CN105574495B - 一种区间型雷达辐射源信号特征类型识别能力分析方法 - Google Patents
一种区间型雷达辐射源信号特征类型识别能力分析方法 Download PDFInfo
- Publication number
- CN105574495B CN105574495B CN201510925771.6A CN201510925771A CN105574495B CN 105574495 B CN105574495 B CN 105574495B CN 201510925771 A CN201510925771 A CN 201510925771A CN 105574495 B CN105574495 B CN 105574495B
- Authority
- CN
- China
- Prior art keywords
- type
- signal characteristic
- histogram
- radar
- interval
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Measurement Of Radiation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种区间型雷达辐射源信号特征类型识别能力分析方法。针对不同类型雷达辐射源的区间型信号特征,采用直方图描述其分布范围和概率,并在此基础上比较不同类型雷达辐射源区间型信号特征的分布差异,进而分析各区间型信号特征类型识别识别能力,比较其强弱,输出每类雷达辐射源的最优区间型信号特征。本发明优点在于:(1)提出了采用直方图描述区间型雷达辐射源信号特征的方法,突破了传统直观图仅描述单个固定数据值的局限性;(2)基于直方图描述,可以进一步分析和判别识别各雷达辐射源类型的最优区间型特征;(3)计算成本低,实现方法工程化。
Description
技术领域
本发明涉及一种多类雷达辐射源的数据分析处理领域,特别是一种针对类型识别的区间型雷达辐射源信号特征分析方法。
背景技术
众所周知,当今雷达辐射源的信号特征越来越多,除了经典的脉冲描述字特征外,还出现了越来越多的脉内特征。此外,信号特征的类型也越来越复杂。传统的信号特征类型大多数是连续型的,也有离散型的(参见:《统计学》,贾俊平,清华大学出版社,应用统计学系列教材,2006。)。如今,区间型信号特征也成为雷达辐射源数据的重要类型。这是因为,随着雷达辐射源复杂性增加,信号特征的种类和形式也越来越多样化。此外,由于信号特征测量技术的进步以及测量环境(如噪声)的影响,信号特征的测量值通常不再是一个固定值,而是一个大概的范围,即区间型的。现有的雷达辐射源信号特征分析方法和雷达辐射源类型识别方法几乎都是针对固定值的信号特征,还不能够专门针对区间型信号特征的类型识别能力进行直观而详细的描述和分析。随着科技的进步,区间型的雷达辐射源数据资源还会增长,如果不能充分有效的利用区间型的雷达辐射源信息,将会造成大量雷达辐射源信息资源的浪费。
发明内容
发明目的:本发明所要解决的技术问题是针对现有技术的不足,提供一种区间型雷达辐射源信号特征类型识别能力分析方法。
为了解决上述技术问题,本发明公开了一种区间型雷达辐射源信号特征类型识别能力分析方法,针对不同类型雷达辐射源的区间型信号特征,采用直方图描述其分布范围和概率,并在此基础上比较不同类型雷达辐射源区间型信号特征的分布差异,进而分析各区间型信号特征类型识别识别能力,比较其强弱,输出每类雷达辐射源的最优区间型信号特征,突破了传统直观图仅描述单个固定数据值的局限性,可以进一步分析和判别识别各雷达辐射源类型的最优区间型特征,计算成本低,实现方法工程化,从而增强了信号特征的分析能力,可以更好地完成雷达辐射源识别任务。
在一组n类的雷达辐射源数据Ω中,n取值为大于3的自然数,每条雷达辐射源样本o由相同的一组区间型信号特征以及该雷达辐射源样本所属的类型cj组成,类型cj的雷达辐射源样本集合用Ωj表示,j=1,2,...,n,在区间型信号特征s上的取值区间为so=[soL,soR],其中soL表示样本o在信号特征s上的最小取值,soR表示样本o在信号特征s上的最大取值;其特征在于,针对各种类型雷达辐射源的区间型信号特征,采用直方图描述其分布范围和概率,并比较各种类型雷达辐射源区间型信号特征的分布差异,进而分析各区间类型信号特征类型识别识别能力,比较其强弱,输出每类雷达辐射源的最优区间型信号特征。该方法包括以下具体步骤:
