-
公开(公告)号：CN108828547B
公开(公告)日：2022-04-29
申请号：CN201810650951.1
申请日：2018-06-22
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于深度神经网络的米波雷达低仰角测高方法，解决了低仰角情况下模型失配问题，包括以下步骤：回波数据预处理得到归一化的幅度谱；构造压缩网络及与其结构对称的解压网络组成DNN，将归一化的幅度谱作为DNN的输入得到特征F并解压处理得到解压数据，用Adam算法与BP算法对DNN参数的权值W和偏置b进行训练与微调，完成深度神经网络的构建与训练；网络达到最优时，将训练集中的全部数据输入压缩网络并单位化得到特征基集；将预处理后的测试集数据输入训练好的DNN得到特征F′并投影在训练集的特征基集中确定目标来波角度，计算目标高度。本发明提高了雷达测高精度，在低仰角、模型失配情况下依然有效，用于米波雷达低仰角测高领域。
-
公开(公告)号：CN108828547A
公开(公告)日：2018-11-16
申请号：CN201810650951.1
申请日：2018-06-22
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于深度神经网络的米波雷达低仰角测高方法，解决了低仰角情况下模型失配问题，包括以下步骤：回波数据预处理得到归一化的幅度谱；构造压缩网络及与其结构对称的解压网络组成DNN，将归一化的幅度谱作为DNN的输入得到特征F并解压处理得到解压数据，用Adam算法与BP算法对DNN参数的权值W和偏置b进行训练与微调，完成深度神经网络的构建与训练；网络达到最优时，将训练集中的全部数据输入压缩网络并单位化得到特征基集；将预处理后的测试集数据输入训练好的DNN得到特征F′并投影在训练集的特征基集中确定目标来波角度，计算目标高度。本发明提高了雷达测高精度，在低仰角、模型失配情况下依然有效，用于米波雷达低仰角测高领域。
-
公开(公告)号：CN109597048B
公开(公告)日：2023-08-11
申请号：CN201811442386.6
申请日：2018-11-29
Applicant: 西安电子科技大学
IPC: G01S7/41
Abstract: 本发明属于雷达技术领域，公开了一种基于二维卷积神经网络的米波雷达DOA估计方法，包括：获取P个点迹作为训练集；计算训练集中每个点迹的协方差矩阵，以及上三角元素组成上三角元素相位矩阵，得到对应的相位平均值矩阵和相位标准差矩阵；以第i个点迹对应的补零重排后的相位矩阵作为卷积神经网络的输入，得到第i个点迹的输出矩阵；根据目标函数对卷积神经网络的网络参数进行修正；获取实测目标点迹，将实测目标点迹的相位矩阵输入卷积神经网络中，重构实测目标点迹的协方差矩阵对目标点迹进行DOA估计，将DOA估计问题转化成一个纯粹的回归问题。
-
公开(公告)号：CN110471026A
公开(公告)日：2019-11-19
申请号：CN201910662647.3
申请日：2019-07-22
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种相位增强的米波雷达目标低仰角DOA估计方法，该方法包括对输入数据集进行归一化处理；将归一化的输入数据集输入至神经网络模型得到网络输出数据集；根据网络输出数据集、标签数据集构建目标函数，对目标函数进行反向传输，且更新神经网络模型的网络参数集；根据网络参数集对测试数据集进行增强得到新的数据协方差矩阵，根据新的数据协方差矩阵得到新的测试数据集；对新的测试数据集进行DOA估计得到目标的仰角。本发明提供的DOA估计方法，其神经网络模型是根据实际场景构建的，有效地解决了物理驱动DOA估计中存在的实际信号模型与理想的远场平面波模型失配问题，从而使得DOA估计精度更高。
-
公开(公告)号：CN110221241A
公开(公告)日：2019-09-10
申请号：CN201910357489.0
申请日：2019-04-29
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于RBF神经网络的低仰角DOA估计方法，包括以下步骤：S1：在实测数据中选取仰角为低仰角的点迹，将所述低仰角的点迹对应的真实仰角作为训练神经网络的标签Y，Y＝[y1,y2,...,yn]，根据标签yi得到与其对应的数据协方差矩阵Ri，从所述数据协方差矩阵Ri中提取对应的实部特征和虚部特征得到列向量ri；S2：将所有所述列向量[r1,r2,...,rn]归一化得到训练RBF神经网络的输入normX；S3：求取所述RBF神经网络基函数中心，并根据所述基函数中心计算基函数方差；S4：根据所述基函数方差计算隐含层和输出层之间的连接权值，以得到训练好的神经网络；S5：将测试集样本进行归一化处理，输入到所述训练好的神经网络中求取来波到达角。本发明提供的方法提高了目标侦察准确性，减少了计算量，解决了现有技术中在复杂环境下DOA估计精度较低计算量大的问题。
-
Patent Agency Ranking
