【CN110033043A】基于条件生成式对抗网络的雷达一维距离像拒判方法【专利】
基于一维距离像的目标检测与鉴别方法
Target Detection and Discrimination using One Dimensional Range Profile DataA thesis submitted toXIDIAN UNIVERSITYin partial fulfillment of the requirementsfor the degree of Masterin Information and Communication EngineeringByLi boSupervisor: Prof. Du lanDecember 2014西安电子科技大学学位论文独创性（或创新性）声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。
尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。
与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。
学位论文若有不实之处，本人承担一切法律责任。
本人签名：日期：西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属于西安电子科技大学。
学校有权保留送交论文的复印件，允许查阅、借阅论文；学校可以公布论文的全部或部分内容，允许采用影印、缩印或其它复制手段保存论文。
同时本人保证，获得学位后结合学位论文研究成果撰写的文章，署名单位为西安电子科技大学。
保密的学位论文在年解密后适用本授权书。
本人签名：导师签名：日期：日期：摘要摘要随着距离分辨率的提高，目标能量分布在雷达回波中的多个距离单元内，被称作距离扩展目标或者分布式目标。
距离扩展目标的回波之中包含目标更多的信息，如何有效地利用这些信息成为雷达技术领域迫切需要解决的问题。
基于高分辨一维距离像的雷达多目标识别方法[发明专利]
![基于高分辨一维距离像的雷达多目标识别方法[发明专利]](https://img.taocdn.com/s3/m/65cbd833b14e852459fb5704.png)
专利名称：基于高分辨一维距离像的雷达多目标识别方法专利类型：发明专利
发明人：杨学岭,孟凡君,管志强
申请号：CN201910657698.7
申请日：20190720
公开号：CN110412548A
公开日：
20191105
专利内容由知识产权出版社提供
摘要：本发明涉及一种基于高分辨一维距离像的雷达多目标识别方法，主要适用于预警探测系统下雷达多目标识别。
其主要流程是：首先对一维距离像数据预处理；提取一维距离像能量聚集区；提取一维距离像能量聚集区强散射点；对强散射点的分布特征进行估计；然后进行一维距离像能量聚集区径向长度和姿态估计；最后进行雷达多目标属性判别。
本发明所提供的方法具有工程实现简单、多目标识别效果好、所用方法理论依据充分等特点，能够快速、有效的解决空中编队目标或群目标时雷达多目标属性识别问题。
申请人：中国船舶重工集团公司第七二四研究所
地址：210003 江苏省南京市鼓楼区中山北路346号
国籍：CN
更多信息请下载全文后查看。
一种基于生成对抗网络的工业CT图像超分辨重建的方法[发明专利]
![一种基于生成对抗网络的工业CT图像超分辨重建的方法[发明专利]](https://img.taocdn.com/s3/m/710de380b1717fd5360cba1aa8114431b80d8e44.png)
专利名称：一种基于生成对抗网络的工业CT图像超分辨重建的方法
专利类型：发明专利
发明人：詹道桦,王晗,林健,林锐楠,钟辉宇,毛睿欣,丁鑫杰,蔡念,陈新
申请号：CN202210137464.1
申请日：20220215
公开号：CN114581299A
公开日：
20220603
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于生成对抗网络的工业CT图像超分辨重建的方法，包括步骤构建工业CT图像数据集，设计生成器网络结构，设计判别器网络结构，设计损失函数。
本发明解决了生成对抗网络判别器对复杂的训练输出鉴别能力不足的问题，产生更加精确的梯度反馈，同时谱归一化能够稳定训练动态缓解GAN训练引入的过于尖锐和不合适的伪信号。
申请人：广东工业大学
地址：510000 广东省广州市越秀区东风东路729号
国籍：CN
代理机构：广州专理知识产权代理事务所(普通合伙)
