CN115097398A - 基于跨域信号低损恢复网络的雷达抗干扰信号恢复方法 - Google Patents
基于跨域信号低损恢复网络的雷达抗干扰信号恢复方法 Download PDFInfo
- Publication number
- CN115097398A CN115097398A CN202210779391.6A CN202210779391A CN115097398A CN 115097398 A CN115097398 A CN 115097398A CN 202210779391 A CN202210779391 A CN 202210779391A CN 115097398 A CN115097398 A CN 115097398A
- Authority
- CN
- China
- Prior art keywords
- interference
- cross
- loss
- module
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
- G06F17/156—Correlation function computation including computation of convolution operations using a domain transform, e.g. Fourier transform, polynomial transform, number theoretic transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Algebra (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Neurology (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于跨域信号低损恢复网络的雷达抗干扰信号恢复方法,主要解决现有技术中雷达信号干扰抑制后目标信息损失的问题。其实现方案为:1)构建训练数据集;2)搭建由3个三维卷积层和1个平均池化层构成的ResNeXt模块,并构建由13个ResNeXt模块、6个三维卷积层、1个平均池化层构成的跨域信号低损恢复网络;3)使用训练数据集对跨域信号低损恢复网络进行训练;4)对雷达回波信号使用直方图定位法进行干扰抑制;5)使用训练后的跨域信号低损恢复网络对干扰抑制后的信号进行修复,得到雷达回波抗干扰后的信号恢复结果。本发明计算量小,能修复干扰抑制后雷达信号中的损失信息,可用于合成孔径雷达抗干扰。
Description
技术领域
本发明属于雷达信号处理技术领域,更进一步涉及一种雷达信号抗干扰低损恢复方法,可用于合成孔径雷达抗干扰。
背景技术
雷达信号抗干扰技术是雷达信号处理技术的核心问题之一。雷达***的工作频段内容易受到有源干扰、无线通信信号和其他雷达信号等多种复杂电磁干扰的影响,严重制约雷达高分辨成像效果,从而无法获取重要区域和高价值目标的信息。
由于切片转发压制等有源干扰与回波相关,导致对干扰进行遮盖处理会导致部分回波的信息缺损,需要进行信息修复。李亚超等人在申请号为202210474338.5的专利文献中提出了一种基于编解码卷积神经网络的雷达信号抗干扰低损恢复方法。该方法通过训练一个具有编解码结构的神经网络,来对经过时频滤波处理后缺损的雷达回波进行修复。该方法虽然能够在干扰抑制后恢复缺失信息,但是,由于该方法主要是在时频域图像层面对回波进行处理,需要使用编解码器结构的神经网络,导致神经网络计算量大,处理速度缓慢;其次,该方法中的神经网络训练训练难度极大,需要进行大量参数调整后,网络才能够缓慢地收敛;同时,对于合成孔径雷达回波,目标的信息会分散在相邻的多个脉冲回波中,而该方法中对于每个脉冲回波的处理彼此分离,忽略了脉冲回波间的联系,导致结果仍有待改进。
发明内容
本发明的目的在于针对上述现有技术的不足,提出了一种雷达智能跨域抗干扰快速低损恢复方法,以减小网络计算量,提高网络训练速度及推理速度,提升信号修复的效果。
本发明的思路是:搭建跨域信号低损恢复网络,并训练网络完成对缺损雷达信号的修复;使用基于直方图的时频滤波方法,对受到干扰的雷达回波数据进行干扰抑制;使用跨域信号低损恢复网络,对干扰抑制后缺损的雷达回波进行恢复,得到雷达信号的抗干扰低损恢复结果。其实现步骤包括如下:
