-
公开(公告)号：CN115047412A
公开(公告)日：2022-09-13
申请号：CN202210741920.3
申请日：2022-06-27
Applicant: 北京理工大学 , 北京理工大学唐山研究院
Abstract: 本发明属于电子对抗、干扰抑制及信号识别技术领域，尤其涉及一种基于双阶段UNet的遮蔽式箔条干扰抑制方法。包括：使用宽带极化雷达采集信号，得到实测数据；进行脉冲压缩和归一化，得到目标、箔条干扰和混合的距离像序列灰度图；构造伪实测数据，得到目标、箔条干扰、伪实测的目标和箔条干扰混合的距离像序列灰度图和分割真值图；构建基于双阶段UNet的箔条干扰抑制网络及其损失函数；使用伪实测数据进行训练，得到最优的基于双阶段UNet的箔条干扰抑制网络；进行测试，实现遮蔽式箔条干扰的抑制。所述方法对遮蔽式箔条干扰下目标前景的分割效果好、对箔条干扰的抑制效果好、受环境影响小、能应对各种类型、各个阶段的箔条干扰。
-
公开(公告)号：CN119805376A
公开(公告)日：2025-04-11
申请号：CN202510004050.5
申请日：2025-01-02
Applicant: 北京理工大学 , 北京理工大学唐山研究院
Abstract: 本发明属于雷达抗干扰技术领域，涉及一种基于Stackelberg博弈的雷达抗干扰方法。包括：参数设定；S2对当前干扰类型进行识别；选择雷达候选行为；判断若雷达采取某一候选行为，干扰机可能选择的干扰类型；判定针对候选雷达行为，干扰机获取最大收益时的干扰类型；从所有雷达后续候选行为选择出最优抗干扰措施；在干扰机确定雷达抗干扰措施后，选择下一干扰类型；计算博弈过程消耗时间，并更新剩余博弈时间；判定博弈是否结束，以及博弈结束时雷达是否完成抗干扰，若是，则输出雷达抗干扰结果，否则，跳至S2；所述方法通过改变雷达抗干扰措施选择逻辑基于干扰预测实施干扰反制，能在对抗中始终占据先机；适用海、陆及空各种对抗。
-
公开(公告)号：CN115079103B
公开(公告)日：2025-04-29
申请号：CN202210683889.2
申请日：2022-06-16
Applicant: 北京理工大学
IPC: G01S7/292 , G01S7/295 , G01S7/36 , G06F18/2411 , G06F18/214
Abstract: 本发明属于电子对抗、数据分类与信号识别技术领域，尤其涉及一种基于多域特征与LightGBM的抗箔条干扰方法。包括：将宽带极化雷达水平极化接收通道的箔条干扰下的目标回波数据进行预处理，得到水平极化接收通道的距离像序列；进行箔条干扰类型判断和目标分割，得到目标距离像序列和箔条干扰距离像序列；从时域、频域、极化域提取并得到特征向量，并将每个序列得到的特征向量作为一个样本；将样本进行标签标注；将带标签样本进行数据划分，得到训练集与测试集；并进行训练和测试，实现箔条干扰的识别和对抗。所述方法对抗遮蔽式箔条干扰效果好且分类准确率高，对海杂波鲁棒性好、抗干扰效率高。
-
公开(公告)号：CN119044899A
公开(公告)日：2024-11-29
申请号：CN202310608519.7
申请日：2023-05-27
Applicant: 北京理工大学
Abstract: 本发明属于雷达抗干扰技术领域，涉及一种基于干扰能力分配的多智能体强化学习雷达抗干扰方法。所述方法，包括：参数设定；协同各部雷达进行集中式训练，学习得到合适的策略；S1对干扰行为进行识别、并据识别结果及训练策略选择各部雷达的工作模式和抗干扰措施；依据距离、雷达工作模式及雷达平台速度加权得到威胁评估结果；识别雷达行为后，选择干扰机的行为并判定雷达被干扰的成功概率；在雷达威胁评估结果和雷达探测成功概率的约束下，针对各部雷达分配干扰能力；计算博弈过程消耗时间并更新；当剩余博弈时间大于零时博弈继续，跳至S1；否则博弈结束。所述方法只在训练中共享信息，执行中不进行通信，适用雷达协同抗干扰场景。
-
公开(公告)号：CN114155445A
公开(公告)日：2022-03-08
申请号：CN202111395692.0
申请日：2021-11-23
Applicant: 北京理工大学
Abstract: 本发明涉及基于改进YOLOv3的SAR图像目标检测方法，属于雷达目标检测技术领域。所述方法包括：采集SAR图像；对SAR图像数据进行预处理，得到预处理后SAR图像数据并进行人工标注，得到SAR图像数据集并划分为训练数据集和测试数据集；建立改进YOLOv3模型，即在YOLOv3的主干网络Darknet53后增加SPP结构；简化原有YOLOv3的FPN层得FPN‑light结构；将训练数据集输入改进的YOLOv3模型中进行训练，得到训练好的改进YOLOv3模型；将测试数据集输入训练好的改进YOLOv3模型进行测试，得到识别结果。所述方法可较为准确识别出SAR图像中的舰船。
-
Patent Agency Ranking
公开(公告)号：CN114067217A
