CN106093873B - 一种基于多传感器的雷达辐射源信号识别方法 - Google Patents
一种基于多传感器的雷达辐射源信号识别方法 Download PDFInfo
- Publication number
- CN106093873B CN106093873B CN201610393470.8A CN201610393470A CN106093873B CN 106093873 B CN106093873 B CN 106093873B CN 201610393470 A CN201610393470 A CN 201610393470A CN 106093873 B CN106093873 B CN 106093873B
- Authority
- CN
- China
- Prior art keywords
- radar emitter
- signal
- sensor
- identification
- multisensor
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于多传感器的雷达辐射源信号识别方法,包括以下步骤:S01、至少2个单传感器识别系统,在多辐射源信号环境中,单传感器识别系统接收雷达辐射源信号,对雷达辐射源信号进行初步分选识别;S02、经融合判别系统判断单传感器识别结果是否来自同一雷达辐射源信号,如来自同一雷达辐射源,则进行后续的多传感器融合;S03、多传感器融合系统则对多个来自同一辐射源的单传感器数据进行融合,得出最后的多传感器识别结论;S04、得出多传感器识别结论后,经融合评估系统对融合结果进行评估。本发明不仅识别准确率高,而且抗信噪比特性好,适用于低信噪比下雷达辐射源信号识别,同时对通信信号、声呐信号等具有一定普适性。
Description
技术领域
本发明涉及一种复杂电磁环境下雷达辐射源信号识别方法,尤其涉及一种基于多传感器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中有三大关键技术,其分别为:电子情报侦察(ELINT)、电子支援侦察(ESM)和雷达威胁告警(RWR)。要有效实施电子干扰,这三项技术是必备的前提和基础,其发展水平也成为评判雷达对抗技术先进性的重要标志。
当前,对雷达辐射源信号识别的研究主要处于在基于单传感器进行识别的阶段。随着雷达技术的发展,复杂体制雷达应用愈加广泛,利用单传感器进行识别已经不能对复杂体制雷达辐射源信号进行准确有效的识别,且单传感器识别信息存在片面性和不确定性,准确率低。
发明内容
本发明的目的在于,提供一种基于多传感器的雷达辐射源信号识别方法。它不仅识别准确率高,而且抗信噪比特性好,适用于低信噪比下雷达辐射源信号识别,同时对通信信号、声呐信号等具有一定普适性。
本发明的技术方案:一种基于多传感器的雷达辐射源信号识别方法,包括以下步骤:
S01、至少2个单传感器识别系统,在多辐射源信号环境中,单传感器识别系统接收雷达辐射源信号,对雷达辐射源信号进行初步分选识别;
S02、单传感器识别系统初步分选识别雷达辐射源信号后,经融合判别系统判断单传感器识别结果是否来自同一雷达辐射源信号,如来自同一雷达辐射源,则进行后续的多传感器融合,否则不能进行融合处理;
S03、融合判别系统判断单传感器识别结果如果来自同一雷达辐射源,多传感器融合系统则对多个来自同一辐射源的单传感器数据进行融合,得出最后的多传感器识别结论;
S04、得出多传感器识别结论后,经融合评估系统对融合结果进行评估,如结果满意则对融合结果进行存储输出,如结果不满意则需调整各个单传感器参数,重新进行单传感器识别,再进行融合处理。
前述的基于多传感器的雷达辐射源信号识别方法中,所述单传感器识别系统为单传感器雷达辐射源信号识别系统。
前述的基于多传感器的雷达辐射源信号识别方法中,所述融合判别系统是以相参特性判别技术或附带调相特征判别技术作为支撑,以判断单传感器识别结果是否来自同一雷达辐射源信号。
前述的基于多传感器的雷达辐射源信号识别方法中,所述多传感器融合系统是基于DSm理论信息融合技术作为支撑,对多个来自同一辐射源的单传感器数据进行融合,得出最后的多传感器识别结论。
前述的基于多传感器的雷达辐射源信号识别方法中,所述单传感器雷达辐射源信号识别方法包括以下步骤:
a、参数测量和分选,从随机交叠的信号流中分离出单部雷达辐射源信号的脉冲序列后,进行信号参数的分析和识别;
b、特征参数提取,通过对信号的全脉冲数据进行处理或变换,获得可以体现信号本质特性的一个或者一组特征值;
c、特征参数评估与选择,根据战场环境进行雷达辐射源信号特征参数性能的评价,并依据评估结果选择适合用户需求的特征参数;
