CN116415163A - 一种基于雷达数据进行无人机识别的方法 - Google Patents
一种基于雷达数据进行无人机识别的方法 Download PDFInfo
- Publication number
- CN116415163A CN116415163A CN202310007406.1A CN202310007406A CN116415163A CN 116415163 A CN116415163 A CN 116415163A CN 202310007406 A CN202310007406 A CN 202310007406A CN 116415163 A CN116415163 A CN 116415163A
- Authority
- CN
- China
- Prior art keywords
- data
- unmanned aerial
- aerial vehicle
- radar
- optimized
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 238000005520 cutting process Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 238000007500 overflow downdraw method Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000006855 networking Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 229910052704 radon Inorganic materials 0.000 description 2
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于雷达数据进行无人机识别的方法,属于无人机识别领域,首先采集雷达探测设备上报的回波及航迹数据,对回波数据及航迹数据的特征进行区别,分别计算飞鸟和无人机航迹数据的特征值,然后,利用步骤S3获得的特征值数据构建训练集和测试集,采用DBSCAN聚类来裁剪训练集和测试集中异常样本和孤立样本,接着对KNN模型的相似度度量进行优化,给不同特征值赋予不同权重,获得优化的KNN模型,利用DBSCAN聚类裁剪后的特征值数据集训练优化后的KNN模型,获得最终的K值,使用最终的K值及优化的KNN模型对实时上报的回波数据及航迹数据进行区分,识别出目标。本发明方法对无人机识别的准确率具有明显提高。
Description
技术领域
本发明属于无人机识别领域,更具体地,涉及一种基于雷达数据进行无人机识别的方法。
背景技术
近年来,无人机产业迅猛发展,无人机的应用已渗透到日常生活的方方面面,无人机监管是保障无人机有序运行的必要手段,雷达探测设备是无人机领域主要的探测设备。低空环境存在的飞鸟、杂波等非威胁目标导致雷达探测设备普遍存在虚警率高的问题,而过多的虚警导致用户大量精力浪费在确认目标的真实性上,耽误了对真正威胁目标的处置,所以如何减少雷达探测无人机时的虚警是反无人机***亟待解决的难题。
公开号为CN113947105A的中国专利申请公开了一种基于雷达航迹数据的空中飞行目标分类识别方法,该方法提供了一种轻小型无人机、飞鸟、直升机、民航机的分类识别方法,该方法通过主成份分析法确定数据特征再通过循环神经网络模型来实现目标分类,该方法没有针对轻小型无人机、飞鸟的运动数学模型进行数据特征的优化,故对轻小型无人机、飞鸟的识别能力不强。
申请号为201610896005.6的中国专利申请公开了一种基于雷达数据的轻小型无人机与飞鸟分类识别方法,其提供一种在机场低空空域识别轻小型无人机与飞鸟的方法,该方法仅利用雷达数据提取出目标运动特征,用以区分轻小型无人机目标与飞鸟目标,该方法仅需要识别目标是否为无人机或飞鸟,该两种目标对机场低空空域均有较大威胁,而在反无人机领域中一般需要识别目标是否为无人机,其方法没有提供这种识别和检测。
申请号为201710599505.8的中国专利申请公开了一种基于组网雷达的无人机目标识别和定位方法,该方法用于基于组网雷达并进行无人值守的目标识别和定位,尤其适用于无人机空中目标。其包括在通讯基站铁塔上架设目标探测雷达,进行组网布站;利用组网的调频连续波雷达对目标进行探测,将探测数据传输到远程服务器;远程服务器对目标数据综合处理,并对目标进行识别和定位。本发明提供的无人机目标识别和定位方法能用于在城市中对无人机识别和定位,其识别准确度高,定位精确,并能实时在城市地图上显示,从而实现在城市中对无人机大范围高精度监视,保障城市防护安全,并节省了对小型无人机的探测成本和架设成本,实现了资源综合利用。