步骤1,初始化区间信号特征索引:设置区间信号特征索引fid为1,fid=1,当前信号特征用s表示;
步骤2,计算当前信号特征的分布范围:当前信号特征s的分布范围R用所有辐射源样本分布的最小值Rmin和最大值Rmax表示,即R=[Rmin,Rmax],具体计算公式如下:
Rmin=min(soL)o∈Ω (1),
Rmax=max(soR)o∈Ω (2),
o∈Ω表示n类的雷达辐射源数据Ω中的所有样本;
步骤3,划分信号特征分布范围:将区间信号特征s的分布范围R均匀划分成为NumBlk个直方图区间,I1、I2、……和INumBlk;
步骤4,计算各类辐射源的区间分布概率:定义frequencyij为直方图区间Ii上雷达辐射源类型cj的样本出现的频率,其中1≤i≤NumBlk,1≤j≤n,直方图区间频率frequencyij的计算公式如下:
其中,o∈Ωj表示辐射源类型cj的样本;
令每类雷达辐射源cj样本数为Numj=|Ωj|,定义pij为直方图区间Ii上类型cj的样本的直方图区间分布概率为直方图区间频率frequencyij除以每类雷达辐射源cj样本数Numj,其计算公式如下:
步骤5,判断所有信号特征是否处理完毕:如果否继续步骤6,如果是继续步骤7;
步骤6,更新信号特征索引:继续下一个区间型信号特征,即赋值操作,fid=fid+1,返回步骤2;
步骤7,初始化类型索引p:初始化类型索引为1,即p=1,对应类型为cp;
步骤8,计算其他类雷达辐射源与当前雷达辐射源类型的类型直方图区间重合度:记q满足1≤q≤n且q≠p,表示不同于p的另一类型索引,REPpq表示类型对cp-cq在信号特征s上的类型对直方图区间重复度,其取值为对应两类辐射源在所有直方图区间上的最小直方图区间分布概率之和,重复度REPpq计算公式如下:
其中,pip表示信号特征s在区间i类型cp上的分布概率,piq表示信号特征s在区间i类型cq上的分布概率;
定义当前雷达辐射源类型cp在信号特征s上的类型特征区间重复度为类型cp与其他所有类型组成的类型对直方图区间重复度之和REPp,如下式所示:
步骤9,输出类型识别最优特征:类型特征区间重复度最小的特征是识别当前类型cp最优的特征;
步骤10,判断所有类型是否处理完毕:如果是结束,如果否继续步骤11;
步骤11,更新类型索引:p=p+1,跳至步骤8。
步骤2中,信号特征的取值为一个区间,该区间由最小值和最大值两个门限表示,具体的信号特征可以是载频、重频、脉宽、脉间、脉冲幅度等,也可以是脉内调制特征。
步骤3中,将区间信号特征s的分布范围R均匀划分成NumBlk个区间,实际工程应用中,由于区间信号特征s的分布并不是均匀的,例如在最小值区域的分布数目小于雷达辐射源数据总数的5%,在这种情况下,可以将该区域的区间进行合并,以提高直方图的利用率,直方图区间的划分还可以采用其他方法,也在本发明保护范围内。
步骤4中,将直方图区间分布概率定义为直方图区间频率除以直方图区间总数,如果需要满足直方图区间分布概率的总和为1的条件,假设一个样本的信号特征区间横跨了m个不同直方图区间,则在计算直方图区间频率时将m个直方图区间的区间频率设为1/m。
步骤8中,在直方图描述基础上,可以比较两两雷达辐射源类型之间在直方图区间上分布概率的差异,即比较类型对直方图区间重复度,进而分析不同信号特征区分各雷达辐射源类型的能力,类型对cp-cq在信号特征s上类别对特征区间重复度可以理解为在所有直方图区间上的重合度之和,在理想的情况下,类型对cp-cq在同一个直方图区间上的分布概率一个为零,一个远大于零,在现实情况下,信号特征s的直方图区间分布概率未必如此,但是识别能力越强的信号特征对应的直方图区间分布概率的差异应该越大。
有益效果:本发明的显著优点为:(1)提出了采用直方图描述区间型雷达辐射源信号特征的方法,突破了传统直观图仅描述单个固定数据值的局限性;(2)基于直方图描述,可以进一步分析和判别识别各雷达辐射源类型的最优区间型特征;(3)计算成本低,实现方法工程化,计算成本较低,有助于减小时空复杂性,便于工程计算,具有良好的工程应用前景。较易工程实现。
