-
公开(公告)号：CN114488069B
公开(公告)日：2025-01-10
申请号：CN202210236686.9
申请日：2022-03-10
Applicant: 杭州电子科技大学
IPC: G01S7/41 , G06F18/2415 , G06F18/214 , G06N3/09 , G06N3/042
Abstract: 本发明公开了一种基于图神经网络的雷达高分辨率距离像识别方法，包括以下步骤：S1、数据预处理，S2、特征提取，S3、输出分类结果，S4、重复步骤S1‑S3完成测试，将HRRP测试数据先通过步骤S1‑1进行分类，再送入已完成步骤S1‑S3的训练的模型中进行测试。采用上述技术方案，提出了一种序列构造图(seq2graph)的方法，从transformer中提取节点之间的关系权重，将其与节点特征组成一个图结构数据，从而便于利用图神经网络的方法进行处理，从而为提高识别效果和减少计算量奠定基础。
-
公开(公告)号：CN114782798A
公开(公告)日：2022-07-22
申请号：CN202210410629.8
申请日：2022-04-19
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于注意力融合的水下目标检测方法，包括以下步骤：步骤一，准备数据集。步骤二，构建基于注意力融合的目标检测网络。步骤三，获得通用场景下的特征提取网络。步骤四，构建损失函数，训练得到基于注意力融合的水下目标检测网络。本发明使用Vision‑Transformer模块提取输入图像的自注意力信息，并通过对输入图像分块，避免对完整图像计算自注意力，减少了计算量。使用PAFPN模块提取特征的空间注意力信息，并分层输出，将提取到的高级语义信息和低级细节信息进行融合。使用SE模块提取特征的通道注意力信息，进一步提升了模型的检测精度。
-
Patent Agency Ranking
公开(公告)号：CN114636975A
公开(公告)日：2022-06-17
申请号：CN202210236821.X
申请日：2022-03-10
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于谱图融合和注意力机制的LPI雷达信号识别方法，包括如下步骤：S1、构建数据集，所述数据集包括时频图、频谱图和相谱图；S2、数据集预处理；S3、训练网络模型；S4、SVM分类；去掉前面网络的softmax层，将低维特征送入SVM分类网络，利用SVM分类网络；S5、输出分类结果。通过不同的特征的融合，增强了网络的表征能力，能够解决单谱图的特征不明显，在不牺牲较大计算成本的情况下，考虑到不同LPI雷达信号的多面特征，增强网络的识别准确率。
-
公开(公告)号：CN114636975B
公开(公告)日：2025-01-03
申请号：CN202210236821.X
申请日：2022-03-10
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于谱图融合和注意力机制的LPI雷达信号识别方法，包括如下步骤：S1、构建数据集，所述数据集包括时频图、频谱图和相谱图；S2、数据集预处理；S3、训练网络模型；S4、SVM分类；去掉前面网络的softmax层，将低维特征送入SVM分类网络，利用SVM分类网络；S5、输出分类结果。通过不同的特征的融合，增强了网络的表征能力，能够解决单谱图的特征不明显，在不牺牲较大计算成本的情况下，考虑到不同LPI雷达信号的多面特征，增强网络的识别准确率。
-
公开(公告)号：CN114296041A
公开(公告)日：2022-04-08
申请号：CN202111649998.4
申请日：2021-12-30
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于DCNN和Transformer的雷达辐射源识别方法，将Transformer架构引入到雷达辐射源识别领域，并且对架构进行改进，克服了之前学习远程依赖性难题，计算两个位置之间的关联突破之前卷积神经网络的限制。采用注意力机制模型，对于多通道的数据特征提取，通过学习进入全局特征提取前的数据通道特征，学习通道依赖性，凸显特征提取后的各个通道的重要性，提高辐射源时频图的表征能力。本发明提出的方法可以对低信噪比的时频图首先进行局部特征提取，然后考虑关联位置之间的关系考虑全局特征，在信噪比的情况下，综合局部特征跟全局特征，能够有良好的识别效果。
-
公开(公告)号：CN114663678A
公开(公告)日：2022-06-24
申请号：CN202210410646.1
申请日：2022-04-19
Applicant: 杭州电子科技大学
Abstract: 一种基于ECO‑GAN的图像增强系统及方法，包括生成器网络和判别器网络，生成器网络包括生成器特征提取子模块和图像修复子模块，在训练阶段对输入图像提取特征、修复，输出足以迷惑判别器的生成样本；判别器网络包括判别器特征提取子模块和分类器，在训练阶段对生成样本的真伪做判别。本发明利用深度学习算法对图像进行增强，算法高效、实时性强，通过重用特征提取网络，实现多种图像增强任务；应用范围广，基于深度学习的图像增强算法，依赖于成对数据训练，而不依赖于复杂多样的各种物理知识；并且功能多样，使用灵活。
-
公开(公告)号：CN114488069A
公开(公告)日：2022-05-13
申请号：CN202210236686.9
申请日：2022-03-10
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于图神经网络的雷达高分辨率距离像识别方法，包括以下步骤：S1、数据预处理，S2、特征提取，S3、输出分类结果，S4、重复步骤S1‑S3完成测试，将HRRP测试数据先通过步骤S1‑1进行分类，再送入已完成步骤S1‑S3的训练的模型中进行测试。采用上述技术方案，提出了一种序列构造图(seq2graph)的方法，从transformer中提取节点之间的关系权重，将其与节点特征组成一个图结构数据，从而便于利用图神经网络的方法进行处理，从而为提高识别效果和减少计算量奠定基础。
-
-
-
-
-
-
Search Results
7
records
(took 0.024 seconds)