(1)构建训练数据集:
(1a)使用未受到干扰的雷达回波构成回波数据集Signal;
(1b)设定短时傅里叶变换参数:窗函数、窗长、步长、傅里叶变换点数,对回波数据集Signal中的每个回波数据进行短时傅里叶变换,得到每个回波数据对应的时频图,将这些时频图构成时频数据集Spec;
(1c)使用直方图定位法对现有的受到干扰的雷达回波数据进行干扰定位,用干扰定位得到的掩膜构成掩膜数据集Mask;
(2)搭建跨域信号低损恢复网络模型:
(2a)搭建由3个三维卷积层和1个平均池化层构成的ResNeXt模块;
(2b)搭建由13个ResNeXt模块、6个三维卷积层、1个平均池化层构成的跨域信号低损恢复网络;
(3)训练跨域信号低损恢复网络:
(3a)设置训练参数:最大迭代次数M、学习率ρ、批次大小N;
(3b)使用L1损失函数作为训练的损失函数;
(3c)取出训练数据集中N组数据作为一次迭代训练的数据,使用动量法训练跨域信号低损恢复网络将抗干扰后的缺损时频域图像跨域修复为时域数据;
(3d)迭代执行步骤(3c),直至达到最大迭代次数,得到训练好的跨域信号低损恢复网络;
(4)生成测试数据:
(4a)使用与(1b)中相同的短时傅里叶变换参数,对受到干扰的雷达回波数据进行短时傅里叶变换,得到干扰时频图spec;
(4b)对干扰时频图spec使用直方图干扰定位法获得干扰定位掩膜mask,并与干扰时频图spec构成测试数据x;
(5)将测试数据x输入到训练好的跨域信号低损恢复网络中,得到雷达回波的跨域低损恢复结果。
本发明与现有的技术相比具有以下优点:
第一,本发明将抗干扰后的缺损时频域图像跨域修复为时域数据,使得本发明构建的神经网络计算量更小、训练更容易,并且在跨域修复后无需进行逆短时傅里叶变换,克服了现有技术中,神经网络计算量大、处理速度缓慢、训练难度大的问题,极大地提升了方法的处理速度,降低了方法的技术实现难度。
第二,本发明使用三维卷积层构建跨域信号低损恢复网络,能够充分利用雷达回波中的多脉冲回波数据之间的关系,有效补偿抗干扰后缺损的雷达回波,克服了现有技术中,每个回波的处理过程相互独立、忽略多脉冲回波间关系的问题,从而提升了对缺失雷达回波的修复效果。
附图说明
图1是本发明的实现流程图;
图2是本发明中的神经网络结构图;
图3是本发明的仿真雷达回波抗干扰结果;
具体实施方式
下面结合附图对本发明的实施例和效果作进一步详细描述。
参照图1,对本实例的实现步骤如下。
步骤1,构建训练数据集。
(1.1)使用未受到干扰的二维合成孔径雷达回波作为回波数据集Signal。
(1.2)设定短时傅里叶变换参数:窗函数为汉明窗,窗长为63,步长为1,傅里叶变换点数为256。对回波数据集Signal中的每个回波数据进行短时傅里叶变换,得到每个回波数据对应的时频图,将这些时频图构成时频数据集Spec。
(1.3)使用直方图定位法对现有的受到干扰的雷达回波数据进行干扰定位,得到干扰抑制掩膜,步骤如下:
(1.3.1)对受到干扰的雷达回波数据进行短时傅里叶变换,得到干扰时频图;
(1.3.2)设定直方图灰度区间数C=256,对干扰时频图的像素进行直方图统计,得到C个灰度区间的频数;
(1.3.3)计算每个灰度区间的频数在总频数中所占的比例;
(1.3.4)按照灰度从高到低的顺序,找到第一个频数比例大于1/(10C)的灰度区间;
(1.3.5)将(1.3.4)中得到灰度区间的上限作为分割阈值;
(1.3.6)用(1.3.5)得到的分割阈值对时频图进行分割,即将小于分割阈值的点设为1,大于分割阈值设为0,得到干扰定位掩膜。
使用得到的干扰抑制掩膜构成掩膜数据集Mask。
步骤2,搭建跨域信号低损恢复网络模型。
参照图2,对ResNeXt模块和跨域信号低损恢复网络模型进行说明。
参照图2(a),本实施例构建的ResNeXt模块,由3个卷积层和1个平均池化层构成,其结构包含并行的两个支路:
第一个支路为:输入→第1三维卷积层→第2三维卷积层→第3三维卷积层→输出1;
第二个分支为:输入→平均池化层→输出2。
ResNeXt模块的最终输出由两个支路的输出相加得到。ResNeXt模块中的各层参数设置如表1所示:
表1
其中,Kernel、Channels、Padding、Groups均为参数,参数的具体取值在使用其搭建跨域信号低损恢复网络时设定。
