CN115345216A - 一种融合先验信息的fmcw雷达干扰消除方法 - Google Patents
一种融合先验信息的fmcw雷达干扰消除方法 Download PDFInfo
- Publication number
- CN115345216A CN115345216A CN202210766130.0A CN202210766130A CN115345216A CN 115345216 A CN115345216 A CN 115345216A CN 202210766130 A CN202210766130 A CN 202210766130A CN 115345216 A CN115345216 A CN 115345216A
- Authority
- CN
- China
- Prior art keywords
- complex
- time
- fmcw radar
- interference
- network
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种融合先验信息的FMCW雷达干扰消除方法。在所述方法中,使用基于深度学***均均方误差相结合的损失函数被用来训练干扰消除网络,通过引入额外的先验信息,对网络提取到的特征进行约束,尽可能的避免模型过拟合的问题,提高恢复信号的准确性,加速模型收敛,减小网络训练所需要的数据量。
Description
技术领域
本发明属于使用深度卷积神经网络进行频率调制连续波(Frequency ModulatedContinuous Wave,FMCW)雷达信号干扰消除技术领域,涉及到神经 网络、雷达信号处理等技术,尤其涉及到一种融合先验信息的FMCW雷达干扰消 除方法。
背景技术
随着自动驾驶时代即将来临和辅助驾驶***逐渐普及,FMCW雷达被广泛应 用于现在的汽车***中,FMCW雷达可以直接测量目标的距离和速度,实时监控 车辆周围环境,不受灯光和天气情况影响,保障自动驾驶汽车的行驶安全;另 外,FMCW雷达还可以用于医学中病人的生命体征检测,工业中智能建筑监控和 天气监控等;随着这些应用的快速发展,FMCW雷达被周围其他的雷达或无线电 设备干扰的概率迅速增加,使得被干扰的FMCW雷达接收到的回波信号中同时混 杂干扰信号和高斯白噪声,遮挡来自目标的回波信号,造成目标的检测识别率 下降,甚至会产生虚假目标等问题,影响车辆的安全驾驶,为FMCW雷达抗干扰 技术的发展带来新的挑战。
FMCW雷达干扰消除技术是对FMCW雷达接收到的回波信号自动进行处理、分 析和理解,识别来自目标的回波信号,去除其中混杂的干扰信号的技术;为解 决这一问题,各种传统的信号处理方法被用来抑制信号中的干扰成分,包括置 零和重建方法、定量计算的方法和空间域去干扰的方法;同时,随着深度学习、 模式识别技术的快速发展和图形卡(graphics processing unit,GPU)并行计 算能力的大幅提高,基于深度学习的方法被广泛地应用于各种信号处理问题中, 为FMCW雷达干扰消除技术提供了更多的启发。
通过对现有技术文献的检索发现,付启众等在《雷达科学与技术》 (2011,9(06):556-560+567)上发表的“一种基于信号处理的异步干扰消除方 法”中对接收信号进行脉冲延时对消并对将对消结果取模,用恒虚警率算法 (Constant False Alarm Ratedetector,CFAR)检测信号中的干扰成分,建 立距离杂波图,并自定义门限值将干扰信号用邻近信号插值替换,但这种方法 使用CFAR进行干扰检测时的检测精度会受到超参数选择的影响,并且在干扰消 除时需要计算特定的奇异值,性能不稳定;郭春辉等在《气象水文海洋仪器》 (2014,31(02):24-29+32)上发表的“多普勒天气雷达径向干扰回波的识别与 消除”中分别用回波强度差和有效反射率值的点数对雷达回波信号中的干扰成 分进行识别,在识别基础上使用插值法或滤波法进行消除,但这种方法计算复 杂度高,处理时间长,无法满足雷达信号实时处理的需求,并且由于滤波器的 非线性特性,来自目标的回波信号也会受到一定程度的损失,影响后续的目标 检测过程。
