System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于信号处理,尤其涉及基于贝叶斯智能学习网络的近场样本感知识别方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息,不必然构成在先技术。
2、目标探测与识别是一门综合多学科的应用技术,它涉及的学科领域有传感器技术、测试技术、激光技术、毫米波技术、红外技术、近代物理学、固态电子学、人工智能技术、海陆空武器系统、引信技术等;其主要目的是采用非接触的方法探测固定或移动的目标,从而获得相关信息和数据的过程。
3、目标探测与识别方法,通常通过发射信号、对接收到的回波信号进行分析的过程来感知和识别目标;在现有方案中,通常采用独立窗口信号数据处理方法,但由于这种方法得到的数据样本少,会发生稀疏概率起伏震荡的现象,导致聚焦目标识别不准确,影响目标探测的精确度。
技术实现思路
1、为克服上述现有技术的不足,本专利技术提供了基于贝叶斯智能学习网络的近场样本感知识别方法及系统,提出一个新的时域-频域跳转(time-frequency(tf))信号分析处理方法,增进数据稀疏特征概率估值的精度和数据分析过程平滑,从而提高对近场样本感知识别的精度。
2、为实现上述目的,本专利技术的一个或多个实施例提供了如下技术方案:
3、本专利技术第一方面提供了基于贝叶斯智能学习网络的近场样本感知识别方法。
4、基于贝叶斯智能学习网络的近场样本感知识别方法,包括:
5、利用超宽带近场射频探测轨道,对近场样本进行环绕
6、采用时域-频域跳转信号分析处理方法,对不同探测位置的回波信号进行数据窗口部分重叠处理,得到近场样本的信号数据;
7、基于贝叶斯智能学习网络,估算信号数据的稀疏概率,进而得到反映近场样本属性的稀疏特征;
8、通过稀疏特征,对近场样本进行感知识别。
9、进一步的,所述对近场样本进行环绕探测,具体为:
10、超宽带近场射频探测轨道呈圆形环绕被测区域,多个天线单元沿探测轨道等间隔向心线性排列,组成一个弧形天线阵;
11、定义一个天线单元为弧形天线阵的参照点,发射超宽带射频信号,多个天线单元接收反射信号,一个周期内完成信号的发射接收;
12、每完成一个发射接收周期,以参照点为基准整个弧形天线阵沿探测轨道顺时针方向移动一个探测单元,进入下一个发射接收周期,直到完成环绕轨道一周的探测过程。
13、进一步的,所述得到在不同探测位置的回波信号,表示为:
14、yk=[xk(1),...,xk(n),...,xk(n)]
15、其中,代表弧形天线阵在轨道位置k时,天线单元n所接收的回波信号。
16、进一步的,所述时域-频域跳转信号分析处理方法,具体为:
17、将对近场样本的环绕轨道全周期探测分割为k个重叠测量,每个测量分别由n个天线单元接收的回波信号组成。
18、进一步的,所述稀疏特征,具体计算过程为:
19、通过无载荷条件下的预测试,得到环境噪声参数和背景回波干扰参数;
20、基于背景回波干扰参数,设置干扰权重参量,表征背景回波干扰对信号数据干扰强度的权重参量;
21、基于环境噪声参数,设置噪声权重参量,表征环境噪声对稀疏特征的干扰强度;
22、利用干扰权重参量和噪声权重参量,采用稀疏贝叶斯网络从信号数据中动态估算稀疏概率,组成不同探测位置的稀疏特征。
23、进一步的,所述采用稀疏贝叶斯网络从信号数据中动态估算稀疏概率,当弧形天线阵在轨道位置k时,通过以下贝叶斯概率估算过程,得到稀疏概率xk:
24、
25、其中,xk(n)代表弧形天线阵在轨道位置k时,天线单元n所接收的回波信号;αk(n)表示干扰权重参量,α0(n)表示噪声权重参量,a,b为环境噪声参数,c,d背景回波干扰参数。
26、进一步的,所述对近场样本进行感知识别,通过以下方法实现:
27、
28、其中,rt表示近场样本,xk(n)代表弧形天线阵在轨道位置k时,天线单元n所接收的回波信号;αk(n)表示干扰权重参量,α0(n)表示噪声权重参量,a,b为环境噪声参数,c,d背景回波干扰参数。
29、本专利技术第二方面提供了基于贝叶斯智能学习网络的近场样本感知识别系统。
