-
公开(公告)号：CN111562545A
公开(公告)日：2020-08-21
申请号：CN202010366121.3
申请日：2020-04-30
Applicant: 南京理工大学
IPC: G01S3/14
Abstract: 本发明公开了一种基于PD-ALM算法的稀疏阵列DOA估计方法，包括以下步骤：将稀疏阵列每次快拍获得的采样数据重排成托普利兹矩阵xT；构造基于秩最小化的矩阵填充模型，并运用PD-ALM算法对矩阵xT进行填充，得到满阵x'T，矩阵x'T的第一行数据即为该单次快拍补全后的采样数据；所有快拍补全后的采样数据构成数据矩阵X'；最后运用DOA估计算法对数据矩阵X'进行DOA估计。本发明提出的PD-ALM算法采用罚分解法直接求解秩最小化问题，将其应用在稀疏阵列中，在阵元个数相对较小、干扰源个数较多以及阵列更稀疏的情况下，都能很好地恢复出满阵的接收数据矩阵，从而更准确地估计出来波方向，提高稀疏阵列的测向性能。
-
公开(公告)号：CN112329534B
公开(公告)日：2023-07-18
申请号：CN202011067886.3
申请日：2020-10-07
Applicant: 南京理工大学
IPC: G06F18/20 , G06F18/213 , G06F18/10 , G06F18/214 , G06F18/21 , G06N3/0464 , G06N3/047 , G06N3/082 , G06N3/084 , G06F17/14
Abstract: 本发明公开了一种基于二维加权残差卷积神经网络的雷达目标识别方法，包括：构造加权残差卷积神经网络；基于Toepliz矩阵将一维雷达频域目标信号构造为二维数据平面；根据信号类别生成训练集；使用加权残差卷积神经网络对训练集数据进行训练，并得到训练后的模型，使用该模型完成雷达目标识别。本发明将原本为一维的地面侦察雷达频域目标信号构造为二维数据平面进行训练，与直接使用一维信号进行训练相比，可训练性大大增强，测试准确率更高；本发明提出了一种加权残差模块，残差结构能够大幅降低运算复杂度并有效地减缓神经网络反向传播过程梯度消失以及梯度爆炸问题。
-
公开(公告)号：CN112684427A
公开(公告)日：2021-04-20
申请号：CN202011482719.5
申请日：2020-12-15
Applicant: 南京理工大学
IPC: G01S7/41
Abstract: 本发明公开了一种基于串行二次强化训练的雷达目标识别方法，构建基于注意力机制的Transformer网络模型，将原始雷达频域信号作为输入，使用串行结构分两步进行训练，得到更强分类效果的分类器。本发明创新性地提出串行二次强化训练结构，使用了加权相似度损失函数以及交叉熵损失函数先后对模型进行训练，相较于传统的单纯使用交叉熵损失函数来训练分类器，加权相似度损失函数这种度量学习方式，能够极大提升模型针对任务数据特别是困难样本的分辨能力，能有效地提升分类器的分类能力。
-
公开(公告)号：CN112327292A
公开(公告)日：2021-02-05
申请号：CN202011080876.3
申请日：2020-10-11
Applicant: 南京理工大学
Abstract: 本发明公开了一种二维稀疏阵列DOA估计方法，包括以下步骤：构造二维稀疏阵列的方向矩阵；基于二维稀疏阵列的方向矩阵，构造其接收信号矩阵；然后计算接收信号矩阵的自相关矩阵；再将自相关矩阵按照分块矩阵的形式进行Topelitz重构得到新的自相关矩阵；最后基于DOA估计算法对新的自相关矩阵进行特征分解，进而估计出接收信号的来波方向。本发明提出的二维稀疏阵列DOA估计方法有效地解决了二维稀疏阵列信号模型估计精度低的问题；同时，在二维阵列缺失阵元较多和信噪比较低的情况下，采用本发明方法的DOA估计依然保持很高的精度。
-
公开(公告)号：CN112329534A
公开(公告)日：2021-02-05
申请号：CN202011067886.3
申请日：2020-10-07
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于二维加权残差卷积神经网络的雷达目标识别方法，包括：构造加权残差卷积神经网络；基于Toepliz矩阵将一维雷达频域目标信号构造为二维数据平面；根据信号类别生成训练集；使用加权残差卷积神经网络对训练集数据进行训练，并得到训练后的模型，使用该模型完成雷达目标识别。本发明将原本为一维的地面侦察雷达频域目标信号构造为二维数据平面进行训练，与直接使用一维信号进行训练相比，可训练性大大增强，测试准确率更高；本发明提出了一种加权残差模块，残差结构能够大幅降低运算复杂度并有效地减缓神经网络反向传播过程梯度消失以及梯度爆炸问题。
-
Patent Agency Ranking
公开(公告)号：CN111624570B