参照图2(b),本实施例构建的跨域信号低损恢复网络,由5个卷积层、1个池化层、13个ResNeXt模块搭建而成,其结构关系如下:
输入→第1卷积层→第1池化层→第1 ResNeXt模块→第2卷积层→第2 ResNeXt模块→第3 ResNeXt模块→第3卷积层→第4 ResNeXt模块→第5 ResNeXt模块→第4卷积层→第6 ResNeXt模块→第7 ResNeXt模块→第5卷积层→第8 ResNeXt模块→第9 ResNeXt模块→第10 ResNeXt模块→第11 ResNeXt模块→第12 ResNeXt模块→第13 ResNeXt模块→第5卷积层→输出。
该跨域信号低损修复网络的各层参数设置如表2所示:
表2
步骤3,训练跨域信号低损恢复网络。
(3.1)设置训练参数:最大迭代次数M、学习率ρ、批次大小N;
(3.2)使用L1损失函数L1(x,y)作为训练的损失函数,其表示式为:
L1(x,y)=|x-y|;
(3.3)取出训练数据集中N组数据作为一次迭代训练的数据,使用动量法训练跨域信号低损恢复网络将抗干扰后的缺损时频域图像跨域修复为时域数据:
(3.3.1)设k为迭代次数,初始值为1;mk为第k次迭代时的动量,令m0=0;
(3.3.2)从时频数据集Spec中取出N个数据specn,并在回波数据集Signal中取出对应的N个数据signaln,然后从掩膜数据集Mask中随机取出N个数据maskn。将specn,maskn输入到跨域信号低损修复网络,得到网络输出
(3.3.4)使用字母θ表示时频信号低损修复网络的各个参数,计算损失函数值L1(Iout,Igt)相对于θ的梯度大小grad:
例如,对于第1卷积层的卷积核Kernel1∈R2×5×5×32,对其中第一个参数Kernel1(1,1,1,1)的梯度计算可通过上述公式计算其大小为:
(3.3.5)根据梯度大小grad,使用学习率ρ,计算第k次迭代时的动量mk:
mk=0.9×mk-1+ρ·grad;
(3.3.6)将神经网络参数θ更新为:θ=θ-mk,即完成一次对跨域信号低损恢复网络参数的参数更新;
(3.3.7)迭代执行(3.3.2)~(3.3.6),直至k达到最大迭代次数M,得到训练好的时频信号低损恢复网络。
步骤4,生成测试数据。
(4.1)对受到干扰的雷达回波数据进行短时傅里叶变换,得到干扰时频图spec;
(4.2)对干扰时频图spec使用与步骤2相同的直方图干扰定位法获得干扰定位掩膜mask,并与干扰时频图spec构成测试数据x。
步骤5,将测试数据x中的干扰时频图spec与干扰定位掩膜mask相乘,并输入到训练好的时频信号低损恢复网络中,即得到抗干扰低损恢复后的雷达回波。
本发明的效果可以通过以下仿真实验进一步说明。
1.仿真条件:
本发明仿真实验的硬件平台为:Intel(R)Core(TM)i7-10700 CPU,2.90GHz,内存为64G,GPU NVIDIA GeForce RTX 3090。
本发明仿真实验的软件平台为:Pycharm2021。
2.仿真内容与结果分析:
本发明仿真实验采用本发明的方法对受到切片转发式干扰的雷达回波数据进行抗干扰处理,具体结果参照图3。其中:图3(a)为受到干扰的雷达回波数据,图3(b)为该数据的第一个脉冲回波的时频域图像,图3(c)为该雷达回波数据的抗干扰后结果,图3(d)为抗干扰结构的第一个脉冲回波的时频域图像。
从图3(a)中可以看出,该回波受到了两段能量较高的干扰,对应图3(b)中多个线性调制的高能量聚集性干扰。从图3(c)中可以看出,经过本发明的方法进行抗干扰处理后,图3(a)中的强干扰已不存在,图3(d)中也不存在高能量的线性调制干扰。
综上所述,本发明在时频域对干扰进行抑制,并构建神经网络模型,从时频域非线性回归得到是与回拨。完成对强干扰抑制,并有效应对干扰抑制后目标信息损失的问题,有利于提升后续目标检测等处理的性能。
Claims (8)
1.一种基于跨域信号低损恢复网络的雷达抗干扰信号恢复方法,其特征在于,包括如下步骤:
(1)生成训练数据集:
(1a)使用未受到干扰的雷达回波构成回波数据集Signal;
(1b)设定短时傅里叶变换参数:窗函数、窗长、步长、傅里叶变换点数,对回波数据集Signal中的每个回波数据进行短时傅里叶变换,得到每个回波数据对应的时频图,将这些时频图构成时频数据集Spec;
(1c)使用直方图定位法对受到干扰的雷达回波数据进行干扰定位,得到的掩膜构成掩膜数据集Mask;
