-
公开(公告)号：CN115856892B
公开(公告)日：2023-05-16
申请号：CN202310198925.0
申请日：2023-03-03
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于数据重构的RPCA运动目标检测方法，包括以下步骤：获取多通道合成孔径雷达的每个通道的原始回波信号；通过对原始回波信号进行成像处理，将原始回波信号的回波数据转换为图像域数据；对各个通道的图像域数据进行图像配准，得到配准后的图像域信号；对配准后的图像域信号的数据进行数据重构，得到重构后的图像数据；根据RPCA算法对重构后的图像数据进行运动目标检测，得到运动目标的检测结果。本发明采用数据重构的方式，解决了图像配准误差与通道误差导致的杂波相关性下降问题，提升运动目标的检测性能；此外改进的RPCA求解方法需要更少的计算复杂度。
-
公开(公告)号：CN115951324A
公开(公告)日：2023-04-11
申请号：CN202310225026.5
申请日：2023-03-10
Applicant: 西安电子科技大学
Abstract: 本发明涉及一种基于GSCFT‑RPCA的SAR动目标检测方法，包括：获取方位多通道接收的回波数据，并对每个通道的回波数据进行距离脉压得到距离脉压回波数据；基于线性调频信号，对修正相关核函数依次进行广义变尺度傅里叶变换和分数阶傅里叶变换得到多普勒调频率‑变换域核函数；对距离脉压回波数据在距离多普勒域进行相位补偿得到相位补偿信号；在距离频域选择零频通道，并利用多普勒调频率‑变换域核函数将相位补偿信号变换至多普勒调频率‑变换域得到多普勒调频率‑变换域信号；利用方位多通道的多普勒调频率‑变换域信号进行方位速度估计和动目标检测。该方法能增加在杂波背景中提取动目标的概率。
-
公开(公告)号：CN109085531B
公开(公告)日：2023-04-07
申请号：CN201810978038.4
申请日：2018-08-27
Abstract: 基于神经网络的近场源到达角估计方法，由阵列接收训练区间内K信号所产生的采样数据计算阵列的接收数据，将信号整体旋转，获取下一组接收数据，直至遍历训练区间；构建各组接收数据的协方差矩阵；利用协方差矩阵和信号的到达角构建训练数据集合；利用训练数据集合对神经网络进行训练；由传感器阵列接收训练区间内测试角度间隔下的测试信号所产生的采样数据计算测试数据，得到一组测试数据后，将信号旋转，获取下一组测试数据，构建各组测试数据的协方差矩阵，归一化得到归一化数据协方差矩阵；将归一化数据协方差矩阵的数据输入神经网络中，计算出测试信号的到达角估计值。
-
公开(公告)号：CN109375213B
公开(公告)日：2023-03-21
申请号：CN201810937737.4
申请日：2018-08-08
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于子阵划分的频率分集阵列信号处理方法，主要解决现有技术计算复杂和分辨率低的问题。其实现方案是：1.通过对频率分集阵列发射端的阵元进行子阵划分，设置其系统参数；2.根据频率分集阵列发射端阵元发射的线性调频脉冲信号，获取其发射信号；3.根据发射信号，获取接收回波信号；4.根据发射信号，分析频率分集阵列的模糊函数；5.根据模糊函数，设计匹配滤波器；6.利用匹配滤波器对接收回波信号做匹配滤波处理，得到频率分集阵列处理后的回波信号。本发明能够有效减小其计算复杂度，提高频率分集阵列的距离分辨率，可用于频率分集阵列对目标的参数估计。
-
公开(公告)号：CN112529945B
公开(公告)日：2023-02-21
申请号：CN202011290620.5
申请日：2020-11-17
Applicant: 西安电子科技大学
IPC: G06T7/33
Abstract: 本发明公开了一种多视角三维ISAR散射点集配准方法，包括：基于三维ISAR成像获得物体的源点集和目标点集；对源点集中的各点和目标点集中的各点分别进行曲面拟合提取曲度值，并在多个邻域尺度中挑选曲度值均满足排序要求的点分别作为源点集和目标点集的特征点；对源点集和目标点集进行初始配准：联合坐标值均方根误差与距离均方根误差评价函数，得到最佳匹配四点对，再将匹配点对坐标代入奇异值分解法计算出点集间的变换关系；利用最佳匹配四点对和基于自适应阈值的迭代最近邻算法，通过自适应改变迭代步长获得全局最优解，以使点集收敛至全局最优解。本发明方法能有效地找到匹配程度较高的匹配点对，并能够提高了配准精度。
-
Patent Agency Ranking
公开(公告)号：CN115586502A
公开(公告)日：2023-01-10
申请号：CN202211594917.X
申请日：2022-12-13