公开号为201710859807.9的中国专利申请公开一种基于双频雷达信号时频分布的无人机分类方法及装置,其方法包括:S1,利用短时傅里叶变换对双波段雷达***获取的各无人机的时域数据进行处理,获取所述各无人机的两个波段的时频图;S2,使用主成分分析算法对所述各无人机的两个波段的时频图进行特征提取;S3,对于每个无人机,将提取的该无人机的两个波段的特征进行融合,获得对应的融合特征,将所述各融合特征作为样本输入至支持向量机以对所述各无人机进行分类。其通过使用双波段的雷达***向无人机发射不同波段的电磁波,通过对无人机回波的微多普勒信息进行特征提取,然后对双波段的特征进行融合分析,从而得到不同无人机的类别,提高了无人机分类的精度,但是该方法的运算量极大。
此外,名称为《针对小型无人机目标的多雷达数据融合方法研究》沦为公开了如下技术方案:以小型无人机作为“低慢小”目标的典型代表,首先对雷达数据融合的基本方法进行了分析研究,主要是雷达数据的预处理,目标坐标变换和***时空对准,多信息多层次的航迹关联,航迹数据的融合以及灰色***理论;其次,对小型无人机目标的运动模态特性进行了分析研究,利用多雷达数据融合方法中的灰色***理论,实现对目标的准确定位跟踪;再次,对小型无人机目标多雷达定位跟踪和识别方法进行了分析研究,主要是雷达杂波点的抑制,航迹起始的方法和航迹起始后的目标跟踪方法,小型无人机目标的多雷达识别技术,基于神经网络的决策层融合目标识别,结合实际情况,分别从多雷达数据融合方法和小型无人机的特性出发,讨论了对两者的基本处理方法,进一步探讨了小型无人机目标在多雷达***下的定位、跟踪和识别问题;最后,以灰色***理论为基础,进行了仿真应用,为小型无人机等“低慢小”目标的低空、超低空多雷达数据融合方法提出了新的研究思路。但是,其仅仅停留在理论研究层面。
论文《低空小型无人机雷达检测与识别》也提供了相关的技术方案:首先基于旋翼型无人机的基本结构建立了无人机的运动模型,研究了其飞行过程中的特点。基于此模型,推导了机身和旋翼的回波信号模型,给出了其回波信号的表达式,为后续的工作奠定了基础。针对无人机所处的低空多径环境,其基于多径环境下的信号传播模型和目标检测模型,研究了雷达在多径环境中对于不同Swerling起伏型目标的检测性能。通过数值仿真的方法,给出一种适用于多径环境下的M/N检测器的参数选择方法,并以仿真实验验证了该方法的有效性。为了提高在低信噪比场景下对无人机参数估计的准确性,其还提出了一种基于逆约当变换(Inverse Radon Transform,IRT)与圆形检测(Circle Detect,CD)相结合的悬停无人机参数估计方法,改进了现有的参数估计方法,在提高运算速度的同时,也提高了抗噪声性能。针对机动型无人机,其还提出了一种基于约当变换(Radon Transform,RT)与正弦检测(Sinusoidal Detect,SD)的参数估计方法,在对机动型无人机进行运动补偿后,结合参数搜索的方法对其进行参数估计。此外,该论文还研究了深度学习在无人机目标识别方面的应用。将传统信号处理的方法与卷积神经网络相结合,提出了一种基于短时傅里叶变换(Short-Time Fourier Transform,STFT)与逆约当变换(Inverse Radon Transform,IRT)相结合,利用Google Net进行无人机识别的算法并通过仿真生成的数据集验证了该方法的识别率。
论文《基于运动模型的低空非合作无人机目标识别》公开了如下技术方案:为保障低空安全,在利用雷达数据探测无人机目标的同时剔除飞鸟等虚警信息,提出了一种基于运动模型的低空非合作无人机目标识别方法,作为已有目标跟踪方法应用的拓展。首先,建立多种运动模型模拟无人机和飞鸟目标运动;然后,基于多种运动模型进行目标跟踪,并估计各种运动模型的出现概率;最后,以各种运动模型在连续时间内出现概率的方差均值来度量目标运动模型的转换频率。通过对仿真数据和机场低空监视雷达实测数据的处理,所提方法能够在杂波环境中跟踪无人机目标并剔除飞鸟目标,进一步验证了其有效性和实用性
综上可知,国内外专利、相关期刊论文的情况多涉及从信号层次或目标运动特征层次对目标类型进行分析,其考虑还是不够全面,虚警率仍然需要进一步降低。
发明内容
针对现有技术的缺陷,本发明的目的在于提供基于雷达数据进行无人机识别的方法,通过对KNN模型进行改进,提升K值的搜索速度和度量精度,实现对雷达上报的目标信息中无人机类型的实时、准确的识别。
为实现上述目的,本发明提供了一种基于雷达数据进行无人机识别的方法,其包括如下步骤:
S1:采集雷达探测设备上报的回波数据及航迹数据,
S2:对回波数据及航迹数据的特征进行区别,对飞鸟和无人机进行区分,
S3:根据采集到的回波数据和航迹数据,分别计算飞鸟和无人机航迹数据的特征值,
S4:利用步骤S3获得的特征值数据构建训练集和测试集,采用DBSCAN聚类来裁剪训练集和测试集中异常样本和孤立样本,