代理人：张凤
更多信息请下载全文后查看。
基于一维CNN和LSTM的雷达辐射源识别方法[发明专利]
![基于一维CNN和LSTM的雷达辐射源识别方法[发明专利]](https://img.taocdn.com/s3/m/d24374960129bd64783e0912a216147917117e94.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202011160727.8(22)申请日 2020.10.27(66)本国优先权数据202011031867.5 2020.09.27 CN(71)申请人 西安电子科技大学地址 710071 陕西省西安市太白南路2号(72)发明人 武斌 殷雪凤 李鹏 张葵 王钊 荆泽寰 袁士博 (74)专利代理机构 陕西电子工业专利中心61205代理人 田文英 王品华(51)Int.Cl.G06K 9/00(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)(54)发明名称基于一维CNN和LSTM的雷达辐射源识别方法(57)摘要本发明公开了一种一维CNN和LSTM的雷达辐射源识别方法，其步骤为：(1)构建CNN局部特征提取模块；(2)构建LSTM全局特征提取模块；(3)将局部特征提取模块和全局特征提取模块连接成雷达辐射源识别网络；(4)生成训练集；(5)训练雷达辐射源识别网络；(6)对雷达辐射源识别样本进行识别。
本发明构建的雷达辐射源识别网络，可直接对雷达辐射源时域信号进行特征提取，不需要维度变换，实时性好。
同时本发明采用CNN和LSTM模块提取信号局部特征和全局特征，特征提取更充分，提高了识别率，使得本发明具有更好的实时性和抗噪声性能。
权利要求书2页 说明书6页 附图1页CN 112115924 A 2020.12.22C N 112115924A1.基于一维CNN和LSTM的雷达辐射源识别方法，其特征在于，利用雷达辐射源数据集对构建的CNN和LSTM的神经网络进行训练，将待识别的雷达辐射源信号输入训练好的神经网络进行识别，该方法的步骤如下：(1)构建CNN局部特征提取模块：(1a)搭建一个6层的CNN局部特征提取模块，其结构依次为：第一卷积层→第一池化层→第二卷积层→第二池化层→第三卷积层→第三池化层；(1b)将第一至第三卷积层中卷积核的个数分别设置为32，32，64，卷积核的大小分别设置为4×1，3×1，3×1，步长均设置为1，激活函数为eLU函数，第一至三池化层均采用最大池化方式，池化区域核的大小分别设置为5×1，4×1，4×1，步长均设置为4；(2)构建LSTM全局特征提取模块：(2a)搭建一个3层的LSTM全局特征提取模块，其结构依次为：LSTM层→第一全连接层→第二全连接层；(2b)将LSTM层、第一全连接层、第二全连接层的神经元个数分别设置为64，64，6；(3)将局部特征提取模块和全局特征提取模块连接成雷达辐射源识别网络；(4)生成训练集：(4a)生成一个包括常规脉冲信号、线性调频信号、非线性余弦调频信号、二相编码信号、二频编码信号和四频率编码信号6种不同调制类型信号的数据集，每种信号在-8dB到14dB范围内随机选择加入不同的信噪比，每个信噪比下每种调制类型信号至少生成500个样本，每个样本的采样点数为4097；(4b)利用z-score归一化算法，对数据集中的每个样本进行归一化预处理，将预处理后的所有样本组成训练集；(5)训练雷达辐射源识别网络：将训练集的样本输入到雷达辐射源识别网络中，利用Adam算法迭代更新网络的权值15次，得到训练好的雷达辐射源识别网络；(6)对雷达辐射源样本进行识别：(6a)利用z-score归一化算法，对电子侦察接收机采集的待识别的每个雷达辐射源样本进行归一化预处理；(6b)将预处理后的待识别雷达辐射源样本依次输入到训练好的雷达辐射源识别网络中，得到每个样本的识别结果。
一种基于多次样本的高分辨雷达一维距离像目标识别方法[发明专利]
![一种基于多次样本的高分辨雷达一维距离像目标识别方法[发明专利]](https://img.taocdn.com/s3/m/3d76d1317f1922791788e853.png)
专利名称：一种基于多次样本的高分辨雷达一维距离像目标识别方法
专利类型：发明专利
发明人：梁菁,毛诚晨,刘怀远,刘晓旭,余萧峰,张健,段珍珍
申请号：CN201610722921.8
申请日：20160825
公开号：CN106338722A
公开日：
20170118
专利内容由知识产权出版社提供
