CN101893704B - 一种基于粗糙集的雷达辐射源信号识别方法 - Google Patents

一种基于粗糙集的雷达辐射源信号识别方法 Download PDF

Info

Publication number
CN101893704B
CN101893704B CN2010102313977A CN201010231397A CN101893704B CN 101893704 B CN101893704 B CN 101893704B CN 2010102313977 A CN2010102313977 A CN 2010102313977A CN 201010231397 A CN201010231397 A CN 201010231397A CN 101893704 B CN101893704 B CN 101893704B
Authority
CN
China
Prior art keywords
attribute
emitter signal
radar emitter
rbf neural
signal sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN2010102313977A
Other languages
English (en)
Other versions
CN101893704A (zh
Inventor
吴芝路
尹振东
杨柱天
匡运生
史振国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN2010102313977A priority Critical patent/CN101893704B/zh
Publication of CN101893704A publication Critical patent/CN101893704A/zh
Application granted granted Critical
Publication of CN101893704B publication Critical patent/CN101893704B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Radar Systems Or Details Thereof (AREA)

Abstract

一种基于粗糙集的雷达辐射源信号识别方法，它涉及信号识别技术领域，它解决了现有的利用粗糙K-均值方法识别雷达辐射源信号时，由于需要计算最小平方和来确定最优初始聚类中心而导致计算量大的问题。本发明的雷达辐射源信号识别方法首先获取雷达辐射源信号样本的脉冲描述字，然后利用粗糙集理论确定粗糙K-均值的聚类数和初始聚类中心，再通过粗糙K-均值获取RBF神经网络隐层神经元的中心，以获得RBF神经网络结构；最后将待识别的雷达辐射源信号的样本描述字输入所述RBF神经网络，获取识别结果，完成雷达辐射源信号的识别。本发明适用于雷达辐射源信号识别。