d、分类识别,以分类器为工具,按照特定原则将特征向量进行分类,实现对雷达辐射源信号的识别。
前述的基于多传感器的雷达辐射源信号识别方法中,所述单传感器识别系统包括处理分系统、控制分系统以及单传感器识别结果输出系统。
前述的基于多传感器的雷达辐射源信号识别方法中,所述处理分系统即单传感器对于从多辐射源环境中接收到的雷达辐射源信号进行处理,所述处理分系统处理方法包括以下步骤:
1)接收机前端接收雷达辐射源信号,并对其进行预处理;
2)经步骤1)预处理后的雷达辐射源信号,进行参数测量;
3)经步骤2)测量后,形成脉冲描述字流以描述测量结果;
4)经步骤1)预处理后的雷达辐射源信号,采集雷达辐射源的波形数;
5)经步骤4)采集雷达辐射源的波形数后,根据脉内特征参数选择指令提取相应脉内特征参数;
6)结合步骤2)中的全脉冲数据和步骤4)中的脉内特征参数,进行多域参数综合识别。
前述的基于多传感器的雷达辐射源信号识别方法中,所述控制分系统即用户围绕多辐射源信号环境,提出自身实际需求,系统根据用户需求,利用时间复杂性、可分离性、鲁棒性三个指标对系统可提取的脉内特征参数进行评估,评估结束后,选择满意度最高的脉内特征参数,输出控制指令到脉内特征参数提取模块,以提取该特征参数。
前述的基于多传感器的雷达辐射源信号识别方法中,所述基于DSm理论的多传感器融合识别方法,包括以下步骤:
1)辨识框架的定义,确定发生命题的个数,将其灌入到辨识框架中;
2)获取基本信度分配;
3)根据待识别目标和信息源的特点,依据DSm理论及其相关合成规则来合成基本信度分配;
4)目标身份识别决策规则的确定,在获取基本合成信度之后,选取适合的决策规则对雷达辐射源信号进行识别。
与现有技术相比,本发明具有以下有益效果:
(1)本发明解决了单传感器识别信息的片面性以及不确定性问题,识别准确率高。
(2)本发明方法抗信噪比特性好,适用于低信噪比下雷达辐射源信号识别。
(3)本发明对通信信号、声呐信号等具有一定普适性。
附图说明
图1是本发明基于多传感器的雷达辐射源信号识别框图;
图2是本发明单传感器识别系统框图;
图3是本发明单传感器雷达辐射源信号识别流程图;
图4是本发明基于DSm理论的雷达辐射源特征识别系统框图。
具体实施方式
实施例。
下面结合附图和实施例对本发明作进一步的说明,但并不作为对本发明限制的依据。
一种基于多传感器的雷达辐射源信号识别方法,包括以下步骤:
S01、至少2个单传感器识别系统,在多辐射源信号环境中,单传感器识别系统接收雷达辐射源信号,对雷达辐射源信号进行初步分选识别;
S02、单传感器识别系统初步分选识别雷达辐射源信号后,经融合判别系统判断单传感器识别结果是否来自同一雷达辐射源信号,如来自同一雷达辐射源,则进行后续的多传感器融合,否则不能进行融合处理;
S03、融合判别系统判断单传感器识别结果如果来自同一雷达辐射源,多传感器融合系统则对多个来自同一辐射源的单传感器数据进行融合,得出最后的多传感器识别结论;
S04、得出多传感器识别结论后,经融合评估系统对融合结果进行评估,如结果满意则对融合结果进行存储输出,如结果不满意则需调整各个单传感器参数,重新进行单传感器识别,再进行融合处理。
所述单传感器识别系统为单传感器雷达辐射源信号识别系统。
所述融合判别系统是以相参特性判别技术或附带调相特征判别技术作为支撑,以判断单传感器识别结果是否来自同一雷达辐射源信号。
所述多传感器融合系统是基于DSm理论信息融合技术作为支撑,对多个来自同一辐射源的单传感器数据进行融合,得出最后的多传感器识别结论。
参看图1,是本发明基于多传感器的雷达辐射源信号识别框图,本发明主要用于复杂电磁环境下,雷达辐射源信号识别;多传感器识别系统由N(N≥2)个单传感器识别系统,一个融合判别系统,一个多传感器融合系统和一个融合评估系统四个主要部分组成,其中单传感器识别系统为单传感器雷达辐射源信号识别系统;融合判别系统以相参特性判别技术或附带调相特征判别技术作为支撑,以判断单传感器识别结果是否来自同一雷达辐射源信号,如来自同一辐射源,则进行后续的多传感器融合,否则不能进行融合处理;多传感器融合系统以DSm理论信息融合技术作为支撑,对N个来自同一辐射源的单传感器数据进行融合,得出最后的多传感器识别结论;融合评估系统主要对融合结果进行综合评估,如结果满意则对融合结果进行存储输出,如结果不满意则需调整各个单传感器参数,重新进行单传感器识别,再进行融合处理。
参看图3,是本发明单传感器雷达辐射源信号识别流程图,所述单传感器雷达辐射源信号识别方法包括以下步骤:
a、参数测量和分选,从随机交叠的信号流中分离出单部雷达辐射源信号的脉冲序列后,进行信号参数的分析和识别;
b、特征参数提取,通过对信号的全脉冲数据进行处理或变换,获得可以体现信号本质特性的一个或者一组特征值;
