CN107273860A - 基于连通区域标记的跳频信号动态聚类提取方法 - Google Patents
基于连通区域标记的跳频信号动态聚类提取方法 Download PDFInfo
- Publication number
- CN107273860A CN107273860A CN201710468152.8A CN201710468152A CN107273860A CN 107273860 A CN107273860 A CN 107273860A CN 201710468152 A CN201710468152 A CN 201710468152A CN 107273860 A CN107273860 A CN 107273860A
- Authority
- CN
- China
- Prior art keywords
- signal
- mrow
- frequency hopping
- msub
- duration
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
Abstract
本发明公开了一种基于连通区域标记的跳频信号动态聚类提取方法。其包括构建接收信号模型，采用形态学方法对接收信号进行去噪和分割处理，对处理后的图像进行连通区域标记，对连通区域标记信号的持续时长以及对应的标号进行动态聚类，根据动态聚类结果对连通区域标记信号的出现时刻及其对应的标号进行第二次动态聚类，根据动态聚类结果进行跳频信号的检测与提取，对提取的信号进行跳频信号验证、提取质量评价并得到跳频信号能量图。本发明能够在低信噪比强干扰下，且存在不同时长甚至和跳周期一样的干扰，或者是含有和所需跳频信号周期相近的另一种跳频信号的情况下，能够实现对所需跳频信号的能量图的准确提取。
Description
技术邻域
本发明属于通信技术邻域，尤其涉及一种基于连通区域标记的跳频信号动态聚类提取方法。
背景技术
跳频通信在现代军事中被广泛应用，作为非协作通信的第三方，对于跳频信号的提取尤为关键，然而电磁环境中存在着各种长度的干扰，以及功率较强的噪声，因此，在低信噪比下以及含有周期和跳周期一样的干扰时，如何对跳频信号进行准确的提取是现代通信理论的研究工作重点之一。
跳频信号的频率随时间不停的在随机跳变，对于跳频信号提取的研究，近几年大多数提取方法仅根据持续时长去除突发及定频干扰，扫频还要根据带宽再次去除，而这些方法实现正确提取的信噪比比较高，考虑的都是只含一种跳频信号时的提取，且在提取时无法把周期与跳周期相同的干扰去除，形态学去噪时对定频信号边缘处产生的凹凸不平的部分以及处理后同一行产生的不同段突发信号，甚至是加入的是功率起伏的定频干扰，传统方法按逐行统计，根据时长是无法完全去除的，且时长门限需要知道大概的跳周期，这将严重影响跳频信号的提取质量，依然会混有无法去除的干扰，且在现有文献中提取仅仅是得到跳频信号的二值图，而要得到跳频信号能量图需要在较高的信噪比下，且去噪效果也不理想。并且文献中所提到的聚类，没有实现动态聚类，即事先需要知道有几类信号，且聚类后仅说明了提取的特征量属于同一类，没有跟踪该特征量所对应的具体信号，因此并不能说明该类就全都是跳频信号，且没有对提取出的信号进行所需跳频信号的验证，以及没有给出提取质量评价，在第二次聚类时，本文充分考虑了出现时刻具有前后波动的情况，因此，针对在复杂环境中接收到的信号很难知道含有几类信号，含有周期与跳周期相同的干扰，且含有两种以上跳周期接近的跳频信号在低信噪比强干扰的情况下，现有的方法不能对任意一种跳频信号进行能量图的准确提取。
发明内容
本发明的发明目的是：为了解决现有技术中存在的以上问题，本发明提出了一种基于连通区域标记的跳频信号动态聚类提取方法，以期实现对跳频信号的有效提取。
本发明的技术方案是：一种基于连通区域标记的跳频信号动态聚类提取方法，包括以下步骤：
A、构建接收信号模型；
B、采用形态学方法对步骤A中的接收信号进行去噪和分割处理；
C、对步骤B中处理后的图像进行连通区域标记；
D、对步骤C中的连通区域标记信号的持续时长以及对应的标号进行动态聚类；
E、根据步骤D中的动态聚类结果，对连通区域标记信号的出现时刻及其对应的标号进行第二次动态聚类；
F、根据步骤E中的动态聚类结果进行其中一种跳频信号的提取；
G、对步骤F中提取的信号进行跳频信号验证，提取质量评价并得到跳频信号能量图。
进一步地，所述步骤A中构建的接收信号模型具体表示为：
其中，s(t)为接收信号，T为观测时间，0≤t≤T，A为跳频信号的幅度，Th为跳周期，T0为起跳时间，fk为跳变频率，N为跳变频率个数，Ji(t)为扫频干扰信号、突发干扰信号、定频干扰信号的叠加信号，n(t)为复高斯白噪声。
进一步地，所述步骤B采用形态学方法对步骤A中的接收信号进行去噪和分割处理，具体包括以下分步骤：
B1、对接收信号s(t)进行时频变换，表示为：
其中，TFR(t,f)为s(t)的短时傅里叶变换，t为时间变量，f为频率变量，h(t)为窗函数；
B2、将时频矩阵STFTs(t,f)转换为灰度时频图像G1(t,f)，采用线性结构元素se对灰度时频图像G1(t,f)进行形态学开运算和闭运算得到灰度时频图像G2(t,f)，表示为：