Description

一种基于粗糙集的雷达辐射源信号识别方法
技术领域
本发明涉及信号识别技术领域，具体涉及一种基于粗糙集的雷达辐射源信号识别方法。
背景技术
雷达辐射源信号识别是雷达系统中重要的环节，雷达辐射源信号经过分选和特征提取后,如何对其体制进行准确分析,为上级决策机构提供识别结果和决策支持是雷达辐射源信号识别的主要任务。传统的雷达辐射源识别方法主要有特征参数匹配法，人工智能分析法，脉内特征分析法，数据融合法等。由于电磁环境的日益恶化和各种噪声的影响，雷达侦察接收机接收到的信号很大程度上受到了污染和干扰。传统的识别方法对这些参数不全甚至畸变的信号显得无能为力。粗糙集理论是解决这一困难的有效工具,粗糙集理论在没有任何先验信息的条件下,通过知识约简,在保持分类精度不变的同时,对雷达辐射源信号可以进行规则提取,得出识别结论。
但是粗糙集对噪声非常的敏感，噪声对识别结果影响很大。所以很多方法将粗糙集与神经网络相结合。陈婷,罗景青提出用粗糙集理论提取出识别规则后,用BP神经网络进行训练,然而BP神经网络学习时间比较长,而且容易收敛到局部解。韩俊,何明浩,朱元清,等采用径向基神经网络,但没有具体给出基函数的聚类中心的计算方法。张政超，关欣，李应升等提出将粗糙K-均值方法获得的聚类中心应用于径向基神经网络,从而对雷达辐射源信号进行识别，但是应用粗糙K-均值算法首先需要选定聚类数以及初始中心值。粗糙K-均值对于初始中心值的依赖性非常强，选取不同的初始聚类中心值往往会得到差别很大的聚类中心。所以，通常需要计算最小平方和来确定最优的初始聚类中心，这个过程需要大量的计算。
发明内容
为了解决现有的利用粗糙K-均值方法识别雷达辐射源信号时，由于需要计算最小平方和来确定最优初始聚类中心而导致计算量大的问题，本发明提供一种基于粗糙集的雷达辐射源信号识别方法，并根据粗糙集理论对神经网络结构进行优化，进一步提高系统效率。
本发明的一种基于粗糙集的雷达辐射源信号识别方法，它包括以下步骤：
步骤一：获取雷达辐射源信号样本的脉冲描述字，所述脉冲描述字为训练待建立的RBF神经网络的样本描述字；
步骤二：根据所述雷达辐射源信号样本的样本描述字，利用粗糙集理论计算所述雷达辐射源信号样本的条件属性                                                
Figure 179798DEST_PATH_IMAGE001
对决策属性D的属性重要度
Figure 644409DEST_PATH_IMAGE002
，并提取针对所述雷达辐射源信号样本的分类规则，其中，i=1,2,…,N；
步骤三：根据步骤二获得的属性重要度计算条件属性
Figure 895054DEST_PATH_IMAGE001
的属性权值
Figure 381530DEST_PATH_IMAGE003
，并将所述条件属性
Figure 344938DEST_PATH_IMAGE001
的属性权值
Figure 549655DEST_PATH_IMAGE003
作为建立RBF神经网络的隐层神经元基函数的条件属性的属性权值；
步骤四：根据步骤二提取的雷达辐射源信号样本的分类规则确定粗糙K-均值的聚类数K和初始聚类中心
Figure 420659DEST_PATH_IMAGE004
，再根据所述初始聚类中心
Figure 27220DEST_PATH_IMAGE004
进行粗糙K-均值聚类，以获取新聚类中心
Figure 220917DEST_PATH_IMAGE005
，并将所述新聚类中心
Figure 647350DEST_PATH_IMAGE006
作为待建立的RBF神经网络的隐层神经元基函数的中心，其中，k=1,2,…，K，并根据所述中心计算高斯函数方差；
步骤五：根据步骤三获得的隐层神经元基函数的各条件属性的属性权值、步骤四获取的隐层神经元基函数的中心及方差建立RBF神经网络，并获得所述RBF神经网络输出函数
Figure 587624DEST_PATH_IMAGE007
，其中，
Figure 48693DEST_PATH_IMAGE008
为输出层神经元对隐层神经元的权值，该权值通过使用雷达辐射源信号样本X对RBF神经网络训练获得，J为输出层神经元个数，,
Figure 329949DEST_PATH_IMAGE010
，其中，X i 为RBF神经网络输入数据的条件属性
Figure 870652DEST_PATH_IMAGE011
的值,为聚类中心
Figure 724656DEST_PATH_IMAGE013
的条件属性
Figure 122752DEST_PATH_IMAGE014
的值，
Figure 404828DEST_PATH_IMAGE015
