CN102879765A - 基于聚类统计分析的快速信号分选方法 - Google Patents
基于聚类统计分析的快速信号分选方法 Download PDFInfo
- Publication number
- CN102879765A CN102879765A CN2012103743168A CN201210374316A CN102879765A CN 102879765 A CN102879765 A CN 102879765A CN 2012103743168 A CN2012103743168 A CN 2012103743168A CN 201210374316 A CN201210374316 A CN 201210374316A CN 102879765 A CN102879765 A CN 102879765A
- Authority
- CN
- China
- Prior art keywords
- pulse
- sorting
- parameter
- sampling
- sorter
- 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.)
- Granted
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明的目的在于提供基于聚类统计分析的快速信号分选方法,包括如下步骤:采样空间信号并进行参数测量,第一个采样时间进行脉冲参数聚类统计,根据统计的结果划分存储空间和设置脉冲分类器,之后第二次采样立即开始,采样结果将依据分类器设置存储到相应存储块,采样结束以后分选器开始信号分选过程,分选结果将用于加载跟踪器、调整存储空间和设置分类器。本发明数据检索和提取时间都大大缩短,实现了更高效的信号分选过程。
Description
技术领域
本发明涉及的是一种信号处理领域中的信号分选方法。
背景技术
信号分选的主要工作就是从大量交叠的密集脉冲中检测目标辐射源是否存在,进而将已识别的目标辐射源从采样数据中检索出来的过程。信号分选器工作在复杂的电磁环境中,分选算法是在大量的数据基础上进行的,所以对雷达特征参数应采取什么样的数据结构,也是一个关键问题。在分选算法中采取什么样数据结构,以组织雷达特征参数,对算法的速度有着很大的影响。如果不分类存储,即将所有脉冲参数都顺序存储,就会加大分选的工作量。传统的信号存储方式有两种:纯树形结构存储方式和准树形存储结构方式,如图1所示。
目前,准树形结构已经得到了广泛使用,而纯树形结构由于以下两个缺点一直被忽视:首先,由于空间电磁环境复杂,如果要为每一种脉冲到达角(DOA)、载频(CF)、脉宽(PW)参数开辟一个子空间,而子空间的大小又是不定的,那样就会造成存储空间过大,反而不利于数据提取;其次,对于跳变频和脉宽变化的雷达信号容易被分到几个不同的存储空间,造成数据丢失,不利于分选。即便如此,纯树形结构仍有其不可替代的优势:被划分到同一个子空间中的脉冲具有相同的DOA、CF、PW参数,这样,在一个子空间中进行分选操作时就不需要考虑不同脉冲的参数差异,进而大大节省了分选时间;同时,纯树形结构对数据起了很好的归类作用,使得数据检索和提取时间都大大缩短。
发明内容
本发明的目的在于提供数据检索和提取时间都大大缩短的基于聚类统计分析的快速信号分选方法。
本发明的目的是这样实现的:
本发明基于聚类统计分析的快速信号分选方法,其特征是:
(1)采样空间信号并进行参数测量,在第一次采样时,不对脉冲进行分类, 将所有脉冲连续存放在同一个存储空间中,采样时间结束后,读取DSP双端口中的数据到内部RAM,然后使用聚类分选算法对脉冲进行分类;
(2)分类结束以后根据每一种SDW以及双端口的大小来计算相应SDW在DPRAM中的存储位置,并在剩余空间中保留脉冲池的位置用于存储新脉冲,计算完成后依此设置FPGA中的分类器,同时向上位机上报分类结果;
