【技术实现步骤摘要】
本专利技术属于参数识别领域，特别是一种多维特征交叉融合网络的锥体目标参数估计方法及系统。
技术介绍
1、空间目标在中段飞行时，目标释放的过程中会有大量诱饵释放，动态多目标由于噪声、交叉和遮挡影响，会造成部分目标数据偏差和缺失，从而对目标的识别造成干扰。因此，需要将多目标进行分离，才能进一步估计真实目标的结构参数和微动参数等本征参数。针对多目标分离，大多数采用盲源分离的方法，直接对信号成分进行分离，对于噪声、目标间的遮挡效应无法消除。例如，使用独立成分分析实现多目标的分离，这种方法要求源信号之间独立统计，且服从高斯分布，没有考虑由于遮挡效应引起目标回波数据缺失的影响。
2、目前，深度学习广泛应用于图像处理领域，其中，卷积神经网络（convolutionalneural networks，cnns）的表现最为突出，对空间目标识别起到巨大作用。专利cn111598232a公布了一种利用深度学习卷积神经网络估计复杂微动空间锥体目标参数的方法，对典型锥体目标的雷达回波进行时频分析，生成不同运动状态下的时频图，通过训练卷积神经网络得到锥...
【技术保护点】
1.一种多维特征交叉融合网络的锥体目标参数估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多维特征交叉融合网络的锥体目标参数估计方法，其特征在于，步骤1中，基于时变散射中心模型实现动态多目标雷达回波序列构建，进一步结合自适应分段假设匹配算法，实现散射中心的准确分离，最终利用双指数平滑法消除散射中心轨迹的遮挡效应，实现动态多目标的分离，具体如下：
3.根据权利要求2所述的多维特征交叉融合网络的锥体目标参数估计方法，其特征在于，步骤2中，基于分离后锥体目标的回波数据，得到锥体目标不同运动状态下的多维电磁散射特征数据集，通过搭建图像深度...
【技术特征摘要】
1.一种多维特征交叉融合网络的锥体目标参数估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多维特征交叉融合网络的锥体目标参数估计方法，其特征在于，步骤1中，基于时变散射中心模型实现动态多目标雷达回波序列构建，进一步结合自适应分段假设匹配算法，实现散射中心的准确分离，最终利用双指数平滑法消除散射中心轨迹的遮挡效应，实现动态多目标的分离，具体如下：
3.根据权利要求2所述的多维特征交叉融合网络的锥体目标参数估计方法，其特征在于，步骤2中，基于分离后锥体目标的回波数据，得到锥体目标不同运动状态下的多维电磁散射特征数据集，通过搭建图像深度特征提取模块，提取图像深度特征，具体如下：
4.根据权利要求3所述的多维特征交叉融合网络的锥体目标参数估计方法，其特征在于，步骤3中，构建物理特征提取模块，利用锥体目标的物理特征公式，构建带有物理信息的损失函数，引导网络提取目标的时变距离物理特征和微多普勒物理特征，具体如下：
5.根据权利要求4所述的多维特征交叉融合网络的锥体目标参数估计方法，其特征在于，步骤4...
【专利技术属性】
技术研发人员：李猛猛，胡悦，丁大志，王绍然，曾董，李书晗，张琪，
申请(专利权)人：南京理工大学，
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。