(1d)用时频数据集Spec及对应的掩膜数据集Mask构成训练数据集;
(2)构建跨域信号低损恢复网络模型:
(2a)搭建由3个三维卷积层和1个平均池化层级联构、跨链接构成的ResNeXt模块;
(2b)搭建由13个ResNeXt模块、6个三维卷积层、1个平均池化层构成的跨域信号低损恢复网络;
(2c)将ResNeXt模块与跨域信号低损恢复网络联接,构成跨域信号低损恢复网络模型;
(3)对跨域信号低损恢复网络进行训练:
(3a)设置训练参数:最大迭代次数M、学习率ρ、批次大小N;
(3b)使用L1损失函数作为训练的损失函数;
(3c)取出训练数据集中N组数据作为一次迭代训练的数据,使用基于动量的梯度下降法对L1损失函数进行优化,根据对L1损失函数的单步优化结果更新网络参数;
(3d)迭代执行步骤(3c),直至达到最大迭代次数,得到训练好的跨域信号低损恢复网络;
(4)生成测试数据:
(4a)使用与(1b)中相同的短时傅里叶变换参数,对受到干扰的雷达回波数据进行短时傅里叶变换,得到干扰时频图spec;
(4b)对干扰时频图spec使用直方图干扰定位法获得干扰定位掩膜mask,并将其与干扰时频图spec构成测试数据x;
(5)将测试数据x输入到训练好的跨域信号低损恢复网络中,得到雷达回波的跨域低损恢复结果。
2.根据权利要求1所述的方法,其特征在于,所述(1c)中使用直方图定位法对现有的受到干扰的雷达回波数据进行干扰定位,实现如下:
(1c1)对受到干扰的雷达回波数据进行短时傅里叶变换,得到干扰时频图;
(1c2)设定直方图灰度区间数C=256,对干扰时频图的像素进行直方图统计,得到C个灰度区间的频数;
(1c3)计算每个灰度区间的频数在总频数中所占的比例;
(1c4)按照灰度从高到低的顺序,找到第一个频数比例大于1/(10C)的灰度区间;
(1c5)将(1c4)中得到灰度区间的上限作为分割阈值;
(1c6)用(1c5)得到的分割阈值对时频图进行分割,即将小于分割阈值的点设为1,大于分割阈值设为0,得到干扰定位掩膜。
3.根据权利要求1所述方法,其特征在于,所述(2a)中跨链接构成的ResNeXt模块,包含两个并行的分支结构,即:
第一个分支结构为:输入层→第1三维卷积层→第2三维卷积层→第3三维卷积层→第一输出层;
第二个分支结构为:输入层→平均池化层→第二输出层;
ResNeXt最终输出结果为:第一输出层的输出与第二输出层的输出相叠加。
4.根据权利要求1所述方法,所述(2a)中ResNeXt模块中各层参数如下:
第1三维卷积层,其卷积核大小为Kernel,通道数为Channels/2,步长为1,补零数为Padding,分组数为1;
第2三维卷积层,其卷积核大小为Kernel,通道数为Channels/2,步长为1,补零数为Padding,分组数为Groups;
第3三维卷积层。其卷积核大小为1×1×1,通道数为Channels,步长为1,补零数为0,分组数为1;
平均池化层,其核大小为2×Kernel-1,步长为1,补零数为2×Padding。
5.根据权利要求1所述方法,其特征在于,所述(2b)中的跨域信号低损恢复网络的结构如下:
输入→第1卷积层→第1池化层→第1ResNeXt模块→第2卷积层→第2ResNeXt模块→第3ResNeXt模块→第3卷积层→第4ResNeXt模块→第5ResNeXt模块→第4卷积层→第6ResNeXt模块→第7ResNeXt模块→第5卷积层→第8ResNeXt模块→第9ResNeXt模块→第10ResNeXt模块→第11ResNeXt模块→第12ResNeXt模块→第13ResNeXt模块→第5卷积层→输出。
6.根据权利要求1所述方法,其特征在于,所述(2b)中的跨域信号低损恢复网络中每一部分的参数设置如下:
第1卷积层的卷积核大小为1×5×5,通道数为32,步长为(1,1,1),补零为(0,0,0),分组数为1;
第1池化层的核大小为1×2×1,步长为(1,2,1),补零为(0,0,0);
第1ResNeXt模块的各参数为:Kernel=1×3×3,Channels=32,Padding=(0,0,0),Groups=1;
第2卷积层的卷积核大小为1×3×3,通道数为64,步长为(1,2,1),补零为(0,1,0),分组数为1;
第2~3个ResNeXt模块的各参数为:Kernel=1×3×3,Channels=64,Padding=(0,0,0),Groups=1;
