-
公开(公告)号：CN112068085A
公开(公告)日：2020-12-11
申请号：CN202011113016.5
申请日：2020-10-16
Applicant: 中国电波传播研究所(中国电子科技集团公司第二十二研究所)
Abstract: 本发明公开了一种基于深度学习的雷达海杂波原始数据快速预处理方法，包括如下步骤：步骤1，将驻留模式、不同雷达参数和海洋环境参数条件下的若干组海杂波原始数据解码、脉压；步骤2，针对海杂波幅度图数据集中的每张距离门‑脉冲数幅度图，进行纯化海杂波数据区域的人工标注；步骤3，对海杂波原始幅度图数据集及相应的标签文件，划分为训练集、验证集和测试集；步骤4，构建Faster RCNN图像目标检测深度学习网络。本申请针对驻留模式下的雷达海杂波原始数据，提供了一种基于Faster RCNN深度学习网络的雷达海杂波原始数据快速预处理方法，优点在于克服了海杂波原始数据人工预处理带来的主观差异性和效率低下性。
-
公开(公告)号：CN119310534A
公开(公告)日：2025-01-14
申请号：CN202411327669.1
申请日：2024-09-23
Applicant: 中国电波传播研究所(中国电子科技集团公司第二十二研究所)
IPC: G01S7/40 , G06F18/214 , G06F17/16 , G06F17/10 , G06F18/22 , G06N3/0464 , G06N3/08 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于特性参数深度认知的海杂波生成方法，包括如下步骤：步骤1，构建基于实测海杂波数据的模型训练数据集：步骤2，搭建海杂波特性参数预测网络：步骤3，时空相关K分布海杂波生成。本发明提出了一种共享‑多任务神经网络，实现了对海杂波特性参数的深度认知，为海杂波准确生成奠定了基础。在海杂波特性参数深度认知的基础上，结合时空相关K分布海杂波生成方法，实现了由雷达工作参数和海洋环境参数到生成海杂波数据的全流程。
-
公开(公告)号：CN112068085B
公开(公告)日：2022-05-06
申请号：CN202011113016.5
申请日：2020-10-16
Applicant: 中国电波传播研究所(中国电子科技集团公司第二十二研究所)
Abstract: 本发明公开了一种基于深度学习的雷达海杂波原始数据快速预处理方法，包括如下步骤：步骤1，将驻留模式、不同雷达参数和海洋环境参数条件下的若干组海杂波原始数据解码、脉压；步骤2，针对海杂波幅度图数据集中的每张距离门‑脉冲数幅度图，进行纯化海杂波数据区域的人工标注；步骤3，对海杂波原始幅度图数据集及相应的标签文件，划分为训练集、验证集和测试集；步骤4，构建Faster RCNN图像目标检测深度学习网络。本申请针对驻留模式下的雷达海杂波原始数据，提供了一种基于Faster RCNN深度学习网络的雷达海杂波原始数据快速预处理方法，优点在于克服了海杂波原始数据人工预处理带来的主观差异性和效率低下性。
-
公开(公告)号：CN119249859A
公开(公告)日：2025-01-03
申请号：CN202411194289.5
申请日：2024-08-28
Applicant: 中国电波传播研究所(中国电子科技集团公司第二十二研究所)
Inventor： 夏晓云 , 许心瑜 , 张玉石 , 张浙东 , 张金鹏 , 黎鑫 , 赵鹏 , 李清亮 , 朱秀芹 , 尹志盈 , 尹雅磊 , 李善斌 , 侯春枝 , 李慧明 , 胡健 , 周鹏飞 , 赵文广 , 曾鹏
IPC: G06F30/27 , G06N3/0499 , G06N3/048 , G06N3/082 , G06N3/084
Abstract: 本发明公开了一种海杂波K分布形状参数神经网络建模方法，包括如下步骤：步骤1，获取N组不同测量参数条件下的海杂波数据和海洋环境参数数据：步骤2，初始化海杂波K分布形状参数建模数据矩阵为空矩阵；步骤3，基于第n组海杂波数据，计算每个距离门对应的擦地角值；步骤4，根据擦地角值，将海杂波数据，划分为若干个子数据块；本发明还包括其他计算步骤。本发明所公开的建模方法，利用擦地角、雷达空间分辨单元面积、有效浪高、平均浪周期和浪向五个参数进行建模，得到的模型相比现有方法具有更好的普适性；采用经验模型非线性函数项与BP神经网络相结合，得到的模型相比现有方法精度更高。
-
-
-
Search Results
4
records
(took 0.044 seconds)