(3)开始第二次采样,将此次采样得到的脉冲依据分类器的设置存储到DPRAM相应位置,采样结束以后,从DPRAM各存储位置读取新的脉冲个数并重新设置分类器,然后从对应地址读取数据根据分选算法进行分选,将各子空间的分选剩余脉冲投入脉冲池,在所有的SDW子空间都分选完成后再对脉冲池分选,最后将分选结果上报主机,由主机判断给出需要跟踪的雷达参数或者分选跟踪器分机根据设定的威胁判断规则装载跟踪器,完成参数装载后启动跟踪器进行跟踪;
(4)跟踪器跟踪成功后,给出波门信号,同时上报分选器跟踪状态,将跟踪状态转发给上位机同时开始监视空间信号参数的变化情况,参数有变化就重新加载跟踪器重新跟踪。
本发明还可以包括:
1、在对脉冲分类过程中,统计每一种AOA、CF、PW参数所对应的脉冲个数NS,每一种分类结果将形成类别描述字SDW,即由AOA、CF、PW、NS构成的一个分组,所有的SDW构成类别描述字组SDWG。
本发明的优势在于:数据检索和提取时间都大大缩短,实现了更高效的信号分选过程。
附图说明
图1a为纯树形结构存储方式,图1b为准树形结构存储方式;
图2为信号分选器结构设计框图;
图3为脉冲参数测量电路示意图;
图4为100ns延迟单稳态电路设计;
图5为多参数关联比较器设计示意图;
图6为乒乓存储结构硬件连接方式示意图;
图7为本发明的流程图。
具体实施方式
下面结合附图举例对本发明做更详细地描述:
结合图1~7,本发明的目的是这样实现的:
(1.1)分选器采用聚类统计分析方法,在第一个采样时间后,首先对空间电磁环境做了聚类统计,即统计出每一种DOA、CF、PW参数所对应的脉冲个数,而在相邻的两个采样时间内,空间电磁环境不可能发上太大变化,因此根据第一次的统计结果可以预先设定分类器以及各存储子空间的大小,另外可以预留一块空间用于新脉冲信号及杂波信号的存储。
(1.2)在信号环境变化缓慢的情况下,即使用纯树形结构存储方式也不会导致存储空间过大。而在后续的采样过程中都会使用前一次的分类结果来调整本次的分类器设置,这样就使得存储空间具有了自适应调整性。采用聚类统计分析的方法克服了纯树形结构存储方式导致存储空间过大的问题,同时,纯树形结构对数据起了很好的归类作用,使得数据检索和提取时间都大大缩短,实现了更高效的信号分选过程。
(1.3)本发明的信号分选器可工作在搜索、引导、独立三种工作方式。在搜索和引导两种工作方式下,信号分选跟踪处理器根据预先装订的威胁目标雷达数据库依据序列相关法进行分选和跟踪,并给出跟踪波门。在独立工作方式下,没有威胁目标雷达数据库,信号分选器根据一定的算法,分析信号载频、脉宽、重频、幅值、到达角的规律,依据一定的威胁判断准则找出威胁等级最高的雷达,然后通过跟踪器跟踪该部雷达,并给出跟踪波门。分选器在上电复位以后,处于等待上位机命令状态,这时由上位机给出控制命令。
(1.4)分选器接到上位机的开始工作命令后,就开始采样空间信号并进行参数测量。在第一次采样时,FPGA中的分类器不对脉冲进行分类,所有脉冲将被连续存放在同一个存储空间中,采样时间结束后,DSP读取双端口RAM(DPRAM)中的数据到内部RAM,然后使用聚类分选算法对脉冲进行分类。本次分类的依据依次是脉冲到达角(AOA)、载频(CF)、脉宽(PW),在分类过程中DSP并不保留分类后的数据,而只是统计每一种AOA、CF、PW参数所对应的脉冲个数(NS),每一种分类结果将形成类别描述字(SDW),即由AOA、CF、PW、NS构成的一个分组,所有的SDW构成类别描述字组(SDWG)。由于只是进行统计,而并不实际提取脉冲,因此本次分类过程非常快。
(1.5)分类结束以后,DSP根据每一种SDW以及双端口RAM(DPRAM) 的大小来计算相应SDW在DPRAM中的存储位置,并在剩余空间中保留脉冲池的位置用于存储新脉冲。计算完成后DSP依此设置FPGA中的分类器,同时向上位机上报分类结果。这种分类过程实际上是一个粗分选过程,在实时性要求较高时,主机可以根据粗分选结果对脉冲数较多的一个方位实施快速分选。
