-
公开(公告)号：CN104502885A
公开(公告)日：2015-04-08
申请号：CN201510001257.3
申请日：2015-01-04
Applicant: 哈尔滨工程大学
IPC: G01S3/00
CPC classification number: G01S3/00
Abstract: 本发明公开了基于变换矩阵的特征值差分信源数估计方法，包括以下几个步骤：利用阵列接收空间中的窄带远场平面波信号，获得接收数据；根据接收到的数据计算协方差矩阵；构造L组阵列协方差矩阵的变换矩阵C；求每组变换矩阵的特征值，并将特征值的绝对值从大到小降序排列，间隔选取降序排列后的M/2个或(M-1)/2个特征值的绝对值；令向量ln＝[λ1n′,λ2n′,…,λ5n′]，得到向量ln的方差σln；设定检测门限γ，选出大于检测门限γ值的方差σln的个数，即为信源数。本发明具有在非均匀噪声环境下估计性能优良并且易于实现的优点。
-
公开(公告)号：CN101105526B
公开(公告)日：2011-03-16
申请号：CN200710072495.9
申请日：2007-07-11
Applicant: 哈尔滨工程大学
IPC: G01S7/285
Abstract: 本发明提供的是一种基于信号的实时跟踪本振装置。它包括限放13、混频器14、滤波器15、放大器16、滤波器17、功分器18和锁相源19，经限放13放大的信号fs和锁相源19信号fIL输入混频器14，混频器输出的信号为fs-fIL，经过滤波器15滤波，输入放大器16放大，再经过滤波器17后，由功分器18分成两路、作为信道中两混频器5、6的本振。本发明是一种克服当前用频率敞开牺牲接收机灵敏度的方法截获跟踪频率捷变雷达信号的缺点，采用基于雷达信号的实时跟踪本振，实现实时地跟踪每一个雷达脉冲内的载频信号的本振装置。本发明提高接收机的灵敏度大约18dB左右，使接收机作用距离增加8倍。
-
公开(公告)号：CN118112493B
公开(公告)日：2025-02-11
申请号：CN202410169721.9
申请日：2024-02-06
Applicant: 哈尔滨工程大学
IPC: G01S3/14
Abstract: 一种基于天线空域极化信息的斜投影DOA估计方法，涉及雷达信号处理技术领域。本发明是为了解决现有DOA估计方法在密集多目标和低信噪比信号环境下复杂度高、角度分辨能力差的问题。本发明包括：雷达信号和干扰信号组成的混合信号入射极化敏感阵列，获得第一个干扰信号单独入射的接收数据x(t)，混合信号入射的接收数据y(t)；利用x(t)的自协方差矩阵Rx获取第一个干扰信号的DOA参数(θ1,#imgabs0#)和极化参数(γ1,η1)；利用(θ1,#imgabs1#)和(γ1,η1)获取第一个干扰信号的天线空域极化参数(α1,β1)；利用y(t)采用斜投影方法获取其他干扰信号的DOA参数(θi,#imgabs2#)、极化参数(γi,ηi)、天线空域极化参数(αi,βi)。最终再次采用斜投影方法获得雷达信号的DOA参数(θt,#imgabs3#)、极化参数(γt,ηt)和雷达信号的天线空域极化参数(αt,βt)。本发明用于在有源干扰存在情况下的雷达信号的DOA估计。
-
公开(公告)号：CN118011312B
公开(公告)日：2024-11-29
申请号：CN202410169722.3
申请日：2024-02-06
Applicant: 哈尔滨工程大学
IPC: G01S3/14
Abstract: 基于多极化矢量天线阵列的DOA估计及信号分选方法，涉及雷达信号处理技术领域。本发明是为了解决现有极化干涉仪系统的DOA估计方法估计精度低、硬件系统受限，以及现有信号分选方法准确率低、复杂度高问题。本发明包括：构建多极化矢量天线阵列，获得电磁波信号入射到多极化矢量天线阵列接收到的信号功率的估计值#imgabs0#利用#imgabs1#获取功率‑极化参数的估计值#imgabs2#利用#imgabs3#获取偶极子天线间的极化域相位差和空域相位差，从而获得DOA参数的估计值；利用DOA参数的估计值和#imgabs4#获取极化参数估计值；利用极化参数估计值和DOA参数估计值对脉冲信号进行分选。本发明用于DOA参数估计及信号分选。
-
公开(公告)号：CN115712867A
公开(公告)日：2023-02-24
申请号：CN202211369792.0
申请日：2022-11-03
Applicant: 哈尔滨工程大学
IPC: G06F18/2415 , G06F18/214 , G06N3/0464 , G06N3/08 , G01S7/02 , G01S7/40
Abstract: 本发明公开了一种多分量雷达信号调制识别方法，包括获取待识别雷达信号；将待识别雷达信号输入至预先训练的深度卷积神经网络模型进行识别，输出标签向量的预测概率；深度卷积神经网络模型是采用标记有标签向量的雷达信号数据集训练得到的，标签向量表示多分量雷达信号所包含的信号调制类型；深度卷积神经网络模型包括多个移动倒置瓶颈卷积块MBConv、多个融合的移动倒置瓶颈卷积块Fused‑MBConv和卷积注意力机制模块；根据标签向量的预测概率进行阈值判决后输出多分量雷达信号调整识别结果。本发明不仅能识别单分量雷达信号，还能识别双分量和三分量雷达信号；相比较其它方法，改进了信号识别精度。
