-
公开(公告)号：CN113572710B
公开(公告)日：2024-07-09
申请号：CN202110826554.7
申请日：2021-07-21
Applicant: 应急管理部四川消防研究所 , 电子科技大学长三角研究院(湖州)
IPC: H04L25/03 , G06N3/0455 , G06N3/0475 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于生成对抗网络的WVD时频分析交叉项抑制方法及系统、存储介质，首先构建生成式对抗GAN网络，所述GAN网络包括生成器G和判别器D：所述生成器G用于获取样本数据；所述判别器D用于判断输入数据是否为真实数据；获取含有交叉项的图像和消除交叉项的图像；以相互博弈的方式对生成器与判别器进行训练，直到消除含有交叉项的图像中的交叉项。本发明提供的方法，结合深度学习网络，利用网络端到端的特性与制备交叉项数据的便利性、多样性；实现消除多分量调频信号在WVD变换中产生的交叉项。相比传统方法是更为迅速的。在高信噪比情况下只需改变训练集便可继续发挥，比传统方法所使用的消除交叉项更加的准确。
-
公开(公告)号：CN117761691A
公开(公告)日：2024-03-26
申请号：CN202310852055.4
申请日：2023-07-12
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G01S13/90 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于FLNet卷积神经网络的条纹线检测相位解缠方法及系统，属于干涉合成孔径雷达数据处理技术领域，通过构建FLNet卷积神经网络；对输入的图像进行条纹检测；通过环形积分修补检测得到的条纹线；通过路径积分解缠；通过FLNet卷积神经网络识别条纹线的误差点；处理误差点。本发明提供的方法，采用了混合空洞卷积替代下采样的方法来避免分辨率的损失，并使用残差连接来防止网络过深。利用无向图和环形积分的方法对断裂的条纹线进行修复。利用FLNet识别由噪声引起的误差点，通过对误差点的相位进行处理，基本消除了误差点对相位解缠的影响，可以有效消除由噪声破坏条纹线导致的相位解缠误差。
-
公开(公告)号：CN113989163A
公开(公告)日：2022-01-28
申请号：CN202111369184.5
申请日：2021-11-18
Applicant: 电子科技大学长三角研究院(湖州) , 电子科技大学
Abstract: 本发明公开一种利用生成对抗网络对ISAR微型集群目标实现噪声抑制方法及系统，通过构建生成对抗网络；将带噪仿真数据并输入到生成器，得到第一输出,根据所述第一输出与无噪声仿真数据进行比较从而参与生成器损失，且将第一输出与无噪声仿真数据都输入到判别器进行去噪判别，将判别结果返回参与生成器损失；同时将实测数据并输入到生成器，得到第二输出，将第二输出输入判别器得到判别结果，将判别结果返回参与生成器损失。本发明提供的方法将实测数据加入训练过程，能够在实现增强鸟群信号强度的同时实现噪声抑制。不仅能较好的消除噪声，并且能够增强信号强度，在一定程度上提高了距离向分辨率。需要少量的仿真数据即可完成去噪。一定程度上提高距离向分辨率。
-
公开(公告)号：CN115775332A
公开(公告)日：2023-03-10
申请号：CN202211487873.0
申请日：2022-11-25
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06V10/764 , G06V10/82 , G06V10/74 , G06V10/774 , G06N3/0455 , G06N3/08
Abstract: 本发明公开一种基于VIT模型和原型网络的可解释SAR目标识别方法及系统，首先把数据集分为训练集与测试集,使用训练集来训练VIT模型；从训练集种选择部分数据作为支持集，并设置支持集的类别，使用训练好的VIT模型对支持集数据进行编码，得到支持数据编码向量；使用训练好的VIT模型对测试集进行编码，得到测试数据编码向量；计算测试数据编码向量各部位与支持数据编码向量各部位之间的L1距离，根据测试集数据与支持集数据的L1距离得到相似性向量；将相似性向量重新划分训练集与测试集，展平以后经过全连接网络进行训练与测试，最后得到分类结果。该方法使得神经网络在MSATR数据集上具有一定的可解释性；分类精度相对于原始VIT模型下降很低。
-
Patent Agency Ranking
公开(公告)号：CN114092520A
公开(公告)日：2022-02-25
申请号：CN202111398967.6
申请日：2021-11-19
Applicant: 电子科技大学长三角研究院(湖州) , 电子科技大学
