-
公开(公告)号：CN110007283A
公开(公告)日：2019-07-12
申请号：CN201910214702.2
申请日：2019-03-20
Applicant: 海南大学
Abstract: 本发明适用于雷达信号处理领域，提供了雷达波达方向估计方法、装置、计算机设备及存储介质，该方法包括：对接收到的K个目标的回波信号组成的矩阵X进行降维处理，得到降维数据矩阵Y；基于降维数据矩阵Y，构造稀疏信号模型；根据该模型得到用于估计K个目标的回波功率的目标函数；初始化和更新该目标函数中的回波信号功率和非均匀噪声协方差矩阵；通过多项求根对稀疏信号模型中需要更新位置的网格点进行更新；当算法迭代次数达到预设的上限值或者算法收敛时，对更新后的空域离散网格进行一维空间谱搜索，得到多输入多输出雷达离格波达方向估计值。本发明具有同时对非均匀噪声和离格误差鲁棒的优点，在粗糙的网格仍具有很好的性能，准确性高。
-
公开(公告)号：CN116699602A
公开(公告)日：2023-09-05
申请号：CN202310619119.6
申请日：2023-05-29
Applicant: 海南大学
IPC: G01S13/86 , G06V20/58 , G06V20/40 , G06V10/80 , G06V10/82 , G06F18/2321 , G01S13/931 , G01S7/41
Abstract: 本发明提供一种基于毫米波雷达和相机融合的目标检测系统及方法，该方法使用毫米波雷达和相机分别对目标进行检测，通过时间匹配对准后，对毫米波雷达采集的毫米波雷达原始数据进行距离FFT、多普勒FFT、CFAR恒虚警检测和DOA估计等算法处理，初步得到检测场景毫米波雷达感兴趣目标的3D点云数据，再通过真实的道路情况制定的规则对毫米波雷达感兴趣目标的3D点云数据进行初步筛选、聚类融合、有效目标提取等算法处理后，和来自同一时间经过YOLOv4算法目标检测后的相机数据在空间坐标系的统一转换下进行信息融合，实现了两个传感器检测性能的优势互补，有效解决自动驾驶系统和智能监控系统中单传感器目标检测信息不全面、错检和漏检的情况。
-
公开(公告)号：CN115808680A
公开(公告)日：2023-03-17
申请号：CN202211410631.1
申请日：2022-11-11
Applicant: 海南大学
IPC: G01S13/58 , G06F18/2415 , G06N3/0464 , G06N3/045 , G06N3/048 , G06N3/08 , G01S13/06 , G01S13/32 , G01S7/41 , G01S7/42 , G01S3/72
Abstract: 本发明提供了一种非理想条件下FMCW‑MIMO雷达的目标定位方法，基于深度学习技术，将接收信号求其信号的协方差矩阵和信号的转置协方差矩阵，将协方差矩阵的实部虚部和相位组成三维张量，按照相同方法处理信号的转置协方差矩阵将协方差矩阵构成的三维张量输入到DOA估计网络中，经过粗估计和细估计，获得DOA估计值，将信号的转置协方差矩阵构成的张量输入到距离估计网络中，获得距离的估计值，最后通过比较F范数的方式匹配DOA值和距离值，实现联合估计达到定位效果，为了消除较少阵元、少快拍和低信噪比的影响，本发明针对相应数据进行特定训练，增加了低信噪比强化网络减少上述情况导致的误差，利用深度学习的拟合能力，实现了非理想情况下FMCW‑MIMO雷达的定位。
-
公开(公告)号：CN112782663A
公开(公告)日：2021-05-11
申请号：CN202110146314.2
申请日：2021-02-03
Applicant: 海南大学
IPC: G01S7/41
Abstract: 本发明提供一种幅相误差条件下FDA‑MIMO雷达的目标参数估计方法，包括下列步骤：构建包含匹配滤波器的MIMO雷达接收阵元，通过所述MIMO雷达接收阵元对所接收到的信号进行匹配滤波，获取接收到的多维数据；对接收到的多维数据进行平行因子分解，得到含有目标信息的方向矩阵；根据辅助阵元的导向矢量以及第一估计算子，计算出目标的角度估计；根据所述角度估计以及发射阵元的导向矢量估计出目标的距离；根据不同目标之间的导向矢量，计算幅度误差估计；通过第二估计算子以及导向矢量获得相位误差估计。
-
公开(公告)号：CN118570756A
公开(公告)日：2024-08-30
申请号：CN202410699519.7
申请日：2024-05-31
Applicant: 海南大学
Abstract: 本发明公开了一种基于车道线辅助雷达与视觉融合的目标检测方法，分别对两种传感器进行数据处理，对视觉采集的数据进行车道线检测并采用基于YOLOv4的目标检测方法进行处理，将来自同一时刻的雷达数据进行距离FFT、多普勒FFT、CFAR恒虚警检测以及DOA估计，然后利用车道线将视觉和雷达检测到的车道外目标滤除并将两种传感器的有效目标按车道分组。最后，将雷达和摄像头检测到的同一条车道上的目标进行空间融合后，采用决策级融合策略进行多传感器信息融合，实现多源异构传感器优势互补，有效解决由空间转换误差引起的目标匹配错误的情况，以及自动驾驶系统中单一传感器信息检测不全面、错检和漏检的情况。
-
