预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

亲,该文档总共12页,到这已经超出免费预览范围,如果喜欢就直接下载吧~

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115856775A(43)申请公布日2023.03.28(21)申请号202211554583.3(22)申请日2022.12.05(71)申请人郑州丰嘉科技有限公司地址450000河南省郑州市管城区航海东路24号4号楼2单元14号(72)发明人郭军刚杨修岭孙红旗王宁郭存勇张宇飞李明辉(74)专利代理机构郑州裕晟知识产权代理事务所(特殊普通合伙)41142专利代理师张东阳(51)Int.Cl.G01S7/02(2006.01)G01S7/41(2006.01)权利要求书2页说明书5页附图4页(54)发明名称一种基于卷积神经网络的雷达探测装置以及探测方法(57)摘要本发明涉及基于卷积神经网络的雷达探测装置以及探测方法,包括雷达,所述雷达侧面设置有两个安装板,安装板远离雷达的一端设置有固定件,所述固定件设置有与安装板连接的转动连接结构,以实现安装板转动调节的解锁和锁紧,所述固定件侧面设置有用于带动安装板旋转的伸缩结构,以实现雷达的探测范围的调节;本发明具有雷达便于调节且不易产生晃动的优点。CN115856775ACN115856775A权利要求书1/2页1.基于卷积神经网络的雷达探测装置,包括雷达,其特征在于:所述雷达侧面设置有两个安装板,安装板远离雷达的一端设置有固定件,所述固定件设置有与安装板连接的转动连接结构,以实现安装板转动调节的解锁和锁紧,所述固定件侧面设置有用于带动安装板旋转的伸缩结构,以实现雷达的探测范围的调节。2.根据权利要求1所述的基于卷积神经网络的雷达探测装置,其特征在于:所述转动连接结构包括固定在固定件上的插接桶、位于插接桶一侧的底板、设置于底板上的安装筒、位于安装筒内部的偏心柱、以及套设在偏心柱上的齿环,所述插接桶侧面设置有伺服马达,所述插接桶内部设置有内筒,所述内筒的内径与安装筒的内径相同,所述内筒的左右侧面分别与插接桶和安装筒抵触,所述内筒内侧设置有转动连接在插接桶上的转动盘,所述转动盘连接伺服马达;所述安装筒与偏心柱偏心设置,所述偏心柱设置有抵触在齿环内缘面的弧形块和圆柱,所述弧形块和圆柱位置以偏心柱为中心镜像设置,所述转动盘可带动大弧形块和小弧形块以偏心柱为中心旋转,当所述弧形块移动至偏心柱上方时,所述圆柱位于偏心柱下方且与齿环不接触,所述齿环分别与内筒、以及安装筒咬合,以实现插接桶与安装筒的转动限位,当所述弧形块旋转至偏心柱下方时,所述齿环与内筒、以及安装筒不再咬合;所述底板固定在安装板上。3.根据权利要求2所述的基于卷积神经网络的雷达探测装置,其特征在于:所述安装筒、内筒内壁均沿轴向设置有咬合齿,所述齿环上的齿可与所述咬合齿咬合。4.根据权利要求2所述的基于卷积神经网络的雷达探测装置,其特征在于:安装筒的外缘面、以及插接桶的内缘面均开设有一个或一个以上的环形凹槽,所述安装筒与插接桶的环形凹槽组成断面为正方形的滚动槽,所述滚动槽内设置有与环形凹槽侧面抵触的限位珠,以使得安装筒不能脱离插接桶。5.根据权利要求4所述的基于卷积神经网络的雷达探测装置,其特征在于:所述插接桶外缘面开设有与环形凹槽连通的螺纹孔,所述螺纹孔的直径大于限位珠的直径,所述螺纹孔内螺纹连接有限位螺栓。6.根据权利要求2所述的基于卷积神经网络的雷达探测装置,其特征在于:所述弧形块、以及圆柱均开设有插接孔,转动盘设置有插接在插接孔内的拨杆。7.根据权利要求2所述的基于卷积神经网络的雷达探测装置,其特征在于:所述固定件包括铰接座、以及连接在铰接座上的U型板,所述铰接座与插接桶对应的侧面均开设有圆孔,所述圆孔的直径与插接桶外径相同,所述伺服马达穿过圆孔,所述圆孔固定在插接桶上。8.根据权利要求2所述的基于卷积神经网络的雷达探测装置,其特征在于:所述伸缩结构包括铰接在安装板上的铰接头、固定在铰接头上的螺纹杆、与螺纹杆螺纹连接的螺纹筒、与螺纹筒转动连接的铰接筒、固定在铰接筒上的驱动马达、以及固定在铰接座上的铰接板,所述铰接板开设有铰接口,铰接筒侧面设置有铰接柱,所述铰接柱转动连接在铰接板的铰接口内,所述驱动马达的输出轴穿过铰接筒并连接在螺纹筒上。9.基于卷积神经网络的雷达探测方法,包括基于卷积神经网络的雷达探测装置,其特征在于:还包括如下步骤:S1:采集探测区域雷达回波信号,对雷达回波信号提取特征以得到探测区域的时域特2CN115856775A权利要求书2/2页征数据;S2:根据探测区域的时域特征数据构造时间‑距离‑幅值的二维图像;S3:以所述二维图像为训练集/测试集,基于卷积神经网络训练恒虚警检测器,利用卷积神经网络自主提取的输入的所述二维图像的特征,依据所学习的特征对待检测的探测区域二维图像进行分类,并且根据雷达信号检测问题中要求的恒虚警检测,调整卷积神经网络以优化恒虚警检