买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜西安电子科技大学申请的专利短驻留条件下基于多域特征融合的雷达目标稳健识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114662528B 。

龙图腾网通过国家知识产权局官网在2025-04-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210139264.X，技术领域涉及：G06F18/25；该发明授权短驻留条件下基于多域特征融合的雷达目标稳健识别方法是由王鹏辉;刘宏伟;李昊明;丁军;刘雷;纠博;陈渤设计研发完成，并于2022-02-15向国家知识产权局提交的专利申请。

本短驻留条件下基于多域特征融合的雷达目标稳健识别方法在说明书摘要公布了：本发明涉及一种短驻留条件下基于多域特征融合的雷达目标稳健识别方法，包括：步骤1：获取测试数据集；步骤2：根据测试数据集，生成测试特征矩阵；步骤3：将测试特征矩阵输入至训练完成的SVM分类器中，得到目标分类结果；其中，测试数据集包括多个雷达回波信号，将每X个雷达回波信号组成一个测试样本，X≥3；利用测试数据集中每个测试样本的时域熵矩阵、时域方差矩阵、多普勒域熵矩阵和多普勒域方差矩阵的均值特征和方差特征，构造得到测试特征矩阵。本发明的方法克服了雷达在对目标进行观测时驻留时间比较短，目标的微多普勒调制谱分辨率会降低，而导致的目标分类准确率降低的问题。

本发明授权短驻留条件下基于多域特征融合的雷达目标稳健识别方法在权利要求书中公布了：1.一种短驻留条件下基于多域特征融合的雷达目标稳健识别方法，其特征在于，包括：步骤1：获取测试数据集；步骤2：根据所述测试数据集，生成测试特征矩阵；步骤3：将所述测试特征矩阵输入至训练完成的SVM分类器中，得到目标分类结果；其中，所述测试数据集包括多个雷达回波信号，将每X个雷达回波信号组成一个测试样本，X≥3；利用所述测试数据集中每个测试样本的时域熵矩阵、时域方差矩阵、多普勒域熵矩阵和多普勒域方差矩阵的均值特征和方差特征，构造得到所述测试特征矩阵；在对所述测试数据集进行目标分类之前，还包括，对SVM分类器进行训练，得到训练完成的SVM分类器；所述SVM分类器的训练方法包括：S1：生成训练数据集；所述训练数据集包括多个训练样本，每个所述训练样本标记有对应的类别标签；S2：根据所述训练数据集，生成训练特征矩阵；S3：利用所述训练特征矩阵以及对应的类别标签对SVM分类器进行训练，得到训练完成的SVM分类器；所述S2包括：S21：计算每个训练样本中每个时域回波信号的波形熵和幅值方差，构造得到每个训练样本对应的时域熵矩阵和时域方差矩阵；S22：提取每个时域熵矩阵的L维均值特征和方差特征，以及每个时域方差矩阵的L维均值特征和方差特征，其中，L＝fixX2，表示矩阵的列数；S23：对每个训练样本中的每个时域回波信号，进行快速傅里叶变换，得到对应的多普勒域回波信号；S24：计算每个训练样本中每个多普勒域回波信号的波形熵和幅值方差，构造得到每个训练样本对应的多普勒域熵矩阵和多普勒域方差矩阵；S25：提取每个多普勒域熵矩阵的L维均值特征和方差特征，以及每个多普勒域方差矩阵的L维均值特征和方差特征，其中，L＝fixX2，表示矩阵的列数；S26：根据所述训练数据集中每个训练样本的时域熵矩阵的L维均值特征和方差特征，时域方差矩阵的L维均值特征和方差特征，多普勒域熵矩阵的L维均值特征和方差特征，以及多普勒域方差矩阵的L维均值特征和方差特征，构造得到初始训练特征矩阵Ftrain，并对所述初始训练特征矩阵Ftrain进行归一化处理，得到所述训练特征矩阵

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安电子科技大学，其通讯地址为：710000 陕西省西安市雁塔区太白南路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。