(1.6)DSP设置完成分类器以后,第二次采样过程立即开始,此次采样得到的脉冲将依据分类器的设置存储到DPRAM相应位置。一次采样结束以后,DSP首先从DPRAM各存储位置读取新的脉冲个数并重新设置分类器,以保证存储空间的自适应动态调整。然后DSP从对应地址读取数据根据分选算法进行分选,将各子空间的分选剩余脉冲投入脉冲池,在所有的SDW子空间都分选完成后再对脉冲池分选。最后将分选结果上报主机,由主机判断给出需要跟踪的雷达参数或者分选跟踪器分机根据一定的威胁判断规则装载跟踪器,完成参数装载后启动跟踪器进行跟踪。跟踪器开始工作,跟踪成功后,给出波门信号。同时上报分选器跟踪状态,分选器再将跟踪状态转发给上位机同时开始监视空间信号参数的变化情况,参数有变化就重新加载跟踪器重新跟踪。
本发明的信号分选器结构设计框图如图2所示。
本发明的核心技术内容在于分选器采用聚类统计分析方法,在第一个采样时间后,首先对空间电磁环境做了聚类统计,即统计出每一种DOA、CF、PW参数所对应的脉冲个数,而在相邻的两个采样时间内,空间电磁环境不可能发上太大变化,因此根据第一次的统计结果可以预先设定分类器以及各存储子空间的大小,另外可以预留一块空间用于新脉冲信号及杂波信号的存储。在后续的采样过程中都会使用前一次的分类结果来调整本次的分类器设置,这样就使得存储空间具有了自适应调整性。采用聚类统计分析的方法克服了纯树形结构存储方式导致存储空间过大的问题,同时,纯树形结构对数据起了很好的归类作用,使得数据检索和提取时间都大大缩短,实现了更高效的信号分选过程。
本发明包括的分选结构其主要内容为:FPGA中的分类器不对脉冲进行分类,所有脉冲将被连续存放在同一个存储空间中,采样时间结束后,DSP读取双端口RAM(DPRAM)中的数据到内部RAM,然后使用聚类分选算法对脉冲进行分类。本次分类的依据依次是脉冲到达角(AOA)、载频(CF)、脉宽(PW),在分类过程中DSP并不保留分类后的数据,而只是统计每一种AOA、CF、PW参数所对应的脉冲个数(NS),每一种分类结果将形成类别描述字(SDW),即由AOA、CF、PW、NS构成的一个分组,所有的SDW构成类别描述字组 (SDWG)。由于只是进行统计,而并不实际提取脉冲,因此本次分类过程非常快。
本发明包括的乒乓处理方法其主要内容为:DSP根据每一种SDW以及双端口RAM(DPRAM)的大小来计算相应SDW在DPRAM中的存储位置,并在剩余空间中保留脉冲池的位置用于存储新脉冲。计算完成后DSP依此设置FPGA中的分类器,同时向上位机上报分类结果。这种分类过程实际上是一个粗分选过程,在实时性要求较高时,主机可以根据粗分选结果对脉冲数较多的一个方位实施打击。DSP设置完成分类器以后,第二次采样过程立即开始,此次采样得到的脉冲将依据分类器的设置存储到DPRAM相应位置。一次采样结束以后,DSP首先从DPRAM各存储位置读取新的脉冲个数并重新设置分类器,以保证存储空间的自适应动态调整。然后DSP从对应地址读取数据根据分选算法进行分选,将各子空间的分选剩余脉冲投入脉冲池,在所有的SDW子空间都分选完成后再对脉冲池分选。
基于聚类统计分析的快速信号分选系统可以分为五个部分来说明,分别为脉冲参数测量、多参数关联比较器、脉冲参数分类器、乒乓存储结构以及信号分选主处理器。其中脉冲参数测量、多参数关联比较器、脉冲参数分类器均在FPGA中实现,乒乓存储芯片采样双端口RAM,信号分选主程序在DSP中实现。