已有技术文献检索结果表明,用于FMCW雷达干扰消除的传统的信号处理方 法需要进行超参数选择和较高的计算复杂度,并且大多数传统方法为了简化计 算和获得解析解做了很多假设和简化,不能应用于比较复杂的场景中;仅少量 文献利用深度学习理论解决FMCW雷达信号受干扰问题,这些方法在不同的变换 域对雷达信号进行处理,其性能优劣没有进行对比;由于现实场景中的雷达数 据较难采集,难以构建较大规模的雷达信号数据集,使得基于深度学习的FMCW 雷达干扰消除技术的性能受限制;而且大多数FMCW雷达干扰消除网络的参数数 量超过了真实环境中雷达传感器的内存容量,难以实际应用。
解决上述问题的关键就是设计一个先验信息和平均均方误差(Mean SquareError,MSE)相结合的损失函数,在基于深度学习的FMCW雷达干扰消除网络训 练过程中,引入额外的先验信息,对网络提取到的特征通过正则化项进行约束, 从而提高干扰消除模型恢复信号的准确性、加速网络训练收敛、减小所需要的 训练数据量;另外,由于雷达信号是复数数据,通过设计一个复数卷积神经网 络可以利用复数网络对复数张量更好的特征表达能力,减小网络的参数数量, 满足雷达传感器的内存容量和实时处理的需要。
发明内容
本发明克服了现有FMCW雷达干扰消除技术的不足之处,提出了一种融合先 验信息的FMCW雷达干扰消除方法,意在利用先验信息和平均均方误差相结合的 损失函数进行FMCW雷达干扰消除模型训练,解决现实场景中大规模雷达信号数 据集难以获取、训练时间久、模型容易出现过拟合的问题;同时,设计了一种 复数卷积神经网络而不是传统的实数卷积神经网络,意在利用雷达信号的复数 特征和复数网络对复数数据更好的特征表达能力,解决FMCW雷达干扰消除网络 参数数量过大、处理时间长的问题。
本发明为达上述发明目的,采用如下技术方案:
一种融合先验信息的FMCW雷达干扰消除方法,其步骤包括:
步骤200:使用Matlab数值仿真软件生成包含FMCW雷达目标回波信号、干 扰信号和高斯白噪声的输入信号y(t);y(t)=s(t)+f(t)+n(t);其中,s(t)表示 FMCW雷达目标回波信号,f(t)表示干扰信号,n(t)表示高斯白噪声;
所述仿真的FMCW雷达目标回波信号和干扰信号计算公式为:
其中,fc表示受干扰的FMCW雷达的中心频率,K表示FMCW雷达发射调频 连续波的调频斜率,τk是来自于第k个目标的回波信号相对于发射信号的时间 延时;p*(t)表示用于解调的参考信号,fm(t)表示第m个干扰,Hlp表示低通滤 波操作;
步骤210:对输入信号y(t)和干净的FMCW雷达目标回波信号s(t)在不同信 干噪比(Signal to Interference plus Noise Ratio,SINR)下进行短时傅里 叶变换(ShortTime Fourier Transform,STFT),得到不同SINR下对应的时 频矩阵Y(t,f)和S(t,f);
进一步的,所述时频矩阵Y(t,f)的计算公式为:
其中,f表示频率,τ是积分时间变量,h(t)为Hamming窗;
步骤220:对生成的时频矩阵进行预处理,沿着时间轴将矩阵切分为长和宽 均为256点的复数矩阵,同时,每个复数矩阵之间重叠八个采样点,保证相位 的连续性;取每一种SINR下的一部分时频矩阵构建训练数据集,其余时频矩阵 组成验证集和测试集;其中,Y(t,f)作为数据集的输入,S(t,f)作为对应的标 签,二者具有相同的大小;
步骤230:构建基于复数卷积神经网络的FMCW雷达干扰消除网络结构,所 述基于复数卷积神经网络的干扰消除网络由N个复数卷积层构成,其中,除了 最后一个复数卷积层之外,每个复数卷积层连接一个CReLU复数激活函数;
进一步的,所述复数卷积层的具体计算方式为:
W*h=(A*x-B*y)+j(A*y+B*x) (4)
W=A+jB (5)
h=x+jy (6)
其中,W表示复数卷积核,h表示输入的复数张量,A表示复数卷积核的 实部,B表示复数卷积核的虚部,x表示输入的复数张量的实部,y表示输入的 复数张量的虚部;
所述CReLU复数激活函数的具体计算方式为:
步骤240:将FMCW雷达干扰消除训练数据集输入到步骤230构建的基于复 数卷积神经网络的FMCW雷达干扰消除网络中进行训练,训练过程中的损失函数 采用先验信息和平均均方误差相结合的损失函数,通过不断对网络进行循环迭 代训练使损失函数不断减小,直到完成设定的迭代次数Q,并将最优的干扰消除 模型进行保存;
进一步的,所述先验信息和平均均方误差相结合的损失函数计算公式为:
L=L1+b*L2 (8)
其中,BS表示FMCW雷达干扰消除网络训练过程中每次迭代输入的训练样 本数量,L表示BS个样本的损失平均值,L1表示平均均方误差(MSE)损失函 数,L2表示引入先验信息的正则化项,b表示可人工调整的权重参数,由实际 情况决定;M和N表示干扰消除网络输入的时频矩阵的长和宽,z表示第i个样 本在时频矩阵中坐标为(j,k)时通道l的标签值,y表示第i个样本在时频矩阵中 坐标为(j,k)时通道l的预测值;
步骤250:将FMCW雷达干扰消除测试数据集利用步骤240中训练完成的干 扰消除模型进行FMCW雷达信号的特征提取,区分目标的回波信号和干扰信号, 去除信号中的干扰成分和噪声,得到对FMCW雷达干扰消除测试数据集预测出的 信号的时频矩阵;
步骤260:对预测出的时频矩阵进行合并,去除中间重叠的部分,对合并后 的时频矩阵进行逆短时傅里叶变换(Inverse Short Time Fourier Transform, ISTFT),得到对应的时域信号;使用恢复的时域信号和相应的标签计算恢复信 号的SINR,得到FMCW雷达干扰消除测试数据集的测试结果;
进一步的,所述SINR的计算公式为:
其中,N表示FMCW雷达信号在时域的采样点数,si表示时域的干净信号, yi表示经过干扰消除网络处理后时域的恢复信号;
有益效果
与现有FMCW雷达干扰消除技术相比,本发明的有益效果体现在:
本发明采用一种基于深度学***均均方误差相结合的损失 函数对基于复数卷积神经网络的干扰消除网络进行训练;平均均方误差损失函 数只是计算恢复信号与对应标签之间的差距,在缺少大量训练数据时不能够完 全消除信号中混杂的干扰成分,而采用先验信息和平均均方误差相结合的损失 函数引入了额外的专家知识,对提取到的特征进行了正则化约束,不仅可以加 快训练的收敛速度,还能在训练数据集较小时尽可能的区分干扰和目标的回波 信号,从而提高干扰消除模型恢复信号的准确性;另外,复数卷积神经网络通 过对复数形式的雷达信号的实部和虚部进行约束,具有更好的表达能力,对噪 声鲁棒性更好,能够减小干扰消除网络的参数数量,满足雷达传感器的内存容 量和实时处理的需求;本发明适用于FMCW雷达干扰消除,能够减小采用平均均 方误差损失函数对训练基于卷积神经网络的干扰消除模型所需数据集大小的依 赖,加快模型训练收敛,提高信号恢复的准确性,减小模型参数数量,减少信 号处理所需时间。
附图说明
图1是本发明包括数据集准备、网络训练、网络测试的方法实施流程图。
图2是本发明信号处理流程图。
图3是本发明中基于复数卷积神经网络的FMCW雷达干扰消除网络结构示意 图。
图4是本发明中复数神经网络和对应的实数网络处理后的测试数据性能对 比曲线图。
图5是本发明中加入先验信息训练出的模型处理后的测试数据性能对比曲 线图。
图6是本发明中一种融合先验信息的FMCW雷达干扰消除方法对测试数据进 行处理后的时域波形图、频谱图和时频图。
具体实施方式
本发明针对FMCW雷达被其他雷达和无线设备干扰,导致目标检测识别率下 降的问题,提出了一种融合先验信息的FMCW雷达干扰消除方法。
本案例的方法实施流程图如附图1所示,其具体的实施步骤为:
步骤300:使用Matlab数值仿真软件生成包含FMCW雷达目标回波信号、干 扰信号和高斯白噪声的输入信号y(t);y(t)=s(t)+f(t)+n(t);其中,s(t)表示 FMCW雷达目标回波信号,f(t)表示干扰信号,n(t)表示高斯白噪声;
步骤310:对输入信号y(t)和干净的FMCW雷达目标回波信号s(t)在不同信 干噪比(Signal to Interference plus Noise Ratio,SINR)下进行短时傅里 叶变换(ShortTime Fourier Transform,STFT),得到不同SINR下对应的时 频矩阵Y(t,f)和S(t,f);
步骤320:对生成的时频矩阵进行预处理,沿着时间轴将矩阵切分为长和宽 均为256点的复数矩阵,同时,每个复数矩阵之间重叠八个采样点,保证相位 的连续性;取每一种SINR下的一部分时频矩阵构建训练数据集,其余时频矩阵 组成验证集和测试集;其中,Y(t,f)作为数据集的输入,S(t,f)作为对应的标 签,二者具有相同的大小;