公开(公告)日：2022-02-18
申请号：CN202111093034.6
申请日：2021-09-17
Applicant: 北京理工大学
Abstract: 本发明涉及基于非下采样分解转换器的SAR图像目标识别方法，属于基于深度学习的雷达目标智能识别技术领域。所述方法使用端到端的非下采样分解转换器，该转换器通过非下采样分解模块和转换器神经网络连接而成；深度神经网络的构建与训练阶段，使用非下采样分解模块进行图像分解、利用分解后的子通道图像进行特征融合、构建非下采样分解转换器网络和训练非下采样分解转换器网络；测试阶段，包含测试样本集的构建以及非下采样分解转换器网络的测试识别。所述方法解决了传统转换器网络在SAR数据集上的严重过拟合问题；在MSTAR数据集上取得了比ResNet50更高的分类准确高。
-
公开(公告)号：CN116681623A
公开(公告)日：2023-09-01
申请号：CN202310774557.X
申请日：2023-06-28
Applicant: 北京理工大学
IPC: G06T5/00 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明涉及一种基于多级拉普拉斯金字塔去噪的SAR图像目标检测方法。包括：通过拉普拉斯金字塔变换将原始图像分解到不同的频域子带，采用可训练阈值模块抑制各个高频子带上的噪声，通过拉普拉斯金字塔重构获得去噪后图像；将去噪后图像、拉普拉斯变换的第一个子带与原图连接以融合图像空域、频域信息，形成三通道图像，输入到后续的目标检测网络；将注意力机制引入基础网络的特征融合模块，对特征图各像素赋予不同的权值，突出有效特征。所述方法具有自适应性，不因输入图像尺度变化增加网络的复杂度和训练难度；生成包含尺度信息的真值图，不涉及神经网络的训练，故复杂度低、易操作；生成的真值图标示了每个目标的位置和尺度信息。
-
公开(公告)号：CN114755636A
公开(公告)日：2022-07-15
申请号：CN202210272140.9
申请日：2022-03-18
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于密度聚类和幅度‑距离特征联合的目标识别方法，属于雷达干扰识别及目标识别技术领域。所述目标识别方法，包括：S1：对每一帧数据进行帧内的非相参积累，得到该帧非相参积累后的数据；S2：将S1得到的非相参积累后的数据进行CFAR检测，得到CFAR检测后过门限的点，并保存；S3：对S2输出的CFAR检测后过门限的点逐帧进行密度聚类，得到聚类结果；S4：对S3输出的聚类结果逐帧进行目标和干扰的识别。所述方法能对任意形状数据进行聚类且针对一维数据聚类效果更好；不需预先设置初始值，故没有初始值对聚类结果的影响；充分利用了数据的帧内和帧间信息，目标识别准确率更高。
-
公开(公告)号：CN114155445B
公开(公告)日：2024-09-06
申请号：CN202111395692.0
申请日：2021-11-23
Applicant: 北京理工大学
IPC: G06V20/13 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及基于改进YOLOv3的SAR图像目标检测方法，属于雷达目标检测技术领域。所述方法包括：采集SAR图像；对SAR图像数据进行预处理，得到预处理后SAR图像数据并进行人工标注，得到SAR图像数据集并划分为训练数据集和测试数据集；建立改进YOLOv3模型，即在YOLOv3的主干网络Darknet53后增加SPP结构；简化原有YOLOv3的FPN层得FPN‑light结构；将训练数据集输入改进的YOLOv3模型中进行训练，得到训练好的改进YOLOv3模型；将测试数据集输入训练好的改进YOLOv3模型进行测试，得到识别结果。所述方法可较为准确识别出SAR图像中的舰船。
-
公开(公告)号：CN115079103A
公开(公告)日：2022-09-20
申请号：CN202210683889.2
申请日：2022-06-16
Applicant: 北京理工大学
Abstract: 本发明属于电子对抗、数据分类与信号识别技术领域，尤其涉及一种基于多域特征与LightGBM的抗箔条干扰方法。包括：将宽带极化雷达水平极化接收通道的箔条干扰下的目标回波数据进行预处理，得到水平极化接收通道的距离像序列；进行箔条干扰类型判断和目标分割，得到目标距离像序列和箔条干扰距离像序列；从时域、频域、极化域提取并得到特征向量，并将每个序列得到的特征向量作为一个样本；将样本进行标签标注；将带标签样本进行数据划分，得到训练集与测试集；并进行训练和测试，实现箔条干扰的识别和对抗。所述方法对抗遮蔽式箔条干扰效果好且分类准确率高，对海杂波鲁棒性好、抗干扰效率高。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.032 seconds)
