-
公开(公告)号：CN113486898A
公开(公告)日：2021-10-08
申请号：CN202110774967.5
申请日：2021-07-08
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法及系统，构建干扰条件下的雷达信号RD图像数据集，将雷达信号RD图像数据集划分为训练样本和测试样本；构建注意力增强的ShuffleNet识别模型，设定注意力增强的ShuffleNet识别模型分类任务的损失函数；利用训练样本对注意力增强的ShuffleNet识别模型进行训练；将测试样本输入训练完的注意力增强ShuffleNet识别模型中，预测输出测试样本类别及置信度分数，完成雷达信号RD图像干扰辨识。本发明引入注意力增强模块，从通道信息交互层面来加强特征通道间的交互，提高特征的判别性，从而提升干扰下图像雷达信号RD图像识别精度。
-
Patent Agency Ranking
公开(公告)号：CN119942347A
公开(公告)日：2025-05-06
申请号：CN202510118945.1
申请日：2025-01-24
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/764 , G06T5/50 , G06T3/4038 , G06T3/4046 , G06V10/77 , G06V10/82 , G06N3/0499 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了基于对偶光谱亲和约束的高光谱异常检测方法，包括以下步骤；步骤1：对输入高光谱图像H进行预处理；步骤2，构建基于对偶光谱亲和约束的高光谱异常检测模型Ω；所述高光谱异常检测模型Ω以预处理的高光谱图像H为输入，将重构#imgabs0#拼接成重构图像H′，计算对高光谱图像H和重构图像H′的重构误差，并计算马氏距离得到异常检测结果；步骤3：定义高光谱异常检测模型Ω的均方误差损失函数Loss；步骤4：训练高光谱异常检测模型Ω；步骤5：利用完成训练的高光谱异常检测模型Ω进行异常检测重构。本发明具有同时捕捉每个像素独特特征以及与邻域像素之间的光谱亲和关系的特点。
-
公开(公告)号：CN113486898B
公开(公告)日：2024-05-31
申请号：CN202110774967.5
申请日：2021-07-08
Applicant: 西安电子科技大学
IPC: G06V10/30 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法及系统，构建干扰条件下的雷达信号RD图像数据集，将雷达信号RD图像数据集划分为训练样本和测试样本；构建注意力增强的ShuffleNet识别模型，设定注意力增强的ShuffleNet识别模型分类任务的损失函数；利用训练样本对注意力增强的ShuffleNet识别模型进行训练；将测试样本输入训练完的注意力增强ShuffleNet识别模型中，预测输出测试样本类别及置信度分数，完成雷达信号RD图像干扰辨识。本发明引入注意力增强模块，从通道信息交互层面来加强特征通道间的交互，提高特征的判别性，从而提升干扰下图像雷达信号RD图像识别精度。
-
公开(公告)号：CN119068209A
公开(公告)日：2024-12-03
申请号：CN202411160562.2
申请日：2024-08-22
Applicant: 西安电子科技大学
IPC: G06V10/44 , G06V10/74 , G06N3/048 , G06N3/0464 , G06N3/047 , G06N3/0442 , G06N3/045 , G06N3/09 , G06T7/50
Abstract: 基于边缘增强与自适应视角的大规模多视图立体匹配方法，包括以下步骤；步骤(1)：将高分辨率航拍图像三维重建的数据集一部分作为训练样本，另一部分作为测试样本；步骤(2)：构建轻量级边缘增强的自适应多视图聚合匹配模型：步骤(3)：设定模型中的绝对深度估计任务、多视图聚合加权任务、边缘区域感知任务的整体损失函数L：步骤(4)：训练步骤(2)构建的模型：步骤(5)：将测试样本输入到包含权重参数的轻量级边缘增强的自适应多视图聚合匹配模型中，预测输出测试样本中各像素深度值及置信度分数。本发明加强源视图对参考视图深度估计任务的贡献效率，提高大规模航拍图像深度估计的精度与边缘部分的重建精度，同时降低了资源占用。
-
公开(公告)号：CN117574202A
公开(公告)日：2024-02-20
申请号：CN202311456493.5
申请日：2023-11-03
Applicant: 西安电子科技大学 , 中国电子科技集团公司第二十九研究所
IPC: G06F18/24 , G06N3/0464 , G06N3/045 , G06F18/214 , G06F18/25 , G06N3/084
Abstract: 本发明公开了一种基于多时序特征融合的雷达天线扫描方式识别方法，主要解决现有技术由于全局时序特性建模能力不足，导致雷达信号天线扫描方式识别精度低的问题。其实现方案是：将以获取的雷达信号分为训练样本和测试样本；将一维CNN分支网络和transformer网络并联，再与卷积神经网络的全连接层级联，构建基于多时序特征融合的雷达天线扫描方式识别模型，并根据模型的输出概率构建其损失函数；基于训练样本计算损失值对模型参数的梯度并对其进行迭代参数更新，得到训练好的雷达天线扫描方式识别模型；将测试样本输入到训练好的模型中得到测试样预测类别。本发明能提高雷达信号天线扫描方式识别的精度，可用于低侦察截获雷达系统。
-
公开(公告)号：CN117520939A
公开(公告)日：2024-02-06
申请号：CN202311459399.5
申请日：2023-11-03
Applicant: 西安电子科技大学 , 中国电子科技集团公司第二十九研究所
IPC: G06F18/2415 , G06F18/213 , G06F18/214 , G06F18/25 , G06N3/045 , G06N3/084 , G06N3/0464
Abstract: 本发明提出了一种基于多路概率生成网络的小样本雷达辐射源信号识别方法，实现步骤为：获取训练样本集、小样本集和测试样本集；构建基于多路概率生成网络的雷达辐射源信号识别模型；初始化参数；对雷达辐射源信号识别模型进行训练；获取训练好的雷达辐射源信号识别模型；利用小样本集对训练好的雷达辐射源信号识别模型进行更新；获取小样本雷达辐射源信号识别结果。本发明中多路概率生成网络将类内特征与类别特征融合结果经过解码器得到重构特征，利用重构特征和类别特征共同参与雷达辐射源信号识别模型的训练，避免了训练样本不足导致的过拟合问题，从而提升了数据特征的质量，实验表明，本发明能够有效提高小样本雷达辐射源信号识别的准确率。
-
-
-
-
-
Search Results
6
records
(took 0.023 seconds)