为高斯函数方差；
步骤六：将待识别雷达辐射源信号的样本描述字输入步骤五所建立的RBF神经网络，获取识别结果，完成雷达辐射源信号的识别。
本发明的有益效果：本发明提供了一种计算量小、收敛速度快的RBF神经网络雷达辐射源信号识别方法；本发明根据粗糙集理论确定粗糙K-均值算法的初始聚类中心，避免了计算最小平方和来确定最优初始中心带来的大量计算；本发明根据雷达辐射源信号样本的各个条件属性的属性重要程度，对RBF神经网络进行改进，加快了RBF神经网络收敛速度。
附图说明
 图1是本发明的一种基于粗糙集的雷达辐射源信号识别方法的流程图。
具体实施方式
具体实施方式一：根据说明书附图1具体说明本实施方式，本实施方式所述的一种基于粗糙集的雷达辐射源信号识别方法，它包括以下步骤：
步骤一：获取雷达辐射源信号样本的脉冲描述字，所述脉冲描述字为训练待建立的RBF神经网络的样本描述字；
步骤二：根据所述雷达辐射源信号样本的样本描述字，利用粗糙集理论计算所述雷达辐射源信号样本的条件属性
Figure 840489DEST_PATH_IMAGE001
对决策属性D的属性重要度
Figure 284240DEST_PATH_IMAGE002
，并提取针对所述雷达辐射源信号样本的分类规则，其中，i=1,2,…,N；
步骤三：根据步骤二获得的属性重要度
Figure 438140DEST_PATH_IMAGE002
计算条件属性
Figure 258329DEST_PATH_IMAGE001
的属性权值
Figure 548496DEST_PATH_IMAGE003
，并将所述条件属性
Figure 163148DEST_PATH_IMAGE001
的属性权值
Figure 535836DEST_PATH_IMAGE003
作为建立RBF神经网络的隐层神经元基函数的条件属性的属性权值；
步骤四：根据步骤二提取的雷达辐射源信号样本的分类规则确定粗糙K-均值的聚类数K和初始聚类中心
Figure 159715DEST_PATH_IMAGE004
，再根据所述初始聚类中心
Figure 304389DEST_PATH_IMAGE004
进行粗糙K-均值聚类，以获取新聚类中心
Figure 355522DEST_PATH_IMAGE005
，并将所述新聚类中心作为待建立的RBF神经网络的隐层神经元基函数的中心，其中，k=1,2,…，K，并根据所述中心计算高斯函数方差；
步骤五：根据步骤三获得的隐层神经元基函数的各条件属性的属性权值、步骤四获取的隐层神经元基函数的中心及方差建立RBF神经网络，并获得所述RBF神经网络输出函数
Figure 380426DEST_PATH_IMAGE007
，其中，
Figure 645186DEST_PATH_IMAGE008
为输出层神经元对隐层神经元的权值，该权值通过使用雷达辐射源信号样本X对RBF神经网络训练获得，J为输出层神经元个数，
Figure 867220DEST_PATH_IMAGE009
,
Figure 14167DEST_PATH_IMAGE010
，其中，X i 为RBF神经网络输入数据的条件属性
Figure 976919DEST_PATH_IMAGE011
的值,
Figure 96185DEST_PATH_IMAGE012
为聚类中心
Figure 489120DEST_PATH_IMAGE013
的条件属性
Figure 326626DEST_PATH_IMAGE014
的值，
Figure 830420DEST_PATH_IMAGE015
为高斯函数方差；
步骤六：将待识别雷达辐射源信号的样本描述字输入步骤五所建立的RBF神经网络，获取识别结果，完成雷达辐射源信号的识别。
具体实施方式二：本实施方式是对具体实施方式一的进一步说明，具体实施方式一在步骤二中，根据所述雷达辐射源信号样本的样本描述字，利用粗糙集理论计算所述雷达辐射源信号样本的条件属性
Figure 804192DEST_PATH_IMAGE001
对决策属性D的属性重要度
Figure 368029DEST_PATH_IMAGE002
的具体过程为：
按照等距离离散法离散所述雷达辐射源信号样本的样本描述字，并使用粗糙集理论对所述样本描述字进行处理，进而获取条件属性
Figure 427252DEST_PATH_IMAGE001
的属性重要度
Figure 731807DEST_PATH_IMAGE016
，其中，|U|是所述雷达辐射源信号样本的条件属性
Figure 825664DEST_PATH_IMAGE001
的个数，POSc(D)是决策属性D对条件属性集C的正域。
具体实施方式三：本实施方式是对具体实施方式一或二的进一步说明，具体实施方式一或二在步骤三中，根据步骤二获得的属性重要度