本发明的研究成果有利于提高区间型雷达辐射源信号特征的分析能力,有利于进一步提高雷达辐射源的类型识别能力。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为本发明工作流程图。
图2为实施例1的区间型载频信号特征分布直方图。
图3为实施例2的区间型载频信号特征分布直方图。
图4为实施例2的区间型重频信号特征分布直方图。
具体实施方式
本发明公开了一种区间型雷达辐射源信号特征类型识别能力分析方法。针对不同类型雷达辐射源的区间型信号特征,采用直方图描述其分布范围和概率,并在此基础上比较不同类型雷达辐射源区间型信号特征的分布差异,进而分析各区间型信号特征类型识别识别能力,比较其强弱,输出每类雷达辐射源的最优区间型信号特征,增强了区间型信号特征的分析能力,可以更好地完成雷达辐射源识别任务。
如图1所示,本发明包括以下步骤:开始、初始化区间信号特征索引、计算当前信号特征的分布范围、划分信号特征分布范围、计算各类辐射源的区间分布概率、判断所有信号特征是否处理完毕、更新信号特征索引、初始化类型索引、计算各类辐射源的类型直方图区间重合度、输出类型识别最优特征、判断所有类型是否处理完毕、更新类型索引等11个步骤,最后结束。
在一组n类的雷达辐射源数据Ω中,n取值为大于3的自然数,每条雷达辐射源样本o由相同的一组区间型信号特征以及该雷达辐射源样本所属的类型cj组成,类型cj的雷达辐射源样本集合用Ωj表示,j=1,2,...,n,在区间型信号特征s上的取值区间为so=[soL,soR],其中soL表示样本o在信号特征s上的最小取值,soR表示样本o在信号特征s上的最大取值;其特征在于,针对各种类型雷达辐射源的区间型信号特征,采用直方图描述其分布范围和概率,并比较各种类型雷达辐射源区间型信号特征的分布差异,进而分析各区间类型信号特征类型识别识别能力,比较其强弱,输出每类雷达辐射源的最优区间型信号特征。该方法包括以下具体步骤:
步骤1,初始化区间信号特征索引:设置区间信号特征索引fid为1,fid=1,当前信号特征用s表示;
步骤2,计算当前信号特征的分布范围:当前信号特征s的分布范围R用所有辐射源样本分布的最小值Rmin和最大值Rmax表示,即R=[Rmin,Rmax],具体计算公式如下:
Rmin=min(soL)o∈Ω (1),
Rmax=max(soR)o∈Ω (2),
o∈Ω表示n类的雷达辐射源数据Ω中的所有样本;
步骤3,划分信号特征分布范围:将区间信号特征s的分布范围R均匀划分成为NumBlk个直方图区间,I1、I2、……和INumBlk;
步骤4,计算各类辐射源的区间分布概率:定义frequencyij为直方图区间Ii上雷达辐射源类型cj的样本出现的频率,其中1≤i≤NumBlk,1≤j≤n,直方图区间频率frequencyij的计算公式如下:
其中,o∈Ωj表示辐射源类型cj的样本;
令每类雷达辐射源cj样本数为Numj=|Ωj|,定义pij为直方图区间Ii上类型cj的样本的直方图区间分布概率为直方图区间频率frequencyij除以每类雷达辐射源cj样本数Numj,其计算公式如下:
步骤5,判断所有信号特征是否处理完毕:如果否继续步骤6,如果是继续步骤7;
步骤6,更新信号特征索引:继续下一个区间型信号特征,即赋值操作,fid=fid+1,返回步骤2;
步骤7,初始化类型索引p:初始化类型索引为1,即p=1,对应类型为cp;
步骤8,计算其他类雷达辐射源与当前雷达辐射源类型的类型直方图区间重合度:记q满足1≤q≤n且q≠p,表示不同于p的另一类型索引,REPpq表示类型对cp-cq在信号特征s上的类型对直方图区间重复度,其取值为对应两类辐射源在所有直方图区间上的最小直方图区间分布概率之和,重复度REPpq计算公式如下:
其中,pip表示信号特征s在区间i类型cp上的分布概率,piq表示信号特征s在区间i类型cq上的分布概率;
定义当前雷达辐射源类型cp在信号特征s上的类型特征区间重复度为类型cp与其他所有类型组成的类型对直方图区间重复度之和REPp,如下式所示:
步骤9,输出类型识别最优特征:类型特征区间重复度最小的特征是识别当前类型cp最优的特征;
步骤10,判断所有类型是否处理完毕:如果是结束,如果否继续步骤11;
步骤11,更新类型索引:p=p+1,跳至步骤8。
下面通过2个实例来说明本发明的区间型雷达辐射源信号特征类型识别能力分析方法。
实施例1:本实施例是关于构建区间型信号特征分布直方图的实例。假设检测到一类雷达辐射源的17个样本,每个样本的载频信号是区间型信号特征,其取值如表1所示,单位为MHz。针对载频信号构建信号特征分布直方图,假设直方图区间个数为5,即NumBlk=5,其步骤如下。
表1某类雷达辐射源源样本的区间型载频信号
步骤1,初始化区间信号特征索引为1,即fid=1,当前区间型载频信号特征用s表示;
步骤2,计算当前信号特征的分布范围,当前信号特征s的分布范围R用所有辐射源样本分布的最小值Rmin和最大值Rmax表示,Rmin=min(9600,9612,9735,9750,9820,9820,9850,9812,9830,9840,9820,9860,9820,9900,9920,10500,10300)=9600,Rmax=max(9636,9800,9840,9900,9860,9860,9900,9869,9880,9940,9860,9940,9860,9930,10000,10600,11000)=11000;
步骤3,划分当前信号特征分布范围:将区间信号特征s的分布范围R均匀划分成为NumBlk=5个直方图区间,I1=[9600,9700)、I2=[9700,9800)、I3=[9800,9900)、I4=[9900,10000)和I5=[10000,11000);
步骤4,计算各类辐射源的区间分布概率:定义frequencyij为直方图区间Ii上雷达辐射源类型cj的样本出现的频率,其中1≤i≤5,j=1,根据公式(3)计算直方图区间频率frequencyij,计算结果如表2所示,该类雷达辐射源c1在信号特征s上的直方图区间总数Num1=|Ω1|=17,根据公式(4)计算直方图区间Ii上类型cj的样本的直方图区间分布概率pij,计算结果如表2所示,直方图结果如图2所示:
表2直方图区间频率的计算及其结果
步骤5,判断所有信号特征是否处理完毕,已经处理完毕,结束直方图构建。
实施例2:如图3和图4所示,本实施例是关于计算类型直方图区间重合度的实例。假设经过步骤1~6,已经获得三类雷达辐射源(c1、c2和c3)在两种区间性信号特征(载频和重频)上的直方图区间分布概率,如表3所示。其中,两种区间型信号特征的直方图区间个数均为12,即NumBlk=12,根据步骤7~11,从两种区间型信号特征中判断识别各雷达辐射源类型的最优特征。
表3区间型载频和重频信号特征的直方图区间分布概率
步骤7,初始化类型索引为1,即p=1;
步骤8,计算各类辐射源的类型直方图区间重合度,计算类型对cp-cq在信号特征s上的类型对直方图区间重复度为对应两类辐射源在所有直方图区间上的最小直方图区间分布概率之和,计算雷达辐射源类型cp在信号特征s上的类型直方图区间重复度为当前类型cp与其他所有类型组成的类型对特征区间重复度之和,针对当前雷达辐射源类型1的计算过程和结果如表4所示:
表4针对雷达辐射源类型1的类型直方图区间重复度计算
步骤9,输出类型识别最优特征,类型直方图区间重合度最小的特征是载频信号,载频信号识别雷达辐射源类型1的最优特征;
步骤10,判断所有类型未处理完毕,继续步骤11;
步骤11,更新类型索引:p=p+1,跳至步骤8。
步骤8,计算其他各类雷达辐射源与当前雷达辐射源类型的类型直方图区间重合度,针对当前雷达辐射源类型2的计算过程和结果如表5所示:
表5针对雷达辐射源类型1的类型直方图区间重复度计算
步骤9,输出类型识别最优特征,类型直方图区间重合度最小的重频信号特征是识别雷达辐射源类型2的最优特征;
步骤10,判断所有类型未处理完毕,继续步骤11;
步骤11,更新类型索引:p=p+1,跳至步骤8;.
步骤8,计算其他各类雷达辐射源与当前雷达辐射源类型的类型直方图区间重合度,针对当前雷达辐射源类型2的计算过程和结果如表6所示:
表6针对雷达辐射源类型3的类型直方图区间重复度计算