S5:对KNN模型的相似度度量进行优化,给不同特征值赋予不同权重,获得优化的KNN模型,
S6:利用DBSCAN聚类裁剪后的特征值数据集训练优化后的KNN模型,以获得多个优化的K值,
S7:根据多个优化的K值下的测试集的识别效果,确定最终的K值,
S8:使用最终的K值及优化的KNN模型对实时上报的回波数据及航迹数据进行区分,识别出目标并进行分类。
进一步的,步骤S1中,回波数据及航迹数据包括:平均相对反射面积、反射面积标准差、平均速度、速度标准差、目标机动因子和航迹平滑度。
进一步的,步骤S5中,对KNN模型中的距离度量进行优化,具体为,对欧氏距离进行优化,给不同特征值赋予不用权重,得到优化后的欧氏距离/> i是第i个特征值的权重,其中,(i,yi)为第i个特征点的坐标或者称为第i个特征值对应的坐标,n是i的上限值,表示一共具有n个。
进一步的,步骤S3中,计算飞鸟和无人机航迹数据的特征值时,最后会对数据进行归一化处理,归一化处理的公式如下:
式中,xn为标准化值,xmin和xmax分别为数据集中各个不同属性值的最小值和最大值。
进一步的,步骤S4中,训练集和测试集分别占特征值数据的80%和20%。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下
有益效果:
本发明提供了一种基于雷达数据进行无人机识别的方法,通过对KNN模型进行改进,提升K值的搜索速度和度量精度,实现对雷达上报的目标信息中无人机类型的实时识别,经试验验证,本发明的方法可有效降低雷达探测无人机的虚警率,能提高无人机的识别精度。
附图说明
图1是本发明实施例提供的基于雷达数据进行无人机识别的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种基于雷达数据进行无人机识别的方法,传统雷达目标识别方法主要根据雷达回波信号或仅使用雷达上报原始航迹数据进行类型识别,与传统的雷达目标识别方法相比,本发明主要通过改进的KNN模型对雷达上报的回波特征信息及基于目标运动的高级运动特征信息进行识别,进一步通过综合信号级特征及目标运动特征相结合的方式对无人机目标进行分类,有效降低了无人机防控***的虚警率。
在工程实践中,本发明的一种基于雷达数据进行无人机识别的方法可以划分为如下步骤:(1)、采集雷达探测设备上报的回波及航迹数据;(2)、根据无人机与飞鸟、杂波目标在雷达回波及航迹数据方面的区别确定各自的特征,确定的特征包括:平均相对反射面积、反射面积标准差、平均速度、速度标准差、目标机动因子和航迹平滑度;(3)、根据收集到的目标的航迹数据计算各自的特征值,获得特征值数据;(4)、将特征值数据划分为训练集和测试集;(5)、利用DBSCAN聚类来裁剪训练集和测试集中异常样本;(6)、为了改善传统KNN模型特征作用相同的缺陷,对相似度度量进行优化,给不同特征赋予不同权重,完成度量相似度距离优化;(7)、根据不同k值下测试集的识别效果,确定K值;(8)、使用确定的K值及KNN模型对实时上报的目标进行分类。
采用本发明方法时候,根据"少数服从多数,一点算一票"的原则进行类别判断,即数量最多标签类别就是该目标的标签类别,图1是本发明实施例提供的基于雷达数据进行无人机识别的流程图,由图可知,本发明方法的具体流程如下:
1、数据采集:采集雷达探测设备上报的回波及航迹数据,比如为某水利设施无人机防控***中某部雷达的采集的数据,该数据集包括8325条已标记数据,数据包括航迹标识、方位、距离、高度、径向速度、航速、航向、回波强度、航迹状态等数据项;
2、特征值计算:雷达本身上报的航迹报文中并没有本发明所需的特征值,本发明所述的特征值包括:平均相对反射面积、反射面积标准差、平均速度、速度标准差、目标机动因子和航迹平滑度,以上的特征值需进行计算,各特征值的计算如下:
平均相对反射面积(σ):因目标的散射面积较难计算,且本实施例中并不需要绝对的散射面积,根据雷达方程使用σ=Pr*R4代替,其中:Pr为回波强度、R为目标距离。
圆的一般方程为:
Ax2+Ay2+Bx+Cy+D=0
已知经过圆的三个点为(x1,y1)、(x2,y2)、(x3,y3),圆心(x,y),半径为r,圆心和半径的计算方式表示为:
A=x1(y2-y3)-y1(x2-x3)+x2y3-x3y2
B=(x1 2+y1 2)(y3-y2)+(x2 2+y2 2)(y1-y3)+(y3 2+y3 2)(y2-y1)
C=(x1 2+y1 2)(x2-x3)+(x2 2+y2 2)(x3-x1)+(x3 2+y3 2)(x1-x2)
D=(x1 2+y1 2)(x3y2-x2y3)+(x2 2+y2 2)(x1y3-x3y1)+(x3 2+y3 2)(x2y1-x1y2)
其中,A、B、C、D表示一般圆方程的系数。
在此基础上,求航迹段最小转弯半径Rmin,如果,A=0,也即,三点在同一条线上,则R为一个预定的最大值,比如为100km。
