-
公开(公告)号：CN113553901B
公开(公告)日：2024-12-03
申请号：CN202110657730.9
申请日：2021-06-14
Applicant: 南京理工大学
IPC: G06F18/2131 , G06F17/14
Abstract: 本发明公开了一种基于自适应窗长的改进同步提取时频分析方法，包括：对输入信号做短时傅里叶变换；根据二阶局部调制算子估计各时频点的频率变化率；通过剥离算法迭代求解优化问题，提取时频脊线，得到各分量的频率变化率；对于单分量信号，设计自适应时窗；对于多分量信号，针对不同分量的变化趋势设计自适应时频窗；构造自适应短时傅里叶变换；基于局部峰值构造新的频率重分配算子，得到信号的瞬时频率估计；运用改进的同步提取算子提取时频系数，并且保留信号强度信息。本发明提出的改进同步提取变换可以在时间、频率方向上的自适应改变窗长，可以更精细地刻画多分量信号的不同特征，适应多种形式信号，具有更高的时频分辨率。
-
公开(公告)号：CN113553901A
公开(公告)日：2021-10-26
申请号：CN202110657730.9
申请日：2021-06-14
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于自适应窗长的改进同步提取时频分析方法，包括：对输入信号做短时傅里叶变换；根据二阶局部调制算子估计各时频点的频率变化率；通过剥离算法迭代求解优化问题，提取时频脊线，得到各分量的频率变化率；对于单分量信号，设计自适应时窗；对于多分量信号，针对不同分量的变化趋势设计自适应时频窗；构造自适应短时傅里叶变换；基于局部峰值构造新的频率重分配算子，得到信号的瞬时频率估计；运用改进的同步提取算子提取时频系数，并且保留信号强度信息。本发明提出的改进同步提取变换可以在时间、频率方向上的自适应改变窗长，可以更精细地刻画多分量信号的不同特征，适应多种形式信号，具有更高的时频分辨率。
-
Patent Agency Ranking
公开(公告)号：CN113807186A
公开(公告)日：2021-12-17
申请号：CN202110951460.2
申请日：2021-08-18
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于多通道复用卷积神经网络的雷达目标识别方法，包括：将雷达信号处理单元输出的一维目标频域信号通过奇偶交替循环右移构造为二维数据矩阵信号，按类别生成训练集和测试集；构造由多通道复用模块组成的卷积神经网络；使用训练集对卷积神经网络进行训练，使用测试集进行训练结果的衡量。本发明提出基于奇偶交替循环右移的二维数据构造方式，在构造的数据可以有效抑制网络训练过程中的过拟合现象，提高分类的可靠性；此外，还提出一种多通道复用模块，在提高网络对目标识别的正确率的同时，还可以降低网络的复杂度压缩网络模型需要的存储计算资源，减少训练时间。
-
公开(公告)号：CN113219402A
公开(公告)日：2021-08-06
申请号：CN202110485711.2
申请日：2021-04-30
Applicant: 南京理工大学
IPC: G01S3/14
Abstract: 本发明公开了一种基于Modified‑ALM算法的稀疏阵列DOA估计方法，包括：将稀疏阵列每次快拍采样的数据列成Toeplitz矩阵xT；构造基于Sigmoid函数最小化的矩阵填充模型，并运用Modified‑ALM算法对xT进行优化矩阵填充，得到满阵x′T；所有快拍的数据均填充完毕后得到补全的接收数据矩阵X′；对X′求得协方差矩阵并对其进行Toeplitz重构，获得重构后的协方差矩阵；最后运用常规DOA估计算法完成角估计。本发明应用在相干、非相关信源下的稀疏阵列DOA估计中，均能取得较好的效果；在阵列更稀疏、信号源更多的情况下，都能保持很好的测向性能。
-
公开(公告)号：CN113807186B
公开(公告)日：2024-07-12
申请号：CN202110951460.2
申请日：2021-08-18
Applicant: 南京理工大学
IPC: G06F18/213 , G06F18/24 , G06N3/0464 , G06N3/084 , G06N3/09
Abstract: 本发明公开了一种基于多通道复用卷积神经网络的雷达目标识别方法，包括：将雷达信号处理单元输出的一维目标频域信号通过奇偶交替循环右移构造为二维数据矩阵信号，按类别生成训练集和测试集；构造由多通道复用模块组成的卷积神经网络；使用训练集对卷积神经网络进行训练，使用测试集进行训练结果的衡量。本发明提出基于奇偶交替循环右移的二维数据构造方式，在构造的数据可以有效抑制网络训练过程中的过拟合现象，提高分类的可靠性；此外，还提出一种多通道复用模块，在提高网络对目标识别的正确率的同时，还可以降低网络的复杂度压缩网络模型需要的存储计算资源，减少训练时间。
-
公开(公告)号：CN113219402B
公开(公告)日：2022-09-27
申请号：CN202110485711.2
申请日：2021-04-30
Applicant: 南京理工大学
IPC: G01S3/14
Abstract: 本发明公开了一种基于Modified‑ALM算法的稀疏阵列DOA估计方法，包括：将稀疏阵列每次快拍采样的数据列成Toeplitz矩阵xT；构造基于Sigmoid函数最小化的矩阵填充模型，并运用Modified‑ALM算法对xT进行优化矩阵填充，得到满阵x′T；所有快拍的数据均填充完毕后得到补全的接收数据矩阵X′；对X′求得协方差矩阵并对其进行Toeplitz重构，获得重构后的协方差矩阵；最后运用常规DOA估计算法完成角估计。本发明应用在相干、非相关信源下的稀疏阵列DOA估计中，均能取得较好的效果；在阵列更稀疏、信号源更多的情况下，都能保持很好的测向性能。
-
公开(公告)号：CN114675252A
公开(公告)日：2022-06-28
申请号：CN202210350664.5
申请日：2022-04-04
Applicant: 南京理工大学
IPC: G01S7/41
Abstract: 本发明公开了一种基于低秩稀疏矩阵约束优化的叶簇杂波抑制方法及系统，该方法首先对雷达回波进行分数阶傅里叶变换并根据二维分布找出平面内能量最大点，确定最佳变换阶数ρ，再对雷达回波进行ρ阶FRFT变换，使得雷达接收信号在FRFT域中目标和杂波的能量差取到最大；接着在FRFT域构造低秩稀疏约束模型并优化目标函数，通过基于模拟退火优化改进增广拉格朗日乘子法迭代求解，最后将重构的信号逆FFT变换到时域，得到抑制杂波后的数据。本发明针对叶簇杂波环境中地面侦察雷达检测低速运动目标的难题，在频域进行低秩稀疏约束重构，从而实现叶簇杂波抑制，提高低速目标回波信号的信杂比，有效提升了树林环境中低速目标的检测性能。
-
-
-
-
-
-
Search Results
7
records
(took 0.048 seconds)