摘要：本发明涉及一种基于多次样本的高分辨雷达一维距离像目标识别方法，其主旨在于针对最小K‑L距离准则在对称性上的缺陷性，引入一种新的距离判决准则，即最小Resistor‑Average(RA)距离准则，用以提高雷达目标识别性能。
具体方案为第一步：多次距离像样本高分辨率雷达一维模板距离像特征提取；第二步：多次距离像样本高分辨率雷达一维测试距离像特征提取；第三步为本申请提案与现有技术不同之处：利用最小RA距离准则进行多次距离像样本高分辨率雷达一维测试距离像目标识别。
申请人：电子科技大学
地址：611731 四川省成都市高新区(西区)西源大道2006号
国籍：CN
代理机构：成都弘毅天承知识产权代理有限公司
代理人：李龙
更多信息请下载全文后查看。
一种基于生成对抗网络的单幅舰船目标SAR图像生成方法[发明专利]
![一种基于生成对抗网络的单幅舰船目标SAR图像生成方法[发明专利]](https://img.taocdn.com/s3/m/74d6ba5ca88271fe910ef12d2af90242a995ab41.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010916944.9(22)申请日 2020.09.03(71)申请人 上海无线电设备研究所地址 200233 上海市闵行区中春路1555号(72)发明人 安锐 冯明 高鹏程 顾丹丹 (74)专利代理机构 上海元好知识产权代理有限公司 31323代理人 张静洁 徐雯琼(51)Int.Cl.G06K 9/62(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)(54)发明名称一种基于生成对抗网络的单幅舰船目标SAR 图像生成方法(57)摘要本发明提供一种基于生成对抗网络的单幅舰船目标SAR图像生成方法，包含步骤：S1、预处理采集的单幅舰船目标SAR图像，生成规范化的图像识别样本，对图像识别样本进行不同尺度的下采样，生成若干训练图像；S2、构建基于N+1个生成对抗网络的多尺度全卷积金字塔网络；S3、建立网络训练模型，基于训练图像由粗到精的训练多尺度全卷积金字塔网络；S4、建立基于支持向量机的高质量舰船SAR图像筛选器，并训练该图像筛选器；S5、将步骤S3中网络训练模型的输出结果作为图像筛选器的输入，通过图像筛选器输出若干单幅舰船目标SAR图像的正确样本。
本发明能够根据单幅舰船目标SAR图像，生成相同内容的高质量多尺度的新图像。
权利要求书2页 说明书5页 附图2页CN 112052899 A 2020.12.08C N 112052899A1.一种基于生成对抗网络的单幅舰船目标SAR图像生成方法，其特征在于，包含步骤：S1、预处理采集的单幅舰船目标SAR图像，生成规范化的图像识别样本；对所述图像识别样本进行不同尺度的下采样，生成若干训练图像；S2、构建基于N+1个生成对抗网络的多尺度全卷积金字塔网络，N≥1；S3、建立网络训练模型，基于所述训练图像由粗到精的训练所述多尺度全卷积金字塔网络；S4、建立基于支持向量机的高质量舰船SAR图像筛选器，并通过训练图像训练所述图像筛选器；S5、将步骤S3中网络训练模型的输出结果作为图像筛选器的输入，通过图像筛选器输出若干单幅舰船目标SAR图像的正确样本。
基于一维卷积神经网络的地面雷达自动目标分类识别方法[发明专利]
![基于一维卷积神经网络的地面雷达自动目标分类识别方法[发明专利]](https://img.taocdn.com/s3/m/06673c2ac4da50e2524de518964bcf84b9d52d34.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010768165.9(22)申请日 2020.08.03(71)申请人 南京理工大学地址 210094 江苏省南京市玄武区孝陵卫200号(72)发明人 董博皓 谢仁宏 李鹏 芮义斌 (74)专利代理机构 南京理工大学专利中心32203代理人 岑丹(51)Int.Cl.G06K 9/00(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)(54)发明名称基于一维卷积神经网络的地面雷达自动目标分类识别方法(57)摘要本发明公开了一种基于一维卷积神经网络的地面雷达自动目标分类识别方法，包括：将雷达人、车回波目标样本数据进行预处理，获得时域回波信号、功率谱和幂变换功率谱，使用自编码器处理预处理后的特征向量，构建一维卷积神经网络(1D ‑CNN)结构，使用贝叶斯超参数优化方法对卷积神经网络结构的超参数进行优化。