Patent Agency Ranking
公开(公告)号：CN116679280A
公开(公告)日：2023-09-01
申请号：CN202310595553.5
申请日：2023-05-25
Applicant: 海南大学
IPC: G01S7/48 , G06F18/24 , G06F18/214 , G06N3/0464 , G06N3/08 , G01S7/4913 , G01S7/493 , G01S17/50 , G01S17/88
Abstract: 本发明提供一种基于FMCW雷达的人体姿态识别方法，所述方法通过FMCW雷达分别采集人体姿态数据和环境的原始数据，经过数据预处理算法分别对人体姿态数据和环境数据进行处理，初步消除部分干扰，再将经过数据预处理之后的人体姿态数据与均衡后的环境数据进行对消处理，进一步消除由环境带来的干扰，以适应不同环境下的人体姿态识别任务，然后将对消处理之后的数据及其对应标签送入神经网络进行训练学习，最终完成对无标签人体姿态的识别，具有识别准确率高、适用多种应用场景的优点。
-
公开(公告)号：CN112782663B
公开(公告)日：2023-07-21
申请号：CN202110146314.2
申请日：2021-02-03
Applicant: 海南大学
IPC: G01S7/41
Abstract: 本发明提供一种幅相误差条件下FDA‑MIMO雷达的目标参数估计方法，包括下列步骤：构建包含匹配滤波器的MIMO雷达接收阵元，通过所述MIMO雷达接收阵元对所接收到的信号进行匹配滤波，获取接收到的多维数据；对接收到的多维数据进行平行因子分解，得到含有目标信息的方向矩阵；根据辅助阵元的导向矢量以及第一估计算子，计算出目标的角度估计；根据所述角度估计以及发射阵元的导向矢量估计出目标的距离；根据不同目标之间的导向矢量，计算幅度误差估计；通过第二估计算子以及导向矢量获得相位误差估计。
-
公开(公告)号：CN119202958B
公开(公告)日：2025-03-14
申请号：CN202411732269.9
申请日：2024-11-29
Applicant: 深圳市科荣软件股份有限公司 , 海南儋州粤海自来水有限公司 , 海南大学
IPC: G06F18/2431 , G06F18/2415 , G06F18/213 , G06F18/214 , G06N3/0895 , G06N3/096 , G06N3/082 , G06N3/0464 , G06N3/047 , G06N3/042 , G06N3/048
Abstract: 本发明提供一种基于半监督迁移学习的供水管网泄露智能诊断方法，所述方法包括数据预处理、模型构建和模型评估三个部分。所述方法通过最小化经验分布，减小源域和目标域之间的域间距离，分别利用有标签和无标签数据对网络进行调整，帮助模型在源域和目标域之间进行有效的知识转移，从而提升因小样本、样本不均衡造成的低准确率。对比于现有的管网泄露诊断方法，本发明所提出的用于供水系统的故障诊断模型实现了更低的损失值，并在诊断准确率和精度方面都得到了一定的提升。
-
公开(公告)号：CN118539951A
公开(公告)日：2024-08-23
申请号：CN202311803627.6
申请日：2023-12-26
Applicant: 海南大学
IPC: H04B7/0413 , H04B7/06
Abstract: 本发明公开了一种基于毫米波极化大规模MIMO系统的2D‑DOA和极化参数估计方法，所述方法包括下列步骤：将来自毫米波极化大规模MIMO系统的高维接收数据通过同步压缩网络压缩成低维接收数据；根据压缩后的低维接收数据，构建传播算子代替高维矩阵分解，获得信号子空间；基于信号子空间，利用旋转不变性，结合矢量叉乘技术，计算出2D‑DOA粗估计；基于已获得的2D‑DOA粗估计，结合降维MUSIC策略，进行2D局部搜索，计算出2D‑DOA精估计；基于已获得的2D‑DOA精估计，计算出极化参数精估计。
-
公开(公告)号：CN115022130B
公开(公告)日：2024-02-06
申请号：CN202210526448.1
申请日：2022-05-16
Applicant: 海南大学
IPC: H04L25/02 , H04B7/0413 , H04B7/0456 , H04B15/00
Abstract: 本发明提供一种基于量子力学去噪的毫米波大规模MIMO信道估计方法，包括步骤：对毫米波大规模MIMO系统进行建模，确定毫米波大规模MIMO系统的噪声接收信号模型；构造哈密顿矩阵并计算其特征向量和特征值，根据哈密顿矩阵特征向量计算对噪声接收信号进行去噪处理所需的自适应基；将噪声接收信号投影到自适应基上计算系数，在转换空间时，对系数进行软阈值处理，重构去噪接收信号；针对去噪接收信号的无约束优化问题确定优化目标函数具体形式，将目标函数等效为迭代替代函数，将毫米波大规模MIMO系统的信道估计问题简化为对角度参数的估计；通过预设算法将角度参数迭代地移动到实际角度值，获得信道估计结果。本发明相较于现有技术具有更好的信道估计性能。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.014 seconds)