(1)参见图2,第一部分脉冲参数测量电路主要用于测量输入视频脉冲信号的到达时间(TOA)以及脉冲宽度(PW),视频脉冲信号来自于雷达微波前端的DLVA信号流,脉冲到达角(DOA)是由测向处理器计算得到,载频码(CF)来自于宽带数字接收机。测得的参数TOA、PW连同DOA、CF组成脉冲描述字(PDW)。测得的脉冲描述字输出到多参数关联比较器以及跟踪器,分别用于分选和跟踪。多参数关联比较器实际为三参数关联比较器,在复杂的电磁环境下雷达脉冲密集,采用多参数关联比较器对脉冲参数范围进行限制可以达到稀释脉冲流的作用,提高主处理器信号分选的效率。只有当多参数关联比较器输出结果为1时,PDW参数才被送到参数分类器进行分类存放。分类器实际上也是采用多关联比较器的思想,只不过它比上面提到的多参数关联比较器更复杂。测得的脉冲参数与各关联比较器比较,如果参数介于上下限之间,就打入相应的存储段;如果没有匹配的,该组参数将被打入最后一个脉冲池存储段。脉冲参数的存储与读取采用乒乓存储结构,提高分选实时性。分选算法主要采用SDIF算法、序列 相关法和参数匹配法联合检测,实现信号的准确、快速分选。分选结果将上报主机,同时分析分选结果,选择威胁顶级最高的雷达信号进行跟踪。
(1)脉冲参数测量电路。脉冲参数测量是信号分选的最前端,其测量精度直接影响到后端的分选可靠性。图3为脉冲参数测量电路示意图。图中载频码、信号到达角由接收机微波前端直接提供。脉宽和脉冲到达时间由FPGA内部直接测量得到。脉宽的测量时钟为20MHz,到达时间的测量时钟为1MHz,当有脉冲到达时,在脉冲的上升沿启动测量电路,在脉冲的下降沿关闭测量电路,然后再将载频码,脉宽锁住的同时产生一个延时约100ns的脉冲,在此脉冲的下降沿将脉冲描述字打入下一级电路。
延时100ns单稳态电路设计:FPGA内部做延迟电路时通常会用到计数器,而当延迟时间较短时,使用计数器不仅耗费资源而且延时时间不够准确,这时可以使用D触发器来构成延时电路。输入时钟20MHz,产生100ns延迟的单稳态电路设计如图4所示。
(2)多参数关联比较器,在复杂的电磁环境下,采用多参数关联比较器对脉冲参数进行滤波可以达到脉冲流稀释的作用,提高分选效率。多关联比较器为三参数相关联比较器,即到达角、脉宽和载频比较器。图5多参数关联比较器设计示意图。图中各个脉冲参数都设有有上下限,分选器可以根据一些先验知识或前面的分选结果来装订各参数上下限,来一个脉冲后,第一部分测量电路将测量的到达角、脉宽值和载频码打入,若脉宽和载频码的值介于其上下限之间,则比较成功,并将此脉冲描述字送入下一级电路,相关联比较器起到稀释脉冲流的作用。
(3)脉冲参数分类器设计,由于接收机接收到的脉冲信号到达时间是非均匀分布的,相邻两个脉冲的时间间隔可能很小,而每一组脉冲参数写入双端口RAM则需要固定的时间,因此在脉冲参数测量和参数写入DPRAM的逻辑之间必须加入数据缓冲器,本设计中采用1K的FIFO来实现。分类器实际上也是采用多关联比较器的思想,只不过它比上面提到的多参数关联比较器更复杂。测得的脉冲参数与各关联比较器比较,如果参数介于上下限之间,就打入相应的存储段;如果没有匹配的,该组参数将被打入最后一个脉冲池存储段。由于FPGA大多数情况下是基于硬件结构的设计,同时为了保证分类过程的实时性,本方 案中根据系统指标要求设计25组并行多参数关联比较器,多关联比较器的比较结果将作为存储段的选择依据。
(4)乒乓存储结构,脉冲参数分类模块在每个视频脉冲的下降沿将PDW按照分类打入双口RAM的Bank1中,等本次采样结束后所有原始PDW都存入双口RAM的Bank1中,利用DSP的DMA将双口RAM Bank1中的原始参数搬移到DSP片外RAM1中,搬移结束,DSP进行分选工作;同时,循环采样仍在进行,FPGA仍在测量接收到的视频脉冲信号参数并存储到双口RAM的Bank2中,在下一个采样时间结束后将测量的原始参数搬移到DSP片外RAM2中进行分选工作。这样,DSP和DMA配合流水线工作加上双口RAM及片外RAM的乒乓存储结构,保证完成循环采样以及循环分选的功能,从而实现流水线分选。DSP与DMA配合的流水线工作方式硬件连接示意图如图6所示.