航迹平滑度:航迹平滑度主要根据每个更新周期的目标航向差进行评估,具体计算公式如下:
CΔ=Ck+1-Ck
其中,Ck表示雷达第k次测量到的航向角,Ck+1表示雷达第k+1次测量到的航向角,CΔ表示目标航向角。
3、数据准备:根据获得的航迹数据计算特征值,并进行归一化处理。具体为,采用最小—最大值进行归一化处理,最小-最大值归一化方法为:
其中,xn为标准化值,xmin和xmax分别为数据集中各个不同属性值的最小值和最大值。
4、特征值数据集划分:将归一化处理的特征值数据划分为训练集和测试集,训练集和测试集分别占特征值数据集的比例为80%和20%。
5、利用DBSCAN聚类来裁剪训练集和测试集中的异常样本和孤立样本。具体的,DBSCAN聚类裁剪方法为:
1)对训练集和测试集的各特征值采用DBSCAN算法进行聚类,确定聚类参数:半径RC、最小点位数MinPts及核心点列表ListC;
2)判断有无离群点,若有离群点,将该点剔除,即完成了DBSCAN聚类裁剪。
7、利用公式计算出/>其中,N(x)表示样本x的最近邻的样本集合,z表示样本集合N(x)的第z个样本,k0为样本的个数,/>是指特征i在样本x周围的局部范围内的分类能力,ri(z)为特征i在设定样本处的预测能力。
8、权重计算:样本x最邻近时的距离公式中的特征值的权重 其中,c为wi影响程度的调整系数,m为样本特征空间的维数,Ri(x)为最邻近特征预测能力差值最大值,/>是指特征i在样本x周围的局部范围内的分类能力。
9、重复第6步~第8步,得到新的权重。进行重复的原因是获得新的权重,进行重复的作用是准确的聚类分类。
11、根据不同k值下测试集的识别效果,确定识别效果最优情况下的K值,具体为:
1)计算测试数据与每个训练数据间的距离;
2)按照距离的递增关系进行排序,选取距离最小的前K个点;
3)确定前K个点所在类别的出现频率;
4)将前K个点中出现频率最高的类别作为测试数据的预测分类。
12、设置不同的K值,K值为奇数,按以上方法测试所有的测试数据,测试数据预测分类最准确的K值作为最终的K值。
13、使用最终的K值对KNN方法进行改进,计算并实时上报的目标,进行分类。
本发明中,KNN算法是一种有监督学习的分类算法,该算法首先需要训练数据来进行学习之后才能对数据进行分类。DNSCAN聚类是不需要任何训练数据就能对数据进行分类,属于无监督的数据分类算法。
DNSCAN聚类将具有足够高密度的区域划分为簇,它可以把n维空间中密度较大的样本聚为一类,当做一类数据计算,用在裁剪训练数据集,可以极大地节省后续KNN训练过程中计算开销,提升计算效率。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于雷达数据进行无人机识别的方法,其特征在于,其包括如下步骤:
S1:采集雷达探测设备上报的回波数据及航迹数据,
S2:对回波数据及航迹数据的特征进行区别,对飞鸟和无人机进行区分,
S3:根据采集到的回波数据和航迹数据,分别计算飞鸟和无人机航迹数据的特征值,
S4:利用步骤S3获得的特征值数据构建训练集和测试集,采用DBSCAN聚类来裁剪训练集和测试集中异常样本和孤立样本,
S5:对KNN模型的相似度度量进行优化,给不同特征值赋予不同权重,获得优化的KNN模型,
S6:利用DBSCAN聚类裁剪后的特征值的训练集训练优化后的KNN模型,以获得多个优化的K值,
S7:根据多个优化的K值下的测试集的识别效果,确定最终的K值,
S8:使用最终的K值及优化的KNN模型对实时上报的回波数据及航迹数据进行区分,识别出目标并进行分类。
2.如权利要求1所述的一种基于雷达数据进行无人机识别的方法,其特征在于,步骤S1中,回波数据及航迹数据包括:平均相对反射面积、反射面积标准差、平均速度、速度标准差、目标机动因子和航迹平滑度。
6.如权利要求1-5任一所述的一种基于雷达数据进行无人机识别的方法,其特征在于,步骤S4中,训练集和测试集分别占特征值数据的80%和20%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310007406.1A CN116415163A (zh) | 2023-01-04 | 2023-01-04 | 一种基于雷达数据进行无人机识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310007406.1A CN116415163A (zh) | 2023-01-04 | 2023-01-04 | 一种基于雷达数据进行无人机识别的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116415163A true CN116415163A (zh) | 2023-07-11 |
Family
