-
公开(公告)号：CN113189587B
公开(公告)日：2023-10-20
申请号：CN202110373117.4
申请日：2021-04-07
Applicant: 北京理工大学
Abstract: 本发明提供一种雷达的单目标识别方法、系统及可读存储介质，涉及雷达成像领域，该方法包括：从目标的相对两侧进行雷达观测；根据两侧雷达观测的回波信号，计算得到所述目标两侧端点的频域回波分别为Sl(f，θ)和Sr(f，θ)；根据所述回波信号，计算所述目标两侧端点的估计端点坐标分别为#imgabs0#和#imgabs1#根据计算得到的所述目标两侧端点的频域回波分别为Sl(f，θ)和Sr(f，θ)以及所述目标两侧端点的估计端点坐标#imgabs2#和#imgabs3#计算所述目标两侧端点的回波包络分别为Ml(f，η)和Mr(f，η)；根据所述目标两侧端点的回波包络Ml(f，η)和Mr(f，η)，得到所述目标两侧端点的估计初相分别为#imgabs4#和#imgabs5#根据所述目标两侧端点的估计初相#imgabs6#和#imgabs7#确定出所述目标的类型；其中，f表示频率值，θ表示雷达的方位向角度，η表示慢时间。
-
公开(公告)号：CN113205564B
公开(公告)日：2023-05-05
申请号：CN202110374200.3
申请日：2021-04-07
Applicant: 北京理工大学
IPC: G06T11/00 , G06N3/08 , G06N3/0455 , G06N3/0464 , G01S13/90
Abstract: 本发明公开了一种SAR智能目标边缘重构方法，一、建立目标线性边缘的参数化散射模型，解析表达出雷达观测角度、雷达发射频率和目标线性边缘几何参数间的关系；二、利用参数化散射模型生成设定观测角度、发射频率下的训练数据；三、将传统U‑Net网络复数化得到改进型U‑Net网络；四、将步骤二中生成的训练数据输入改进型U‑Net网络中进行训练，将需要重构的SAR复图像输入改进型U‑Net网络训练模型即可重构出SAR目标的边缘散射信息；本发明能够解决传统SAR成像算法中的目标线性边缘不连续、计算复杂度高和参数难自适应等问题。
-
公开(公告)号：CN113191538A
公开(公告)日：2021-07-30
申请号：CN202110405753.0
申请日：2021-04-15
Applicant: 北京理工大学
Abstract: 本发明提出一种基于深度学习的多频SAR图像解模糊方法，能够消除SAR图像中目标模糊，大幅增强SAR图像质量，有助于提升SAR图像的可理解性。本发明的基于深度学习的多频SAR图像解模糊方法，可以高效设计最优频率，为SAR成像解模糊提供数据；可以高效的对SAR成像中因采样率低而产生的模糊图进行解模糊。是高智能、高精度、高效率的SAR稀疏成像解模糊方案，预期可应用于星载SAR成像、天文雷达成像等领域，可消除SAR图像中目标模糊，大幅增强SAR图像质量，有助于提升SAR图像的可理解性。
-
公开(公告)号：CN116500616A
公开(公告)日：2023-07-28
申请号：CN202310456590.8
申请日：2023-04-25
Applicant: 北京理工大学
Abstract: 本发明提出了一种基于CFAR‑ADMM的雷达稀疏目标检测成像一体化算法。首先，在考虑背景杂波的前提下，将雷达稀疏目标成像问题进行建模，在保真项约束的条件下，使目标的CFAR正则项最小进行求解。然后，对目标问题进行变量分裂，将目标问题分解为两个简单子问题并构造拉格朗日形式。最后利用ADMM交替更新对偶变量、分裂变量和残差，实现稀疏目标的检测和成像一体化求解。算法的核心模块是利用CFAR技术计算权重，对分裂变量进行非线性更新。所提方法旨在提供一种快速、鲁棒的雷达稀疏目标检测成像一体化算法，预期可应用于机载、星载等领域。
-
公开(公告)号：CN113205564A
公开(公告)日：2021-08-03
申请号：CN202110374200.3
申请日：2021-04-07
Applicant: 北京理工大学
Abstract: 本发明公开了一种SAR智能目标边缘重构方法，一、建立目标线性边缘的参数化散射模型，解析表达出雷达观测角度、雷达发射频率和目标线性边缘几何参数间的关系；二、利用参数化散射模型生成设定观测角度、发射频率下的训练数据；三、将传统U‑Net网络复数化得到改进型U‑Net网络；四、将步骤二中生成的训练数据输入改进型U‑Net网络中进行训练，将需要重构的SAR复图像输入改进型U‑Net网络训练模型即可重构出SAR目标的边缘散射信息；本发明能够解决传统SAR成像算法中的目标线性边缘不连续、计算复杂度高和参数难自适应等问题。
-
Patent Agency Ranking
公开(公告)号：CN111948652A
