-
公开(公告)号：CN118468125B
公开(公告)日：2025-03-11
申请号：CN202410601781.3
申请日：2024-05-15
Applicant: 哈尔滨工程大学
IPC: G06F18/2413 , G06F18/10 , G06F18/2431 , G06N3/0464 , G06N3/0455 , G06N3/0442 , G06N3/084 , G06N3/0985
Abstract: 一种基于Channel‑DeepIQ的雷达信号智能检测模型构建方法、雷达信号智能检测方法、计算机设备和存储介质。本发明涉及电子侦察领域，具体涉及雷达信号智能检测领域。为了解决现有的信号检测方法在低信噪比条件下检测效果不理想的问题。本发明通过将数字信道化与神经网络技术结合，在维持一定的虚警概率条件下，提高对低信噪比信号的检测性能。数字信道化提高信号信噪比后，针对子信道内信号到达情况，采用分类网络，即与匹配接收机相似结构的卷积核完成对子信道的匹配接收分类；针对脉冲边沿信号，采用跳变点检测网络检测出脉冲边沿，划分信号区域与噪声区域。本发明为更复杂的信号检测任务提供了可能性。
-
公开(公告)号：CN116804740B
公开(公告)日：2024-07-30
申请号：CN202310700793.7
申请日：2023-06-13
Applicant: 哈尔滨工程大学
IPC: G01S7/40 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 基于Inverted U‑Net的被动雷达信号智能检测方法，解决了现有检测方法在低信噪比条件下多信号检测困难的问题，属于电子侦察领域。本发明包括：构建被动雷达信号智能检测模型，包括数字信道化模块、幅度提取模块以和Inverted U‑Net神经网络模型；将采样后的雷达脉冲信号输入数字信道化模块进行预处理，得到各个信道的IQ信号，然后输入至幅度提取模块，得到幅度信息矩阵A，将A输入至神经网络模型，神经网络模型为先上采样后下采样的对称倒U型神经网络结构，且下采样时需要融合相应上采样结果来提取特征，神经网络模型输出检测结果D；构建训练集，对神经网络模型进行训练；利用训练好的被动雷达信号智能检测模型进行检测。
-
公开(公告)号：CN118468125A
公开(公告)日：2024-08-09
申请号：CN202410601781.3
申请日：2024-05-15
Applicant: 哈尔滨工程大学
IPC: G06F18/2413 , G06F18/10 , G06F18/2431 , G06N3/0464 , G06N3/0455 , G06N3/0442 , G06N3/084 , G06N3/0985
Abstract: 一种基于Channel‑DeepIQ的雷达信号智能检测模型构建方法、雷达信号智能检测方法、计算机设备和存储介质。本发明涉及电子侦察领域，具体涉及雷达信号智能检测领域。为了解决现有的信号检测方法在低信噪比条件下检测效果不理想的问题。本发明通过将数字信道化与神经网络技术结合，在维持一定的虚警概率条件下，提高对低信噪比信号的检测性能。数字信道化提高信号信噪比后，针对子信道内信号到达情况，采用分类网络，即与匹配接收机相似结构的卷积核完成对子信道的匹配接收分类；针对脉冲边沿信号，采用跳变点检测网络检测出脉冲边沿，划分信号区域与噪声区域。本发明为更复杂的信号检测任务提供了可能性。
-
公开(公告)号：CN116804740A
公开(公告)日：2023-09-26
申请号：CN202310700793.7
申请日：2023-06-13
Applicant: 哈尔滨工程大学
IPC: G01S7/40 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 基于Inverted U‑Net的被动雷达信号智能检测方法，解决了现有检测方法在低信噪比条件下多信号检测困难的问题，属于电子侦察领域。本发明包括：构建被动雷达信号智能检测模型，包括数字信道化模块、幅度提取模块以和Inverted U‑Net神经网络模型；将采样后的雷达脉冲信号输入数字信道化模块进行预处理，得到各个信道的IQ信号，然后输入至幅度提取模块，得到幅度信息矩阵A，将A输入至神经网络模型，神经网络模型为先上采样后下采样的对称倒U型神经网络结构，且下采样时需要融合相应上采样结果来提取特征，神经网络模型输出检测结果D；构建训练集，对神经网络模型进行训练；利用训练好的被动雷达信号智能检测模型进行检测。
-
-
-
Search Results
4
records
(took 0.021 seconds)