步骤9,输出类型识别最优特征,类型直方图区间重合度最小的特征是重频,然而载频和重频的类型直方图区间重合度差别起始不大,识别雷达辐射源类型3较优特征是重频;
步骤10,判断所有类型处理完毕,结束。
现有的雷达辐射源信号特征分析方法和雷达辐射源类型识别方法几乎都是针对固定值的信号特征,还不能够专门针对区间型信号特征的类型识别能力进行直观而详细的描述和分析。随着科技的进步,区间型的雷达辐射源数据资源还会增长,如果不能充分有效的利用区间型的雷达辐射源信息,将会造成大量雷达辐射源信息资源的搁置和浪费。
总的来说,本发明公开了一种区间型雷达辐射源信号特征类型识别能力分析方法,针对不同类型雷达辐射源的区间型信号特征,采用直方图描述其分布范围和概率,并在此基础上比较不同类型雷达辐射源区间型信号特征的分布差异,进而分析各区间型信号特征类型识别识别能力,比较其强弱,输出每类雷达辐射源的最优区间型信号特征,突破了传统直观图仅描述单个固定数据值的局限性,可以进一步分析和判别识别各雷达辐射源类型的最优区间型特征,计算成本低,实现方法工程化,从而增强了信号特征的分析能力,可以更好地完成雷达辐射源识别任务。
除了区间型雷达辐射源信号特征类型识别能力的分析外,本发明还可以扩展应用到医疗效果预测、火山活动预测、传感器网络目标跟踪、电磁辐射源类别识别等其他类别识别任务中的区间型特征分析上,应用前景广阔,可创造可观的社会效益和经济效益。
本发明的研究工作得到了国家自然科学基金(No.61402426,61271144)资助,并得到了软件新技术与产业化协同创新中心部分资助。
本发明提供了一种区间型雷达辐射源信号特征类型识别能力分析方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (7)
1.一种区间型雷达辐射源信号特征类型识别能力分析方法,在一组n类的雷达辐射源数据Ω中,n取值为大于3的自然数,每条雷达辐射源样本o由相同的一组区间型信号特征以及该雷达辐射源样本所属的类型cj组成,类型cj的雷达辐射源样本集合用Ωj表示,j=1,2,...,n,在区间型信号特征s上的取值区间为so=[soL,soR],其中soL表示样本o在信号特征s上的最小取值,soR表示样本o在信号特征s上的最大取值;其特征在于,针对各种类型雷达辐射源的区间型信号特征,采用直方图描述其分布范围和概率,并比较各种类型雷达辐射源区间型信号特征的分布差异,进而分析各区间类型信号特征类型识别识别能力,比较其强弱,输出每类雷达辐射源的最优区间型信号特征;
在预先设定的直方图区间个数为NumBlk的情况下,包括以下步骤:
步骤1,初始化区间信号特征索引:设置区间信号特征索引fid为1,fid=1,当前信号特征用s表示;
步骤2,计算当前信号特征的分布范围:当前信号特征s的分布范围R用所有辐射源样本分布的最小值Rmin和最大值Rmax表示,即R=[Rmin,Rmax],具体计算公式如下:
Rmin=min(soL)o∈Ω (1),
Rmax=max(soR)o∈Ω (2),
o∈Ω表示n类的雷达辐射源数据Ω中的所有样本;
步骤3,划分信号特征分布范围:将区间信号特征s的分布范围R均匀划分成为NumBlk个直方图区间,I1、I2、……和INumBlk;
步骤4,计算各类辐射源的区间分布概率:定义frequencyij为直方图区间Ii上雷达辐射源类型cj的样本出现的频率,其中1≤i≤NumBlk,j=1,2,...,n,直方图区间频率frequencyij的计算公式如下:
其中,o∈Ωj表示辐射源类型cj的样本;
令每类雷达辐射源cj样本数为Numj=|Ωj|,定义pij为直方图区间Ii上类型cj的样本的直方图区间分布概率为直方图区间频率frequencyij除以每类雷达辐射源cj样本数Numj,其计算公式如下:
步骤5,判断所有信号特征是否处理完毕:如果否继续步骤6,如果是继续步骤7;
步骤6,更新信号特征索引:继续下一个区间型信号特征,即赋值操作,fid=fid+1,返回步骤2;
步骤7,初始化类型索引p:初始化类型索引为1,即p=1,对应类型为cp;
步骤8,计算其他类雷达辐射源与当前雷达辐射源类型的类型直方图区间重合度:记q满足1≤q≤n且q≠p,表示不同于p的另一类型索引,REPpq表示类型对cp-cq在信号特征s上的类型对直方图区间重复度,其取值为对应两类辐射源在所有直方图区间上的最小直方图区间分布概率之和,重复度REPpq计算公式如下:
其中,pip表示信号特征s在区间i类型cp上的分布概率,piq表示信号特征s在区间i类型cq上的分布概率;
定义当前雷达辐射源类型cp在信号特征s上的类型特征区间重复度为类型cp与其他所有类型组成的类型对直方图区间重复度之和REPp,如下式所示:
步骤9,输出类型识别最优特征:类型特征区间重复度最小的特征是识别当前类型cp最优的特征;
步骤10,判断所有类型是否处理完毕:如果是结束,如果否继续步骤11;
步骤11,更新类型索引:p=p+1,跳至步骤8。
2.根据权利要求1所述的一种区间型雷达辐射源信号特征类型识别能力分析方法,其特征在于,信号特征的取值为一个区间,该区间由最小值和最大值两个门限表示,信号特征为载频、重频、脉宽、脉间或脉冲幅度中的一种或者两种以上。
3.根据权利要求1所述的一种区间型雷达辐射源信号特征类型识别能力分析方法,其特征在于,信号特征为脉内调制特征。
4.根据权利要求1所述的一种区间型雷达辐射源信号特征类型识别能力分析方法,其特征在于,在直方图描述中,比较两两雷达辐射源类型之间在直方图区间上分布概率的差异,进而分析不同信号特征区分各个雷达辐射源类型的能力。
5.根据权利要求1所述的一种区间型雷达辐射源信号特征类型识别能力分析方法,其特征在于,步骤3中,将区间信号特征s的分布范围R均匀划分成NumBlk个区间,在最小值区域的分布数目小于雷达辐射源数据总数的5%的情况下,将所有最小值区域进行合并。
6.根据权利要求1所述的一种区间型雷达辐射源信号特征类型识别能力分析方法,其特征在于,步骤4中,将直方图区间分布概率定义为直方图区间频率除以直方图区间总数,如果需要满足直方图区间分布概率的总和为1的条件,假设一个样本的信号特征区间横跨了m个不同直方图区间,则在计算直方图区间频率时将m个直方图区间的区间频率设为1/m。
7.根据权利要求1所述的一种区间型雷达辐射源信号特征类型识别能力分析方法,其特征在于,步骤8中,类型对cp-cq在信号特征s上类别对特征区间重复度为在所有直方图区间上的重合度之和,识别能力越强的信号特征对应的直方图区间分布概率的差异越大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510925771.6A CN105574495B (zh) | 2015-12-14 | 2015-12-14 | 一种区间型雷达辐射源信号特征类型识别能力分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510925771.6A CN105574495B (zh) | 2015-12-14 | 2015-12-14 | 一种区间型雷达辐射源信号特征类型识别能力分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105574495A CN105574495A (zh) | 2016-05-11 |
CN105574495B true CN105574495B (zh) | 2018-08-21 |
Family
ID=55884603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510925771.6A Active CN105574495B (zh) | 2015-12-14 | 2015-12-14 | 一种区间型雷达辐射源信号特征类型识别能力分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105574495B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106093873B (zh) * | 2016-06-04 | 2018-08-31 | 陈昌孝 | 一种基于多传感器的雷达辐射源信号识别方法 |
CN106503649B (zh) * | 2016-10-20 | 2019-06-07 | 北京工业大学 | 一种基于计算机视觉的短波信号检测识别方法 |
