- 博客(21)
- 收藏
- 关注
RSS订阅转载 西电《雷达原理》课程笔记三-雷达接收机
比如像检测目标速度，就不能在视频一级取信号，因为速度检测需要获得多普勒频率，视频层面已经丢失了频率信息，无法获得多普勒频率。警戒雷达以尽可能检测到目标为前提，这就要求接收机灵敏度要高，而对波形失真要求不严格，因此要求接收机输出信噪比最大，即尽可能增大不等式左边的值。由公式可知，功率谱均匀的白噪声通过接收机之后，输出功率谱p(f)就不再是均匀的了，功率谱密度函数图形与 |H(f)|2 基本相同，如下图。从上述公式可知，噪声带宽是受|H(f)|限制的，|H(f)|反映的是雷达接收机中频滤波器的传递响应函数。
2024-03-08 11:18:46
217
转载 西电《雷达原理》课程笔记二-雷达发射机
所以，周期门函数的频谱，是以 0 点为中心的、包络呈辛克函数状的、间隔为脉冲重复频率的梳齿状频谱。矩形调幅的射频脉冲序列，可以看成是，周期门函数和周期为f0 的余弦函数相乘得到。雷达在接收时，可以通过特定的信号处理方法，把脉冲压缩成比较窄的形式，来解决距离分辨率和发射信号功率的矛盾。典型矩形调幅的射频脉冲，它的理想频谱是以载频f0 为中心的、包络呈辛克函数状的、间隔为脉冲重复频率的梳齿状频谱。信号的稳定度是指信号的各项参数，例如信号的振幅、频率（或相位）、脉冲宽度及脉冲重复频率等是否随时间作不应有的变化。
2024-03-08 11:15:33
145
1
转载 西电《雷达原理》课程笔记一-绪论
接收机收到的是射频信号，频率本来就比较高，如果直接在射频上进行采样，根据奈奎斯特采样定理，采样频率需要大于信号频率的两倍，才能将采样后的信号无失真的还原回去。直接在射频上进行采样，成本就会很高，所以就需要对射频信号进行混频处理，变到中频，这样对采样率的要求就降低了。雷达发射机产生射频信号，经雷达发射天线辐射到空间，当电磁波遇到目标发生反射，回波信号经雷达接收天线，到达接收机，经接收机处理后，送给信号处理机进行处理，获得目标参数：距离、方位、速度和形状等。主瓣的宽度称为波束宽度，是衡量天线方向图胖瘦的指标。
2024-03-08 11:12:30
234
1
原创 Transformer原理
但测试的时候，ground truth时未知的，是把encoder的输出作为decoder的输入。当给decoder输入一个特殊的输入表示开始，decoder经过softmax输出一个vector，它的size和字典的长度相同。Autoregressive decoder需要用已生成的输出来预测下一个位置的输出，Non-autoregressive decoder打破了生成时的串行顺序，同时生成一整个输出。输入序列和输出序列的长度是可变的，而输出序列的长度由模型自己决定。是根据输出依次产生和输入的。
2024-03-05 10:44:36
962
1
原创 Ubuntu20.04编译安装opencv4.0.0和opencv_contrib4.0.0
Ubuntu20.04编译安装opencv4.0.0和opencv_contrib4.0.0
2022-11-10 15:49:07
1095
原创 目标检测：YOLOV4
CVPR2020年发表，并不是原来YOLO系列的作者相对于YOLOV3有比较大的提升，但相对于YOLOV3-SPP提升比较少。一、相对于YOLOV3的网络结构改进：1、引入CSP结构：DARKNET53->CSPDARKNET53作者认为CSP的作用：1）增强CNN网络的学习能力；2）移除计算的瓶颈；3）降低内存开销。CSP模块如下图：2、引入SPP结构：解决多尺度问题，这个与YOLOV3-SPP的一样3、引入PAN结构：原始特征的P
2022-04-30 14:12:23
1075
原创 目标检测：YOLO中的Moxaic-SPP-CIoU
一、Mosaic图像增强：实际就是多张图片拼接，送入网络训练的过程1）增加了数据多样性2）增加了目标个数3）BN能一次性统计多张图片的参数。（Batch size本应设大一点，统计的均值方差参数才更接近总体的，但由于显存大小等因素，Batch size通常比较小）二、SPP（spatial pyramid pooling）模块：实现了不同尺度的特征融合网络结构上YOLO-V3-SPP和YOLO-V3的差别就在于下图中加入了SPP模块。SPP结构如下SPP结构实际上