公开(公告)号：CN119291603A
公开(公告)日：2025-01-10
申请号：CN202411431374.9
申请日：2024-10-14
Applicant: 合肥工业大学 , 西安电子科技大学杭州研究院
IPC: G01S3/14 , G06N3/0499 , G06N3/08 , G06N20/00
Abstract: 本发明公开了一种跨平台的相位增强超分辨DOA估计方法，属于达到方向估计领域，包括搭建DNN监督深度神经网络架构，提取相位差分布特征；搭建训练平台的雷达系统阵列；在训练平台对DNN监督深度神经网络进行训练，使用原始的噪声采样协方差矩阵和相应的干净采样协方差矩阵，通过补偿相位标签提取出无波长误差的相位分布特征，并将其输入定义的DNN进行训练；将训练好的DNN监督深度神经网络置于不同平台进行DOA估计，通过DNN监督深度神经网络输出的结果和跨平台变换公式完成跨平台的相位增强超分辨DOA估计。本发明采用上述的一种跨平台的相位增强超分辨DOA估计方法，有效减小了多径信号的相位扰动对DOA估计的负面影响，并且有效解决了跨平台频率变化的估计问题。
-
公开(公告)号：CN109597046A
公开(公告)日：2019-04-09
申请号：CN201811442372.4
申请日：2018-11-29
Applicant: 西安电子科技大学
IPC: G01S7/41
CPC classification number: G01S7/417
Abstract: 本发明属于雷达技术领域，公开了一种基于一维卷积神经网络的米波雷达DOA估计方法，包括：获取P个点迹作为训练集；计算训练集中每个点迹的协方差矩阵，以及上三角元素组成上三角元素相位矩阵，得到对应的相位平均值矩阵和相位标准差矩阵；以第i个点迹对应的按列重排后的相位矩阵作为卷积神经网络的输入，得到第i个点迹的输出矩阵；根据目标函数对卷积神经网络的网络参数进行修正；获取实测目标点迹，将实测目标点迹的相位矩阵输入卷积神经网络中，重构实测目标点迹的协方差矩阵对目标点迹进行DOA估计，将DOA估计问题转化成一个纯粹的回归问题。
-
公开(公告)号：CN119270223A
公开(公告)日：2025-01-07
申请号：CN202411422624.2
申请日：2024-10-12
Applicant: 合肥工业大学 , 西安电子科技大学杭州研究院
Abstract: 本发明公开了基于特征博弈的米波雷达低仰角去多径高精度测角方法，涉及雷达信号处理技术领域。本发明提供的基于特征博弈的米波雷达低仰角去多径高精度测角方法，包括根据实际阵地反射条件，建立天线阵列的接收信号模型；构建生成式对抗网络模型；基于特征博弈与多径抑制，对生成式对抗网络模型进行优化，增强目标回波的信号特征；基于增强后的信号，利用经典定位估计算法进行测角。因此，采用上述基于特征博弈的米波雷达低仰角去多径高精度测角方法，能够实现目标回波信号和多径信号的分离，并且在信噪比匹配或者不完全匹配的情况下，均能够提升米波雷达的测角精度。
-
公开(公告)号：CN109597047B
公开(公告)日：2022-11-18
申请号：CN201811442375.8
申请日：2018-11-29
Applicant: 西安电子科技大学
IPC: G01S7/41
Abstract: 本发明属于雷达技术领域，公开了一种基于有监督深度神经网络的米波雷达DOA估计方法，包括：获取P个点迹作为训练集；计算训练集中每个点迹的协方差矩阵，以及上三角元素组成上三角元素相位矩阵，得到对应的相位平均值矩阵和相位标准差矩阵；以第i个点迹对应的按列重排后的相位矩阵作为有监督深度神经网络的输入，得到第i个点迹的输出矩阵；根据目标函数对有监督深度神经网络的网络参数进行修正；获取实测目标点迹，将实测目标点迹的相位矩阵输入有监督深度神经网络中，重构实测目标点迹的协方差矩阵对目标点迹进行DOA估计，将DOA估计问题转化成一个纯粹的回归问题。
-
公开(公告)号：CN109597047A
公开(公告)日：2019-04-09
申请号：CN201811442375.8
申请日：2018-11-29
Applicant: 西安电子科技大学
IPC: G01S7/41
CPC classification number: G01S7/41
Abstract: 本发明属于雷达技术领域，公开了一种基于有监督深度神经网络的米波雷达DOA估计方法，包括：获取P个点迹作为训练集；计算训练集中每个点迹的协方差矩阵，以及上三角元素组成上三角元素相位矩阵，得到对应的相位平均值矩阵和相位标准差矩阵；以第i个点迹对应的按列重排后的相位矩阵作为有监督深度神经网络的输入，得到第i个点迹的输出矩阵；根据目标函数对有监督深度神经网络的网络参数进行修正；获取实测目标点迹，将实测目标点迹的相位矩阵输入有监督深度神经网络中，重构实测目标点迹的协方差矩阵对目标点迹进行DOA估计，将DOA估计问题转化成一个纯粹的回归问题。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.027 seconds)
