-
公开(公告)号：CN108008392B
公开(公告)日：2021-07-06
申请号：CN201711173938.3
申请日：2017-11-22
Applicant: 哈尔滨工业大学
IPC: G01S13/95
Abstract: 一种基于船载高频地波雷达的海洋表面风场测量方法，本发明涉及海洋表面风场测量方法。本发明解决了传统海洋表面风场测量工具部署维护困难、无法大面积测量和观测效率低的问题；以及岸基高频地波雷达探测海域与测量性能受限的问题。一：选取某一距离门对应的一阶海面回波多普勒展宽谱；二：确定被探测方位的海洋单元回波的入射方位角对应的多普勒频率；三：建立风向与扩展因子的对应关系；四：提取无模糊风向和对应的扩展因子；五：建立风速与扩展因子的对应关系；六：重复执行二到五，依次得到该距离门内不同探测方位海洋单元对应的风场；七：重复执行N遍一到六，得到雷达探测范围内整个海域的海面风场。本发明用于海洋表面风场测量领域。
-
公开(公告)号：CN114114235A
公开(公告)日：2022-03-01
申请号：CN202111424092.2
申请日：2021-11-26
Applicant: 哈尔滨工业大学
IPC: G01S13/50
Abstract: 一种基于单通道被动雷达的目标探测方法及系统，它属于目标探测技术领域。本发明解决了采用现有的目标探测方法时硬件负担大的问题。本发明基于keystone变换对单通道接收到的信号进行距离维的校正，将不同脉冲回波在同一距离单元上对齐；再基于重聚焦的方位维校正对单通道接收的信号进行方位维相位的校正，通过相位的补偿使不同脉冲在同一方位维度上对齐；通过对接收的信号进行距离维和方位维校正，以便于后续对反射波的积累，进而实现目标的探测任务。本发明可以应用于对目标进行探测。
-
公开(公告)号：CN114114190A
公开(公告)日：2022-03-01
申请号：CN202111417489.9
申请日：2021-11-25
Applicant: 哈尔滨工业大学
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。
-
公开(公告)号：CN108008392A
公开(公告)日：2018-05-08
申请号：CN201711173938.3
申请日：2017-11-22
Applicant: 哈尔滨工业大学
IPC: G01S13/95
Abstract: 一种基于船载高频地波雷达的海洋表面风场测量方法，本发明涉及海洋表面风场测量方法。本发明解决了传统海洋表面风场测量工具部署维护困难、无法大面积测量和观测效率低的问题；以及岸基高频地波雷达探测海域与测量性能受限的问题。一：选取某一距离门对应的一阶海面回波多普勒展宽谱；二：确定被探测方位的海洋单元回波的入射方位角对应的多普勒频率；三：建立风向与扩展因子的对应关系；四：提取无模糊风向和对应的扩展因子；五：建立风速与扩展因子的对应关系；六：重复执行二到五，依次得到该距离门内不同探测方位海洋单元对应的风场；七：重复执行N遍一到六，得到雷达探测范围内整个海域的海面风场。本发明用于海洋表面风场测量领域。
-
公开(公告)号：CN105445718A
公开(公告)日：2016-03-30
申请号：CN201510801617.8
申请日：2015-11-19
Applicant: 哈尔滨工业大学
Abstract: 一种基于阵列重构的分布式多载舰超视距雷达的DOA估计方法，本发明涉及分布式多载舰超视距雷达的DOA估计方法。本发明是要解决现有的超分辨算法在分布式多舰载超视距雷达系统中对目标的角分辨能力差、以及不能适用于任意结构阵列和运动阵列的问题，而提供一种基于阵列重构的分布式多舰载超视距雷达的DOA估计算法。该方法是通过一、子阵间的初始距离d以及子阵行驶距离；二、行驶距离与初始距离的和为dm；三、确定△θ和载频；四、得到虚拟阵列1、2、3和4；五、确定最佳的虚拟阵列；六、计算得到最佳虚拟阵列的非时变数据协方差矩阵；七、得到合成空间谱等步骤实现的。本发明应用于分布式多载舰超视距雷达的DOA估计领域。
-
Patent Agency Ranking
公开(公告)号：CN103616690A
公开(公告)日：2014-03-05
申请号：CN201310674131.3
申请日：2013-12-11
Applicant: 哈尔滨工业大学
IPC: G01S13/95
Abstract: 基于船载高频地波超视距雷达的海面风向提取方法，属于海洋遥感领域，本发明为解决现有海面风向提取方法的探测范围小、非连续性及系统复杂的问题。本发明所述海面风向提取方法的具体过程为：利用单个接收阵元获取一个距离门内的一阶海杂波展宽谱；根据一阶海杂波的空-时分布特性，确定与海杂波入射方位相对应的正、负Bragg峰值和空间分辨率；根据正、负Bragg峰值的相对强度获取海面风向；将该海面风向应用于改距离门内各个海域的分辨单元，实现对该距离门内所有海域的风向提取；对相邻海域的分辨单元的海面风向进行比较，消除风向模糊，获取该距离门的海面风向；重复上述步骤直至获取所有距离门的海面风向。本发明用于海洋环境监测中。
-
公开(公告)号：CN113096058B
公开(公告)日：2022-04-12
申请号：CN202110441799.8
申请日：2021-04-23
Applicant: 哈尔滨工业大学
Abstract: 空间目标多源数据参数化仿真与MixCenterNet融合检测方法，涉及ISAR图像处理领域。本发明是为了解决目前的多源数据融合检测方法存在可操作性低、检测精度不高从而导致的在实际中难以应用的问题。本发明包括：获取光学渲染图像；获取空间目标ISAR仿真图像；将光学渲染图像和ISAR仿真图像进行MixCenterNet融合检测；融合检测时将成对的光学渲染图像和ISAR仿真图像输入MixCenterNet中；光学图像经34层ResNet骨干网络处理，ISAR图像经16层的VGG骨干网络处理，然后分别通过级联角点池化与中心池化生成角点热图与中心点热图确定目标在光学图像中的位置；ISAR图像经16层的VGG骨干网络处理所得特征图，连同光学图像经34层的ResNet骨干网络处理所得特征图一并输入到全连接层，再经Softmax层输出目标类别信息。
-
公开(公告)号：CN112784757B
公开(公告)日：2022-04-08
申请号：CN202110098588.9
申请日：2021-01-25
Applicant: 哈尔滨工业大学
IPC: G06V20/00 , G06V10/26 , G06V10/56 , G06V10/46 , G06V10/774 , G06V10/762 , G06V10/764 , G06K9/62
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：CN114219960A
公开(公告)日：2022-03-22
申请号：CN202111544817.1
申请日：2021-12-16
Applicant: 哈尔滨工业大学
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：CN114114261A
公开(公告)日：2022-03-01
申请号：CN202111417460.0
申请日：2021-11-25
Applicant: 哈尔滨工业大学
Abstract: 基于C2C的自监督SAR海杂波抑制方法、系统、存储介质及设备，属于雷达图像处理技术领域。为了解决现实中缺乏无杂波的真实数据，从而导致不能有效地利用现有的深度学习技术对SAR杂波进行抑制的问题。本发明首先对待抑制的宽幅场景SAR进行裁剪，形成测试切片集；在用于CV‑UNet++训练的杂波切片集中随机选取N个杂波切片，并按照C2C策略将测试切片S与N个杂波切片相减得到并输入到CV‑UNet++中，得到N个杂波抑制后的切片Ti，取为测试切片S的最终杂波抑制效果图。主要用于SAR海杂波的抑制。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.022 seconds)
