【技术实现步骤摘要】
本专利技术属于无人机雷达信号处理，具体涉及的是一种基于深度学习的无人机时频图像重建方法。
技术介绍
1、近年来，无人机技术在多个领域广泛应用，雷达探测因其远距离、高精度定位和快速响应优势而被广泛应用，而且针对无人机的微多普勒特征研究备受关注。然而，无人机回波信号在复杂环境中易受干扰，导致时频特性畸变。传统时频分析方法(如短时傅里叶变换、小波变换等)在处理此类问题时存在局限性。
2、基于深度学习的时频图像重建算法，旨在利用深度神经网络的自适应学习能力，从噪声干扰和信道失真中提取有效信息，重建出高质量的时频图像。目前，针对无人机时频图像重建的研究仍处于探索阶段，现有方法在模型结构设计、训练数据生成等方面仍存在诸多挑战。
技术实现思路
1、为了克服现有技术的不足，解决低信噪比条件下无人机时频图像难以有效识别和分析的技术问题，本专利技术提供一种基于深度学习的无人机时频图像重建方法，利用基于卷积神经网络的自编码器模型(selfnet模型)，对无人机时频图像进行重建，提高低信噪比条件下无人...
【技术保护点】
1.一种基于深度学习的无人机时频图像重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的无人机时频图像重建方法，其特征在于，在所述步骤S2中，每个卷积块分别包含两组“卷积层+批量归一化+Leaky ReLU激活函数+Dropout层”和一组“最大池化层+Dropout层”，两组卷积层用于提取时频曲线图中的复杂特征；Leaky ReLU激活函数用于缓解神经元“死亡”问题；批量归一化操作用于加速训练和提升特征表达能力；Dropout层用于增强模型的泛化能力，防止模型过拟合；最大池化层用于逐步减少特征图的尺寸，减少训练过程中的计算量，
【技术特征摘要】
1.一种基于深度学习的无人机时频图像重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的无人机时频图像重建方法，其特征在于，在所述步骤s2中，每个卷积块分别包含两组“卷积层+批量归一化+leaky relu激活函数+dropout层”和一组“最大池化层+dropout层”，两组卷积层用于提取时频曲线图中的复杂特征；leaky relu激活函数用于缓解神经元“死亡”问题；批量归一化操作用于加速训练和提升特征...
【专利技术属性】
技术研发人员：庞存锁，孙嘉辰，任梓然，杨志良，安建平，
申请(专利权)人：中北大学，
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。