步骤330:构建基于复数卷积神经网络的FMCW雷达干扰消除网络结构,所 述基于复数卷积神经网络的干扰消除网络由N个复数卷积层构成,其中,除了 最后一个复数卷积层之外,每个复数卷积层连接一个CReLU复数激活函数;
步骤340:将FMCW雷达干扰消除训练数据集输入到步骤330构建的基于复 数卷积神经网络的FMCW雷达干扰消除网络中进行训练,训练过程中的损失函数 采用先验信息和平均均方误差相结合的损失函数,通过不断对网络进行循环迭 代训练使损失函数不断减小,直到完成设定的迭代次数Q,并将最优的干扰消除 模型进行保存;
步骤350:将FMCW雷达干扰消除测试数据集利用步骤340中训练完成的干 扰消除模型进行FMCW雷达信号的特征提取,区分目标的回波信号和干扰信号, 去除信号中的干扰成分和噪声,得到对FMCW雷达干扰消除测试数据集预测出的 信号的时频矩阵;
步骤360:对预测出的时频矩阵进行合并,去除中间重叠的部分,对合并后 的时频矩阵进行逆短时傅里叶变换(Inverse Short Time Fourier Transform, ISTFT),得到对应的时域信号;使用恢复的时域信号和相应的标签计算恢复信 号的SINR,得到FMCW雷达干扰消除测试数据集的测试结果;
本案例中信号处理流程如附图2所示。FMCW雷达接收到的信号经过低通滤 波操作后,使用短时傅里叶变换从时域变换到时频域,对得到的时频矩阵沿着 时间轴进行切片,得到长和宽均为256个采样点的复数矩阵;将复数矩阵输入 到训练好的干扰消除网络中,得到恢复信号的时频矩阵,将矩阵沿着时间轴进 行拼接,得到完整的时频矩阵;使用逆短时傅里叶变换算法将恢复信号的时频 矩阵转换到时域,得到恢复信号的时域波形。
本案例的干扰消除网络结构如附图3所示。基于复数卷积神经网络的FMCW 雷达干扰消除网络全部由复数卷积层构成,除了最后一层之外,每一层连接一 个复数激活函数CReLU;网络的输入是长和宽均为256点的受干扰信号的时频矩 阵,输出也是相同大小的恢复信号的时频矩阵,标签为相同大小的干净信号(没 有干扰和噪声的雷达回波信号)的时频矩阵;由于网络的输入是复数矩阵,分 别取矩阵每个元素的实部和虚部分布在两个通道上,使用二维复数卷积层对双 通道数据进行处理;干扰消除网络由9层复数卷积层构成,每一层的卷积核数 量如图3所示,卷积核大小设置为3*3,卷积核步长设置为1,每一层的输出和 输入保持相同的尺寸;所述干扰消除网络的总参数数量为55666,能够满足实际 雷达传感器的内存需求。
FMCW雷达干扰消除测试数据集的测试结果如附图4、5、6所示。附图4给 出了经过不同的干扰消除网络处理后恢复信号的信干噪比与受干扰信号的信干 噪比之间的变化关系。附图4中以等距离的信干噪比为横坐标,可以看出恢复 信号的信干噪比随受干扰信号的信干噪比的减小而减小,这是因为随着受干扰 信号的信干噪比减小,信号中的干扰成分比例越大,信号恢复的难度也显著增 加;附图4中两条实线对比了经过参数搜索得到的最优的复数卷积神经网络和 实数卷积神经网络,可以看出随着受干扰信号的信干噪比减小,复数卷积神经 网络的信干噪比逐渐高于实数卷积神经网络,这是因为复数卷积层考虑到了复 数的实部和虚部之间的关系,具有更好的特征表达能力和更好的噪声鲁棒性。 另外,图4中最优的复数网络的参数数量只是最优的实数网络的40%,这是由于 复数卷积层的卷积核的实部和虚部分别对应一张特征图(feature map),其实 际的卷积核数量相当于实数卷积层的两倍。附图4中的四条虚线对比了复数网 络和实数网络在卷积神经网络卷积层层数分别为5层和6层时的干扰消除性能, 可以看出复数网络在受干扰信号的干扰强度较大时,具有更好的性能,同时复 数网络可以减小网络的参数数量,加快信号处理速度。
附图5给出了使用少量样本数据训练的干扰消除网络处理后的恢复信号信 干噪比与受干扰信号信干噪比之间的变化关系。FMCW雷达干扰消除训练集仅包 括540个样本,附图5中以等距离的信干噪比为横坐标,图中4条实线为损失 函数中的超参数b分别为0、128、256、400时恢复信号的信干噪比,可以看出 随着超参数b值逐渐增加,恢复信号的信干噪比显著提升,这是因为当训练数据 量较小时,使用平均均方误差MSE训练的干扰消除网络只能从少量数据中提取 特征,训练好的网络性能较差;当MSE与先验信息结合时,先验信息项能引入 额外的专家知识,作为一个正则化项约束网络提取到的特征,从而更充分的去除信号中的干扰成分。
