-
公开(公告)号：CN119226683A
公开(公告)日：2024-12-31
申请号：CN202411210173.6
申请日：2024-08-30
Applicant: 西安电子科技大学 , 西安电子科技大学杭州研究院
Abstract: 本发明涉及一种L型抗互耦稀疏阵列及其远场信源测向方法，L型抗互耦稀疏阵列包括：第一稀疏线阵和第二稀疏线阵，第一稀疏线阵和第二稀疏线阵相互垂直且相交形成L型阵列；第一稀疏线阵和第二稀疏线阵均由沿线阵延伸方向间隔分布的第一子阵、第二子阵和第三子阵形成，第一子阵设置在第一稀疏线阵和第二稀疏线阵的相交处；第一子阵、第二子阵和第三子阵均由若干传感器阵元等间距分布形成。该L型抗互耦稀疏阵列能够有效增大阵列的孔径，提高估计分辨率；可以提升连续虚拟阵元长度，减少物理硬件开支，提升阵列的自由度；同时在设计时，可以预先增加阵列中阵元的间距，减少互耦效果，提升阵列的估计效果。
-
公开(公告)号：CN116359872A
公开(公告)日：2023-06-30
申请号：CN202310310034.X
申请日：2023-03-28
Applicant: 西安电子科技大学杭州研究院
IPC: G01S7/41
Abstract: 本发明公开了基于软件定义无线电USRP平台的目标距离估计的方法，包括以下步骤：S1通过GNUradio搭建信号发射模块，使用USRP的RX2/A天线发射射频信号，将射频信号传送到目标处；S2通过GNUradio搭建信号接收模块和数据保存模块，通过USRP的TX/RXA天线接收回波信号，并保存数据；S3接收到的信号数据通过Python中的scipy和numpy库进行数据预处理；S4预处理之后的信号通过距离测量原理进行距离计算；S5计算得到的数据通过matplotlib就行画图绘制，得到测量距离。本发明采用上述结构的基于软件定义无线电USRP平台的目标距离估计的方法，采用GNURadio、USRP B210和Python等开源硬件和软件，实现了一种调频连续波FMCW雷达在3.3GHz的频率下估计发射机与目标物体之间的距离。
-
公开(公告)号：CN114362795A
公开(公告)日：2022-04-15
申请号：CN202111394394.X
申请日：2021-11-23
Applicant: 西安电子科技大学杭州研究院 , 西安电子科技大学
IPC: H04B7/0413 , H04B17/309 , G06N3/08 , G06K9/62
Abstract: 本发明涉及通信技术领域，具体涉及一种非线性毫米波MIMO通讯系统的信号检测方法。与现有技术相比，本发明方法的深度神经网络拥有更简单的结构，极大减少了超参数数量，减少了过拟合，减少了复杂度，易于训练，且仅需少量训练数据可达到较好的检测性能。
-
公开(公告)号：CN119199717A
公开(公告)日：2024-12-27
申请号：CN202411201580.0
申请日：2024-08-29
Applicant: 西安电子科技大学 , 西安电子科技大学杭州研究院
IPC: G01S3/14
Abstract: 本发明提供一种互补互质阵列及其DOA估计方法，涉及阵列信号处理技术领域。包括：自左向右依次排布的第一子阵、第二子阵、第三子阵和第四子阵；第一子阵包括第一稀疏子阵和第一单元子阵，第一稀疏子阵包括N个阵元，且N个阵元均匀排布，第一稀疏子阵的阵元间距为M，第一单元子阵包括1个阵元；第二子阵包括U1+1个阵元，第二子阵的阵元间距为Nd；第三子阵和第四子阵均包括2个阵元，第三子阵和第四子阵的阵元间距均为Nd+3；第一子阵与第二子阵的间距为Nd+3，第二子阵与第三子阵的间距为Nd，第三子阵与第四子阵的间距为Nd‑5，第四子阵为将第三子阵向右平移2N个距离单元所形成的。这样，互补互质阵列的自由度与互耦泄漏的可控平衡，估计的DOA准确性较高。
-
公开(公告)号：CN116125418A
公开(公告)日：2023-05-16
申请号：CN202310037687.5
申请日：2023-01-09
Applicant: 西安电子科技大学杭州研究院
IPC: G01S7/41 , G01S13/58 , G01S13/90 , G06V10/762 , G06V10/74 , G06V10/422
Abstract: 本发明公开了一种干涉SAR运动舰船尾迹区域获取与尾迹速度场测量方法，步骤如下：S1、根据舰船尾迹特征与电磁波传播机理，计算沿航迹干涉SAR设备的关键参数；S2、对观测场景回波数据进行归一化SAR干涉处理；S3、基于步骤S2获得的归一化干涉结果检测舰船尾迹像素点；S4、基于空间欧式距离、归一化干涉结果的信息对舰船尾迹像素点聚类；S5、检测出舰船尾迹；S6、利用干涉相位信息反演舰船尾迹的径向速度场；S7、利用舰船开尔文尾迹反演运动舰船参数；S8、将舰船尾迹区域、径向速度场和对应的舰船航速和航向信息输出。本发明采用上述的一种干涉SAR运动舰船尾迹区域获取与尾迹速度场测量方法，实现干涉SAR舰船尾迹获取、尾迹径向速度场测量与舰船参数反演。