CN106842141B (zh) * | 2017-04-14 | 2018-02-06 | 中国人民解放军武汉军械士官学校 | 一种高阶多次共轭滞后积脉内分析方法 |
CN110109063A (zh) * | 2019-05-20 | 2019-08-09 | 吉林大学 | 一种基于深度信念网络的辐射源重频调制类型识别方法 |
CN112505649B (zh) * | 2021-02-04 | 2021-05-07 | 中国人民解放军国防科技大学 | 一种对雷达辐射源信号进行可视化分析的方法和系统 |
CN114397633A (zh) * | 2022-01-13 | 2022-04-26 | 中国人民解放军96901部队25分队 | 一种雷达信号的仿真方法及装置 |
CN117851837B (zh) * | 2024-03-05 | 2024-06-14 | 中国人民解放军国防科技大学 | 一种基于细微直方图特征的辐射源目标识别方法与系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1309848A2 (en) * | 2000-04-26 | 2003-05-14 | Cytokinetics, Inc. | Method and apparatus for predictive cellular bioinformatics |
CN101339216A (zh) * | 2008-08-11 | 2009-01-07 | 中国舰船研究设计中心 | 舰船电磁环境特性分析确定方法 |
CN102540164A (zh) * | 2012-01-04 | 2012-07-04 | 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 |
CN102930255A (zh) * | 2012-11-13 | 2013-02-13 | 中国电子科技集团公司第二十八研究所 | 一种基于辐射源类别对的信号分析方法 |
CN103076595A (zh) * | 2012-12-31 | 2013-05-01 | 中国电子科技集团公司第二十八研究所 | 一种多元离散雷达辐射源信号的异常类型识别方法 |
CN104794431A (zh) * | 2015-03-25 | 2015-07-22 | 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 |
-
2015
- 2015-12-14 CN CN201510925771.6A patent/CN105574495B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1309848A2 (en) * | 2000-04-26 | 2003-05-14 | Cytokinetics, Inc. | Method and apparatus for predictive cellular bioinformatics |
CN101339216A (zh) * | 2008-08-11 | 2009-01-07 | 中国舰船研究设计中心 | 舰船电磁环境特性分析确定方法 |
CN102540164A (zh) * | 2012-01-04 | 2012-07-04 | 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 |
CN102930255A (zh) * | 2012-11-13 | 2013-02-13 | 中国电子科技集团公司第二十八研究所 | 一种基于辐射源类别对的信号分析方法 |
CN103076595A (zh) * | 2012-12-31 | 2013-05-01 | 中国电子科技集团公司第二十八研究所 | 一种多元离散雷达辐射源信号的异常类型识别方法 |
CN104794431A (zh) * | 2015-03-25 | 2015-07-22 | 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 |
Non-Patent Citations (2)