(5)数据存储方式采用纯树形数据存储结构,在每个存储段的起始地址存放分类号索引值,然后依次是脉冲到达角、载频和脉宽的聚类中心值,接着是接收到的脉冲数,之后是该分类下的所有脉冲参数。分类总数、各分类存储子空间大小以及各子空间起始地址都由上一次统计或分选结果动态调整。此外,在所有聚类分类以外,还另设有脉冲池位置,用于未分类脉冲存储。
(6)信号分选主程序,分选分机的整个工作过程可以用流程图7表示。分选器在上电复位以后,处于等待上位机命令状态,这时由上位机给出控制命令。分选器接到上位机的开始工作命令后,就开始采样空间信号并进行参数测量。在第一次采样时,FPGA中的分类器不对脉冲进行分类,所有脉冲将被连续存放在同一个存储空间中。采样结束后,DSP读取双端口RAM(DPRAM)中的数据到内部RAM,然后使用聚类分选算法对脉冲进行分类。本次分类的依据依次是脉冲到达角(AOA)、载频(CF)、脉宽(PW),在分类过程中DSP并不保留分类后的数据,而只是统计每一种AOA、CF、PW参数所对应的脉冲个数(NS),每一种分类结果将形成类别描述字(SDW),即由AOA、CF、PW、NS构成的一个分组,所有的SDW构成类别描述字组(SDWG)。由于只是进行统计,而并不实际提取脉冲,因此本次分类过程非常快。分类结束以后,DSP根据每一种SDW以及双端口RAM(DPRAM)的大小来计算相应SDW在DPRAM中的存储位置,并在剩余空间中保留脉冲池的位置用于存储新脉冲。计算完成后DSP依此设置FPGA中的分类 器,同时向上位机上报分类结果。DSP设置完成分类器以后,第二次采样过程立即开始,此次采样得到的脉冲将依据分类器的设置存储到DPRAM相应位置。一次采样结束以后,DSP首先从DPRAM各存储位置读取新的脉冲个数并重新设置分类器,以保证存储空间的自适应动态调整。然后DSP从对应地址读取数据根据分选算法进行分选,将各子空间的分选剩余脉冲投入脉冲池,在所有的SDW子空间都分选完成后再对脉冲池分选。最后将分选结果上报主机,由主机判断给出需要跟踪的雷达参数或者分选跟踪器分机根据一定的威胁判断规则装载跟踪器,完成参数装载后启动跟踪器进行跟踪。跟踪器开始工作,跟踪成功后,给出波门信号。同时上报分选器跟踪状态,分选器再将跟踪状态转发给上位机同时开始监视空间信号参数的变化情况,参数有变化就重新加载跟踪器重新跟踪。
由于采用纯树形存储结构,在每一个分类子空间中的脉冲都具有相同的DOA、CF和PW,其结构如图1a所示。因此,在对每一个在空间进行分选时就只需要顾及TOA参数,这样分选速度大大提高。分选采用层次化的分选模式,首先从树形结构的最底层开始,也就是针对每一个PW子空间进行,由于提取的雷达信号可能是常规雷达也可能是其他形式,还需要后续鉴定,因此分选结果将作为准常规雷达暂存;第三层分选完成后将所有DOA、CF相同,PW不同的子空间剩余脉冲合并,然后开始第二层分选,分选结果来自不同的PW空间,因此可能是脉宽变换雷达信号,分选结果将作为准脉宽变换雷达暂存;然后将所有DOA相同,CF不同的空间剩余脉冲合并并开始第一层分选,分选结果来自不同的CF空间,因此可能是捷变频雷达信号,分选结果将作为准捷变频雷达暂存;最后将所有分选结果进行参差鉴别,以识别更复杂的雷达信号,例如参差加捷变频、参差加脉宽变换等等。分选剩余的脉冲打入脉冲池,再对脉冲池进行常规分选以识别新的雷达信号。
Claims (2)
1.基于聚类统计分析的快速信号分选方法,其特征是:
(1)采样空间信号并进行参数测量,在第一次采样时,不对脉冲进行分类,将所有脉冲连续存放在同一个存储空间中,采样时间结束后,读取DSP双端口中的数据到内部RAM,然后使用聚类分选算法对脉冲进行分类;
(2)分类结束以后根据每一种SDW以及双端口的大小来计算相应SDW在DPRAM中的存储位置,并在剩余空间中保留脉冲池的位置用于存储新脉冲,计算完成后依此设置FPGA中的分类器,同时向上位机上报分类结果;
(3)开始第二次采样,将此次采样得到的脉冲依据分类器的设置存储到DPRAM相应位置,采样结束以后,从DPRAM各存储位置读取新的脉冲个数并重新设置分类器,然后从对应地址读取数据根据分选算法进行分选,将各子空间的分选剩余脉冲投入脉冲池,在所有的SDW子空间都分选完成后再对脉冲池分选,最后将分选结果上报主机,由主机判断给出需要跟踪的雷达参数或者分选跟踪器分机根据设定的威胁判断规则装载跟踪器,完成参数装载后启动跟踪器进行跟踪;
(4)跟踪器跟踪成功后,给出波门信号,同时上报分选器跟踪状态,将跟踪状态转发给上位机同时开始监视空间信号参数的变化情况,参数有变化就重新加载跟踪器重新跟踪。