Figure 560402DEST_PATH_IMAGE002
计算条件属性
Figure 106921DEST_PATH_IMAGE001
的属性权值
Figure 952518DEST_PATH_IMAGE003
的具体过程为：
将步骤二获得的的属性重要度归一化，以获得所述条件属性的属性权值
Figure 902653DEST_PATH_IMAGE017
，其中，N是条件属性集C中元素个数，即条件属性
Figure 551940DEST_PATH_IMAGE001
个数。
具体实施方式四：本实施方式是对具体实施方式一或二的进一步说明，具体实施方式一或二在步骤四中，根据步骤二提取的雷达辐射源信号样本的分类规则确定粗糙K-均值的聚类数K和初始聚类中心
Figure 640898DEST_PATH_IMAGE018
的具体过程为：
依据利用粗糙集理论获得的K条分类规则确定聚类数K，再将雷达辐射源信号样本分成K类集合
Figure 717439DEST_PATH_IMAGE019
，集合
Figure 972971DEST_PATH_IMAGE020
中包含
Figure 425949DEST_PATH_IMAGE021
个样本数据，则初始聚类中心
Figure 348905DEST_PATH_IMAGE022
。
本实施方式所涉及的粗糙集理论是波兰数学家Z. Pawlak于1982年提出的一种新的处理模糊性和不确定性问题的数学工具。与其他识别方法相比,它的优点在于不需要预先给定某些特征或属性的数量描述,也不需要先验模型。它仅仅充分利用数据本身的内部知识,根据不可分辨关系,保持信息系统分类能力不变,通过属性约简和属性值约简,获取论述问题的内在规则,从而作为对其他辐射源识别参考的依据。
定义1　四元组
Figure 596347DEST_PATH_IMAGE023
是一个信息系统,其中
Figure 339175DEST_PATH_IMAGE024
表示对象的非空有限集合,称为论域;A表示属性的非空有限集合; 
Figure 330265DEST_PATH_IMAGE025
,是属性
Figure 523141DEST_PATH_IMAGE027
的值域; 
Figure 18845DEST_PATH_IMAGE028
表示是一个信息函数,它赋予每个对象的每个属性一个信息值,即
Figure 507912DEST_PATH_IMAGE030
,
Figure 97156DEST_PATH_IMAGE031
,有
Figure 814576DEST_PATH_IMAGE032
。每一个属性子集
Figure 147469DEST_PATH_IMAGE033
决定了一个二元不可区分关系
Figure 899524DEST_PATH_IMAGE034
:
Figure 656740DEST_PATH_IMAGE035
易证
Figure 861456DEST_PATH_IMAGE034
是论域U上的等价关系,从而关系
Figure 998040DEST_PATH_IMAGE034
,
Figure 604602DEST_PATH_IMAGE036
构成了
Figure 535648DEST_PATH_IMAGE024
的一个划分,用
Figure 227661DEST_PATH_IMAGE037
表示,其中的任一元素称为等价类。信息系统
Figure 167935DEST_PATH_IMAGE038
也称为知识
Figure 629003DEST_PATH_IMAGE039
。
定义2　设任一子集
Figure 728022DEST_PATH_IMAGE040
,
Figure 907331DEST_PATH_IMAGE041
为一等价关系,则当
Figure 385716DEST_PATH_IMAGE042
能被某些R基本范畴的并表示时,称子集
Figure 701291DEST_PATH_IMAGE042
为可定义集,否则称
Figure 640745DEST_PATH_IMAGE041
不可定义集即粗集。
Figure 92904DEST_PATH_IMAGE041
可定义集是论域的子集,可在知识库中被精确定义,而
Figure 799304DEST_PATH_IMAGE041
不可定义集不能在知识库中被定义。但粗集可以被近似定义,为达到此目的,使用两个精确集(粗集的上近似集和下近似集)来描述。
定义3　粗集
Figure 749942DEST_PATH_IMAGE042
的
Figure 570131DEST_PATH_IMAGE041
下近似和上近似分别定义为:
   
