-
公开(公告)号：CN119513673A
公开(公告)日：2025-02-25
申请号：CN202510088314.X
申请日：2025-01-21
Applicant: 西安电子科技大学
Abstract: 本发明提供一种基于深度概率动态建模的小样本HRRP识别方法，涉及雷达目标识别技术领域。包括：对HRRP样本数据依次进行预处理和序列形式的转化，得到序列数据；构建序列数据对应的张量概率动态网络模型，张量概率动态网络模型包括张量概率动态网络生成模型和张量递归推断网络模块；将待识别序列数据输入训练完成的张量概率动态网络模型，使张量概率动态网络模型输出待识别序列数据的类别，训练完成的张量概率动态网络模型是根据序列数据，利用目标损失函数对张量概率动态网络模型进行训练得到的网络模型。在小样本条件下，通过训练完成的张量概率动态网络模型可以对待识别序列数据进行更好的分类识别，使HRRP的目标识别的准确性较高。
-
公开(公告)号：CN118885974B
公开(公告)日：2025-01-03
申请号：CN202411352103.4
申请日：2024-09-26
Applicant: 西安电子科技大学
IPC: G06F18/25 , G06F18/15 , G06F18/213 , G06F18/2415 , G06F18/214 , G06F18/21 , G06N3/0464 , G06N3/045 , G06N3/0499 , G06N3/084 , G01S13/58 , G01S13/89 , G01S7/41
Abstract: 本发明公开了一种基于雷达多模态数据的智能目标融合识别方法及系统，包括：获取待识别目标的雷达多模数据；将待识别目标的雷达多模数据输入至训练好的多模雷达数据目标融合识别模型中，依次进行单模特征提取，分别得到多个单模特征，根据多个单模特征，进行基于多模特征学习子空间约束的模态间相似性特征和本征特征学习，将学习到的多个模态间相似性特征进行压缩，得到多模相似性特征，将学习到的多个本征特征和多模相似性特征进行注意力融合，并输出识别概率，得到待识别目标的雷达多模数据中目标的分类识别结果。本发明能够高效、稳健地对目标进行识别。
-
公开(公告)号：CN118781320A
公开(公告)日：2024-10-15
申请号：CN202410762954.X
申请日：2024-06-13
Applicant: 西安电子科技大学
IPC: G06V10/25 , G06V20/10 , G06V20/54 , G06V10/44 , G06V10/42 , G06V10/52 , G06V10/80 , G06V10/764 , G06V10/766 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/09 , G06N3/048
Abstract: 本发明公开了一种基于多尺度感知和Transformer辅助注意力生成的SAR目标检测方法，包括：获取SAR图像的待检切片；输入SAR目标检测模型得到初步检测结果；其中，SAR目标检测模型是对基于多尺度特征感知和Transformer辅助注意力生成的轻量化SAR图像目标检测网络，利用样本SAR图像的训练集训练得到的；将初步检测结果进行NMS操作以去除重叠检测框，得到目标检测结果；其中，目标检测结果含有目标的类别。本发明所提供的SAR目标检测模型将Transformer和CNN相结合，增强了特征的多样性，并充分利用多尺度特征，在尽可能保证检测网络轻量化的条件下，提升了复杂场景下SAR图像飞机目标检测识别一体化任务的性能。
-
公开(公告)号：CN118552913A
公开(公告)日：2024-08-27
申请号：CN202410243536.X
申请日：2024-03-04
Applicant: 西安电子科技大学
IPC: G06V20/54 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种复合多个网络架构的SAR目标检测方法，包括：获取待测数据，待测数据包括SAR图像数据、梯度图数据和CFAR二值指示图数据；其中，梯度图数据和CFAR二值指示图数据通过对SAR图像数据处理后获取；使用滑窗切片的方法对待测数据进行处理，得到待测数据的多张切片；使用训练好的目标检测网络，对待测数据的多张切片进行处理，得到目标检测结果；对目标检测结果进行NMS操作，去除重叠的目标检测框，再基于场景分割辅助车辆目标检测的去虚警方法对去除重叠的目标检测框的目标检测结果后处理，得到最终的目标检测结果。本发明能够提高目标检测的准确率和召回率。
-
公开(公告)号：CN118535975A
公开(公告)日：2024-08-23
申请号：CN202410787677.8
申请日：2024-06-18
Applicant: 西安电子科技大学
IPC: G06F18/241 , G01S7/36 , G06F18/10 , G06F18/214 , G06N3/0464 , G06N3/0895 , G06N3/084 , G06N3/048 , G06F18/2415 , G06N3/047 , G06F18/25 , G06F18/213
Abstract: 本发明公开了一种基于跨域自监督学习雷达干扰识别方法，主要解决现有技术在训练标记样本受限条件下目标识别准确率差和泛化性差的问题。其方案是：获得预训练数据集和微调数据集；对预训练数据集进行增强；构建包括两个编码器模块、多模态特征融合模块和映射模块组成的跨域自监督学习雷达干扰识别网络模型；将增强数据输入到该模型进行训练，得到预训练后的干扰识别模型；将微调数据集输入到预训练后的干扰识别模型进行再训练，得到最终训练好的跨域自监督学习雷达干扰识别模型；将测试样本集输入到训练好的干扰识别模型中获取目标识别结果。本发明能在标记样本受限的条件下保证识别效果的稳定性和泛化性，提升雷达干扰识别精度，可用于复杂电磁环境的干扰识别。