2.根据权利要求1所述的基于聚类统计分析的快速信号分选方法,其特征是:在对脉冲分类过程中,统计每一种AOA、CF、PW参数所对应的脉冲个数NS,每一种分类结果将形成类别描述字SDW,即由AOA、CF、PW、NS构成的一个分组,所有的SDW构成类别描述字组SDWG。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210374316.8A CN102879765B (zh) | 2012-09-27 | 2012-09-27 | 基于聚类统计分析的快速信号分选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210374316.8A CN102879765B (zh) | 2012-09-27 | 2012-09-27 | 基于聚类统计分析的快速信号分选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102879765A true CN102879765A (zh) | 2013-01-16 |
CN102879765B CN102879765B (zh) | 2014-03-26 |
Family
ID=47481161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210374316.8A Expired - Fee Related CN102879765B (zh) | 2012-09-27 | 2012-09-27 | 基于聚类统计分析的快速信号分选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102879765B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103941236A (zh) * | 2014-05-12 | 2014-07-23 | 中国船舶重工集团公司第七二四研究所 | 多参数栅格化滑动信号统计筛选处理方法 |
CN105277923A (zh) * | 2015-11-20 | 2016-01-27 | 清华大学 | 一种单通道雷达信号分选方法 |
CN106056098A (zh) * | 2016-06-23 | 2016-10-26 | 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 |
CN106680782A (zh) * | 2016-12-29 | 2017-05-17 | 中国人民解放军63889部队 | 基于脉冲时延匹配的雷达重频分选方法 |
CN106842149A (zh) * | 2017-03-31 | 2017-06-13 | 中国科学院电子学研究所 | 运用聚类思想改进的序列差值直方图分选方法 |
CN106896348A (zh) * | 2017-01-16 | 2017-06-27 | 哈尔滨工程大学 | 一种基于概率数据关联的雷达信号分选方法 |
CN108197146A (zh) * | 2017-11-29 | 2018-06-22 | 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 |
CN108549061A (zh) * | 2018-04-24 | 2018-09-18 | 扬州健行电子科技有限公司 | 一种信号的聚类方法 |
CN109542910A (zh) * | 2018-12-03 | 2019-03-29 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种海量海杂波数据分类存储方法 |
CN110929771A (zh) * | 2019-11-15 | 2020-03-27 | 北京达佳互联信息技术有限公司 | 图像样本分类方法及装置、电子设备、可读存储介质 |
CN112836104A (zh) * | 2020-12-31 | 2021-05-25 | 清源智翔(重庆)科技有限公司 | 一种数据库辅助自主聚类信号分选方法及系统 |
CN116106837A (zh) * | 2023-04-10 | 2023-05-12 | 成都富元辰科技有限公司 | 无人机载雷达干扰模拟系统及应用 |
CN116774154A (zh) * | 2023-08-23 | 2023-09-19 | 吉林大学 | 一种雷达信号分选方法 |
CN116821097A (zh) * | 2023-07-05 | 2023-09-29 | 中国人民解放军92728部队 | 全脉冲数据处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0843520A (ja) * | 1994-07-27 | 1996-02-16 | Mitsubishi Electric Corp | パルス信号分類装置 |
US7034738B1 (en) * | 2003-12-05 | 2006-04-25 | Itt Manufacturing Enterprises, Inc. | Method of radar pattern recognition by sorting signals into data clusters |
