-
公开(公告)号：CN111582236B
公开(公告)日：2022-08-02
申请号：CN202010461186.6
申请日：2020-05-27
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于稠密卷积神经网络的LPI雷达信号分类方法，首先制作数据集，获取几种不同脉内调制方式的LPI雷达信号，对雷达信号进行时频分布处理，得到时频图像；采用图像处理技术，对时频图像进行预处理。然后构建一种基于稠密卷积神经网络的特征提取与分类方法。为了加快和优化所提模型的学习效率，采用迁移学习对网络模型进行预训练，利用Adam算法对网络参数进行优化训练。最后采用SoftMax分类器准确获得8个LPI雷达信号分类结果。本发明提出利用稠密卷积神经网络，能更充分提取雷达信号特征，加强特征重利用，从而提高雷达波形在低信噪比下的识别性能，可用于复杂电磁环境下的雷达信号识别。
-
公开(公告)号：CN115712867A
公开(公告)日：2023-02-24
申请号：CN202211369792.0
申请日：2022-11-03
Applicant: 哈尔滨工程大学
IPC: G06F18/2415 , G06F18/214 , G06N3/0464 , G06N3/08 , G01S7/02 , G01S7/40
Abstract: 本发明公开了一种多分量雷达信号调制识别方法，包括获取待识别雷达信号；将待识别雷达信号输入至预先训练的深度卷积神经网络模型进行识别，输出标签向量的预测概率；深度卷积神经网络模型是采用标记有标签向量的雷达信号数据集训练得到的，标签向量表示多分量雷达信号所包含的信号调制类型；深度卷积神经网络模型包括多个移动倒置瓶颈卷积块MBConv、多个融合的移动倒置瓶颈卷积块Fused‑MBConv和卷积注意力机制模块；根据标签向量的预测概率进行阈值判决后输出多分量雷达信号调整识别结果。本发明不仅能识别单分量雷达信号，还能识别双分量和三分量雷达信号；相比较其它方法，改进了信号识别精度。
-
Patent Agency Ranking
公开(公告)号：CN115544942A
公开(公告)日：2022-12-30
申请号：CN202211130090.7
申请日：2022-09-16
Applicant: 哈尔滨工程大学
IPC: G06F30/392
Abstract: 本发明提供一种无模糊测向非均匀阵列设计方法，是一种基于计算机合理遍历设计无模糊高精度的非均匀测向阵列方法。首先计算出实际情况时所有可能合理的非均匀阵列形式；对这些非均匀阵列利用MUSIC算法在高频率易模糊频点上进行测试，测试时可加入可能引起测角模糊的因素，如通道不一致性等。对每种阵列形式进行多次蒙特卡洛实验，计算测角均方根误差，根据测试结果选择均方根误差较小的阵列形式；选定形式后，验证在所要求的测角范围内是否能够实现无模糊高精度测角。若一次选定不能符合要求，则再次选择其他均方根误差小的阵列形式，再次测试，直到达到设计要求。本发明可将影响测角模糊的因素考虑在阵列设计中，设计方式可靠，具有良好的应用前景。
-
公开(公告)号：CN112287784B
公开(公告)日：2022-05-31
申请号：CN202011121979.X
申请日：2020-10-20
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及一种基于深度卷积神经网络与特征融合的雷达信号分类方法，将雷达信号转换为时频图像；采用图像处理方法对时频图像进行预处理，并分别制作为数据集1和数据集2；利用两个改进的EfficientNet模型分别提取为数据集1和数据集2更有效的特征；设计一种多特征融合模型，充分利用不同特征之间的关系，对提取数据集1和数据集2的特征进行融合；采用Adam算法对网络参数进行优化；利用SoftMax分类器获取分类结果。本发明能更充分提取雷达信号特征，从而提高雷达信号在低信噪比环境下的识别性能，可用于复杂电磁环境下的雷达信号识别等电子对抗中。
-
公开(公告)号：CN113376586A
公开(公告)日：2021-09-10
申请号：CN202110618941.1
申请日：2021-06-03
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种双分量雷达信号分类模型构建方法，先采用改进的平滑伪Wigner‑Ville分布(SPWVD)将双分量雷达信号转换为时频图像，制作数据集，包括训练集、验证集和测试集；构建一种基于深度卷积神经网络的双分量雷达信号学习框架，用于提取八类双分量雷达信号特征；设计超参数防止过拟合并对网络模型进行优化；构建一种多类别分类器，用于分类八类随机交叠的双分量雷达信号类别。本发明提出利用深度卷积神经网络提取更有效的双分量雷达信号特征，采用多类别分类器准确和快速的识别双分量雷达信号，可用于复杂电磁环境下的双分量雷达信号识别。
-
公开(公告)号：CN112287784A
公开(公告)日：2021-01-29
申请号：CN202011121979.X
申请日：2020-10-20
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及一种基于深度卷积神经网络与特征融合的雷达信号分类方法，将雷达信号转换为时频图像；采用图像处理方法对时频图像进行预处理，并分别制作为数据集1和数据集2；利用两个改进的EfficientNet模型分别提取为数据集1和数据集2更有效的特征；设计一种多特征融合模型，充分利用不同特征之间的关系，对提取数据集1和数据集2的特征进行融合；采用Adam算法对网络参数进行优化；利用SoftMax分类器获取分类结果。本发明能更充分提取雷达信号特征，从而提高雷达信号在低信噪比环境下的识别性能，可用于复杂电磁环境下的雷达信号识别等电子对抗中。
-
公开(公告)号：CN111582236A
公开(公告)日：2020-08-25
申请号：CN202010461186.6
申请日：2020-05-27
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于稠密卷积神经网络的LPI雷达信号分类方法，首先制作数据集，获取几种不同脉内调制方式的LPI雷达信号，对雷达信号进行时频分布处理，得到时频图像；采用图像处理技术，对时频图像进行预处理。然后构建一种基于稠密卷积神经网络的特征提取与分类方法。为了加快和优化所提模型的学习效率，采用迁移学习对网络模型进行预训练，利用Adam算法对网络参数进行优化训练。最后采用SoftMax分类器准确获得8个LPI雷达信号分类结果。本发明提出利用稠密卷积神经网络，能更充分提取雷达信号特征，加强特征重利用，从而提高雷达波形在低信噪比下的识别性能，可用于复杂电磁环境下的雷达信号识别。
-
-
-
-
-
-
Search Results
7
records
(took 0.023 seconds)