-
Patent Agency Ranking
公开(公告)号：CN115061135B
公开(公告)日：2024-08-16
申请号：CN202210617357.9
申请日：2022-06-01
Applicant: 西安电子科技大学
IPC: G01S13/90
Abstract: 本发明提出一种空中目标三维姿态与尺寸联合估计方法，该方法包括：1)获取ISAR图像序列；2)对ISAR图像序列进行预处理；3)利用Harris检测方法对预处理后的图像序列进行角点检测；4)基于图像的角点对预处理后的图像序列中的目标进行凸包检测；5)基于凸包检测结果提取预处理后的图像序列中目标的投影物理线特征；6)对于ISAR序列中的每一帧图像，构造空中目标从三维结构映射到对应二维成像平面上的投影矩阵；7)基于目标的投影物理线特征，结合投影矩阵，实现目标三维姿态与尺寸的联合估计。本发明仅提取空中目标的五个轮廓特征点，减少特征点数目提取，并降低特征关联的复杂度，提高目标三维参数估计的效率。
-
公开(公告)号：CN118409289A
公开(公告)日：2024-07-30
申请号：CN202410377644.6
申请日：2024-03-29
Applicant: 西安电子科技大学
IPC: G01S7/41
Abstract: 本发明涉及一种基于时空特征知识蒸馏的轻量级雷达目标识别方法，该方法包括：将待识别目标的雷达HRRP数据输入预先训练的学生模型；预先训练的所述学生模型输出所述待识别目标的类别；其中，预先训练的所述学生模型为通过预先训练的教师模型、预先构建的时空特征转移模块和预先构建的多尺度特征提取模块对所述学生模型进行知识蒸馏后得到。通过上述技术方案，通过教师模型对学生模型进行指导。并利用时空特征转移模块提取待识别目标的雷达HRRP数据的时序特征和空间特征，提高蒸馏性能，并通过预先构建的多尺度特征提取模块获取并利用多个尺度的特征图的空间信息，丰富特征空间，在节约计算成本和时间成本的基础上，具有较高的准确率和实时性。
-
公开(公告)号：CN114690127B
公开(公告)日：2024-07-16
申请号：CN202210295920.5
申请日：2022-03-24
Applicant: 西安电子科技大学
IPC: G01S7/282
Abstract: 本发明公开了一种基于FT‑M6678的大时宽带宽信号实时脉压方法，包括：依据FT‑M6678的内核数对匹配滤波器系数进行分段与存储；对需要进行脉冲压缩的大时宽带宽信号进行分段，获取分段后的大时宽带宽信号片段，其中，所述匹配滤波器系数片段和所述大时宽带宽信号片段的数量相等；利用FT‑M6678的各个内核对各段大时宽带宽信号片段进行并行脉冲压缩处理；对每个内核获得的各段大时宽带宽信号片段的脉压结果进行整合和拼接，获得所述大时宽带宽信号的脉冲压缩结果。本发明针对大时宽宽带信号和匹配滤波器系数同时进行分段，有效避免了大时宽带宽信号脉压处理的无效运算，节省了脉冲压缩的耗时，同时提升了内核资源的利用率。
-
公开(公告)号：CN114137518B
公开(公告)日：2024-07-12
申请号：CN202111199838.4
申请日：2021-10-14
Applicant: 西安电子科技大学
IPC: G01S13/89 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于卷积神经网络的雷达高分辨距离像开集识别方法及装置，该方法包括：获取雷达高分辨距离像并建立训练样本集和测试样本集；对训练样本集和测试样本集中的数据进行预处理，得到预处理后的训练样本集和测试样本集；构建卷积神经网络模型；利用预处理后的训练样本集训练卷积神经网络模型，得到训练好的卷积神经网络；利用预处理后的测试样本集对训练好的卷积神经网络进行开集识别，得到基于卷积神经网络的雷达高分辨距离像开集识别结果。本发明提供的方法不仅可用于对库内已知类别目标进行识别分类，同时可拒判库外未知类别目标，提高了目标识别准确率，进而提升了雷达了的自动化和智能化水平。
-
公开(公告)号：CN113743180B
公开(公告)日：2024-05-07
申请号：CN202110491864.8
申请日：2021-05-06
Applicant: 西安电子科技大学
IPC: G06V20/13 , G06V10/764 , G06V10/774 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于CNNKD的雷达HRRP小样本目标识别方法，包括：构建多类别的HRRP样本集；对HRRP样本集进行处理得到有效HRRP样本集；利用有效HRRP样本集构建库内目标HRRP训练样本集；将库内目标HRRP训练样本集输入卷积神经网络进行训练得到基模型；根据基模型和子模型的输出得到损失值；利用损失值进行反向传播，根据Adam优化算法对子模型进行优化得到特征提取器；通过特征提取器对多类别非合作目标小样本训练集进行特征提取得到非合作目标的特征数据；对多个类别的非合作目标的特征数据进行训练得到分类器。本发明目标识别方法有效提高了目标识别模型的准确率，并且对新的非合作目标，仅需要重新训练浅层线性分类器即可，无需重新训练特征提取器，节省了计算开支。
-
-
-
-
-
-
-
-
-
Search Results
932
records
(took 0.048 seconds)