2022-04-27 11:48:57
296
原创 目标检测：YOLOV3
发表于CVPR2018。YOLOV3本身没有太多的创新点，主要是整合了当时比较主流的一些网络的优点。1、YOLOV3的backbone改进：各个主干网络在imagenet上的运行效果。Darknet-53对比ResNet-152，top1和top5差不多，但速度快一倍。Darknet-53网络结构（53个卷积层）Darknet53主要也是采用残差块堆叠而成，但Darknet53没有最大池化层，降采样都是通过卷积层来实现的。有可能是这个操作使得Darknet53只有53个卷积层
2022-04-25 16:42:40
2072
原创 目标检测：YOLOV2
发表于CVPR20171、YOLOV2对比YOLOV1改进的尝试：1）加入了BN层:YOLOv2的第二个改进是在网络中加入了Batch Normalization，使用Batch Normalization对网络进行优化，让网络提高了收敛性，同时还消除了对其他形式的正则化（regularization）的依赖。有了BN便可以去掉用dropout来避免模型过拟合的操作。提升mAP约2％。2)采用更高分辨率的分类器（HighResolution Classifier）：采用448×448的大分辨率输
2022-04-25 10:24:46
3618
原创 目标检测-＞YOLO V1
YOLO v1是One-stage工作的开山之作。YOLO: You Only Look Once. 发表于CVPR20161、主要思想：1)将一副图像分成S*S的网格(grid cell)，如果某个object的中心落在这个网格中，则这个网格就负责预测这个object。2)每个网格要预测B个bounding box，每个bbox除了要预测位置之外，还要附带预测一个confidence值，且每个网格还要预测C个类别的分数。所以输出特征图的通道数为：5B+C其中，5是指边界框的置.
2022-04-24 15:48:26
3138
原创 目标检测-＞SSD算法
目标检测算法总体分为：基于区域的算法和基于回归的算法1）基于区域的算法： RCNN, Fast RCNN, Faster RCNN, Mask RCNN 等。整个检测过程分为两个阶段。在第一个阶段，检测器需要找到一些假设的区域 (ROI)；在第二个阶段，检测器需要在这些假设区域上进行分类 (classification) 和 位置回归 (bounding box regression)。2）基于回归的算法：YOLO系列 等。检测是一个端到端 (end-to-end) 的过程，直接回归出物体的类别和位
2022-04-24 10:51:48
23064
原创 目标检测：RCNN-＞Fast RCNN-＞Faster RCNN
一、RCNNRCNN（Region with CNN feature）是深度卷积神经网络应用于目标检测问题的开山之作。2014年提出的，之前都是传统的检测算法。算法步骤：1、候选区域选择：区域建议Region Proposal是一种传统的区域提取方法，基于启发式的区域提取方法，用的方法是ss，查看现有的小区域，合并两个最有可能的区域，重复此步骤，直到图像合并为一个区域，最后输出候选区域。然后将根据建议提取的目标图像标准化，作为CNN的标准输入可以看作窗口通过滑动获得潜在的目标图像
2022-04-21 17:11:14
1774
原创 QT中用mingw730编译opencv4.0.0(WIN10系统)
QT已安装，在系统环境变量PATH中加入下面路径：C:\Qt\Tools\mingw730_64\bin\C:\Qt\5.12.12\mingw73_64\bin\下载opencv-4.0.0-vc14_vc15.exe解压用cmake选择source、build目录：configure选择MinGW Makefiles->Specify native compilers配置C和C++编译器路径C:/Qt/Tools/mingw530_32/bin/gcc.exeC:/Qt/Tool
2022-04-06 14:32:03
3869
opencv4.0.0编译安装资源
2022-11-10
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人