附图6中给出了FMCW雷达受干扰信号、对应的干净信号、经过干扰消除网 络处理后的恢复信号对应的时域波形图、距离幅度谱以及时频图。图(a)是受 干扰雷达信号的时域波形图,可以看到一个由干扰导致的脉冲,其幅度远大于 目标回波信号;图(b)是受干扰雷达和对应的干净信号的距离幅度谱,可以看 出雷达检测到两个目标,在干净信号的距离幅度谱中可以清晰的看到两个峰值 的位置,而由于干扰影响,第二个强度较弱的目标被遮挡,无法检测到;图(c) 和图(d)是使用短时傅里叶变换算法生成的受干扰信号和干净信号的时频图, 干扰表现为多条较宽的斜线,目标的回波信号表现为较细的横线;图(e)给出了经过干扰消除网络处理后的恢复信号的时频图,网络训练时使用先验信息和 平均均方误差相结合的损失函数,超参数值设置为400,可以看出经过干扰消除 网络处理后,噪声和干扰成分几乎都被去除干净;图(f)是经过不同的超参数 值训练出的干扰消除网络处理后恢复信号对应的频谱图,从图中看出,经过干 扰消除网络处理后,第二个较弱的信号可以重新被检测到,同时,随着超参数b 值逐渐增大,噪声强度越来越小,目标检测精确度逐渐增大。
Claims (4)
1.一种融合先验信息的FMCW雷达干扰消除方法,其特征在于,包括:使用Matlab软件仿真FMCW雷达受干扰信号和对应的干净信号,进行短时傅里叶变换生成两种信号的时频矩阵,准备FMCW雷达干扰消除训练数据集、测试数据集;构建基于复数卷积神经网络的FMCW雷达干扰消除网络结构,所述基于复数卷积神经网络的干扰消除网络由N个串联的二维复数卷积层构成,其中,除了最后一个复数卷积层之外,每个复数卷积层连接一个CReLU复数激活函数;将FMCW雷达干扰消除训练数据集输入到构建的基于复数卷积神经网络的干扰消除网络中进行训练,训练过程中的损失函数采用先验信息和平均均方误差(MSE)相结合的损失函数,通过不断对网络进行循环迭代训练使损失函数不断减小,直到完成设定的迭代次数Q,并将干扰消除模型进行保存;将FMCW雷达干扰消除测试数据集利用得到的干扰消除模型进行FMCW雷达信号的特征提取,区分目标回波信号和干扰,去除信号中的干扰成分,得到恢复信号的时频矩阵;使用逆短时傅里叶变换算法将恢复信号由时频域变换到时域,计算恢复信号的信干噪比,得到FMCW雷达干扰消除测试数据集的测试结果。
2.根据权利要求1所述的方法,其特征在于,所述数据集生成过程中,进行短时傅里叶变换后,需要对生成的时频矩阵进行预处理,沿着时间轴将矩阵切分为长和宽均为256点的复数矩阵,同时,每个复数矩阵之间重叠八个采样点,保证相位的连续性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210766130.0A CN115345216A (zh) | 2022-06-30 | 2022-06-30 | 一种融合先验信息的fmcw雷达干扰消除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210766130.0A CN115345216A (zh) | 2022-06-30 | 2022-06-30 | 一种融合先验信息的fmcw雷达干扰消除方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115345216A true CN115345216A (zh) | 2022-11-15 |
Family
ID=83948577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210766130.0A Pending CN115345216A (zh) | 2022-06-30 | 2022-06-30 | 一种融合先验信息的fmcw雷达干扰消除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115345216A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116699531A (zh) * | 2023-08-02 | 2023-09-05 | 中国人民解放军战略支援部队航天工程大学 | 一种基于复数网络的雷达信号降噪方法、***及存储介质 |
-
2022
