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！

龙图腾网获悉南京航空航天大学;南京航空航天大学深圳研究院申请的专利一种基于回波域散射点协同学习的SAR目标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：CN120539695B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202511040024.4，技术领域涉及：G01S7/41；该发明授权一种基于回波域散射点协同学习的SAR目标识别方法是由毕辉;王艺雯;张晶晶;宋宇凡;朱岱寅设计研发完成，并于2025-07-28向国家知识产权局提交的专利申请。

本一种基于回波域散射点协同学习的SAR目标识别方法在说明书摘要公布了：本发明公开了一种基于回波域散射点协同学习的SAR目标识别方法，基于SAR图像数据利用逆成像算子生成SAR回波数据，利用基于能量阈值的自适应关键散射点提取策略获取目标关键散射点坐标；构建回波域SAR目标识别模型，采用复数卷积运算处理回波实部和虚部以保留其相位信息，BiLSTM建模关键散射点空间关联性；通过双分支结构同步输出目标类别概率分布和关键散射点归一化坐标，并通过一个联合损失函数进行协同优化；将待识别的测试回波样本输入所述模型进行端到端推理，直接输出目标类别识别结果。本发明学习目标散射特性在回波域潜在表征，辅助目标准确识别，避免了成像过程导致的相位信息损失及计算冗余。

本发明授权一种基于回波域散射点协同学习的SAR目标识别方法在权利要求书中公布了：1.一种基于回波域散射点协同学习的SAR目标识别方法，其特征在于，包括： 1基于SAR图像数据利用逆成像算子生成SAR回波数据，并从SAR图像中自适应提取表征目标几何结构的关键散射点坐标信息，将所述SAR回波数据、对应的类别属性及提取的关键散射点坐标信息构成数据对； 2构建回波域SAR目标识别模型，所述模型前向传播过程包括回波特征提取阶段与双任务决策阶段；其中，回波特征提取阶段采用复数卷积运算处理回波实部和虚部以保留其相位信息，随后采用BiLSTM实现目标关键散射点空间关联性建模；双任务决策阶段包括并行的目标分类分支和关键散射点定位分支，分别输出回波样本所属类别概率与散射点归一化坐标； 3将数据对作为回波域SAR目标识别模型的输入，采用一个联合损失函数对目标分类和关键散射点定位进行协同约束与优化，得到最终目标识别模型； 4将待识别的SAR原始回波数据输入步骤3得到的回波域SAR目标识别模型，进行回波到目标类别属性的端到端推理，直接同步输出目标类别识别结果及其关键散射点的坐标信息； 步骤2所述回波特征提取阶段包含复数特征提取模块和时空特征融合模块；所述复数特征提取模块为三级级联的复数卷积块，前两级复数卷积块均包括一个复数卷积层、复数ReLU层及一个最大池化层；最后一级复数卷积块则将最大池化层替换为一个平均池化层； 步骤2所述复数卷积运算处理回波实部和虚部以保留其相位信息通过以下公式实现： ； 其中，为输入SAR回波数据；为复数卷积核；为输出的复数特征图，即复数卷积运算的结果；和分别表示取复数数据的实部和虚部；表示卷积操作； 步骤2所述采用BiLSTM实现目标关键散射点空间关联性建模实现过程如下： 将复数特征提取模块的输出重塑为二维特征序列，并将其作为时空特征融合模块的输入；时空特征融合模块中，使用BiLSTM实现关键散射点空间关联性建模，即在每一时间步，计算前向和后向LSTM在时刻的隐藏状态和，再将和进行拼接操作得到BiLSTM的输出，具体运算如下： ； 其中，表示时刻的输入数据；和分别为前向和后向LSTM的可学习参数集合；表示前向LSTM在时间步的历史隐藏状态；表示后向LSTM在的未来隐藏状态； 步骤3所述联合损失函数由包括分类损失、坐标回归损失、相对位置约束损失和几何约束损失四项加权构成；所述联合损失函数具体为： ； 其中，为分类损失，为坐标回归损失，为关键散射点相对位置约束损失，为几何约束损失；为权重系数；为类别的模型输出logits值；为类别的模型输出logits值；为目标类别总数；为有效散射点数量；、分别为预测的第个、第j个关键散射点坐标；、分别为为真实第个、第j个关键散射点坐标；为有效点对数量；为关键散射点最小间距阈值。

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南京航空航天大学;南京航空航天大学深圳研究院，其通讯地址为：210016 江苏省南京市秦淮区御道街29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”。

以上内容由龙图腾AI智能生成。