排序方式: 共有49条查询结果,搜索用时 15 毫秒
21.
在多输入多输出(MIMO)雷达中,针对平滑l0范数(SL0)因感知矩阵的病态性而导致其失效的问题,提出了一种基于截断修正SL0的MIMO雷达目标参数估计方法.该方法在对MIMO雷达感知矩阵进行截断奇异值分解(TSVD)处理的基础上,将保留的奇异值以均值为截断门限,分成较大和较小的两部分,分别采用不同的修正准则进行修正;然后经奇异值分解(SVD)反变换获得非病态感知矩阵,利用该非病态感知矩阵通过SL0算法对MIMO雷达目标参数进行估计,从而显著提高了MIMO雷达目标参数估计的精度和速度.仿真结果验证了该方法的有效性. 相似文献
22.
针对现有车载毫米波雷达目标分类方法存在静止杂波干扰和网络模型复杂度高的问题,本文将Ghost模块和MobileNet相结合设计了G?MobileNet轻量化神经网络,并提出了一套完整的车载毫米波雷达目标分类流程。首先对雷达原始AD采样信号进行向量均值相消处理,滤除静止杂波,再进行二维快速傅里叶变换(FFT)得到目标的距离?多普勒(RD)图像,最后使用G?MobileNet对RD图像特征进行提取及分类得到分类结果。实测数据处理结果表明,所提方法能够消除静止杂波对多普勒特征产生的干扰,且分类网络模型复杂度低,在具有较高的分类准确率的同时节省了网络模型储存空间和运行网络所需内存。 相似文献
23.
针对红外成像非均匀性产生的盲元与盲元簇问题,提出一种混合自适应回归的红外盲元补偿算法(HAM).首先对红外图像进行多尺度分解,并对各分解尺度构造非参数回归补偿;然后对各尺度间构建自回归参数模型实现从低分辨到高分辨的学习,进一步提高补偿精确度.HAM算法打破了现有补偿算法基于滤波和插值的传统思路,建立了基于多尺度分析的混合自适应回归补偿的新方法.实验结果表明,相比于传统的红外盲元补偿算法,HAM算法具有很好的适应性,对于具有大量孤立和盲元簇图像均能取得很好效果,且补偿后图像具有较好的清晰度与边缘细节. 相似文献
24.
25.
26.
本文提出了一种空域色噪声环境下基于张量Vandermonde因子矩阵重构的多输入多输出(Multiple Input Multiple Output, MIMO)雷达角度估计方法。该方法首先将不同脉冲的匹配滤波输出进行互相关以实现对接收信号的去噪处理;然后,根据因子矩阵先验结构信息建立具有Vandermonde约束的四阶张量典范分解/并行因子分析(Canonical Decomposition/Parallel Factor Analysis, CANDECOMP/PARAFAC)模型,并推导了基于约束交替最小二乘(Alternating Least Squares, ALS)的迭代求解方法,在交替迭代过程中充分利用因子矩阵的Vandermonde结构,通过构造Toeplitz矩阵并进行Vandermonde分解的方式获得因子矩阵估计值;最后,通过最小二乘拟合方法估计目标角度。仿真结果表明本文算法能够有效提高MIMO雷达在空域色噪声下的角度估计性能。 相似文献
27.
针对传统合成孔径雷达(SAR)图像目标识别存在精度低、效率差的问题,提出一种多姿态角模型SAR图像分类方法。根据SAR图像姿态角敏感特性,首先将数据集按照不同方式和间距进行划分,得到不同的数据集组合,其次利用卷积神经网络训练划分后的数据集得到不同组子模型,并将效果最好的一组子模型融合成一种多姿态角模型,最后使用稀疏表示的方法对待测样本进行姿态角的角度估计,获取其姿态角信息后送入多姿态角模型中进行模型匹配,得到图像分类结果。实验结果表明,所提方法的目标识别准确率高于传统算法,在姿态角变化较小的数据集中训练得到的模型能够对目标群体进行更精确的目标类别估计。 相似文献
28.
在实际应用中由于恶劣环境或人为干扰等因素而导致多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达部分阵元失效,使得其接收数据缺失及其协方差矩阵秩亏,从而导致子空间类算法的波达方向(Direction of Arrival,DOA)估计性能恶化甚至完全失效。针对上述问题,提出了一种接收阵元失效下基于协方差矩阵重构的MIMO雷达DOA估计方法。该方法根据MIMO雷达协方差矩阵中以接收阵元数划分的子方块矩阵具有Toeplitz特性,利用正常工作接收阵元的协方差矩阵元素来恢复相应的缺失元素,从而重构出完整的数据协方差矩阵,提高阵元失效MIMO雷达的DOA估计性能。仿真结果验证了所提方法的有效性。 相似文献
29.
30.
椭圆算法被用于测量超声回波信号的渡越时间(TOF),以便估计目标的距离.然而,椭圆算法是将估计出的椭圆长轴位置对应的时间点作为TOF值,估计的目标距离值与实际距离值仍有一定误差.为了进一步提高椭圆算法的TOF估计精确度,将Canny边缘检测引入到椭圆算法中,结合回波脉冲包络的特征形成一种新的超声TOF估计方法.首先利用边缘检测算子提取出近似椭圆形的回波脉冲包络的边界,然后根据边界上点对应的信号幅度用差分方法搜索除起始点以外的梯度最大值位置对应的时间确定为TOF值.实验结果表明:改进后的椭圆算法测量绝对误差可以控制在1.5 mm以内,较传统方法相比至少提高0.5 mm.而相对误差达到0.2%,较传统方法提高了30%.改进后的椭圆算法的应用使得测量的准确性和可靠性均得到了明显提升. 相似文献