US7397415B1 (en) * | 2006-02-02 | 2008-07-08 | Itt Manufacturing Enterprises, Inc. | System and method for detecting and de-interleaving radar emitters |
-
2012
- 2012-09-27 CN CN201210374316.8A patent/CN102879765B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0843520A (ja) * | 1994-07-27 | 1996-02-16 | Mitsubishi Electric Corp | パルス信号分類装置 |
US7034738B1 (en) * | 2003-12-05 | 2006-04-25 | Itt Manufacturing Enterprises, Inc. | Method of radar pattern recognition by sorting signals into data clusters |
US7397415B1 (en) * | 2006-02-02 | 2008-07-08 | Itt Manufacturing Enterprises, Inc. | System and method for detecting and de-interleaving radar emitters |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103941236B (zh) * | 2014-05-12 | 2016-01-20 | 中国船舶重工集团公司第七二四研究所 | 多参数栅格化滑动信号统计筛选处理方法 |
CN103941236A (zh) * | 2014-05-12 | 2014-07-23 | 中国船舶重工集团公司第七二四研究所 | 多参数栅格化滑动信号统计筛选处理方法 |
CN105277923A (zh) * | 2015-11-20 | 2016-01-27 | 清华大学 | 一种单通道雷达信号分选方法 |
CN106056098A (zh) * | 2016-06-23 | 2016-10-26 | 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 |
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 |
CN106680782B (zh) * | 2016-12-29 | 2019-04-05 | 中国人民解放军63889部队 | 基于脉冲时延匹配的雷达重频分选方法 |
CN106680782A (zh) * | 2016-12-29 | 2017-05-17 | 中国人民解放军63889部队 | 基于脉冲时延匹配的雷达重频分选方法 |
CN106896348B (zh) * | 2017-01-16 | 2020-07-14 | 哈尔滨工程大学 | 一种基于概率数据关联的雷达信号分选方法 |
CN106896348A (zh) * | 2017-01-16 | 2017-06-27 | 哈尔滨工程大学 | 一种基于概率数据关联的雷达信号分选方法 |
CN106842149B (zh) * | 2017-03-31 | 2019-08-16 | 中国科学院电子学研究所 | 运用聚类思想改进的序列差值直方图分选方法 |
CN106842149A (zh) * | 2017-03-31 | 2017-06-13 | 中国科学院电子学研究所 | 运用聚类思想改进的序列差值直方图分选方法 |
CN108197146A (zh) * | 2017-11-29 | 2018-06-22 | 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 |
CN108549061A (zh) * | 2018-04-24 | 2018-09-18 | 扬州健行电子科技有限公司 | 一种信号的聚类方法 |
CN108549061B (zh) * | 2018-04-24 | 2022-02-11 | 扬州健行电子科技有限公司 | 一种信号的聚类方法 |
CN109542910B (zh) * | 2018-12-03 | 2022-10-28 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种海量海杂波数据分类存储方法 |
CN109542910A (zh) * | 2018-12-03 | 2019-03-29 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种海量海杂波数据分类存储方法 |
CN110929771A (zh) * | 2019-11-15 | 2020-03-27 | 北京达佳互联信息技术有限公司 | 图像样本分类方法及装置、电子设备、可读存储介质 |