c、特征参数评估与选择,根据战场环境进行雷达辐射源信号特征参数性能的评价,并依据评估结果选择适合用户需求的特征参数;
d、分类识别,以分类器为工具,按照特定原则将特征向量进行分类,实现对雷达辐射源信号的识别。
单传感器识别技术一般包括:参数测量和分选、特征参数提取、特征参数评估与选择、分类识别。参数测量和分选主要指在测量所得基本参数的基础上,从多而杂的电磁环境中分离出雷达辐射源信号;特征参数提取主要指在分离出雷达辐射源信号基础上,分析信号调制方式,提取相应脉内、脉间及指纹特征;特征参数评估与选择主要指对已提取的特征参数依据战场环境和用户需求进行量化评估,根据评估值选择满意的特征参数作为识别依据;分类识别主要指利用选择的特征参数,采用分类识别方法完成雷达辐射源信号识别。
参数测量和分选:只有从随机交叠的信号流中分离出单部雷达辐射源信号的脉冲序列后,才能进行信号参数的分析和识别。雷达辐射源信号进入电子战系统后,首先由侦察接收机进行相关参数的测量,形成脉冲描述字流(PDW,Pulse Description Word)。PDW是后续雷达辐射源信号识别的基础,主要包括载频、到达角、到达时间、脉宽和脉幅等。从随机交叠的信号流中分离出各个雷达辐射源的脉冲信号并选出有用信号,其实质就是去交错的过程。
特征参数提取:特征参数提取是指通过对信号的全脉冲数据进行处理或变换,获得可以体现信号本质特性的一个或者一组特征值的过程,这是雷达辐射源信号识别的关键环节和核心技术。特征参数提取是雷达辐射源信号识别的依据,特征参数提取的种类及精度直接影响后续识别精度。目前,就提取的特征参数种类来看,主要有常规特征、脉内有意调制特征和脉内无意调制特征(也称指纹特征)。
特征参数评估与选择:特征参数评估与选择是指根据战场环境进行雷达辐射源信号特征参数性能的评价,并依据评估结果选择适合用户需求的特征参数。当前众多的特征参数都被应用于雷达辐射源信号识别领域,迫切需要有科学合理的评估体系对其进行评价,以选择最适合用户要求和战场环境特点的特征参数用于信号识别,达到效果最优化。
分类识别:分类识别的本质是以分类器为工具,按照特定原则将特征向量进行分类,实现对雷达辐射源信号的识别。而在分类器的设计上,通常要求其具有从特征向量空间到决策空间的变换的能力。分类识别是侦察系统信号处理的目的,是ELINT、ESM和RWR等系统中的重要组成部分。
参看图2,是本发明单传感器识别系统框图,所述单传感器识别系统包括处理分系统、控制分系统以及单传感器识别结果输出系统。所述处理分系统即单传感器对于从多辐射源环境中接收到的雷达辐射源信号进行处理,所述处理分系统处理方法包括以下步骤:
1)接收机前端接收雷达辐射源信号,并对其进行预处理;
2)经步骤1)预处理后的雷达辐射源信号,进行参数测量;
3)经步骤2)测量后,形成脉冲描述字流以描述测量结果;
4)经步骤1)预处理后的雷达辐射源信号,采集雷达辐射源的波形数;
5)经步骤4)采集雷达辐射源的波形数后,根据脉内特征参数选择指令提取相应脉内特征参数;
6)结合步骤2)中的全脉冲数据和步骤4)中的脉内特征参数,进行多域参数综合识别。
所述控制分系统即用户围绕多辐射源信号环境,提出自身实际需求,系统根据用户需求,利用时间复杂性、可分离性、鲁棒性三个指标对系统可提取的脉内特征参数进行评估,评估结束后,选择满意度最高的脉内特征参数,输出控制指令到脉内特征参数提取模块,以提取该特征参数。
单传感器识别系统主要由处理分系统和控制分系统两部分组成。处理分系统即单传感器对于从多辐射源环境中接收到的雷达辐射源信号进行处理,包括:①接收机前端接收雷达辐射源信号,并对其进行预处理;②进行载频、到达角、到达时间、脉冲幅度和脉冲宽度等常规参数的测量;③形成PDW流以描述测量结果;④采集雷达辐射源的波形数;⑤根据脉内特征参数选择指令提取相应脉内特征参数;⑥结合全脉冲数据和脉内特征参数,进行多域参数综合识别等6个主要功能。
控制分系统即用户围绕多辐射源信号环境,提出自身实际需求,系统根据用户需求,利用时间复杂性、可分离性、鲁棒性三个指标对系统可提取的脉内特征参数进行评估,评估结束后,选择满意度最高的脉内特征参数,输出控制指令到脉内特征参数提取模块,以提取该特征参数。此外,单传感器识别结果会对用户需求进行反馈,用户通过判断识别结果是否满足要求来改变脉内特征参数评估方案,即三个指标的评估权值和用于多域参数综合识别的脉内特征参数个数,以期单传感器识别结果尽可能符合用户实际需求。
参看图4,是本发明基于DSm理论的雷达辐射源特征识别系统框图,所述基于DSm理论的多传感器融合识别方法,包括以下步骤:
1)辨识框架的定义,确定发生命题的个数,将其灌入到辨识框架中;
2)获取基本信度分配;