第3卷积层的卷积核大小为1×3×3,通道数为128,步长为(1,2,1),补零为(0,1,0),分组数为1;
第4~5个ResNeXt模块的各参数为:Kernel=1×3×3,Channels=128,Padding=(0,0,0),Groups=32;
第4卷积层的卷积核大小为1×3×3,通道数为256,步长为(1,2,1),补零为(0,1,0),分组数为1;
第6~7个ResNeXt模块的各参数为:Kernel=1×3×3,Channels=256,Padding=(0,0,0),Groups=32;
第5卷积层的卷积核大小为1×2×1,通道数为384,步长为(1,2,1),补零为(0,0,0),分组数为1;
第8~13个ResNeXt模块的各参数为:Kernel=3×1×3,Channels=384,Padding=(1,0,0),Groups=32;
第6卷积层的卷积核大小为1×1×1,通道数为2,步长为(1,1,1),补零为(0,0,0),分组数为1。
7.根据权利要求1所述的方法,其特征在于,所述(3b)中的L1损失函数L1(x,y),表示式为:
L1(x,y)=|x-y|
其中x为训练样本经过模型前向传播的结果,y为训练样本所对应的标签。
8.根据权利要求1所述的方法,其特征在于,所述(3c)中使用动量法训练跨域信号低损恢复网络,实现如下:
(3c1)设k为迭代次数,初始值为1;mk为第k次迭代时的动量,令m0=0;
(3c2)从时频数据集Spec中取出N个数据specn,并在回波数据集Signal中取出对应的N个数据signaln,再从掩膜数据集Mask中随机取出个N数据maskn,将specn,maskn输入到跨域信号低损修复网络,得到网络输出
(3c4)使用字母θ表示时频信号低损修复网络的各个参数,计算损失函数值L1(Iout,Igt)相对于θ的梯度大小grad:
(3c5)根据梯度大小grad,使用学习率ρ,计算第k次迭代时的动量mk:
mk=0.9×mk-1+ρ·grad;
(3c6)将神经网络参数θ更新为:θ=θ-mk,即完成一次对跨域信号低损恢复网络参数的训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210779391.6A CN115097398A (zh) | 2022-07-01 | 2022-07-01 | 基于跨域信号低损恢复网络的雷达抗干扰信号恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210779391.6A CN115097398A (zh) | 2022-07-01 | 2022-07-01 | 基于跨域信号低损恢复网络的雷达抗干扰信号恢复方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115097398A true CN115097398A (zh) | 2022-09-23 |
Family
ID=83294511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210779391.6A Pending CN115097398A (zh) | 2022-07-01 | 2022-07-01 | 基于跨域信号低损恢复网络的雷达抗干扰信号恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115097398A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116299219A (zh) * | 2023-05-18 | 2023-06-23 | 西安电子科技大学 | 一种干扰深度特征距离度量联合检测与抑制方法 |
CN116405100A (zh) * | 2023-05-29 | 2023-07-07 | 武汉能钠智能装备技术股份有限公司 | 一种基于先验知识的失真信号还原方法 |
CN116430347A (zh) * | 2023-06-13 | 2023-07-14 | 成都实时技术股份有限公司 | 一种雷达数据采集与存储方法 |
-
2022
