公开(公告)号：CN117269918A

公开(公告)日：2023-12-22

申请号：CN202311139033.X

申请日：2023-09-04

Applicant: 电子科技大学

Inventor： 张伟 ,  赵星乐 ,  尹浩州

IPC: G01S7/41 ,  G06F30/27 ,  G06F18/241 ,  G06N3/0464 ,  G06N3/08 ,  G06F111/08

Abstract: 本发明提供一种基于深度学习的海杂波中小目标检测方法，训练过程中利用杂波模拟，使得WaveGAN模型的判别器学习到的海杂波的深层特性；检测过程：完成训练的判别器对回波信号进行是否为真实的海杂波数据的二分类判别；当判别器输出为真，即表示回波信号为海杂波，未检测到目标；当判别器输出为假，即表示回波信号为海杂波加目标，检测到目标。本发明提供一种端到端的方法，不需要对回波数据进行过多的预处理；不依赖于海杂波的统计分布模型，在任何分布模型下都能有较好的检测效果；对低信杂比目标和低速目标有较好的检测性能。

公开(公告)号：CN115856792A

公开(公告)日：2023-03-28

申请号：CN202210693063.4

申请日：2022-06-17

Applicant: 电子科技大学

Inventor： 张伟 ,  马鑫 ,  赵星乐

IPC: G01S7/40 ,  G06N3/0475 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/094 ,  G06N3/084

Abstract: 本发明提供一种连续条件下的杂波模拟方法，使用一个训练好的多层感知器MLP将标量形式的标签值映射到高维隐向量空间，得到高维隐向量。比于one‑hot向量，高维隐向量能够携带更多的标签信息；用一个训练好的多层感知器MLP将标量形式的标签值映射到高维隐向量空间，得到高维隐向量。比于one‑hot向量，高维隐向量能够携带更多的标签信息，采用端到端的生成对抗方法，克服了传统杂波建模仿真方法引入中间过程误差的不足，生成对抗方法拥有更强的分布模型拟合能力，实现了连续条件下的杂波生成，可对任意分布特性的雷达杂波数据进行训练，生成相应分布的雷达杂波数据，能够广泛应用于各种环境的雷达杂波生成，对雷达杂波模拟技术的逼真性和通用性都得到了提高。