30、基于贝叶斯智能学习网络的近场样本感知识别系统,包括环绕探测模块、信号处理模块、概率估算模块和目标感知模块:
31、环绕探测模块,被配置为:利用超宽带近场射频探测轨道,对近场样本进行环绕探测,得到不同探测位置的回波信号;
32、信号处理模块,被配置为:采用时域-频域跳转信号分析处理方法,对不同探测位置的回波信号进行数据窗口部分重叠处理,得到近场样本的信号数据;
33、概率估算模块,被配置为:基于贝叶斯智能学习网络,估算信号数据的稀疏概率,进而得到反映近场样本属性的稀疏特征;
34、目标感知模块,被配置为:通过稀疏特征,对近场样本进行感知识别。
35、本专利技术第三方面提供了计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本专利技术第一方面所述的基于贝叶斯智能学习网络的近场样本感知识别方法中的步骤。
36、本专利技术第四方面提供了电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本专利技术第一方面所述的基于贝叶斯智能学习网络的近场样本感知识别方法中的步骤。
37、以上一个或多个技术方案存在以下有益效果:
38、本专利技术采用时域-频域跳转信号分析处理方法,对不同探测位置的回波信号进行数据窗口部分重叠处理,旨在增加邻近信号数据窗口中的数据所含有能够映射被探测的目标网格属性的稀疏特征,有效地拓展了能够映射被探测的目标本质特征的稀疏特征的数据样本数量,从而一方面使得获取系数特征概率信号数据处理过程变得的平滑,避免独立窗口信号数据处理方法中由于数据样本少而发生的稀疏概率起伏震荡的现象;另一方面能够有效提高稀疏概率的准确度,从而提高对目标样本感知和识别的精度。
39、本专利技术附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.基于贝叶斯智能学习网络的近场样本感知识别方法,其特征在于,包括:
2.如权利要求1所述的基于贝叶斯智能学习网络的近场样本感知识别方法,其特征在于,所述对近场样本进行环绕探测,具体为:
3.如权利要求2所述的基于贝叶斯智能学习网络的近场样本感知识别方法,其特征在于,所述得到在不同探测位置的回波信号,表示为:
4.如权利要求1所述的基于贝叶斯智能学习网络的近场样本感知识别方法,其特征在于,所述时域-频域跳转信号分析处理方法,具体为:
5.如权利要求1所述的基于贝叶斯智能学习网络的近场样本感知识别方法,其特征在于,所述稀疏特征,具体计算过程为:
6.如权利要求5所述的基于贝叶斯智能学习网络的近场样本感知识别方法,其特征在于,所述采用稀疏贝叶斯网络从信号数据中动态估算稀疏概率,当弧形天线阵在轨道位置k时,通过以下贝叶斯概率估算过程,得到稀疏概率xk:
7.如权利要求1所述的基于贝叶斯智能学习网络的近场样本感知识别方法,其特征在于,所述对近场样本进行感知识别,通过以下方法实现:
8.基于贝叶斯智能学习网
9.一种电子设备,其特征是,包括:
10.一种存储介质,其特征是,非暂时性地存储计算机可读指令,其中,当所述非暂时性计算机可读指令由计算机执行时,执行权利要求1-7任一项所述方法的指令。
...【技术特征摘要】
1.基于贝叶斯智能学习网络的近场样本感知识别方法,其特征在于,包括:
2.如权利要求1所述的基于贝叶斯智能学习网络的近场样本感知识别方法,其特征在于,所述对近场样本进行环绕探测,具体为:
3.如权利要求2所述的基于贝叶斯智能学习网络的近场样本感知识别方法,其特征在于,所述得到在不同探测位置的回波信号,表示为:
4.如权利要求1所述的基于贝叶斯智能学习网络的近场样本感知识别方法,其特征在于,所述时域-频域跳转信号分析处理方法,具体为:
5.如权利要求1所述的基于贝叶斯智能学习网络的近场样本感知识别方法,其特征在于,所述稀疏特征,具体计算过程为:
6.如权利要求5所述的基于贝叶斯智能学习网...
【专利技术属性】
技术研发人员:张立人,刘宏伟,
申请(专利权)人:中际医学科技山东有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。