-
公开(公告)号：CN114280566A
公开(公告)日：2022-04-05
申请号：CN202111448633.5
申请日：2021-11-30
Applicant: 电子科技大学
IPC: G01S7/41 , G06V30/19 , G06V30/224 , G06V10/764
Abstract: 本发明公开了一种类标签关联一维距离像识别方法，属于雷达目标识别技术领域。本发明的类标签关联一维距离像识别方法利用训练数据集和对应的类标签矢量，构建类标签关联子空间，通过对输入目标的一维距离像样本进行关联投影，直接得到所属的类别信息，不需要引入分类器进行最后的类别决策，避免了常规识别方法由于采用分类器而使识别性能有所下降，从而改善了对目标的识别率。
-
公开(公告)号：CN108828574B
公开(公告)日：2022-02-08
申请号：CN201810383340.5
申请日：2018-04-26
Applicant: 电子科技大学
Abstract: 本发明属于雷达目标识别技术领域，具体的说是一种类间分离增强子空间真假目标特征提取方法。本发明的方法利用类间分离程度作为增强因子，加大了类间分离大的数据样本在建立子空间过程中的作用，进一步增大异类之间的分离程度，从而提高目标识别性能，即使目标区域有混叠的情况下，仍然能获得高的识别率，对四类仿真目标的一维距离像数据进行了仿真实验，实验结果验证了方法的有效性。
-
-
公开(公告)号：CN108828533B
公开(公告)日：2021-12-31
申请号：CN201810383375.9
申请日：2018-04-26
Applicant: 电子科技大学
Abstract: 本发明属于雷达目标识别技术领域，具体的说是一种类内样本相似结构保持非线性投影特征提取方法。本发明的方法利用类内样本相似结构计算目标函数，建立非线性投影矩阵，在目标样本数据分布出现非线性的情况下，能够保持类内样本相似的局部结构，获得非线性投影特征，克服了常规非线性子空间只能提取样本数据全局非线性特征的缺点，从而提高了目标识别性能，对四类仿真目标的RCS数据进行了仿真实验，实验结果验证了方法的有效性。
-
公开(公告)号：CN113269203A
公开(公告)日：2021-08-17
申请号：CN202110532917.6
申请日：2021-05-17
Applicant: 电子科技大学
Abstract: 本发明属于目标识别技术领域，具体的说是涉及一种用于多旋翼无人机识别的子空间特征提取方法。本发明首先通过对每类无人机的雷达回波数据集进行聚类处理，然后，将样本数据与各类无人机目标聚类中心间的马氏距离组成一个聚类距离矢量，由聚类距离矢量构建奇异值加权子空间，提取目标特征，完成对多旋翼无人机的识别。由于引入聚类距离，增强了样本的空间分布结构信息，同时，在构建子空间时，采用奇异值进行加权，更加突出主投影分量的作用，从而改善了对目标的识别率。
-
Patent Agency Ranking
公开(公告)号：CN108594202B
公开(公告)日：2021-07-27
申请号：CN201810822980.1
申请日：2018-07-25
Applicant: 电子科技大学
Inventor： 周代英
IPC: G01S7/41
Abstract: 本发明属于雷达目标识别技术领域，具体涉及一种邻域分布结构非线性投影目标特征提取方法。本发明提出一种邻域分布结构非线性投影特征提取方法，该方法通过利用邻域样本构建非线性投影矩阵，增大近邻样本的作用，而降低远距离分散样本的影响，能够有效提取非高斯分布数据的非线性局部结构特征，克服常规非线性投影法的缺陷，有效改善了对雷达真假目标的分类性能。
-
公开(公告)号：CN113030902A
公开(公告)日：2021-06-25
申请号：CN202110498690.8
申请日：2021-05-08
Applicant: 电子科技大学
Abstract: 本发明属于人工智能技术领域，具体的说是涉及一种基于孪生复网络的少样本雷达车辆目标识别方法。本发明针对少样本情况下的雷达车辆二维目标像，将目标像的实部和虚部共同输入到复数神经网络中输出实数图像，并且利用跳跃链接保留了原始图像的幅度信息，从而代替直接使用幅度图像，更好的利用了雷达数据中的复数信息，提高了特征提取的精度，拉近了原始图像和对应锚样本图像的距离，一定程度上避免少样本带来的过拟合现象。另外针对原生的孪生网络，我们提出在输入样本对的情况下，同时输入这两张样本所对应的锚样本，控制网络的收敛朝给定的锚样本方向进行，加快了网络的收敛速度，同时提高了识别精度。
-
公开(公告)号：CN111523568A
公开(公告)日：2020-08-11
申请号：CN202010259285.6
申请日：2020-04-03
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度神经网络和辐射数据补偿的天线阵列故障诊断方法，属于天线信号处理，故障识别领域。本发明首先在天线应用前的训练阶段，在远场区域的多个测量点上，利用探头测量阵列在多种故障场景下的辐射数据，然后将测得的数据作为神经网络的输入，将失效阵元的个数和位置分别作为输出，训练两个神经网络；其次是应用阶段，在与训练阶段相同的采样点上对待诊断阵列的远场辐射数据进行测量，然后将该测试数据输入到已训练好的神经网络中，初步确定最有可能失效的阵元位置，再利用辐射补偿的方法逐步确定所有可能失效阵元的位置。该算法通过数据补偿的方法有效减少了训练阶段需要采集的样本数据，适用于较大规模的阵列故障诊断。
-
公开(公告)号：CN110687514A
公开(公告)日：2020-01-14
申请号：CN201910983473.0
申请日：2019-10-16
Applicant: 电子科技大学
IPC: G01S7/41
Abstract: 本发明公开了一种非线性判别学习真假目标一维距离像特征提取方法，属于雷达目标识别技术领域。本发明首先利用非线性函数将一维距离像映射到高维特征空间，然后，在高维特征空间通过判别学习获得投影变换矩阵，再基于该投影变换矩阵得到任意待提取特征的一维距离像的特征向量。本发明的特征提取方法，能够很好地表示样本数据分布中出现的非线性，从而提高了目标识别性能，克服了现有的常规子空间法不适合于非线性数据分布的缺点，有效改善了对雷达真假目标的分类性能。
-
公开(公告)号：CN110221267A
公开(公告)日：2019-09-10
申请号：CN201910519254.7
申请日：2019-06-17
Applicant: 电子科技大学
IPC: G01S7/41
Abstract: 本文公开了一种目标库属性判别邻域保持学习子空间特征提取方法。该方法首先利用稀疏分析获得库属目标的每个训练样本的邻域样本稀疏系数，然后在低维空间以该系数对每一样本的邻域重构样本进行加权，建立邻域保持学习子空间提取库属目标的判别特征，由于在特征空间保持了邻域分布结构，增大库属目标特征分布区域的聚集度，从而提高了对库属目标和非库属目标的判别性能。对4类目标的仿真实验验证了方法的有效性。
-
-
-
-
-
-
-
-
-
Search Results
192
records
(took 0.024 seconds)
