-
公开(公告)号：CN119805376A
公开(公告)日：2025-04-11
申请号：CN202510004050.5
申请日：2025-01-02
Applicant: 北京理工大学 , 北京理工大学唐山研究院
Abstract: 本发明属于雷达抗干扰技术领域，涉及一种基于Stackelberg博弈的雷达抗干扰方法。包括：参数设定；S2对当前干扰类型进行识别；选择雷达候选行为；判断若雷达采取某一候选行为，干扰机可能选择的干扰类型；判定针对候选雷达行为，干扰机获取最大收益时的干扰类型；从所有雷达后续候选行为选择出最优抗干扰措施；在干扰机确定雷达抗干扰措施后，选择下一干扰类型；计算博弈过程消耗时间，并更新剩余博弈时间；判定博弈是否结束，以及博弈结束时雷达是否完成抗干扰，若是，则输出雷达抗干扰结果，否则，跳至S2；所述方法通过改变雷达抗干扰措施选择逻辑基于干扰预测实施干扰反制，能在对抗中始终占据先机；适用海、陆及空各种对抗。
-
公开(公告)号：CN117617620A
公开(公告)日：2024-03-01
申请号：CN202311684885.7
申请日：2023-12-08
Applicant: 北京理工大学
IPC: A42B3/04 , G06V20/50 , G06V10/10 , G06V10/25 , G06V10/82 , G06T7/50 , G06T7/70 , G06T7/80 , H04N7/18 , G01C9/00 , G01C17/32 , G01S19/14
Abstract: 本发明公开了一种基于目标检测和深度估计的智能安全头盔，包括头盔本体和配置在头盔本体上的传感器集成模块、主控模块和报警模块，以及可选的显示模块和通讯模块。其中传感器集成模块包括一系列传感器，用于采集数据；主控模块的主体是微型计算机，用于执行数据处理、目标检测和深度估计；报警模块用于向佩戴者播报危险源的种类及方位信息；显示模块用于显示捕捉到的危险源及其方位信息；通讯模块用于实现智能安全头盔佩戴者之间的通讯功能。该头盔采用基于深度学习技术的目标检测和深度估计算法精确判断危险源的类别和位置信息，并通过报警模块向佩戴者提供警示，实现主动安全防护。
-
公开(公告)号：CN113657493A
公开(公告)日：2021-11-16
申请号：CN202110941143.2
申请日：2021-08-17
Applicant: 北京理工大学
Abstract: 本发明涉及基于风格特征通道注意力的X光安检图像违禁品检测方法，属于目标检测技术领域。包括：1对数据集进行预处理获取训练集和测试集；2对训练集进行数据增强和打乱处理；3构建SCIA模块，并构建特征金字塔网络SCIA‑FPN；4将训练集的X光安检图像输入SCIA‑FPN获取特征图；5将特征图输入RPN网络获取预测框；6将预测框和特征图输入ROI池化层，输出池化后的特征图；7将池化后的特征图输入分类回归网络；8重复2至7进行多次训练获取违禁品检测模型；9将测试集输入违禁品检测模型输出违禁品检测结果。所述方法能有效检测出X光安检图像中被遮挡的多尺度违禁品，给出违禁品类别分数并精确标出违禁品位置。
-
公开(公告)号：CN111264937A
公开(公告)日：2020-06-12
申请号：CN202010172903.3
申请日：2020-03-13
Applicant: 北京理工大学
Abstract: 本发明涉及一种具有预防和检测功能的口罩，属于家居日用品及日常防护技术领域。包括口罩本体、弹性挂颈带及调节搭扣；弹性挂颈项带上均设置有可调控软塑套，大小调节轻松自如；口罩本体包括外层材料、内层材料、过滤片固定层、检测模块以及警示输出单元；内层材料为纺粘层，纺粘层纤维直径在20微米以内；外层材料采用具有纺粘层和熔喷层的多层滤膜结构，熔喷层的纤维直径比较细，其纤维细度范围0.1微米到1微米之间；过滤片固定层薄层材料的直径介于外层材料或内层材料之间；检测模块为嵌入式试纸检测模块，位于口腔侧内层材料的外侧，连接着过滤片固定层。所述口罩具有防护等级高、过滤性能好以及居家检测及警示作用。
-
公开(公告)号：CN117893421A
公开(公告)日：2024-04-16
申请号：CN202410064708.7
申请日：2024-01-16
Applicant: 北京理工大学
IPC: G06T5/50 , G06V10/764 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明属于图像融合与目标检测技术领域，涉及一种任务驱动的红外与可见光图像融合与目标检测方法。包括:建立红外图像‑可见光图像对的训练集、验证集和测试集；构建一种任务驱动的红外与可见光图像融合与目标检测模型，所述模型为基于YOLO的端到端融合‑检测网络且为多任务网络；采取端到端的联合训练，训练并得到训练号的图像融合与目标检测模型；采用测试集进行测试，将测试集中的样本图像对及相应的检测标签数据输入到训练好的模型中，输出融合和检测结果。所述融合与联合训练提高了所有这些任务上的泛化性能；通过将融合损失函数与检测损失函数权衡，显著提高了图像融合效果及目标检测精度，速度也未降低。
