-
公开(公告)号：CN119959979A
公开(公告)日：2025-05-09
申请号：CN202510063865.0
申请日：2025-01-15
Applicant: 西安电子科技大学
Abstract: 本发明公开一种针对非平稳非合作卫星信号的频率与相位连续估计方法，其实现的步骤为：对非合作卫星信号进行瞬时估计，得到初始时刻的同步参数作为环路的初始值；将初始值带入载波跟踪和码跟踪环路，得到当前时刻的环路鉴相结果；在当前时刻的环路鉴相结果超出环路的噪声带宽范围时，采用瞬时估计算法估计当前时刻信号的同步参数，并补偿环路鉴相结果，继续下一时刻环路迭代；输出信号频率和相位的连续估计结果。本发明充分采用信号瞬时参数估计和连续跟踪参数估计算法优势互补，在满足非合作信号实时采集处理的需求的同时，大大提高了非平稳信号频率和相位连续估计的稳定性。
-
公开(公告)号：CN116958792B
公开(公告)日：2025-04-29
申请号：CN202310867989.5
申请日：2023-07-14
Applicant: 西安电子科技大学
IPC: G06V10/98 , G01S7/41 , G01S13/90 , G01S13/86 , G06V10/80 , G06V10/766 , G06V10/764 , G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06V10/26
Abstract: 本发明公开了一种辅助SAR车辆目标检测的去虚警方法，涉及雷达目标检测技术领域，解决了现有技术中对目标进行检测时，虚警率较高，且容易出现低质量的检测框，难以对目标进行精准检测的问题；方法包括：获取相互配准的SAR图像和光学遥感图像；将SAR图像输入至训练好的目标检测网络中，得到初步目标检测结果；将光学遥感图像输入至训练好的目标分割网络，得到目标分割结果；将目标检测结果中边界框位置映射至分割图像上，计算处于边界框内部的所有非车辆目标像素点之和，根据一定阈值，去除初步目标检测结果中的虚警。本发明在原有目标检测框架基础上增强了预测特征层的特征表示能力，实现了复杂场景下去除虚警的功能，提升了SAR图像目标检测效果。
-
公开(公告)号：CN119671873A
公开(公告)日：2025-03-21
申请号：CN202411647301.3
申请日：2024-11-18
Applicant: 西安电子科技大学
IPC: G06T5/60 , G06T3/4053 , G06T3/4046 , G06N3/0455 , G06N3/084 , G06V10/80 , G06V10/44 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一项基于深度学习的SAR智能重聚焦方法，主要解决传统SAR图像重聚焦中相位误差建模复杂、图像分辨率低、细节丢失的问题。其实现方案是：获取SAR纯净图像和对应散焦图像的数据集并划分为训练集、验证集和测试集；构建包含编码器和解码器的深度学习网络；利用训练集进行前向和反向传播迭代训练该网络，并在验证集上评估更新模型参数得到训练好的网络模型；将测试集中的散焦图像输入到训练好的网络模型中，通过编码器提取图像特征并通过解码器重建高分辨率图像获取复原图像结果。本发明能有效提取SAR图像的深层特征，缓解梯度消失，有效融合不同层次的特征，提升SAR图像的重建质量和分辨率，增强复原后图像的细节表现，可用于雷达成像及评价。
-
公开(公告)号：CN119624806A
公开(公告)日：2025-03-14
申请号：CN202411665400.4
申请日：2024-11-20
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种图像智能分解的SAR干扰抑制方法，主要解决现有方法对复杂电磁环境下SAR成像干扰抑制效果差的问题。其实现方案是：获取实测数据，生成干扰信号；使用成像算法对实测数据、干扰信号和由干扰与实测组成的混合数据分别成像，划分训练集和测试集；构建包括图像分解网络和干扰抑制网络的图像分解干扰抑制网络，并利用训练集采用反向传播对该网络进行迭代训练；将测试集输入到训练好的图像分解干扰抑制网络，获取干扰抑制后的图像。本发明在图像层面进行干扰抑制，能对特定场景进行充分的干扰抑制训练，提高了对图像数据的利用率和对特定场景干扰的抑制的能力，可用于目标探测中抑制复杂电磁环境下对雷达成像造成的各种干扰。
-
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。
-
Patent Agency Ranking
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。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
950
records
(took 0.041 seconds)