-
Patent Agency Ranking
公开(公告)号：CN115544942A
公开(公告)日：2022-12-30
申请号：CN202211130090.7
申请日：2022-09-16
Applicant: 哈尔滨工程大学
IPC: G06F30/392
Abstract: 本发明提供一种无模糊测向非均匀阵列设计方法，是一种基于计算机合理遍历设计无模糊高精度的非均匀测向阵列方法。首先计算出实际情况时所有可能合理的非均匀阵列形式；对这些非均匀阵列利用MUSIC算法在高频率易模糊频点上进行测试，测试时可加入可能引起测角模糊的因素，如通道不一致性等。对每种阵列形式进行多次蒙特卡洛实验，计算测角均方根误差，根据测试结果选择均方根误差较小的阵列形式；选定形式后，验证在所要求的测角范围内是否能够实现无模糊高精度测角。若一次选定不能符合要求，则再次选择其他均方根误差小的阵列形式，再次测试，直到达到设计要求。本发明可将影响测角模糊的因素考虑在阵列设计中，设计方式可靠，具有良好的应用前景。
-
公开(公告)号：CN110532932B
公开(公告)日：2022-12-13
申请号：CN201910787759.1
申请日：2019-08-26
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及深度学习的自动识别算法领域，具体涉及一种多分量雷达信号脉内调制方式识别方法。获取几种不同脉内调制方式的单分量或交叠多分量雷达信号的时频图像；利用图像处理算法，对雷达信号时频图像进行预处理，将雷达信号中包含的信号类型作为标签，制作训练集和测试集；设计基于卷积神经网络的预训练网络提取雷达信号时频图像特征，设计基于强化学习的多分量信号分类网络获取分类识别结果；训练、测试、完善网络结构和参数；实现多分量信号的分类识别。本发明所述的多分量雷达信号识别算法在低信噪比情况下，具有广泛的雷达信号类型适应范围和较高的识别准确率，实现了随机交叠多分量雷达信号的脉内调制方式识别。
-
公开(公告)号：CN109932681B
公开(公告)日：2022-08-02
申请号：CN201910268474.7
申请日：2019-04-04
Applicant: 哈尔滨工程大学
IPC: G01S3/14
Abstract: 本发明提供的是一种基于空‑时信息的降冗余嵌套阵列设置方法。首先给定总阵元数N，得到原始嵌套阵列及其两个子阵阵元数N1和N2；然后利用原始嵌套阵列接收数据的空‑时特性求不同阵元接收数据的互相关函数以得到等效数据模型，从而对原始嵌套阵列进行降冗余分析得到降冗余嵌套阵列；接着根据原始嵌套阵列与降冗余嵌套阵列关系得到索引集；最后根据索引集得到虚拟阵列用于波达方向估计。本发明主要解决原始嵌套阵列的虚拟阵列仅由差集构造，从而导致虚拟阵列自由度提升有限的问题。本发明提出的降冗余嵌套阵列与原始嵌套阵列相比，具有物理阵列孔径增加、虚拟阵列自由度高且虚拟阵列连续的优点，可实现更优的欠定波达方向估计。
-
公开(公告)号：CN114019467A
公开(公告)日：2022-02-08
申请号：CN202111241399.9
申请日：2021-10-25
Applicant: 哈尔滨工程大学
IPC: G01S7/41
Abstract: 本发明属于雷达信号调制方式识别技术领域，具体涉及一种基于MobileNet模型迁移学习的雷达信号识别与定位方法。本发明基于MobileNet模型迁移学习和梯度加权类激活映射，使用深度可分离卷积搭建网络模型，可以有效降低模型参数，提高模型的计算效率；训练过程中通过加载预训练模型进行迁移学习训练，可以提高模型的收敛速度和泛化性能；同时采用梯度加权类别激活映射的方法对网络模型的预测结果进行可视化，提高了深度学习模型的可解释性和透明性。
-
公开(公告)号：CN111079859B
公开(公告)日：2020-12-04
申请号：CN201911407781.5
申请日：2019-12-31
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明提供一种无源多站多目标测向交叉定位与虚假点去除方法，包括如下步骤：步骤一、根据双站测向交叉定位原理，得出两两站点的双站交叉定位结果，给出交叉定位点集合；步骤二、根据真实目标附近交叉定位点密度明显高于虚假点这一特性，利用马氏距离定义椭圆邻域，提取高密度交叉定位点；步骤三、对高密度点集合进行DBSCAN聚类处理，取高密度点数最多的前NT个聚类作为真实目标所在的簇，每一簇的聚类中心即为真实目标位置，NT为目标个数。本发明利用一种高密度点提取方法，在保证目标点定位精度与虚假点去除性能的同时，降低了后续聚类数据处理的计算量。
-
-
-
-
-
-
-
-
-
Search Results
82
records
(took 0.028 seconds)
