-
公开(公告)号：CN111339493A
公开(公告)日：2020-06-26
申请号：CN202010152759.7
申请日：2020-03-06
Applicant: 电子科技大学
Abstract: 本发明属于飞机目标大小分类技术领域，具体涉及一种非均匀量化状态转移特征矩阵提取方法。本发明首先对飞机目标的窄带雷达RCS数据进行非均匀量化，然后利用训练数据集建立马尔可夫模型，抽取飞机目标的非均匀量化状态转移特征，与常规统计特征相比，更精细地使用了窄带雷达RCS数据序列中与目标结构形状有关的起伏变化信息，从而改善了对目标的分类性能。仿真实验结果验证了方法的有效性。
-
公开(公告)号：CN110133600B
公开(公告)日：2022-11-04
申请号：CN201910519253.2
申请日：2019-06-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种直升机旋翼物理参数提取方法。本发明的方法首先对直升机旋翼的窄带RCS数据的时频谱进行图像滤波和图像分割，以降低背景噪声，改善时频谱图的清晰度，精确提取时频信号线；然后通过参数估计方法从时频信号线中直接估计出直升机旋翼的旋转周期、桨叶长度和桨叶数目，通过这些参数能更准确地识别直升机目标的类别和型号，解决了从多普勒时频谱中无法提取直升机旋翼物理参数的难题，仿真实验结果验证了该方法的有效性。
-
公开(公告)号：CN111339493B
公开(公告)日：2022-05-24
申请号：CN202010152759.7
申请日：2020-03-06
Applicant: 电子科技大学
Abstract: 本发明属于飞机目标大小分类技术领域，具体涉及一种非均匀量化状态转移特征矩阵提取方法。本发明首先对飞机目标的窄带雷达RCS数据进行非均匀量化，然后利用训练数据集建立马尔可夫模型，抽取飞机目标的非均匀量化状态转移特征，与常规统计特征相比，更精细地使用了窄带雷达RCS数据序列中与目标结构形状有关的起伏变化信息，从而改善了对目标的分类性能。仿真实验结果验证了方法的有效性。
-
公开(公告)号：CN110223342B
公开(公告)日：2022-06-24
申请号：CN201910520018.7
申请日：2019-06-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度神经网络的空间目标尺寸估计方法。本发明的方法利用深度神经网络进行预训练，建立空间目标RCS序列和尺寸之间的关系，将未知尺寸信息的空间目标RCS序列输入到训练后的深度神经网络中，最后得到空间目标的尺寸估计结果。与传统的空间目标尺寸估计方法相比，本文方法无须预先通过人工方式建立目标尺寸估计模型，而且利用深度学习机理来自动学习表征目标尺寸与目标RCS数据序列之间的内在关联，提高了空间目标尺寸估计的准确性。
-
Patent Agency Ranking
公开(公告)号：CN110133600A
公开(公告)日：2019-08-16
申请号：CN201910519253.2
申请日：2019-06-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种直升机旋翼物理参数提取方法。本发明的方法首先对直升机旋翼的窄带RCS数据的时频谱进行图像滤波和图像分割，以降低背景噪声，改善时频谱图的清晰度，精确提取时频信号线；然后通过参数估计方法从时频信号线中直接估计出直升机旋翼的旋转周期、桨叶长度和桨叶数目，通过这些参数能更准确地识别直升机目标的类别和型号，解决了从多普勒时频谱中无法提取直升机旋翼物理参数的难题，仿真实验结果验证了该方法的有效性。
-
公开(公告)号：CN110031815A
公开(公告)日：2019-07-19
申请号：CN201910322876.0
申请日：2019-04-22
Applicant: 电子科技大学
IPC: G01S7/41
Abstract: 本发明属于空间目标识别技术领域，具体涉及一种基于组合函数的空间目标RCS序列周期估计方法。针对传统的空间目标RCS序列周期估计方法在低信噪比条件下存在估计准确率低的问题，本发明提出了一种基于组合函数的空间目标RCS序列周期估计方法，该方法首先利用改进的自相关函数和平均幅度差函数得到一个组合函数，基于组合函数对空间目标RCS序列进行处理，最后使用方差分析法对处理后的数据进行周期估计。实验结果表明，在低信噪比的情况下，本发明的方法提高了空间目标RCS序列周期估计的准确性和稳定性。
-
公开(公告)号：CN110223342A
公开(公告)日：2019-09-10
申请号：CN201910520018.7
申请日：2019-06-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度神经网络的空间目标尺寸估计方法。本发明的方法利用深度神经网络进行预训练，建立空间目标RCS序列和尺寸之间的关系，将未知尺寸信息的空间目标RCS序列输入到训练后的深度神经网络中，最后得到空间目标的尺寸估计结果。与传统的空间目标尺寸估计方法相比，本文方法无须预先通过人工方式建立目标尺寸估计模型，而且利用深度学习机理来自动学习表征目标尺寸与目标RCS数据序列之间的内在关联，提高了空间目标尺寸估计的准确性。
-
公开(公告)号：CN110046590A
公开(公告)日：2019-07-23
申请号：CN201910322696.2
申请日：2019-04-22
Applicant: 电子科技大学
Abstract: 本发明属于雷达目标识别技术领域，具体涉及一种基于粒子群优化深度学习特征选择的一维像识别方法。本发明的方法首先使用深度信念网络(DBN)学习到原始高维数据的内部特征，进一步结合粒子群优化(PSO)算法，实现对特征的选择和优化，解决深度学习网络特征维数过高的问题，减少冗余特征对后续分类器的影响，改善了对目标的识别率。
-
公开(公告)号：CN110046590B
公开(公告)日：2022-04-22
申请号：CN201910322696.2
申请日：2019-04-22
Applicant: 电子科技大学
IPC: G06V20/13 , G06V10/771 , G06V10/764 , G06V10/82 , G06N3/08 , G06N3/00
Abstract: 本发明属于雷达目标识别技术领域，具体涉及一种基于粒子群优化深度学习特征选择的一维像识别方法。本发明的方法首先使用深度信念网络(DBN)学习到原始高维数据的内部特征，进一步结合粒子群优化(PSO)算法，实现对特征的选择和优化，解决深度学习网络特征维数过高的问题，减少冗余特征对后续分类器的影响，改善了对目标的识别率。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.02 seconds)