   
Figure 116147DEST_PATH_IMAGE044
   (1)
Figure 740026DEST_PATH_IMAGE045
表示对知识、
Figure 935832DEST_PATH_IMAGE024
中肯定能归入
Figure 795816DEST_PATH_IMAGE042
的元素的集合, 表示对
Figure 222567DEST_PATH_IMAGE041
、
Figure 179021DEST_PATH_IMAGE024
中可能归入
Figure 529231DEST_PATH_IMAGE042
的元素的集合,粗集可由上近似集和下近似集描述。集合
Figure 494913DEST_PATH_IMAGE047
称为
Figure 614179DEST_PATH_IMAGE042
的
Figure 7114DEST_PATH_IMAGE041
边界, 
Figure 576111DEST_PATH_IMAGE048
表示对知识既不能归入
Figure 319256DEST_PATH_IMAGE042
也不能归入
Figure 945410DEST_PATH_IMAGE049
的元素的集合；把
Figure 4633DEST_PATH_IMAGE050
称为
Figure 312117DEST_PATH_IMAGE042
的
Figure 405975DEST_PATH_IMAGE041
域, 
Figure 140713DEST_PATH_IMAGE051
称为
Figure 687232DEST_PATH_IMAGE042
的
Figure 529899DEST_PATH_IMAGE041
负域, 
Figure 478263DEST_PATH_IMAGE048
称为
Figure 383902DEST_PATH_IMAGE042
的边界域,负域表示对知识不属于集合
Figure 67004DEST_PATH_IMAGE042
的元素的集合。
粗糙集是不能处理连续数据的，所以本实施方式首先将连续的数据离散化，本发明中使用的是等距离离散法，然后经过计算各属性重要度，属性约简，属性值约简后，提取分类规则。
粗糙K-均值算法主要通过计算最小欧氏距离作为相似性度量,通过不断调整求得聚类中心。但是这些聚类边界不总是精确给出的,由Lingras提出的粗糙K-均值方法可以有效地解决不确定边界引起的问题。本实施方式中，对该粗糙K-均值算法进行改进，使用粗糙集理论对数据进行预处理，约简冗余的属性，并利用粗糙集提取的分类规则确定粗糙K-均值的初始中心，减少了计算量。
设雷达辐射源信号样本被分成K类,样本X到第k类的初始中心t ok 的距离用d(X, t ok )表示,则用差值d(X, t ok1 )-d(X, t ok ) (1≤k,k 1≤K)来确定X对某一聚类的上下近似隶属性。
Figure 869875DEST_PATH_IMAGE052
①设d(x, t ok )(1≤k≤K)最小,且任何对(k, k 1 )有d(x, t ok1 )-d(x, t ok )≤T,则x∈
Figure 946416DEST_PATH_IMAGE053
且x∈
Figure 529844DEST_PATH_IMAGE054
;
②设d(x, t ok ) (1≤k≤K)最小,但不存在任何对(k, k 1 )有d(x, t ok1 )-d(x, t ok )≥T,则x∈
Figure 982822DEST_PATH_IMAGE055
。
其中，
Figure 660707DEST_PATH_IMAGE056
、
Figure 845832DEST_PATH_IMAGE057
分别为上下近似的权值系数，T为阀值。
在聚类空间中，粗糙K-均值算法的聚类中心为该聚类空间的重心，而由粗糙集理论求得的初始聚类中心
Figure 854239DEST_PATH_IMAGE058
可视为其几何中心。所以，以作为初始聚类中心的方法比传统的计算最小平方和法和随机选取初始聚类中心的方法效率更高。
阈值T如果过大,下近似集可能为空集,如果过小,则对边界域没有约束力。T的取值范围确定步骤如下:
①计算所有对象与K个聚类中心的欧氏距离,得到距离矩阵;
②计算每个对象与各个类中心的最小值即距离矩阵每行最小值;
③计算每个对象同其他类中心距离与最小距离的差值,得到差值矩阵;
④找出差值矩阵中每行除0以外的最小值;
⑤阈值T的取值就在最小值中选取。
下近似集合中的元素越少,则下近似的相对重要度要大些,否则下近似的类中心值易被忽略;如果边界域的集合元素越多,则上近似的相对重要度应该越小。上下近似元素的个数可以衡量相对重要度比例:
,
Figure 103452DEST_PATH_IMAGE060
 