3)根据待识别目标和信息源的特点,依据DSm理论及其相关合成规则来合成基本信度分配;
4)目标身份识别决策规则的确定,在获取基本合成信度之后,选取适合的决策规则对雷达辐射源信号进行识别。
图4中n个信息源的基本信度分配为m1(·),m2(·),L,mn(·),经过DSmT的合成规则得到的目标身份A的合成信度分配为m(A)。基于DSm理论的雷达辐射源融合识别方法主要包括以下步骤:
辨识框架的定义,确定发生命题的个数,将其灌入到辨识框架中;基本信度分配的获取,依据DSm理论及相关合成规则来合成基本信度分配。待识别目标和信息源的特点可以作为合成方法选择的依据;目标身份识别决策规则的确定,在获取合成信度之后,需要选取适合的决策规则对雷达辐射源信号进行识别。
以上所述是本发明的优选实施方式而已,当然不能以此来限定本发明之权利范围,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变动,这些改进和变动也视为本发明的保护范围。
Claims (7)
1.一种基于多传感器的雷达辐射源信号识别方法,其特征在于,包括以下步骤:
S01、至少2个单传感器识别系统,在多辐射源信号环境中,单传感器识别系统接收雷达辐射源信号,对雷达辐射源信号进行初步分选识别;所述单传感器识别系统为单传感器雷达辐射源信号识别系统,所述单传感器雷达辐射源信号识别方法包括以下步骤:
a、参数测量和分选,从随机交叠的信号流中分离出单部雷达辐射源信号的脉冲序列后,进行信号参数的分析和识别;
b、特征参数提取,通过对信号的全脉冲数据进行处理或变换,获得可以体现信号本质特性的一个或者一组特征值;
c、特征参数评估与选择,根据战场环境进行雷达辐射源信号特征参数性能的评价,并依据评估结果选择适合用户需求的特征参数;
d、分类识别,以分类器为工具,按照特定原则将特征向量进行分类,实现对雷达辐射源信号的识别;
S02、单传感器识别系统初步分选识别雷达辐射源信号后,经融合判别系统判断单传感器识别结果是否来自同一雷达辐射源信号,如来自同一雷达辐射源,则进行后续的多传感器融合,否则不能进行融合处理;
S03、融合判别系统判断单传感器识别结果如果来自同一雷达辐射源,多传感器融合系统则对多个来自同一辐射源的单传感器数据进行融合,得出最后的多传感器识别结论;
S04、得出多传感器识别结论后,经融合评估系统对融合结果进行评估,如结果满意则对融合结果进行存储输出,如结果不满意则需调整各个单传感器参数,重新进行单传感器识别,再进行融合处理。
2.如权利要求1所述的基于多传感器的雷达辐射源信号识别方法,其特征在于,所述融合判别系统是以相参特性判别技术或附带调相特征判别技术作为支撑,以判断单传感器识别结果是否来自同一雷达辐射源信号。
3.如权利要求1所述的基于多传感器的雷达辐射源信号识别方法,其特征在于,所述多传感器融合系统是基于DSm理论信息融合技术作为支撑,对多个来自同一辐射源的单传感器数据进行融合,得出最后的多传感器识别结论。
4.如权利要求1所述的基于多传感器的雷达辐射源信号识别方法,其特征在于,所述单传感器识别系统包括处理分系统、控制分系统以及单传感器识别结果输出系统。
5.如权利要求4所述的基于多传感器的雷达辐射源信号识别方法,其特征在于,所述处理分系统即单传感器对于从多辐射源环境中接收到的雷达辐射源信号进行处理,所述处理分系统处理方法包括以下步骤:
1)接收机前端接收雷达辐射源信号,并对其进行预处理;
2)经步骤1)预处理后的雷达辐射源信号,进行参数测量;
3)经步骤2)测量后,形成脉冲描述字流以描述测量结果;
4)经步骤1)预处理后的雷达辐射源信号,采集雷达辐射源的波形数;
5)经步骤4)采集雷达辐射源的波形数后,根据脉内特征参数选择指令提取相应脉内特征参数;
6)结合步骤2)中的全脉冲数据和步骤5 )中的脉内特征参数,进行多域参数综合识别。
6.如权利要求4所述的基于多传感器的雷达辐射源信号识别方法,其特征在于,所述控制分系统即用户围绕多辐射源信号环境,提出自身实际需求,系统根据用户需求,利用时间复杂性、可分离性、鲁棒性三个指标对系统可提取的脉内特征参数进行评估,评估结束后,选择满意度最高的脉内特征参数,输出控制指令到脉内特征参数提取模块,以提取该特征参数。
7.如权利要求3所述的基于多传感器的雷达辐射源信号识别方法,其特征在于,所述基于DSm理论的多传感器融合识别方法,包括以下步骤:
1)辨识框架的定义,确定发生命题的个数,将其灌入到辨识框架中;
2)获取基本信度分配;
3)根据待识别目标和信息源的特点,依据DSm理论及其相关合成规则来合成基本信度分配;