ID=87052174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310007406.1A Pending CN116415163A (zh) | 2023-01-04 | 2023-01-04 | 一种基于雷达数据进行无人机识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116415163A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117690164A (zh) * | 2024-01-30 | 2024-03-12 | 成都欣纳科技有限公司 | 基于边缘计算的机场飞鸟识别驱赶方法及*** |
-
2023
- 2023-01-04 CN CN202310007406.1A patent/CN116415163A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117690164A (zh) * | 2024-01-30 | 2024-03-12 | 成都欣纳科技有限公司 | 基于边缘计算的机场飞鸟识别驱赶方法及*** |
CN117690164B (zh) * | 2024-01-30 | 2024-04-30 | 成都欣纳科技有限公司 | 基于边缘计算的机场飞鸟识别驱赶方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113837477B (zh) | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 | |
CN112887902B (zh) | 一种基于高斯聚类与混合度量的WiFi指纹的室内定位方法 | |
KR101895835B1 (ko) | 지표 투과 레이더 탐사 시스템 | |
CN111582380B (zh) | 一种基于时空特征的船舶轨迹密度聚类方法及装置 | |
CN110018453A (zh) | 基于飞机航迹特征的智能机型识别方法 | |
CN112596049B (zh) | 一种提升无人机侦测准确率的方法 | |
CN111142085B (zh) | 一种基于航迹特征提取的外辐射源雷达目标分类识别方法 | |
CN109117776A (zh) | 基于航迹信息的飞机与气象杂波分类识别方法 | |
CN115064009B (zh) | 一种终端区无人机与有人机冲突风险等级划分方法 | |
CN113156417B (zh) | 反无人机探测***、方法和雷达设备 | |
CN111695461B (zh) | 一种基于图频特性的雷达杂波智能分类方法 | |
CN116415163A (zh) | 一种基于雷达数据进行无人机识别的方法 | |
CN113869379A (zh) | 一种基于数据驱动的航空器能量异常识别方法 | |
Song et al. | Data and decision level fusion-based crack detection for compressor blade using acoustic and vibration signal | |
CN115600513B (zh) | 一种岩溶塌陷监测预警及防控一体化信息化模拟研判*** | |
CN113570005A (zh) | 一种基于机载光子雷达的远距离舰船类型识别方法 | |
CN117523420B (zh) | 一种基于雷达产品数据的闪电落区识别方法及*** | |
CN114740441A (zh) | 一种基于小样本的低慢小目标雷达回波识别方法 | |
CN114545387A (zh) | 一种基于毫米波雷达数据拟合的高空抛物检测判别方法 | |
CN105260591A (zh) | 一种多仰角的migfa阵风锋识别改进算法 | |
Brooks et al. | Drone recognition by micro-doppler and kinematic | |
CN111553405B (zh) | 一种基于像素密度k均值聚类团雾识别算法 | |
CN111025288B (zh) | 安防雷达监测装置及*** | |
Lei et al. | Multi-feature fusion sonar image target detection evaluation based on particle swarm optimization algorithm | |
Li et al. | A new radar‐based storm identification and warning technique |
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 |