将编码好的数据输入一维卷积神经网络通过softmax分类器进行目标分类识别，得出对人员和车辆样本的分类识别结果。
本发明能够高效而又稳定的完成目标分类识别功能，计算速度快，实现简单，不仅简化了网络结构，而且减小了参数计算规模，并且对低分辨地面雷达的目标分类识别具有优异的识别准确性。
权利要求书3页 说明书11页 附图3页CN 112001270 A 2020.11.27C N 112001270A1.一种基于一维卷积神经网络的地面雷达自动目标分类识别方法，其特征在于，包含以下步骤：步骤1：对雷达的人、车回波数据作进行预处理获得并联的三类特征，形成新的特征向量作为训练样本集；步骤2：利用自编码器对训练样本集中的特征向量进行编码；步骤3：构建一维卷积神经网络；步骤4：将编码后的训练样本集输入一维卷积神经网络中，采用贝叶斯优化方法对一维卷积神经网络的超参数进行超参数寻优，得到优化后的一维卷积神经网络结构；步骤5：将待测回波数据进行预处理及编码后输入优化后的一维卷积神经网络结构，再通过softmax分类器进行分类，得到目标分类识别结果。
基于PCA-LVQ的雷达目标一维距离像识别
基于PCA-LVQ的雷达目标一维距离像识别
张小英;王宝发;刘铁军
【期刊名称】《系统工程与电子技术》
【年(卷),期】2005(27)8
【摘要】研究了宽带高分辨雷达目标识别问题.基于目标一维距离像,提出主成分分析(principal component analysis,PCA)和学习向量量化(learning vector quantization,LVQ)相结合的识别方法.即采用主成分分析方法进行数据压缩,提取目标特征,然后利用学习向量量化人工神经网络,训练集进行训练,建立识别模板库.最后对三种飞机模型高分辨回波数据进行识别,结果表明,经过PCA-LVQ网络处理后,目标维数和网络规模均大大降低,且系统具有良好的识别性能.
【总页数】3页(P1373-1375)
【作者】张小英;王宝发;刘铁军
【作者单位】北京航空航天大学电子工程系,北京,100083;北京航空航天大学电子工程系,北京,100083;北京航空航天大学电子工程系,北京,100083
【正文语种】中文
【中图分类】TN957.52
【相关文献】
1.基于一维距离像的雷达目标识别 [J], 李飞
2.基于KPCA算法的雷达目标一维距离像识别 [J], 张子刚;王文峰;张凤晓
3.基于PCA-LDA算法雷达目标一维距离像识别 [J], 王文峰;杨永庄;张凤晓
4.基于PCA-LDA算法雷达目标一维距离像识别 [J], 王文峰;杨永庄;张凤晓;
5.基于动态时间规整算法的一维距离像雷达目标识别方法 [J], 吴昭;夏鹏;田西兰因版权原因，仅展示原文概要，查看原文内容请购买。
基于一维集搜索方法的PD雷达解距离模糊高效算法
基于一维集搜索方法的PD雷达解距离模糊高效算法
李萌辉;李明
【期刊名称】《电子信息对抗技术》
【年(卷),期】2010(25)5
【摘要】脉冲多普勒雷达在目标检测时常常存在距离模糊问题,目前比较成熟的解距离模糊算法有一维集算法和余差查表算法.在一维集算法的基础上,提出了一种改进的脉冲多普勒雷达解距离模糊新算法.该方法具有运算速度快、实时性能好的特点.通过对四目标距离模糊解算仿真和实际应用结果表明,该算法与一维算法相比运算时间减少了48%,验证了其高效性和有效性.
【总页数】5页(P22-25,54)
【作者】李萌辉;李明
【作者单位】西安电子科技大学雷达信号处理国家重点实验室,西安710071;西安电子科技大学雷达信号处理国家重点实验室,西安710071
【正文语种】中文
【中图分类】TN958.2
【相关文献】
1.一种优化PD雷达速度模糊和距离模糊的方案 [J], 王耀华
2.一维集筛选法解高速运动目标距离模糊 [J], 马超;王丹;李毓琦
3.一种PD雷达解距离模糊的新算法 [J], 蒋凯;李明
4.基于剩余定理和一维集法的PD雷达解模糊处理 [J], 刘志英
5.基于冗余思想的PD雷达解距离模糊算法 [J], 戚甫峰;李淑华
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910306521.2
(22)申请日 2019.04.16
(71)申请人 杭州电子科技大学
地址 310018 浙江省杭州市下沙高教园区2
号大街1158号
(72)发明人 潘勉 刘爱林 吕帅 于彦贞
李子璇 张战
(74)专利代理机构 杭州浙科专利事务所(普通
合伙) 33213
代理人 吴秉中
(51)Int.Cl.