Figure 599155DEST_PATH_IMAGE061
 
本实施方式中，高斯函数方差
Figure 128357DEST_PATH_IMAGE015
的确定
Figure 757397DEST_PATH_IMAGE015
表示和每个中心相联系的数据散布的一种测度,在聚类中心求出后,可以用下式计算:
。

Claims (3)

1.一种基于粗糙集的雷达辐射源信号识别方法，其特征在于所述识别方法包括以下步骤：
步骤一：获取雷达辐射源信号样本的脉冲描述字，所述脉冲描述字为训练待建立的RBF神经网络的样本描述字；
步骤二：根据所述雷达辐射源信号样本的样本描述字，利用粗糙集理论计算所述雷达辐射源信号样本的条件属性Ci对决策属性D的属性重要度γD(Ci)，并提取针对所述雷达辐射源信号样本的分类规则，其中，i＝1，2，…，N；
步骤三：根据步骤二获得的属性重要度γD(Ci)计算条件属性Ci的属性权值λi，并将所述条件属性Ci的属性权值λi作为建立RBF神经网络的隐层神经元基函数的条件属性的属性权值；
步骤四：根据步骤二提取的雷达辐射源信号样本的分类规则确定粗糙K-均值的聚类数K和初始聚类中心tok，再根据所述初始聚类中心tok进行粗糙K-均值聚类，以获取新聚类中心tk，并将所述新聚类中心tk作为待建立的RBF神经网络的隐层神经元基函数的中心，其中，k＝1，2，…，K，并根据所述中心计算高斯函数方差；
步骤五：根据步骤三获得的隐层神经元基函数的各条件属性的属性权值、步骤四获取的隐层神经元基函数的中心及方差建立RBF神经网络，并获得所述RBF神经网络输出函数j＝1，2，...，J其中，ωij为输出层神经元对隐层神经元的权值，该权值通过使用雷达辐射源信号样本X对RBF神经网络训练获得，J为输出层神经元个数，
Figure FDA0000134332440000012
tk＝[tk1，tk2，...，tki，...，tkN]，其中，Xi为RBF神经网络输入数据的条件属性Ci的值，tki为聚类中心tk的条件属性Ci的值，
Figure FDA0000134332440000013
为高斯函数方差；
步骤六：将待识别雷达辐射源信号的样本描述字输入步骤五所建立的RBF神经网络，获取识别结果，完成雷达辐射源信号的识别。
2.根据权利要求1所述的一种基于粗糙集的雷达辐射源信号识别方法，其特征在于在步骤二中，根据所述雷达辐射源信号样本的样本描述字，利用粗糙集理论计算所述雷达辐射源信号样本的条件属性Ci对决策属性D的属性重要度γD(Ci)的具体过程为：
按照等距离离散法离散所述雷达辐射源信号样本的样本描述字，并使用粗糙集理论对所述样本描述字进行处理，进而获取条件属性Ci的属性重要度 γ D ( C i ) = γ - γ ( C - C i ) = POS C ( D ) / | U | - POS ( C - C i ) ( D ) / | U | , 其中，|U|是所述雷达辐射源信号样本的条件属性Ci的个数，POSc(D)是决策属性D对条件属性集C的正域。
3.根据权利要求1或2所述的一种基于粗糙集的雷达辐射源信号识别方法，其特征在于在步骤三中，根据步骤二获得的属性重要度γD(Ci)计算条件属性Ci的属性权值λi的具体过程为：
将步骤二获得的的属性重要度γD(Ci)归一化，以获得所述条件属性Ci的属性权值
Figure FDA0000134332440000022
其中，N是条件属性集C中元素个数，即条件属性Ci个数。
CN2010102313977A 2010-07-20 2010-07-20 一种基于粗糙集的雷达辐射源信号识别方法 Expired - Fee Related CN101893704B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2010102313977A CN101893704B (zh) 2010-07-20 2010-07-20 一种基于粗糙集的雷达辐射源信号识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2010102313977A CN101893704B (zh) 2010-07-20 2010-07-20 一种基于粗糙集的雷达辐射源信号识别方法

Publications (2)

Publication Number Publication Date
CN101893704A CN101893704A (zh) 2010-11-24
CN101893704B true CN101893704B (zh) 2012-07-25

Family

ID=43102954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2010102313977A Expired - Fee Related CN101893704B (zh) 2010-07-20 2010-07-20 一种基于粗糙集的雷达辐射源信号识别方法

Country Status (1)

