-
公开(公告)号：CN120028767A
公开(公告)日：2025-05-23
申请号：CN202510156229.2
申请日：2025-02-12
Applicant: 西安电子科技大学
IPC: G01S7/41 , G06F18/214 , G06F18/213 , G06F18/25 , G06F18/24 , G06N3/0455 , G06N3/0499 , G06N3/098 , G06N3/084
Abstract: 本发明公开了一种多模态层次化混合融合雷达目标识别方法，包括：构建包括多个类别目标的多模态数据集，包括航迹信息、HRRP回波信号以及JEM调制谱；构建包括航迹特征提取网络、HRRP特征提取网络以及JEM特征提取网络的特征提取模块；以航迹信息为纽带，应用多模态联合学习进行层次化特征对齐，以对特征提取模块进行训练；构建包括特征层次化融合增强网络、无键值注意力网络、聚合特征分类网络、单模态分类网络以及混合融合网络的特征融合模块；对特征融合模块进行训练，以与特征提取模块一起形成多模态层次化混合融合雷达目标识别模型，从而实现多模态雷达目标识别。该方法提高了识别的准确性和鲁棒性，具有更好的泛化性能和稳定性。
-
公开(公告)号：CN119936875A
公开(公告)日：2025-05-06
申请号：CN202510412780.9
申请日：2025-04-03
Applicant: 西安电子科技大学
IPC: G01S13/89 , G06F18/25 , G06F18/2431 , G06N3/0464
Abstract: 本发明公开了一种资源受限条件下的雷达目标多模数据稳健识别方法，包括：将待识别雷达多模态数据输入训练完成的雷达多模态数据识别模型；其中，数据的模态包括：高分辨一维距离像模态、窄带调制谱模态和状态信息序列模态；模型包括单模态混合专家学习模块和多模态特征置信融合模块；根据训练完成的多模态特征置信融合模块以及根据训练完成的单模态混合专家学习模块得到的雷达各模态数据对应的特征得到雷达各模态数据对应的证据、不确定度和类别概率，并进行置信融合，根据得到的目标置信融合结果得到识别结果。本发明充分挖掘了雷达数据各个模态的特征，提高了对雷达多模态数据描述的精确性，并通过置信融合提升了目标识别的可靠性和准确性。
-
公开(公告)号：CN116258874B
公开(公告)日：2025-04-29
申请号：CN202310146802.2
申请日：2023-02-21
Applicant: 西安电子科技大学
IPC: G06V10/72 , G06V20/10 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于深度条件扩散网络的SAR识别数据库样本姿态扩充方法，包括：利用多幅真实的SAR图像构建训练数据集，训练数据集包括多个目标类别，每个类别包括多个图像样本；构建深度条件扩散网络，深度条件扩散网络包括一个时间步编码模块、一个类别标签编码模块、一个方位角编码模块、一个编码融合模块、一个特征图构建模块、多个下采样模块、多个中间过渡模块、多个上采样模块和一个图像还原模块；利用训练数据集对深度条件扩散网络进行训练，获得经训练的深度条件扩散网络；利用经训练的深度条件扩散网络生成SAR图像。本发明能够生成高质量的指定类别和方位角的SAR图像，从而实现对SAR识别数据库样本数量及姿态的扩充。
-
公开(公告)号：CN119783042A
公开(公告)日：2025-04-08
申请号：CN202510265440.8
申请日：2025-03-07
Applicant: 西安电子科技大学
IPC: G06F18/25 , G06F18/213 , G06F18/214 , G06N5/025 , G06N3/042 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了一种基于知识嵌入模型的雷达目标多模数据融合识别方法，涉及雷达技术领域，包括：获取待识别的雷达回波数据和对应的领域知识数据；将待识别的雷达回波数据和对应的领域知识数据输入至训练好的雷达目标识别网络进行处理，提取待识别的雷达回波数据中的距离像特征令牌，提取领域知识数据的领域知识文本特征令牌，并将距离像特征令牌和领域知识文本特征令牌进行融合识别，得到待识别目标的融合识别结果；其中，训练好的雷达目标识别网络以预设类别数据作为训练数据集，对初始的雷达目标识别网络进行训练得到。本发明能够提高目标识别性能。
-
公开(公告)号：CN119131477A
公开(公告)日：2024-12-13
申请号：CN202411175556.4
申请日：2024-08-26
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于多模态知识蒸馏传输的SAR图像分类方法，涉及土地覆盖分类技术领域。本发明的基于多模态知识蒸馏传输的SAR图像分类方法，构建了一个包括教师模型和学生模型的多模态知识蒸馏模型，利用训练完成的学生模型对待测SAR图像进行分类识别。在模型在训练过程中，基于知识蒸馏传输的光学‑SAR知识迁移策略实现了不同模态图像之间以及图像文本模态之间的知识迁移，可以从遥感光学图像的教师模型中提取多级语义特征辅助SAR图像的学生模型的学习，并且以最优传输方法进行图像语义和多标签文本语义的对齐，克服了光学和SAR图像在不同环境条件下识别能力的不足，有效地提高了SAR图像多标签地物类型判别的精度。