CN110929771B (zh) * | 2019-11-15 | 2020-11-20 | 北京达佳互联信息技术有限公司 | 图像样本分类方法及装置、电子设备、可读存储介质 |
CN112836104A (zh) * | 2020-12-31 | 2021-05-25 | 清源智翔(重庆)科技有限公司 | 一种数据库辅助自主聚类信号分选方法及系统 |
CN112836104B (zh) * | 2020-12-31 | 2023-03-14 | 清源智翔(重庆)科技有限公司 | 一种数据库辅助自主聚类信号分选方法及系统 |
CN116106837A (zh) * | 2023-04-10 | 2023-05-12 | 成都富元辰科技有限公司 | 无人机载雷达干扰模拟系统及应用 |
CN116821097A (zh) * | 2023-07-05 | 2023-09-29 | 中国人民解放军92728部队 | 全脉冲数据处理方法 |
CN116821097B (zh) * | 2023-07-05 | 2024-01-26 | 中国人民解放军92728部队 | 全脉冲数据处理方法 |
CN116774154A (zh) * | 2023-08-23 | 2023-09-19 | 吉林大学 | 一种雷达信号分选方法 |
CN116774154B (zh) * | 2023-08-23 | 2023-10-31 | 吉林大学 | 一种雷达信号分选方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102879765B (zh) | 2014-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102879765B (zh) | 基于聚类统计分析的快速信号分选方法 | |
Shinde et al. | YOLO based human action recognition and localization | |
Xiong et al. | A pursuit of temporal accuracy in general activity detection | |
CN101872422B (zh) | 可精确辨别目标的人流量统计的方法及系统 | |
CN109270497B (zh) | 雷达脉冲信号的多维参数预分选方法 | |
CN101872414B (zh) | 可去除虚假目标的人流量统计的方法及系统 | |
CN101872431A (zh) | 可适用多角度应用场景的人流量统计的方法及系统 | |
CN108562875B (zh) | 一种先验数据库匹配法对雷达信号的分选方法 | |
CN107423734B (zh) | 一种sar图像海洋目标快速检测方法与装置 | |
CN109507647A (zh) | 基于pri直方图的雷达信号分选方法 | |
CN112906737B (zh) | 一种基于多辐射源基于密度特征聚类及识别的方法 | |
CN112782684B (zh) | 一种人体目标检测方法、装置、计算机设备和存储介质 | |
CN109740549A (zh) | 基于半监督cnn的sar图像目标检测系统和方法 | |
Gao et al. | Fast detecting and locating groups of targets in high-resolution SAR images | |
CN107493275A (zh) | 异构网络安全日志信息的自适应提取和分析方法及系统 | |
Zhu et al. | Scene text relocation with guidance | |
CN109001688B (zh) | 一种基于雷达信号并行处理的中间数据存储方法及装置 | |
CN106919901A (zh) | 一种株上球形果实识别的深度球截线方法 | |
CN1928841B (zh) | 高速缓冲存储器分析方法 | |
CN107609104B (zh) | 根据视频图像素材查找相关视频的方法和系统 | |
CN109815260A (zh) | 波形显示装置、波形参数统计方法、终端设备及存储介质 | |
CN115980689A (zh) | 基于点云检测的辐射源信号分选方法、装置、设备及介质 | |
CN116263397A (zh) | 一种流式细胞仪分选控制系统、分选方法及存储介质 | |
CN103091253B (zh) | 一种消除干扰旁瓣信号的方法、系统及血液细胞分析仪 | |
CN104112121A (zh) | 用于互动游戏装置的人脸识别方法、装置及互动游戏系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140326 Termination date: 20190927 |