-
公开(公告)号:CN108471321A
公开(公告)日:2018-08-31
申请号:CN201810223187.X
申请日:2018-03-19
Applicant: 北京大学
Abstract: 本发明公开了一种构建通信数据与雷达性能参数同时同频传输的雷达-通信一体化系统方法。本发明提出了准对偶伪码序列的构造,利用伪码-准对偶伪码序列对将雷达性能参数加在通信数据信号上;该系统模型不增加系统时宽积,在相同频带和时间资源条件下,实现通信数据和雷达性能参数的同时同频传输;该系统模型中雷达-通信一体化系统接收端解调系统复杂度低;本发明的雷达-通信一体化系统可在低信噪比条件下实现低误码率传输;本发明所提出的雷达-通信一体化系统中通信数据与雷达性能参数同时同频传输方法,具有传输效率高,解调方式简单等优点,为高效传输通信数据与雷达性能参数奠定了理论基础。
-
公开(公告)号:CN107833180A
公开(公告)日:2018-03-23
申请号:CN201711022011.X
申请日:2017-10-27
Applicant: 北京大学
Abstract: 本发明提出了利用复数域多模块串联神经网络结构,实现针对非线性电磁逆散射问题快速高精度求解;在现有神经网络框架下,将现有求解范围从实数域扩展到复数域;本发明的非线性电磁逆散射求解方法适用于常用的各种雷达系统;本发明的复数域神经网络适用于目前所有的网络训练算法;本发明的复数域神经网络适用于任意复数域电磁场景。本发明通过样本学习可以对介电常数较大目标实现超分辨成像。本发明所提出的一种利用复数域神经网络求解非线性电磁逆散射问题具有计算效率高,时延低、结构简单、泛化能力强等特性,为实现非线性电磁逆散射问题的快速、高精度求解奠定了基础。
-
公开(公告)号:CN107607942A
公开(公告)日:2018-01-19
申请号:CN201710767562.2
申请日:2017-08-31
Applicant: 北京大学
Abstract: 本发明公开了一种基于深度学习模型的大尺度电磁散射与逆散射的预测方法。本发明针对电磁散射和电磁逆散射问题分别提出了两种基于物理机制的卷积神经网络;将现有卷积神经网络框架从实数域推广到复数域,并赋予其相应的物理含义;本发明的散射和逆散射的预测方法适用于常用的各种雷达系统;本发明的卷积神经网络适用于目前所有的训练算法;网络均为卷积操作,因而具有极强的适用性,适用于任意大尺度电磁场景。本发明所提出利用基于物理机制的卷积神经网络在解决电磁散射和逆散射问题时具有计算效率高,时延低等特性,为实现大尺度电磁散射和逆散射问题的实时解决奠定了基础。
-
公开(公告)号:CN106291545A
公开(公告)日:2017-01-04
申请号:CN201610627203.2
申请日:2016-08-03
Applicant: 北京大学
Abstract: 本发明公开了一种基于可编程人工电磁表面的成像系统及其成像方法。本发明在可重构单元的电容和电感之间加入二极管,通过改变二极管两端的偏置电压,得到二极管导通和截止两种状态,频点相同的电磁波入射的透射率不同;从而改变可编程人工电磁表面的分布状态,采用单个位置固定的天线接收成像区域的散射场,得到成像区域的线性方程组,从而通过求解线性方程组进行目标重构;相邻的可重构单元的间距为半波长,相同状态的可重构单元的近场分布相同,只需要知道一个可重构单元两种状态的近场分布就可以扩展得到整个表面的近场分布,并且不需要重新测量可重构单元的近场分布;大大降低硬件成本的同时提高了成像速度,可以得到良好的目标重构效果。
-
公开(公告)号:CN105842689A
公开(公告)日:2016-08-10
申请号:CN201610185053.4
申请日:2016-03-29
Applicant: 北京大学
IPC: G01S13/89
CPC classification number: G01S13/89
Abstract: 本发明公开了一种基于广义反射率模型的高分辨雷达快速成像方法。本发明扩展了现有雷达成像的波恩近似模型,在模型中加入目标的各向异性特性与目标对不同频段信号的作用效果不同的特性;该模型与实际信号模型更加接近,增强了雷达成像效果,为实现高分辨雷达成像奠定了模型基础;并提出了利用目标广义反射率的三种稀疏特性将雷达成像系统划分为子孔径或子频带进行近似计算;提出根据系统函数特性将成像区域划分为一系列子成像区域,大大加速了成像速度;进一步提出利用对偶变换将传统的雷达成像问题转化为基于物理机制的图像处理问题;本发明既保证了雷达成像精度又加快了雷达成像速度,有效解决了无法进行大尺度高分辨雷达实时成像的技术难题。
-
-
-
-