Abstract: 本发明公开一种本发明提供的基于生成对抗网络的地面运动目标重聚焦方法及系统，通过距离多普勒成像算法生成训练样本；在散焦的运动目标中心位置生成理想高斯点标签图像；然后利用生成对抗网络，产生与标签图像接近的生成图像；通过判别网络得到判断结果，并将判别结果返回给生成网络，直到生成网络的输出到达预设条件；利用训练后的网络模型中，得到动目标聚焦的输出图像。该方法与传统的SAR动目标成像算法相比，可以直接将多个散焦的运动目标同时处理为聚焦良好的目标。传统的SAR数据处理方法，消除噪声和目标聚焦都是需要分别进行。本方法通过网络训练可以实现在消除噪声的同时完成动目标的重聚焦，一次实现两种功能。
-
公开(公告)号：CN113572710A
公开(公告)日：2021-10-29
申请号：CN202110826554.7
申请日：2021-07-21
Applicant: 应急管理部四川消防研究所 , 电子科技大学长三角研究院(湖州)
Abstract: 本发明公开一种基于生成对抗网络的WVD时频分析交叉项抑制方法及系统、存储介质，首先构建生成式对抗GAN网络，所述GAN网络包括生成器G和判别器D：所述生成器G用于获取样本数据；所述判别器D用于判断输入数据是否为真实数据；获取含有交叉项的图像和消除交叉项的图像；以相互博弈的方式对生成器与判别器进行训练，直到消除含有交叉项的图像中的交叉项。本发明提供的方法，结合深度学习网络，利用网络端到端的特性与制备交叉项数据的便利性、多样性；实现消除多分量调频信号在WVD变换中产生的交叉项。相比传统方法是更为迅速的。在高信噪比情况下只需改变训练集便可继续发挥，比传统方法所使用的消除交叉项更加的准确。
-
公开(公告)号：CN113989163B
公开(公告)日：2024-08-02
申请号：CN202111369184.5
申请日：2021-11-18
Applicant: 电子科技大学长三角研究院(湖州) , 电子科技大学
IPC: G06T5/70 , G06T5/60 , G06N3/0475 , G06N3/094
Abstract: 本发明公开一种利用生成对抗网络对ISAR微型集群目标实现噪声抑制方法及系统，通过构建生成对抗网络；将带噪仿真数据并输入到生成器，得到第一输出,根据所述第一输出与无噪声仿真数据进行比较从而参与生成器损失，且将第一输出与无噪声仿真数据都输入到判别器进行去噪判别，将判别结果返回参与生成器损失；同时将实测数据并输入到生成器，得到第二输出，将第二输出输入判别器得到判别结果，将判别结果返回参与生成器损失。本发明提供的方法将实测数据加入训练过程，能够在实现增强鸟群信号强度的同时实现噪声抑制。不仅能较好的消除噪声，并且能够增强信号强度，在一定程度上提高了距离向分辨率。需要少量的仿真数据即可完成去噪。一定程度上提高距离向分辨率。
-
公开(公告)号：CN114092520B
公开(公告)日：2023-12-26
申请号：CN202111398967.6
申请日：2021-11-19
Applicant: 电子科技大学长三角研究院(湖州) , 电子科技大学
IPC: G06T7/246 , G06T5/00 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 本发明公开一种本发明提供的基于生成对抗网络的地面运动目标重聚焦方法及系统，通过距离多普勒成像算法生成训练样本；在散焦的运动目标中心位置生成理想高斯点标签图像；然后利用生成对抗网络，产生与标签图像接近的生成图像；通过判别网络得到判断结果，并将判别结果返回给生成网络，直到生成网络的输出到达预设条件；利用训练后的网络模型中，得到动目标聚焦的输出图像。该方法与传统的SAR动目标成像算法相比，可以直接将多个散焦的运动目标同时处理为聚焦良好的目标。传统的SAR数据处理方法，消除噪声和目标聚焦都是需要分别进行。本方法通过网络训练可以实现在消除噪声的同时完成动目标的重聚焦，一次实现两种功能。
-
公开(公告)号：CN115293223A
公开(公告)日：2022-11-04
申请号：CN202210536222.X
申请日：2022-05-17
Applicant: 电子科技大学长三角研究院(湖州) , 电子科技大学
Abstract: 本发明公开一种深度学习中相位解缠的细节损失优化方法及系统、存储介质，该方法通过构建用于进行相位解缠的生成对抗网络：包括生成器和判别器；所述生成器用于对缠绕相位数据进行解缠并生成图像；所述判别器用于判别生成器生成的图像的真假结果；确定生成对抗网络的混合损失函数，并通过训练生成对抗网络处理需要处理相位解缠数据。通过设置具有混合损失函数的生成对抗网络，经过训练的GAN保留使相位解缠结果尽可能保留纹理细节，有效的抑制了斑点噪声，显著降低了山谷中的斑点噪声。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.052 seconds)