公开(公告)日：2020-11-17
申请号：CN202010694576.8
申请日：2020-07-17
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于深度学习的SAR智能参数化超分辨成像方法，首先，基于属性散射中心模型，本技术在传统仅包含点原子的SAR回波模型中额外引入线原子和面原子，构建SAR混合观测模型。随后，基于SAR混合观测模型和传统交替方向乘子法ADMM，本技术通过设置不同的非线性阈值函数，构建了多成分ADMM算法来估计点、线和面原子的参数。最后，通过将MC-ADMM映射成神经网络，即将MC-ADMM的每一次迭代过程映射成一层神经网络结构，成功构建MCADMM-Net，快速高效的获取高智能SAR超分辨图像。本发明旨在提供一种高智能、高精度、高效率的SAR超分辨成像解决方案，预期可应用于机载、星载SAR成像等领域，可大幅增强SAR图像质量，有助于提升SAR图像的可理解性。
-
公开(公告)号：CN114442092B
公开(公告)日：2024-04-12
申请号：CN202111669699.7
申请日：2021-12-31
Applicant: 北京理工大学
Abstract: 本发明涉及一种分布式无人机SAR深度学习三维成像方法，用于解决传统SAR高精度成像方法超参数选择难，算法复杂性高的问题。首先基于分布式无人机集群建立二维成像模型，利用快速分解后向投影算法获取二维SAR图像，并进行二维SAR图像配准，完成数据预处理。然后通过建立三维成像高度向模型，仿真生成训练数据，训练整个级联式智能三维成像网络，完成网络模型的预训练。最后将数据预处理后的数据输入智能三维成像网络中，获取整个成像场景的三维SAR图像。所提方法旨在提供一种高智能、高精度、高效率的分布式无人机SAR三维成像解决方案，可应用于分布式无人机三维高效高分辨成像等领域。
-
公开(公告)号：CN111948652B
公开(公告)日：2023-05-05
申请号：CN202010694576.8
申请日：2020-07-17
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于深度学习的SAR智能参数化超分辨成像方法，首先，基于属性散射中心模型，本技术在传统仅包含点原子的SAR回波模型中额外引入线原子和面原子，构建SAR混合观测模型。随后，基于SAR混合观测模型和传统交替方向乘子法ADMM，本技术通过设置不同的非线性阈值函数，构建了多成分ADMM算法来估计点、线和面原子的参数。最后，通过将MC‑ADMM映射成神经网络，即将MC‑ADMM的每一次迭代过程映射成一层神经网络结构，成功构建MCADMM‑Net，快速高效的获取高智能SAR超分辨图像。本发明旨在提供一种高智能、高精度、高效率的SAR超分辨成像解决方案，预期可应用于机载、星载SAR成像等领域，可大幅增强SAR图像质量，有助于提升SAR图像的可理解性。
-
公开(公告)号：CN112327285A
公开(公告)日：2021-02-05
申请号：CN202011196999.3
申请日：2020-10-30
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于混合广义瑞登傅里叶变换的雷达目标检测方法。本发明首先将回波划分成若干子孔径，在子孔径内采用广义瑞登傅里叶变换(GRFT)进行相参积累，然后在子孔径间直接非相参叠加。由于本发明在GRFT时将所有子孔径的0时刻设置为整个回波持续时间的中心，同时补偿掉了子孔径内与子孔径间的跨距离单元、跨多普勒单元现象，因此可更方便简洁地设计子孔径长度，且子孔径间非相参积累时，无需计算搜索参数对应的积累路径，直接非相参叠加即可。本发明的子孔径长度能在常规混合积累子孔径长度和总积累时间之间调节，通过调整子孔径长度，本发明能更好的在检测性能与运算量之间权衡。
-
公开(公告)号：CN115308741B
公开(公告)日：2025-04-01
申请号：CN202210765437.9
申请日：2022-07-01
Applicant: 北京理工大学
Abstract: 本发明涉及雷达信号处理技术领域，特别涉及一种基于雷达差分干涉技术的月球表面形变测量方法。本发明是独立于基于LLR与LOLA的又一种月球表面形变测量方法，与传统方法有着本质的不同，其依靠干涉图像的形变相位变化直接反演月球表面形变，因此形变测量精度可达亚波长级(mm级)。此外，由于测量精度远高于月球表面潮汐形变量，因此，不需要大量数据的拟合与交叉验证处理，即可得到精确的形变测量值，模型依赖程度低，且运算量更小。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.017 seconds)
