专利交易市场

本申请属于雷达目标类型识别的技术领域，提供了一种基于展宽计算的车载毫米波雷达目标识别方法，该方法包括：获取接收到的雷达回波信号，对所述雷达回波信号的空间分布信息和多普勒信息进行提取，得到距离-多普勒二维矩阵；对所述距离-多普勒二维矩阵的数据进行目标检测，得到目标点迹的特征数据；根据预设聚类算法对所述特征数据进行聚类，得到所述目标的聚类数据；根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据；根据所述特征样本数据对目标识别模型进行训练，构建所述目标识别模型。本申请实施例解决由于毫米波雷达的点云数据稀疏造成目标特征提取困难的问题。

本发明属于人工智能技术领域，具体的说是涉及一种基于孪生复网络的少样本雷达车辆目标识别方法。本发明针对少样本情况下的雷达车辆二维目标像，将目标像的实部和虚部共同输入到复数神经网络中输出实数图像，并且利用跳跃链接保留了原始图像的幅度信息，从而代替直接使用幅度图像，更好的利用了雷达数据中的复数信息，提高了特征提取的精度，拉近了原始图像和对应锚样本图像的距离，一定程度上避免少样本带来的过拟合现象。另外针对原生的孪生网络，我们提出在输入样本对的情况下，同时输入这两张样本所对应的锚样本，控制网络的收敛朝给定的锚样本方向进行，加快了网络的收敛速度，同时提高了识别精度。

基于高分辨一维像信息融合的目标识别方法，目的在于解决如何把网络中不同雷达的观测结果进行信息融合,进而达到提高分辨率。其包括以下步骤：步骤1、利用BSS产生波形不同的两种雷达，对两飞行器进行探测，得到两个不同雷达的回波数据；步骤2、将回波数据进行脉冲压缩，得到目标的两组高分辨一维像；步骤3、两组高分辨一维像采用加权平均法进行数据融合，得到一组新的一维像，其中融合权值在0到1之间任取；步骤4、将新的高分辨一维像通过一设定门限，得到采样点数目；步骤5、将得到的新的高分辨一维像的采样点个数与预设的距离分辨率(两采样点间的实际距离)相乘，得到目标的长度；步骤6、采用贝叶斯分类进行目标识别。

本发明提供了Fisher信息矩阵姿态角自适应SAR目标识别方法，通过设计正则项和Fisher信息矩阵保护已学习到的SAR目标特征的参数，构建姿态角自适应SAR目标识别连续学习模型。模型采用在线学习的方式学习新观测的SAR目标数据，通过Fisher信息矩阵动态调节参数的正则化强度，保护已学习的对识别任务贡献大的模型参数，增强模型对不同姿态角下SAR目标特征的自适应能力，提高目标识别的准确性。在MSTAR数据集上进行实验，姿态角自适应SAR‑ART模型能够在线学习不同姿态角下SAR目标数据，不断适应不同姿态角下SAR目标特征变化，识别精度得到有效提高。本发明可广泛应用于SAR目标识别技术领域。