G06K 9/62(2006.01)
G01S 7/41(2006.01)
(54)发明名称
基于条件生成式对抗网络的雷达一维距离
像拒判方法
(57)摘要
本发明公开了一种基于条件生成式对抗网
络的雷达一维距离像拒判方法，包括如下步骤：
S1：对原始H RRP 样本集进行预处理；S2：搭建模
型：在TensorFlow平台上搭建条件生成式对抗网
络，根据网络特点设计优化目标函数；S3：调参训
练：每一帧都按相同步骤训练出一个判别器，使
用所述优化目标函数进行参数更新；S4：用训练
好的模型在测试样本集上进行测试：从每一帧训
练集所训练出的条件生成式判别网络中分别提
取出判别器进行测试，对判别器设置相应阈值，
若测试样本经过所有判别器的输出都小于阈值，
则对该测试样本进行拒判。
权利要求书3页 说明书6页 附图1页CN 110033043 A 2019.07.19
C N 110033043
A
1.一种基于条件生成式对抗网络的雷达一维距离像拒判方法，包括如下步骤：
S1：对原始HRRP样本集进行预处理；
S2：搭建模型：在TensorFlow平台上搭建条件生成式对抗网络，根据网络特点设计优化目标函数；
S3：调参训练：每一帧都按相同步骤训练出一个判别器，使用所述优化目标函数进行参数更新；
S4：用训练好的模型在测试样本集上进行测试：从每一帧训练集所训练出的条件生成式判别网络中分别提取出判别器进行测试，对判别器设置相应阈值，若测试样本经过所有判别器的输出都小于阈值，则对该测试样本进行拒判。
2.如权利要求1所述的基于条件生成式对抗网络的雷达一维距离像拒判方法，其特征在于，所述S1具体步骤为：
S1.1：强度归一化，对样本集{x 1,x 2,...,x n
}中的每一个HRRP样本
进行归一化操作：其中是第j个HRRP样本中的第i维特征，||·||2是求二范数操作；
S1.2：样本对齐，对样本集{x 1,x 2,...,x n
}中的每一个HRRP样本
进行对齐操作，
采用质心对齐公式计算并取整得到一个质心特征的位置，对样本进行平移，直到将这个特征移到中心处；
S1.3：均匀分帧，将经过S2.1和S2.2处理后的每一类训练样本集都进行均匀分帧。
在训练过程中以帧为单位，即每一帧训练出一个拒判网络。
3.如权利要求2所述的基于条件生成式对抗网络的雷达一维距离像拒判方法，其特征在于，所述S2具体步骤为：
S2.1：条件生成式对抗网络CGAN由两个部分组成：一部分是生成器G，生成器G依据随机噪声输入和所给的HRRP各帧的平均距离像生成伪造样本；另一部分是判别器D，判别器D用于判定输入的样本和标签组成的数据对是否真实并可互相对应；
S2.2构建由生成器G和判别器D共同组成的最小最大化目标函数V(G ,D)。
目标函数V(G ,
D)为:
其中E[·]表示求期望操作,其下标x～p data (x)表示样本x抽样于真实的数据集，z～p z (z)表示样本z抽样于随机分布p z (z)；y表示需要用到的条件，本发明中用到的条件是每一帧HRRP样本的平均距离像，D(·|y)表示括号内样本在给定y的条件下为真实样本的概率；G (z|y)表示给定条件y的前提下生成的样本。
4.如权利要求3所述的基于条件生成式对抗网络的雷达一维距离像拒判方法，其特征在于，所述S3具体步骤为：
S3.1初始化第k帧生成器G k 的参数θg ，初始化判别器D k 的参数θd ；整个训练过程一共迭代权 利 要 求 书1/3页2CN 110033043 A。