-
Patent Agency Ranking
公开(公告)号：CN113219431A
公开(公告)日：2021-08-06
申请号：CN202110489457.3
申请日：2021-04-30
Applicant: 北京理工大学 , 中国人民解放军陆军工程大学
Abstract: 本发明涉及一种基于波形指纹的干扰源个体识别方法,属于有源目标识别技术领域。包括：1)基于雷达干扰源信号的指纹特征建模，对发射机、接收机及传输信道进行分析，建立指纹模型库；2)基于雷达回波进行处理，得到标准雷达回波波形指纹；其中，波形指纹包括相位噪声、包络波形特性及非线性效应；3)对有源干扰信号进行粗识别，得到压制性干扰和欺骗性干扰；4)接收并分析3)识别出的欺骗性干扰的回波波形指纹，且与1)中指纹模型库中的波形指纹比对。所述识别方法利用雷达辐射源的波形指纹提高干扰源个体识别的识别率，能够降低提高干扰源个体识别的复杂度。
-
公开(公告)号：CN111161201A
公开(公告)日：2020-05-15
申请号：CN201911338674.1
申请日：2019-12-23
Applicant: 北京理工大学
Abstract: 本发明涉及基于细节增强通道注意力的红外与可见光图像融合方法，属于特征提取与图像融合技术领域。包括：1将红外图像和可见光图像剪裁成大小相等的图像块并级联；2将级联图像依次通过一个卷积层，一个批正则化层，一个激活函数，得到高维特征图；3将高维特征图通过DECA模块，得到信息增强的高维特征图；4重复Q次步骤2和3，进一步对高维特征图进行信息增强；5将信息进一步增强的高维特征图通过一个卷积层，一个批正则化层，一个激活函数运算，输出融合特征图；6计算损失函数，更新卷积层和全连接层参数；7固定卷积层和全连接层的参数，融合图像。所述方法能在融合图像中提取亮度信息，突出图像中的高亮目标，同时保留大量细节信息。
-
公开(公告)号：CN114154534A
公开(公告)日：2022-03-08
申请号：CN202111312428.6
申请日：2021-11-08
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于混合模型融合的宽带雷达目标HRRP识别方法，属于雷达目标识别技术领域。包括：1)采集数据集并划分测试集与训练集；2)将标志位L_done、C_done置0；3)利用训练集分别对F‑CNN模型的两个子模型CNN与LightGBM模型进行训练；4)利用F‑CNN模型识别测试集种类，具体为：经训练后子模型处理，得到分类结果A与B。判断标志位是否均为1；若不是，则等待；若是，则将结果A与B输入决策树合并，输出即为F‑CNN模型识别结果；所述方法可根据HRRP信号对探测目标进行有效分类；在不同信噪比下的识别准确率均有明显提升；显著降低了模型的复杂度，提升了推理速度。
-
公开(公告)号：CN113203990A
公开(公告)日：2021-08-03
申请号：CN202110489503.X
申请日：2021-04-30
Applicant: 北京理工大学 , 中国人民解放军陆军工程大学
Abstract: 本发明涉及一种基于相噪特性的干扰源个体识别方法,属于目标识别技术领域。包括：步骤1、建立雷达有源干扰信号模型并得到有源干扰信号；步骤2、对有源干扰信号进行预处理，得到预处理后干扰信号；步骤3、对预处理后干扰信号进行首次特征提取和特征降维，得到一次降维后信号；步骤4、对步骤3得到的一次降维后信号进行分类识别，输出干扰类型；步骤5、针对欺骗性干扰，提取其相位噪声特性；步骤6、对相位噪声特性进行二次特征提取和特征降维，得到二次降维后信号；步骤7、对步骤6得到的二次降维后信号进行分类识别，输出欺骗性干扰的干扰源类型。所述方法基于辐射源信号包络的相位噪声特征具有差异性的细微特征，具有普遍性、稳定性、唯一性和可测性。
-
公开(公告)号：CN118711075A
公开(公告)日：2024-09-27
申请号：CN202410671718.7
申请日：2024-05-28
Applicant: 北京理工大学
Abstract: 本发明属于数字图像处理、深度学习及雷达目标检测技术领域，涉及一种基于简化形态学去噪的SAR目标检测方法。所述SAR目标检测方法依托于包括Focus切片模块、Sim‑Mor简化形态学去噪网络和YOLOx目标检测网络的SAR图像目标检测模型，包括：1)针对SAR图像中特有的斑点噪声，简化形态学操作，设计Sim‑Mor简化形态学去噪网络；2)以YOLOX为基础网络，在Focus切片模块后嵌入Sim‑Mor简化形态学去噪网络，实现去噪和目标检测的融合；3)基于制作的数据集对SAR图像目标检测模型进行训练和评估。所述方法具有自适应性，不因输入图像尺度变化改变网络模型；同时模型训练复杂度低和识别精度高。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.025 seconds)