4)目标身份识别决策规则的确定,在获取基本合成信度之后,选取适合的决策规则对雷达辐射源信号进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610393470.8A CN106093873B (zh) | 2016-06-04 | 2016-06-04 | 一种基于多传感器的雷达辐射源信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610393470.8A CN106093873B (zh) | 2016-06-04 | 2016-06-04 | 一种基于多传感器的雷达辐射源信号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106093873A CN106093873A (zh) | 2016-11-09 |
CN106093873B true CN106093873B (zh) | 2018-08-31 |
Family
ID=57447882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610393470.8A Expired - Fee Related CN106093873B (zh) | 2016-06-04 | 2016-06-04 | 一种基于多传感器的雷达辐射源信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106093873B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108470189A (zh) * | 2018-03-06 | 2018-08-31 | 中国船舶重工集团公司第七二四研究所 | 基于对偶相似度模型的多域辐射源信息融合方法 |
CN108562875B (zh) * | 2018-04-24 | 2022-03-15 | 扬州健行电子科技有限公司 | 一种先验数据库匹配法对雷达信号的分选方法 |
CN109343005A (zh) * | 2018-09-19 | 2019-02-15 | 李波 | 自主智能决策的辐射源自动识别系统 |
CN109212491A (zh) * | 2018-10-17 | 2019-01-15 | 中国航天科工集团八五研究所 | 一种基于雷达信号指纹特征的辐射源识别方法 |
CN109783844B (zh) * | 2018-12-05 | 2022-02-11 | 东南大学 | 一种基于跟踪精度和能量消耗指标下的多传感器管理方法 |
CN110412512A (zh) * | 2019-08-08 | 2019-11-05 | 唐晓杰 | 一种雷达信号脉内调制特征分析方法 |
CN112130141B (zh) * | 2020-09-23 | 2023-09-29 | 中国人民解放军空军工程大学 | 一种采用前后端并行处理机制的机载雷达告警器及其数据处理方法 |
CN114048785A (zh) * | 2021-11-23 | 2022-02-15 | 中国人民解放军空军预警学院 | 基于相位调制特征的多传感器判定方法 |
CN115792801B (zh) * | 2022-09-14 | 2024-04-30 | 中国人民解放军92728部队 | 一种基于空间准则的多机交叉定位辐射源信号匹配方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998034129A1 (de) * | 1997-01-29 | 1998-08-06 | Siemens Aktiengesellschaft | Radar-abstandsmesser |
CN102466795A (zh) * | 2010-11-09 | 2012-05-23 | 何明浩 | 基于多指标的雷达信号脉内特征参数评估方法 |
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 |
CN105426832A (zh) * | 2015-11-12 | 2016-03-23 | 上海电机学院 | 非稳定信噪比下的通信雷达辐射源识别方法 |
CN105574495A (zh) * | 2015-12-14 | 2016-05-11 | 中国电子科技集团公司第二十八研究所 | 一种区间型雷达辐射源信号特征类型识别能力分析方法 |
-
2016
- 2016-06-04 CN CN201610393470.8A patent/CN106093873B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998034129A1 (de) * | 1997-01-29 | 1998-08-06 | Siemens Aktiengesellschaft | Radar-abstandsmesser |