- 2022-07-01 CN CN202210779391.6A patent/CN115097398A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116299219A (zh) * | 2023-05-18 | 2023-06-23 | 西安电子科技大学 | 一种干扰深度特征距离度量联合检测与抑制方法 |
CN116299219B (zh) * | 2023-05-18 | 2023-08-01 | 西安电子科技大学 | 一种干扰深度特征距离度量联合检测与抑制方法 |
CN116405100A (zh) * | 2023-05-29 | 2023-07-07 | 武汉能钠智能装备技术股份有限公司 | 一种基于先验知识的失真信号还原方法 |
CN116405100B (zh) * | 2023-05-29 | 2023-08-22 | 武汉能钠智能装备技术股份有限公司 | 一种基于先验知识的失真信号还原方法 |
CN116430347A (zh) * | 2023-06-13 | 2023-07-14 | 成都实时技术股份有限公司 | 一种雷达数据采集与存储方法 |
CN116430347B (zh) * | 2023-06-13 | 2023-08-22 | 成都实时技术股份有限公司 | 一种雷达数据采集与存储方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115097398A (zh) | 基于跨域信号低损恢复网络的雷达抗干扰信号恢复方法 | |
CN110599409B (zh) | 基于多尺度卷积组与并行的卷积神经网络图像去噪方法 | |
CN110097129B (zh) | 基于轮廓波分组特征金字塔卷积的遥感目标检测方法 | |
CN108426713B (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
CN105825484B (zh) | 一种基于深度学习的深度图像去噪及增强方法 | |
CN113569667B (zh) | 基于轻量级神经网络模型的内河船舶目标识别方法及*** | |
CN105160678A (zh) | 基于卷积神经网络的无参考立体图像质量评估方法 | |
CN105260998A (zh) | 基于mcmc采样和阈值低秩逼近的图像去噪方法 | |
CN104200441B (zh) | 基于高阶奇异值分解的磁共振图像去噪方法 | |
CN109753996B (zh) | 基于三维轻量化深度网络的高光谱图像分类方法 | |
CN103208097A (zh) | 图像多方向形态结构分组的主分量分析协同滤波方法 | |
CN110084181B (zh) | 一种基于稀疏MobileNetV2网络的遥感图像舰船目标检测方法 | |
CN112766315A (zh) | 一种用于测试人工智能模型鲁棒性的方法和*** | |
CN113837959B (zh) | 图像去噪模型训练方法、图像去噪方法及*** | |
CN112859012A (zh) | 一种基于级联卷积神经网络的雷达欺骗干扰识别方法 | |
CN112435162A (zh) | 一种基于复数域神经网络的太赫兹图像超分辨重建方法 | |
CN111126185B (zh) | 一种针对道路卡口场景的深度学习车辆目标识别方法 | |
CN114511521B (zh) | 基于多重表示与多重子域自适应的轮胎瑕疵检测方法 | |
CN111027542A (zh) | 一种基于Faster RCNN算法改进的目标检测方法 | |
CN107622476A (zh) | 基于概率生成模型的图像超分辨处理方法 | |
CN111724410A (zh) | 一种基于残余注意力的目标跟踪方法 | |
CN114970601A (zh) | 一种电力设备局部放电类型识别方法、设备及存储介质 | |
CN112529098B (zh) | 密集多尺度目标检测***及方法 | |
CN114980723A (zh) | 一种用于跨工况贴片机吸嘴的故障预测方法、*** | |
CN115184998A (zh) | 一种基于改进U-net神经网络的瑞利波频散曲线自动提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |