-
公开(公告)号：CN111190060A
公开(公告)日：2020-05-22
申请号：CN202010040232.5
申请日：2020-01-15
Applicant: 电子科技大学
Abstract: 该发明公开了一种冲激噪声环境下考虑阵列误差的天线阵列故障诊断方法，涉及天线阵列信号处理领域。首先、建立阵列误差存在时的失配阵列远场辐射模型；其次、采用拉普拉斯分布对加性冲激噪声进行建模；然后、建立一个对阵列激励进行重建并且同时抑制冲激噪声和阵列误差的优化问题；再次、对该优化问题进行等价变换，并对等价变换后的优化问题进行求解，得到阵列激励的重建结果；最后，将阵列激励重建结果与参考激励进行比较，得到失效阵元位置的估计。
-
公开(公告)号：CN107576949B
公开(公告)日：2020-03-27
申请号：CN201710728138.7
申请日：2017-08-23
Applicant: 电子科技大学
IPC: G01S7/41
Abstract: 本发明公开了一种基于密度权重和混合核函数的SVDD雷达目标一维距离像识别方法，属于雷达目标识别领域。由于K型核函数具有泛化能力强，有利于提取训练数据的全局特性，避免了径向基核函数复杂的指数运算，同时具有多项式核函数计算量小和径向基核函数逼近精度高的优点。而径向基核函数具有很好的局部特性，因此本发明将K型核函数与径向基核函数进行组合替代传统的SVDD算法中的核函数；同时，本发明采用基于截断距离的局部密度算法在高维核特征空间中计算支持向量与训练样本数据之间的局部密度，根据密度的分布，调整超闭球的形状，有效的提高了雷达一维距离像单类目标的识别性能。
-
-
公开(公告)号：CN107194433B
公开(公告)日：2019-09-13
申请号：CN201710446883.2
申请日：2017-06-14
Applicant: 电子科技大学
Abstract: 本发明属于雷达技术领域，具体的说是涉及一种基于深度自编码网络的雷达一维距离像目标识别方法。本发明首先将目标一维距离像转换到频域进行预处理，通过对频域样本数据进行加噪处理，将每个样本随机选择某些特征强置为0或1，可减少高维数据输入时数据缺失和异常干扰的影响。随后通过构建一个深度自编码网络，提取样本的高层特征表达，并将各层特征进行融合拼接。然后利用ReliefF算法和相关性度量方法剔除高维拼接特征中的分类无关特征和冗余特征。最后考虑到AdaBoost集成化学习方法可以有效提高任意弱分类器的精度，本发明以三层BP神经网络作为弱分类器，并使用AdaBoost‑BP算法进行目标分类器训练，从而有效地提升系统目标识别率。
-
公开(公告)号：CN107657243B
公开(公告)日：2019-07-02
申请号：CN201710939169.7
申请日：2017-10-11
Applicant: 电子科技大学
Abstract: 本发明属于雷达技术领域，具体的说是涉及一种基于遗传算法优化的神经网络雷达一维距离像目标识别方法。本发明的方法首先通过对原始一维距离像进行选择和截断等预处理操作；其次，采用时段原则对数据集进行划分，同时对训练集中各目标进行二次等量随机抽取，获得两个同构训练子集；接着，本发明提出了神经网络与遗传算法双向优化的方法，利用训练网络在不同迭代次数时所产生的网络参数，初始化一定数目的染色体；然后，采用遗传算法对染色体进行交叉变异等操作；随后，根据所选最优染色体对新的神经网络识别系统赋初值，选择新的训练子集作为网络输入，采用随机梯度下降法对网络进行训练，加快了训练网络的收敛速度，同时提升了一定的识别率。
-
Patent Agency Ranking
公开(公告)号：CN107132516B
公开(公告)日：2019-04-12
申请号：CN201710346971.5
申请日：2017-05-16
Applicant: 电子科技大学
IPC: G01S7/41
Abstract: 本发明属于雷达技术领域，具体的说是涉及一种基于深度置信网络的雷达一维距离像目标识别方法。本发明将目标一维距离像的频域特征和子空间特征合并，构成的新特征矢量被作为输入数据对网络进行训练及识别，该合并特征矢量对样本信息进行了扩充有利于提高模型精度。构造的含三层隐含层的深度置信网络，其每一层输入都由前两层的输出并联而成，该结构可以使得学习到的网络参数并不独立依赖于当前层次而是取决于不同层次的特征信息，进一步提高输出特征对原始信息的表达能力，提高了识别率。并以此模型对5类仿真飞机目标一维距离像数据进行了识别测试，正确识别率达到92％。
-
公开(公告)号：CN108710113A
公开(公告)日：2018-10-26
申请号：CN201810316057.0
申请日：2018-04-10
Applicant: 电子科技大学
IPC: G01S7/41
CPC classification number: G01S7/411
Abstract: 本发明属于雷达目标识别技术领域，具体的说是一种真假目标特征提取方法。该方法通过对同类样本非线性特征间的差异值进行基于距离函数的加权，而不考虑异类样本非线性特征之间的差别，增强同类目标样本的分布紧密度，能够提取目标样本数据分布的局部结构特征，克服了常规特征子空间及正则子空间只能提取目标数据分布全局结构特征的缺点，从而提高目标识别性能，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：CN108594202A
公开(公告)日：2018-09-28
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：CN108564096A
公开(公告)日：2018-09-21
申请号：CN201810383366.X
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，具体的说是一种邻域拟合RCS序列特征提取方法。本发明的方法首先利用邻域样本特征对某个样本特征进行拟合，以拟合误差作为目标函数，建立变换矩阵，利用该变换矩阵提取的特征保持了样本邻域局部结构信息，从而提高了目标识别性能，克服了传统变换方法只能提取全局结构特征的缺点，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：CN107678006A
公开(公告)日：2018-02-09
申请号：CN201710794644.6
申请日：2017-09-06
Applicant: 电子科技大学
IPC: G01S7/41
CPC classification number: G01S7/41
Abstract: 本发明公开了一种最大间隔子空间的雷达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。本发明首先基于关于雷达目标一维距离像的训练样本集训练最大间隔子空间矩阵W，在训练时，基于训练样本xij的类间散布矩阵SB和类内散布矩阵SW构建求解W的目标方程；最后，基于训练好的矩阵W，将待提取子像特征的雷达真假目标一维距离像向矩阵W映射，得到子像特征。本发明通过增大类间散布距离和减少类内散布距离，使类间分离间隔达到最大，减少类间交迭，同时，该方法获得的特征矢量维数不受类别数的制约，能够获得更有利的特征维数，从而提高目标的识别效能。
-
-
-
-
-
-
-
-
-
Search Results
192
records
(took 0.024 seconds)