Title |
---|
区间型符号数据分析理论方法及其在金融中的应用研究;李汶华;《中国博士学位论文全文数据库 经济与管理科技辑》;20090515(第5(2009年)期);第18页第1、2段以及图2-1 * |
雷达辐射源识别关键技术研究;刘海军;《中国博士学位论文全文数据库 信息科技辑》;20110415(第4(2011年)期);第23页第2段,第31页第2段、第32页第2段、第58页第4段、第59页第1、3段、第61页第2、3段、第62页第1、2段,图3.12 * |
Also Published As
Publication number | Publication date |
---|---|
CN105574495A (zh) | 2016-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105574495B (zh) | 一种区间型雷达辐射源信号特征类型识别能力分析方法 | |
US10158437B2 (en) | Wireless analysis apparatus and wireless analysis method | |
CN110334591A (zh) | 一种基于聚类分析的无人机跳频信号检测及识别方法 | |
CN102930206A (zh) | 病毒文件的聚类划分处理方法和装置 | |
CN110187313B (zh) | 基于分数阶Fourier变换的雷达信号分选识别方法及装置 | |
CN106295500B (zh) | 一种重频抖动信号和常规信号分离方法 | |
CN112527420A (zh) | 接口数据流转处理方法、装置、计算机设备及介质 | |
CN105224604B (zh) | 一种基于堆优化的微博突发事件检测方法及其检测装置 | |
Abdelwahab | Fast approach for efficient vehicle counting | |
Xiao et al. | Wireless network optimization via physical layer information for smart cities | |
CN104239321B (zh) | 一种面向搜索引擎的数据处理方法及装置 | |
CN109274677A (zh) | 基于机器学习的ip分类方法及系统 | |
CN108108712A (zh) | 一种基于方差维数的辐射源指纹特征提取方法 | |
CN107257371B (zh) | 基于Handle系统的解析方法及Handle系统 | |
CN110096703B (zh) | 用于意图识别的数据处理方法及装置、服务器、客户端 | |
CN112204930A (zh) | 恶意域名检测设备和方法 | |
Wan et al. | Deep learning-based specific emitter identification using integral bispectrum and the slice of ambiguity function | |
CN109597996B (zh) | 一种语义解析方法、装置、设备和介质 | |
Gou et al. | Gaussian guided IoU: A better metric for balanced learning on object detection | |
CN110289926A (zh) | 基于调制信号循环自相关函数对称峰值的频谱感知方法 | |
CN112347978B (zh) | 基于遥感植被指数的生态系统属性组分组成结构描述方法 | |
CN108983167A (zh) | 雷达通用描述建模方法及装置 | |
CN104951135B (zh) | 一种信息处理装置及方法 | |
CN111832632A (zh) | 基于高次频谱对称Holder系数的雷达信号分选方法及系统 | |
CN103258211A (zh) | 一种手写体数字识别方法和系统 |
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 |