Country Link
CN (1) CN101893704B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102540164B (zh) * 2012-01-04 2013-05-01 中国电子科技集团公司第二十八研究所 一种基于增量式学习的雷达辐射源分类建模方法
CN102590791A (zh) * 2012-01-10 2012-07-18 哈尔滨工程大学 一种复杂密集环境下雷达辐射源信号覆盖分选方法
CN102608589B (zh) * 2012-03-16 2013-12-04 南京理工大学 基于仿生模式识别理论的雷达目标识别方法
CN103778342B (zh) * 2014-01-24 2018-03-13 关欣 一种基于区间数和证据理论的辐射源识别方法
CN104794431B (zh) * 2015-03-25 2017-10-24 中国电子科技集团公司第二十八研究所 一种基于模糊匹配的雷达辐射源脉间模式挖掘方法
CN105787081B (zh) * 2016-03-03 2019-02-15 电子科技大学 一种基于辐射源空间位置的辐射平台关联方法
CN107305637B (zh) * 2016-04-21 2020-10-16 华为技术有限公司 基于K-Means算法的数据聚类方法和装置
CN106056098B (zh) * 2016-06-23 2019-07-02 哈尔滨工业大学 一种基于类别合并的脉冲信号聚类分选方法
EP3318890B1 (en) * 2016-11-02 2019-05-01 Aptiv Technologies Limited Method to provide a vehicle environment contour polyline from detection data
CN107423580A (zh) * 2017-04-01 2017-12-01 吉林大学 基于邻域粗糙集的宏基因组片段属性约简及分类方法
CN107301381A (zh) * 2017-06-01 2017-10-27 西安电子科技大学昆山创新研究院 基于深度学习和多任务学习策略的雷达辐射源识别方法
CN107656245B (zh) * 2017-08-22 2020-12-04 哈尔滨工程大学 一种将信息融合应用到雷达信号分选中的方法
CN108197146B (zh) * 2017-11-29 2020-06-23 山东航天电子技术研究所 基于脉冲流数据的精分类辐射源识别参量在轨生成系统
FR3091355B1 (fr) 2018-12-27 2021-05-21 Avantix Système et procédé d’identification de source radar
CN110109059B (zh) * 2019-03-27 2023-04-07 西安电子科技大学 一种基于深度学习网络的雷达辐射源信号识别方法
CN110598738B (zh) * 2019-08-07 2021-12-28 中国电子科技集团公司第二十九研究所 一种基于空间信息的分布式聚类方法
CN110632584B (zh) * 2019-09-20 2021-05-14 中国人民解放军国防科技大学 基于并联径向基网络的目标外辐射源被动定位方法
TWI730436B (zh) * 2019-10-02 2021-06-11 立積電子股份有限公司 辨識物體的方法、物體辨識系統及更新物體辨識系統中主要分類器的方法
CN110717540B (zh) * 2019-10-10 2023-11-03 中国电子科技集团公司第三十八研究所 一种对雷达新辐射源个体的识别方法及装置
CN110647951A (zh) * 2019-11-27 2020-01-03 南京邮电大学 基于机器学习算法的无线射频设备身份识别方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7034738B1 (en) * 2003-12-05 2006-04-25 Itt Manufacturing Enterprises, Inc. Method of radar pattern recognition by sorting signals into data clusters
CN101510309A (zh) * 2009-03-30 2009-08-19 西安电子科技大学 基于复小波纹理区域合并的改进分水岭sar图像分割方法
CN101667252A (zh) * 2009-10-15 2010-03-10 哈尔滨工业大学 基于art2a-dwnn的通信信号调制方式的分类识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7034738B1 (en) * 2003-12-05 2006-04-25 Itt Manufacturing Enterprises, Inc. Method of radar pattern recognition by sorting signals into data clusters
CN101510309A (zh) * 2009-03-30 2009-08-19 西安电子科技大学 基于复小波纹理区域合并的改进分水岭sar图像分割方法
CN101667252A (zh) * 2009-10-15 2010-03-10 哈尔滨工业大学 基于art2a-dwnn的通信信号调制方式的分类识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张政超等.《基于粗糙集与RBF神经网络的雷达辐射源信号识别研究》.《航空计算技术》.2009,第39卷(第4期),全文. *

Also Published As

Publication number Publication date
CN101893704A (zh) 2010-11-24

Similar Documents

Publication Publication Date Title
CN101893704B (zh) 一种基于粗糙集的雷达辐射源信号识别方法
CN104091321B (zh) 适用于地面激光雷达点云分类的多层次点集特征的提取方法
CN111079639B (zh) 垃圾图像分类模型构建的方法、装置、设备及存储介质
Fu et al. Low-level feature extraction for edge detection using genetic programming
CN107122375A (zh) 基于图像特征的图像主体的识别方法
CN107515895A (zh) 一种基于目标检测的视觉目标检索方法与系统
Jagtap et al. Agricultural plant leaf disease detection and diagnosis using image processing based on morphological feature extraction
CN107657279A (zh) 一种基于少量样本的遥感目标检测方法
CN110348486A (zh) 基于采样与特征简约的非平衡数据集转换方法及系统
CN111259140B (zh) 一种基于lstm多实体特征融合的虚假评论检测方法
CN109003275B (zh) 焊缝缺陷图像的分割方法
CN104331716A (zh) 面向大规模训练数据的svm主动学习分类算法
CN106056581B (zh) 一种利用改进模糊聚类算法提取红外行人目标的方法
CN109190698B (zh) 一种网络数字虚拟资产的分类识别系统及方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN104268587B (zh) 一种基于指波变换和svm的假指纹检测方法
Bai et al. Cell segmentation based on FOPSO combined with shape information improved intuitionistic FCM
CN115858906A (zh) 企业搜索方法、装置、设备、计算机存储介质及程序
CN114842507A (zh) 一种基于组优化奖励的强化行人属性识别方法
CN104537392B (zh) 一种基于判别性语义部件学习的对象检测方法
Ahmed et al. Improving prediction of plant disease using k-efficient clustering and classification algorithms
CN111582440A (zh) 一种基于深度学习的数据处理方法
CN109739840A (zh) 数据空值处理方法、装置及终端设备
CN113780378B (zh) 一种疾病高危人群预测装置
CN115410250A (zh) 阵列式人脸美丽预测方法、设备及存储介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20120725

Termination date: 20160720

CF01 Termination of patent right due to non-payment of annual fee