目标识别模型；将哈尔特征输入值级联分类器中进行二分类，得到舰船目标。本发明用于SAR舰船目标显著性检测与识别。
-
公开(公告)号：CN107561503A
公开(公告)日：2018-01-09
申请号：CN201710752493.8
申请日：2017-08-28
Applicant: 哈尔滨工业大学
Abstract: 一种基于多重渐消因子的自适应目标跟踪滤波方法，属于目标跟踪领域，具体涉及一种自适应目标跟踪滤波方法。本发明包括：步骤一，建立运动目标的状态模型和量测模型；步骤二，初始化运动状态向量和状态误差协方差矩阵，计算目标运动状态向量预测值、量测向量预测值、新息、新息协方差和新息协方差的估计值；步骤三，计算指数加权因子和多重渐消因子；步骤四，计算状态预测协方差矩阵、卡尔曼增益、滤波值和滤波协方差；步骤五，重复执行步骤二～步骤四，直到目标跟踪结束。本发明渐消因子的计算简单，可以在系统模型未知或噪声统计信息不准确的情况下防止滤波器发散，提高了目标跟踪精度。本发明可运用于雷达目标跟踪。
-
公开(公告)号：CN106056098A
公开(公告)日：2016-10-26
申请号：CN201610464712.8
申请日：2016-06-23
Applicant: 哈尔滨工业大学
CPC classification number: G06K9/00536 , G06K9/6222
Abstract: 一种基于类别合并的脉冲信号聚类分选方法，本发明涉及基于类别合并的脉冲信号聚类分选方法。本发明的目的是为了解决现有聚类结果中的类别数正确率低，类并合并后的聚类数目与真实信号数目不符的缺点。一种基于类别合并的脉冲信号聚类分选方法具体是按照以下步骤进行的：步骤一、确定初始聚类中心和分类距离；步骤二、得到新的聚类中心；步骤三、计算新的聚类中心之间是否满足信号特征；步骤四、将满足信号特征的聚类中心合并，完成类别合并的信号聚类分选。本发明用于信号处理领域。
-
Patent Agency Ranking
公开(公告)号：CN105050114A
公开(公告)日：2015-11-11
申请号：CN201510363063.8
申请日：2015-06-26
Applicant: 哈尔滨工业大学
Abstract: 高频段频谱占用的Volterra预测方法，涉及高频段频谱监测技术领域。实现了对变化剧烈的非平稳高频频谱占用因子序列的预测。本发明利用状态空间理论对高频段频谱占用因子序列进行状态空间重构，获得频谱占用因子序列状态空间的重构序列；利用频谱占用因子序列状态空间的重构序列，建立高频段频谱占用因子序列的Volterra预测模型；采用递归最小二乘算法，对Volterra预测模型的核系数进行动态调整，实现高频段频谱占用的Volterra预测。本发明适用于对变化剧烈的非平稳高频频谱占用因子序列进行预测。
-
公开(公告)号：CN114510877B
公开(公告)日：2024-12-20
申请号：CN202210138087.3
申请日：2022-02-15
Applicant: 哈尔滨工业大学
Abstract: 基于StaggeredSAR体制非线性变化PRI序列设计方法，本发明涉及PRI序列设计的方法。本发明的目的是为了解决现有StaggeredSAR体制中线性变化PRI序列的盲区分布的局限性问题。过程为：一：基于StaggeredSAR体制，计算变化的PRI序列对应的盲区位置，组成PRI序列对应的盲区分布图；二：对盲区分布图的盲区位置的不连续性定量描述；三：对盲区分布图的盲区位置的均匀性定量描述；四：定义非线性变化的PRI序列的目标准则函数；五：采用遗传算法对每个PRI序列计算目标准则函数并进行优化，得到最优目标准则函数值对应的PRI序列。本发明用于微波遥感技术领域。
-
公开(公告)号：CN114219960B
公开(公告)日：2024-12-20
申请号：CN202111544817.1
申请日：2021-12-16
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V20/70 , G06V10/30 , G06V10/36 , G06V10/44 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/09
Abstract: 基于多学习器优化的XGBoost的小样本条件下空间目标ISAR图像分类方法，属于ISAR图像处理技术领域。是为了解决针对现有对小样本条件下空间目标ISAR图像识别率低的问题。本发明针对待分类的ISAR自旋空间目标图像，利用基于多学习器优化的XGBoost模型进行空间目标ISAR图像分类；XGBoost模型是利用XGBoost算法集成堆叠网络形成的XGBoost网络模型，堆叠网络中并行的基础学习器包括图卷积网络、胶囊网络和加入基于旋转不变性的注意力机制模块的Alexnet网络；其中，胶囊网络包含一个基础特征提取模块、一个向量特征提取模块以及动态路由层，且胶囊网络中不含有池化层。主要用于ISAR图像的分类。
-
公开(公告)号：CN114114263B
公开(公告)日：2024-07-02
申请号：CN202111417490.1
申请日：2021-11-25
Applicant: 哈尔滨工业大学
IPC: G01S13/90
Abstract: 基于CV‑ConvLSTM的SAR三维转动目标转速估计方法，涉及图像处理技术领域，针对现有技术中运用时频分析成像处理的方法消除模糊存在准确率低的问题，本申请提出了一种CV‑ConvLSTM，CV‑ConvLSTM将包括卷积层、激活函数、输入门、遗忘门、输出门在内的整个网络扩展到复杂域中，并在此基础上，推导出一种用于CV‑ConvLSTM训练的复数域随时间反向传播算法CV‑BPTT。本申请基于CV‑ConvLSTM设计了TSF‑Net架构，进行SAR三维转动目标转速估计，将SAR转速估计任务转换为一个图像回归问题，来实现目标转速估计，估计精度显着提高。本申请利用SAR成像原理、复数域深度学习技术，更好的满足复杂SAR转速估计需求，对视角变化、仿射变换、噪声保持一定程度的稳定性。
-
公开(公告)号：CN114114190B
公开(公告)日：2024-07-02
申请号：CN202111417489.9
申请日：2021-11-25
Applicant: 哈尔滨工业大学
IPC: G01S7/41 , G01S13/90 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/06 , G06N3/084 , G06N3/045
Abstract: 基于Mix‑CV‑CNN网络的三维转动舰船目标识别方法，涉及目标识别领域。本发明是为了解决目前舰船识别方法在针对运动状态的舰船进行目标识别时会出现模糊、散焦的现象进而造成的舰船目标识别准确率低的问题。本发明具体过程为：获取待识别的SAR三维转动舰船目标图像，将待识别的SAR三维转动舰船目标图像输入到训练好的Mix‑CV‑CNN模型中获取SAR三维转动舰船目标的类别。Mix‑CV‑CNN模型采用Mix‑CV‑CNN前向传播和Mix‑CV‑CNN反向传播方法训练，Mix‑CV‑CNN前向传播为将训练集中的图像输入到构建的Mix‑CV‑CNN模型中输出舰船目标的类别；Mix‑CV‑CNN反向传播为利用前向传播获得的全连接层输出向量获取Mix‑CV‑CNN模型中每一层的误差项，并利用误差项更新卷积层和全连接层的权值获得训练好的Mix‑CV‑CNN模型。本发明用于动态舰船目标的识别。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.029 seconds)