-
Patent Agency Ranking
公开(公告)号：CN114362795B
公开(公告)日：2023-04-18
申请号：CN202111394394.X
申请日：2021-11-23
Applicant: 西安电子科技大学杭州研究院 , 西安电子科技大学
IPC: H04B7/0413 , H04B17/309 , G06F18/214 , G06N3/045 , G06N3/08
Abstract: 本发明涉及通信技术领域，具体涉及一种非线性毫米波MIMO通讯系统的信号检测方法。与现有技术相比，本发明方法的深度神经网络拥有更简单的结构，极大减少了超参数数量，减少了过拟合，减少了复杂度，易于训练，且仅需少量训练数据可达到较好的检测性能。
-
公开(公告)号：CN115128548A
公开(公告)日：2022-09-30
申请号：CN202210591783.X
申请日：2022-05-27
Applicant: 西安电子科技大学杭州研究院
Abstract: 本发明公开了一种SAR射频干扰检测方法，具体步骤如下：步骤S1：分析不同的有源噪声干扰对星载SAR图像的干扰形态与效果，确定评估的目标；步骤S2：建立SAR射频干扰图像数据库，采用抗干扰方法处理SAR干扰图像，形成对比图像数据库；步骤S3：建立SAR射频干扰图像域评估指标体系，将评估指标进行分类；步骤S4：分析各个底层指标的影响程度，确定各底层指标权重；步骤S5：进行图像域SAR射频干扰检测试验，对检测结果进行整理分析。采用上述一种SAR射频干扰检测方法，通过收集相关星载SAR图像域干扰数据，得到的结果准确，实现了SAR干扰的准确检测与定位，可操作性强。
-
公开(公告)号：CN114675266B
公开(公告)日：2025-01-17
申请号：CN202111340176.8
申请日：2021-11-12
Applicant: 西安电子科技大学杭州研究院 , 西安电子科技大学
Abstract: 本发明涉及雷达技术领域，具体涉及一种基于联合稀疏恢复的低复杂度InISAR三维成像方法，包括以下步骤：建立InISAR成像系统的几何结构，并根据InISAR成像系统的几何结构来建立符合JSM‑2模型的InISAR成像稀疏重建模型；按照酉变换近似消息传递UTAMP，对建立的符合JSM‑2模型的InISAR成像稀疏重建模型进行酉变换，并建立InISAR成像联合稀疏恢复的贝叶斯学习模型；构建InISAR成像联合稀疏恢复贝叶斯学习模型的因子图；根据建立的联合稀疏恢复贝叶斯学习模型的因子图，设计其中各个变量的消息更新规则；根据消息更新规则，得到三个通道的二维图像后，通过干涉处理和散射点距离测量重建目标三维图像。本发明提高了三维像的重建精度，具有更好的噪声抑制抑制能力，极大的降低了算法计算复杂度。
-
公开(公告)号：CN119044905A
公开(公告)日：2024-11-29
申请号：CN202411177282.2
申请日：2024-08-26
Applicant: 西安电子科技大学 , 西安电子科技大学杭州研究院
IPC: G01S7/38
Abstract: 本发明公开了一种基于生成对抗网络的雷达波形生成方法及其装置，涉及信号处理技术领域，包括：获取文本内容；将文本内容输入至训练好的文本分类模型中进行处理，得到文本内容中描述的预设类别的干扰信号的标签；将标签输入至训练好的生成对抗网络中进行处理，得到生成标签对应的干扰信号；其中，训练好的文本分类模型以第一预设类别的数据作为训练数据集，对初始的文本分类模型进行训练得到；训练好的生成对抗网络以第二预设类别的数据作为训练数据集，对初始的生成对抗网络进行训练得到。本发明能够为干扰信号的分选、检测等任务提供了丰富的数据集资源。
-
公开(公告)号：CN118759461A
公开(公告)日：2024-10-11
申请号：CN202410673432.2
申请日：2024-05-28
Applicant: 西安电子科技大学 , 西安电子科技大学杭州研究院
Abstract: 本发明提供了一种时频域SAR干扰智能检测方法、装置及设备。其中，方法包括：获取待检测SAR图像；对待检测SAR图像进行逆成像处理，获取待检测回波信号；利用预设时频转换算法对待检测回波信号进行时频转换，获取待检测时频信息；将待检测时频信息输入预训练RFI Ano‑GAN网络进行干扰检测，获取干扰检测结果；预训练RFI Ano‑GAN网络通过不含干扰的时频样本数据训练得到。在本发明中，基于无监督的RFI Ano‑GAN网络进行干扰智能检测，提高了检测效率和检测鲁棒性；由于预训练RFI Ano‑GAN网络通过不含干扰的时频样本数据训练得到，避免了对干扰回波样本获取的同时实现了对SAR干扰的智能检测。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.093 seconds)