公开(公告)日：2023-09-26
申请号：CN202010361230.6
申请日：2020-04-30
Applicant: 南京理工大学
IPC: G01S7/41 , G06F17/16 , G06N3/0464 , G06N3/08 , G06F18/214
Abstract: 本发明公开了一种基于二维卷积神经网络的雷达目标识别方法，包括：构造卷积神经网络——5层卷积层、5层池化层以及1层全连接层；将一维雷达频域目标数据基于Pooling算法进行压缩，并利用Hankle矩阵将压缩后的信号构造为二维数据平面；对所得到的二维数据平面进行标准化整形，去除直流部分使其满足所构造的卷积神经网络结构所要求的输入格式，生成训练集；使用卷积神经网络结构对训练集数据进行训练，并得到训练后的模型，使用该模型即可完成雷达目标识别的工作。本发明将原本为一维的地面侦察雷达频域目标信号构造为二维数据平面进行训练，可训练性大大增强，测试准确率更高，能更加有效地使用卷积神经网络对雷达频域目标信号进行目标识别。
-
公开(公告)号：CN111562545B
公开(公告)日：2023-09-26
申请号：CN202010366121.3
申请日：2020-04-30
Applicant: 南京理工大学
IPC: G01S3/14
Abstract: 本发明公开了一种基于PD‑ALM算法的稀疏阵列DOA估计方法，包括以下步骤：将稀疏阵列每次快拍获得的采样数据重排成托普利兹矩阵xT；构造基于秩最小化的矩阵填充模型，并运用PD‑ALM算法对矩阵xT进行填充，得到满阵x'T，矩阵x'T的第一行数据即为该单次快拍补全后的采样数据；所有快拍补全后的采样数据构成数据矩阵X'；最后运用DOA估计算法对数据矩阵X'进行DOA估计。本发明提出的PD‑ALM算法采用罚分解法直接求解秩最小化问题，将其应用在稀疏阵列中，在阵元个数相对较小、干扰源个数较多以及阵列更稀疏的情况下，都能很好地恢复出满阵的接收数据矩阵，从而更准确地估计出来波方向，提高稀疏阵列的测向性能。
-
公开(公告)号：CN112684427B
公开(公告)日：2024-05-17
申请号：CN202011482719.5
申请日：2020-12-15
Applicant: 南京理工大学
IPC: G01S7/41
Abstract: 本发明公开了一种基于串行二次强化训练的雷达目标识别方法，构建基于注意力机制的Transformer网络模型，将原始雷达频域信号作为输入，使用串行结构分两步进行训练，得到更强分类效果的分类器。本发明创新性地提出串行二次强化训练结构，使用了加权相似度损失函数以及交叉熵损失函数先后对模型进行训练，相较于传统的单纯使用交叉熵损失函数来训练分类器，加权相似度损失函数这种度量学习方式，能够极大提升模型针对任务数据特别是困难样本的分辨能力，能有效地提升分类器的分类能力。
-
公开(公告)号：CN112327292B
公开(公告)日：2024-01-09
申请号：CN202011080876.3
申请日：2020-10-11
Applicant: 南京理工大学
Abstract: 本发明公开了一种二维稀疏阵列DOA估计方法，包括以下步骤：构造二维稀疏阵列的方向矩阵；基于二维稀疏阵列的方向矩阵，构造其接收信号矩阵；然后计算接收信号矩阵的自相关矩阵；再将自相关矩阵按照分块矩阵的形式进行Topelitz重构得到新的自相关矩阵；最后基于DOA估计算法对新的自相关矩阵进行特征分解，进而估计出接收信号的来波方向。本发明提出的二维稀疏阵列DOA估计方法有效地解决了二维稀疏阵列信号模型估计精度低的问题；同时，在二维阵列缺失阵元较多和信噪比较低的情况下，采用本发明方法的DOA估计依然保持很高的精度。
-
公开(公告)号：CN111639541A
公开(公告)日：2020-09-08
申请号：CN202010368021.4
申请日：2020-04-30
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于频率变化率的自适应同步压缩时频分析方法，包括：对输入信号进行时域采样，获得信号的离散序列；对信号进行短时傅里叶变换；计算每一个时频点的瞬时频率和瞬时频率变化率的估计值；依据峰值搜索的办法估计信号个数，对信号时频脊线位置的频率变化率进行提取；根据信号的频率变化率，构造新的窗函数；以新的窗函数对信号进行短时傅里叶变换，得到自适应短时傅里叶系数；根据自适应同步压缩公式，得到频率精确估计值；对自适应短时傅里叶系数进行重排，得到时频分布结果。本发明突破了海森伯格不确定原理的限制，使得窗宽可以随着信号的频率变化率自适应调整，使得在整个时频谱中都有很高的分辨率。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.018 seconds)