CN102466795A (zh) * | 2010-11-09 | 2012-05-23 | 何明浩 | 基于多指标的雷达信号脉内特征参数评估方法 |
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 |
CN105426832A (zh) * | 2015-11-12 | 2016-03-23 | 上海电机学院 | 非稳定信噪比下的通信雷达辐射源识别方法 |
CN105574495A (zh) * | 2015-12-14 | 2016-05-11 | 中国电子科技集团公司第二十八研究所 | 一种区间型雷达辐射源信号特征类型识别能力分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106093873A (zh) | 2016-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106093873B (zh) | 一种基于多传感器的雷达辐射源信号识别方法 | |
CN109212530A (zh) | 用于确定障碍物速度的方法和装置 | |
CN110084094B (zh) | 一种基于深度学习的无人机目标识别分类方法 | |
CN107563437B (zh) | 基于随机森林的超宽带非视距鉴别方法 | |
Garcia-Fernandez et al. | Truncated unscented Kalman filtering | |
CN110658516B (zh) | 一种基于fmcw雷达方差频数统计的手势目标提取方法 | |
WO2020209918A2 (en) | Detection of cyber attacks targeting avionics systems | |
CN111291697A (zh) | 用于识别障碍物的方法和装置 | |
CN109357696B (zh) | 多源传感器信息融合闭环测试架构 | |
CN107390196B (zh) | 基于多基地雷达的快起伏目标双门限恒虚警检测方法 | |
EP3671272A1 (en) | Vehicle sensor fusion based on fuzzy sets | |
CN107729916A (zh) | 一种基于isodata的干扰源分类识别算法及装置 | |
US5812083A (en) | Non-cooperative target identification using antenna pattern shape | |
KR101765239B1 (ko) | 광대역 다채널 수신기에서 채널간 간섭에 의한 오탐지 쇼트 펄스 pdw 제거 방법 및 장치 | |
CN113311857A (zh) | 一种基于无人机的环境感知与避障系统及方法 | |
CN107817484A (zh) | 激光雷达放大电路的放大倍数处理方法及装置 | |
US9866422B1 (en) | Methods of blind source separation filter resource management | |
CN112003803A (zh) | 一种vhf、uhf频段航空电台信号的侦收设备 | |
CN115712306A (zh) | 一种多机协作目标跟踪的无人机导航方法 | |
Sardar et al. | Vehicle detection and classification using LTE‐CommSense | |
Zou et al. | Light‐weight deep learning method for active jamming recognition based on improved MobileViT | |
CN105008950B (zh) | 用于测向和方向不确定度确定的测量装置和测量方法 | |
CN105162531A (zh) | 一种超短波宽带监测系统及方法 | |
CN109343005A (zh) | 自主智能决策的辐射源自动识别系统 | |
Hänsch et al. | Random forests for building detection in polarimetric sar data |
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: 20180831 Termination date: 20190604 |