- 2022-06-30 CN CN202210766130.0A patent/CN115345216A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116699531A (zh) * | 2023-08-02 | 2023-09-05 | 中国人民解放军战略支援部队航天工程大学 | 一种基于复数网络的雷达信号降噪方法、***及存储介质 |
CN116699531B (zh) * | 2023-08-02 | 2023-11-17 | 中国人民解放军战略支援部队航天工程大学 | 一种基于复数网络的雷达信号降噪方法、***及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220606B (zh) | 基于一维卷积神经网络的雷达辐射源信号的识别方法 | |
CN111352102B (zh) | 一种基于调频连续波雷达的多目标个数检测方法及装置 | |
Huynh-The et al. | Accurate LPI radar waveform recognition with CWD-TFA for deep convolutional network | |
Liu et al. | Deep learning and recognition of radar jamming based on CNN | |
CN106468770B (zh) | K分布杂波加噪声下的近最优雷达目标检测方法 | |
CN111722188B (zh) | 基于stft预分选的pri变换雷达信号分选方法 | |
CN103941254A (zh) | 一种基于地质雷达的土壤物性类别识别方法和装置 | |
CN110133632B (zh) | 一种基于cwd时频分析的复合调制信号识别方法 | |
Cain et al. | Convolutional neural networks for radar emitter classification | |
KR100780470B1 (ko) | 탐색 레이더의 적응적 표적 탐지장치 | |
CN108594177A (zh) | 基于改进hht的雷达信号调制方式分析方法、信号处理*** | |
CN111427018A (zh) | 一种雷达干扰装备干扰效果评估方法 | |
CN112859014A (zh) | 基于雷达信号分选的雷达干扰抑制方法、装置及介质 | |
CN105158749A (zh) | 高频雷达海杂波幅度统计分布检验方法 | |
CN111474524A (zh) | 一种雷达干扰装备干扰效果监测与决策支持*** | |
CN114895263A (zh) | 基于深度迁移学习的雷达有源干扰信号识别方法 | |
Ristea et al. | Estimating the magnitude and phase of automotive radar signals under multiple interference sources with fully convolutional networks | |
CN114117912A (zh) | 一种数据模型双驱动下的海杂波建模与抑制方法 | |
CN116797796A (zh) | Drfm间歇采样下基于时频分析与深度学习的信号识别方法 | |
CN114114166A (zh) | 一种基于dtm算法的雷达脉冲去交错方法 | |
CN115345216A (zh) | 一种融合先验信息的fmcw雷达干扰消除方法 | |
CN116699526A (zh) | 一种基于稀疏与低秩模型的车载毫米波雷达干扰抑制方法 | |
CN107329115A (zh) | 基于gcrbf网络的lfm信号参数估计方法 | |
Limin et al. | Low probability of intercept radar signal recognition based on the improved AlexNet model | |
CN112327286A (zh) | 低复杂度下日常活动分类方法、装置、设备及存储介质 |
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 |