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种外场时频近场宽带信号的接收校正方法，包括：接收标校节点发送的标校信号；对接收到的标校信号进行匹配滤波，并选择信噪比最高的节点作为参考节点；基于接收节点与标校节点之间的距离对接收到的标校信号进行延迟补偿，以向参考节点对齐；保持系统稳定，在一定时间内持续接收标校信号，并进行延迟补偿后，计算相邻两次信号测出的误差；根据误差计算补偿系数，并对后续接收数据进行校正，以实现节点之间幅相误差的校正。本发明通过标校节点发射标校信号，并利用标校节点和接收节点之间的距离计算校正系数，实现了近场阵列信号幅相误差的校正；该方法不需要额外的硬件电路，且不受阵型限制，对近场阵列信号处理具有普适性。
-
公开(公告)号：CN109946696B
公开(公告)日：2022-12-06
申请号：CN201910297929.8
申请日：2019-04-15
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于目标先验信息的雷达凝视关联成像方法，其实现过程是：(1)构建雷达发射阵面；(2)生成雷达跳频信号；(3)生成发射信号中每个脉冲的旋转成像平面；(4)计算每个脉冲的旋转成像平面对应的发射信号的延时时间；(5)生成空时辐射场矩阵；(6)求解目标散射系数获得旋转成像平面中目标的图像。本发明利用了目标的的先验信息，克服了传统静止成像方法的空时辐射场的条件数和归一化的空间相干度较大和运动补偿方法中泰勒近似导致的目标成像误差的缺点，可以实现雷达对旋转成像平面中目标的高分辨成像。
-
公开(公告)号：CN115393399A
公开(公告)日：2022-11-25
申请号：CN202211072494.5
申请日：2022-09-02
Applicant: 西安电子科技大学杭州研究院
IPC: G06T7/246 , G06T7/10 , G06V10/764 , G06V10/774 , G06V10/82 , G06V10/44 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于CNN的血管介入导丝尖端实时跟踪方法，所述方法包括：由两部分组成的跟踪器，用于粗略检测尖端位置的检测网络和用于在尖端位置附近精确描绘尖端的分割网络。为了学习强大的实时跟踪器，我们提取小图像块，包括连续帧中的尖端，然后学习分割网络的信息空间和运动特征。在推理过程中，首先通过检测网络在初始帧中估计尖端边界框，然后在后续帧中通过分割网络连续执行尖端描绘，并在具有挑战性的帧中跟踪失败时通过检测网络自动重新启动跟踪，该方法采用分治法的思想，将目标问题划分为两个子问题：检测导丝尖端的目标区域，在上述区域的基础上进行分割，从而实现了更好的跟踪精度。
-
公开(公告)号：CN115327488A
公开(公告)日：2022-11-11
申请号：CN202210971249.1
申请日：2022-08-12
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种双基地频率分集阵基于多级自适应波束形成的抗干扰方法，主要解决现有雷达体制难以抑制来自复杂电磁环境下的复合式干扰的问题。方案包括：1)构建双基地FDA‑MIMO雷达一发两收的等效信号模型；2)在每个节点处利用协方差矩阵求解剩余噪声，并利用自适应MVDR准则获取第一级自适应权值；3)采用短时傅里叶变换在时频域上对各节点进行干扰配准；4)根据配准后的多路信号利用自适应MMSE准则，获取第二级自适应权值，得到自适应波束形成后的输出信号。本发明通过多级自适应波束形成方法进行复合式干扰抑制，使得不同类型干扰样式在不同阶段被滤除，有效提升了雷达目标的检测性能。
-
公开(公告)号：CN114565896A
公开(公告)日：2022-05-31
申请号：CN202210006574.4
申请日：2022-01-05
IPC: G06V20/54 , G06V20/56 , G06V40/10 , G06V10/44 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种跨层融合改进的YOLOv4道路目标识别算法，所用数据集是KITTI道路目标数据集，为了使模型能够更加轻量化的同时还能保持检测精度，本发明方法以YOLOv4为基础网络，借鉴DenseNet的思想，设计了Dense‑SPP跨层空间池化模块和Dense‑特征融合模块，并且对原始模型进行参数剪枝以及削减，设计了轻量化的Dense‑YOLOv4‑Small网络模型，将骨架网络CSPDarknet‑53中CSP模块进行削减，将原本CSP模块中ResUnit的数量统一设置为1个，对网络进行剪枝消除网络的冗余计算，将KITTI道路目标数据集中的“Misc”和“Dontcare”剔除得到KITTI‑7classes道路目标数据集，在该数据集上对YOLOv4、Dense‑YOLOv4、Dense‑YOLOv4‑Small三个模型进行训练，并对比三种模型的检测速度和检测性能；检测结果表明Dense‑YOLOv4‑Small的检测速度大幅度提升，检测精度几乎不变。
-
-
-
-
-
-
-
-
-
Search Results
601
records
(took 0.088 seconds)