-
公开(公告)号：CN118395295A
公开(公告)日：2024-07-26
申请号：CN202410377652.0
申请日：2024-03-29
Applicant: 西安电子科技大学
IPC: G06F18/2415 , G06F18/214 , G06N3/04 , G06N3/0895 , G01S7/41
Abstract: 本发明公开了一种基于早期学习指导的半监督HRRP噪声标签过滤方法，包括：构建HRRP训练数据集及深度神经网络模型；对深度神经网络模型进行预训练；利用预训练后的网络模型对HRRP训练数据集进行预测并根据置信度划分为两个数据集；构建已知标签数据集和未知标签数据集以形成半监督训练数据集并进行数据增强；利用增强后的数据对网络模型进行半监督训练；利用半监督训练后的网络模型生成未知标签数据集的标签并对网络模型进行全监督训练；利用全监督训练后的网络模型对HRRP数据进行目标识别。本发明在模型早期学习训练阶段使用广义交熵损失函数，提出适用于HRRP的数据增强方案，可以更好地降低噪声标签对模型的影响，具备更好的稳定性和可实施性。
-
公开(公告)号：CN114994657B
公开(公告)日：2024-07-16
申请号：CN202210182301.5
申请日：2022-02-25
Applicant: 西安电子科技大学
IPC: G01S13/88 , G06N3/06 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种基于重频自适应网络的雷达重频变化稳健目标识别方法，包括：步骤1：获取待测回波信号，待测回波信号包含重频信息；步骤2：将待测回波信号和待测回波信号的重频信息输入至训练完成的重频自适应网络，得到分类结果。其中，重频自适应网络是基于训练数据集以及训练辅助数据集所训练获得的；重频自适应网络包括连接的自适应卷积核生成模块和卷积神经网络模块。本发明构建了重频自适应网络，利用回波信号及其重频信息对构建的网络进行训练，根据重频信息对网络结构进行自适应地调整，进而学习出在当前重频条件下可分性更好的特征，在雷达重频发生变化时仍具有较好的分类效果，具备较好的稳健性能。
-
公开(公告)号：CN118228193A
公开(公告)日：2024-06-21
申请号：CN202410377662.4
申请日：2024-03-29
Applicant: 西安电子科技大学
IPC: G06F18/25 , G06F18/213 , G06F18/214 , G06N3/0455 , G06N3/045 , G06N3/0464
Abstract: 本发明提供了一种基于CPSA‑Conformer的HRRP融合识别方法及装置，包括：从雷达系统获取目标反馈的回波信号；将所述回波信号输入训练好的特征融合识别模型中，以使所述特征融合识别模型通过两个并行的特征提取支路提取所述回波信号的HRRP特征和频谱幅度特征；将所述HRRP特征与所述频谱幅度特征作加权特征融合得到融合特征；对所述融合特征分类得到所述目标的所属型号。本发明针对传统的目标识别方法不能充分挖掘不同域特征之间的互补信息的问题，利用HRRP的时域和频域特征，结合深度学习进行特征提取和融合，实现了对不同域特征的深入挖掘，降低了误判率，提升识别性能。
-
公开(公告)号：CN113325380B
公开(公告)日：2024-04-02
申请号：CN202110589218.5
申请日：2021-05-28
Applicant: 西安电子科技大学
IPC: G01S7/41 , G06F18/24 , G06F18/214 , G06F18/213 , G06F18/10
Abstract: 本发明公开了一种基于蒙德里安森林的空中微动目标分类在线建库方法，主要解决现有技术无法利用新样本集快速提升RF模型的分类性能，浪费人力物力资源的问题。其实现方案是：生成初始训练样本集、新增训练样本集、测试样本集，并分别对其进行特征提取，获得初始训练样本集的特征矩阵、新增训练样本集的特征矩阵、测试样本集的特征矩阵；将初始训练样本集的特征矩阵输入到MF分类器进行训练，得到预训练模型；利用新增训练样本集的特征矩阵，更新预训练模型获得新模型；将测试样本集的特征矩阵输入到新模型，得到测试样本集的分类结果。本发明利用新样本集高效地更新MF模型，提升了对空中飞机目标的分类正确率，可用于目标识别。
-
公开(公告)号：CN113486917B
公开(公告)日：2023-06-02
申请号：CN202110535025.1
申请日：2021-05-17
Applicant: 西安电子科技大学
IPC: G06F18/214 , G06F18/241 , G06N3/0464 , G01S7/41
Abstract: 本发明公开了一种基于度量学习的雷达HRRP小样本目标识别方法，包括首先构建多目标HRRP样本集，通过基于特征适应层和转换运算层改进的卷积神经网络训练出特征提取模型，利用所提取的特征计算每个类别的中心点，再利用度量函数构建损失函数，利用经过特征提取之后的非合作小样本目标的HRRP特征数据基于梯度优化的全连接层训练分类器，以此实现非合作小样本目标识别。本发明通过构建特征适应层和转换运算层来改进卷积神经网络，进一步提高了特征提取器的泛化能力。