B3、设置阈值将灰度时频图像G2(t,f)转化为二值时频图像D(t,f)，表示为：
其中，gD(x,y)和分别表示D(t,f)和G2(t,f)上任一点的灰度值。
进一步地，所述C对步骤B中处理后的图像进行连通区域标记，具体包括以下分步骤：
C1、初始化放置队列的元组q、进行取操作的队列头head＝1、排队等候处理的队列尾tail＝1、进行标记的标号label＝1；定义矩阵neighbour，使其每一行分别与标记信号值所在位置相加得到标记信号值的8邻域坐标，表示为：
neighbour＝[-1 -1；-1 0；-1 1；0 -1；0 1；1 -1；1 0；1 1]
C2、搜索二值图像D(t,f)，并判断该点像素值是否为需要标记的信号值且该像素点从未被标记过；若否则重新搜索二值图像D(t,f)并对下一个像素点进行判断，若是则对该像素点进行标记，表示为：
tmp(i,j)＝label
其中，tmp(i,j)为标记后的图像；
C3、把标记过的像素点坐标放到元组q中进行排队，等候对该像素点坐标的8邻域搜索，进行相同信号值的标记；同时队列尾tail加1，用来放置与该像素点属于同一信号的邻域坐标，进行排队等候，继续对新进入排队的坐标进行8邻域搜索，表示为：
q{tail}＝D(i,j)
tail＝tail+1
C4、判断队列头是否等于队列尾；若是则取出元组q中的坐标，计算得到该坐标8邻域坐标R，再对8邻域坐标R中的8个坐标按照步骤C2进行标记；若否则清空元组q，标号递增，队列头head及队列尾tail从1开始记起，返回步骤C2。
进一步地，所述D对步骤C中的连通区域标记信号的持续时长以及对应的标号进行动态聚类，具体包括以下分步骤：
D1、设定tmp标记图像中共有n个标记的信号，对标记图像的各个连通区域进行坐标定位，并求出各连通区域的持续时长，表示为：
[r,c]＝find(tmp＝＝i)
tg(i)＝min(c)
l(i)＝max(c)-tg(i)
其中，r为连通区域所连通的所有行，c为所连通的所有列，l为持续时长，tg为出现时刻，i＝1,2,3,…n；
D2、定义wi,j为聚类结果，bi,j为对应的聚类标号，zi为聚类中心，THl为类内门限，其中i为类别，j为该类中含有的信号个数；将持续时长l1取做第一类w1j的聚类中心，同时将持续时长l1放到第一类中，即z1＝l1，w11＝l1，记下该持续时长l1的连通标号，即b11＝1；
D3、计算尚未分类的时长l2到z1的距离，表示为：
d21＝|l2-z1|
若距离d21>THl，则自动建立一个新的类w2j，即w21＝l2，记下该时长的连通标号，即b21＝2，并令第二类的类中心为z2＝l2；若否则将l2存入w1j中，即w12＝l2；
D4、设定已求得K个聚类中心z1，z2，z3，…zk，计算还没有进行分类的lm到各聚类中心的距离，表示为
dm,i＝|lm-zi|
若min(dm,i)>THl，则重新另起一个新的类wk+1，即wk+1,1＝lm，同时记下该持续时长的连通标号，即bk+1,1＝m，且把该类的中心记为zk+1＝lm；否则找出该时长与所求出的所有类中最小距离的那一类所在位置，表示为：
tt＝find(dm,i＝＝min(dm,i))
再将lm存放到与它具有最小间距离的wtt,j那一类中，且把该时长对应的连通标号存放到btt,j中，表示为：
y＝max(find(w(tt,:)>0))+1
w(tt,y:y)＝lm
b(tt,y:y)＝m
其中，y表示对存储在该类信号的一个列位置定位，w表示特征量的聚类结果，b表示与特征量一一对应的标号的聚类结果；
D5、判断分类是否完成；若是则操作结束，若否则返回步骤D3。
进一步地，所述E根据步骤D中的动态聚类结果，对连通区域标记信号的出现时刻及其对应的标号进行第二次动态聚类，具体包括以下分步骤：
E1、计算跳频信号所在的第i类的平均持续时长，表示为：
h(i,j)＝find(w(i,:)>0)
Tk＝sum(w(i,h(i,j)))/L
其中，h(i,j)为第i类信号时长的非零值对应的位置，Tk为跳频信号的平均周期，L为h的总长度；
E2、设定提取出的该类信号中有nk个分量，该类中每个分量所占有的时长分别为出现时刻分别为设置一个对出现时刻进行分类的一个特征参数表示为：
c1(y)＝tg(y)％Tk
其中，c1为特征参数，tg(y)％Tk为tg(y)对Tk求余，y＝1,2,…,nk；
E3、取出余数大于时长聚类门限THl的出现时刻，继续对Tk-THl求余数，表示为：
ii＝find(c1>THl)
d1(ii)＝tg(ii)％(Tk-THl)
其中，d1为ii中余数大于时长聚类门限THl的出现时刻；
E4、将第一次求得余数小于时长聚类门限THl的特征参数c2与d1合并，并按时长聚类的方法进行标号跟踪聚类。
进一步地，所述步骤F根据步骤E中的动态聚类结果进行其中一种跳频信号的提取，具体包括以下分步骤：
F1、计算聚类后的跳频信号个数Y，按照观测时间里信号出现的个数选择门限th进行判决，表示为：
F2、对跳频信号进行提取，确定该类信号所对应的标号d，搜索标记图像tmp，保留对应的标号，其他标号都置0，表示为：
进一步地，所述步骤G对步骤F中提取的信号进行跳频信号验证，提取质量评价并得到跳频信号能量图，具体包括以下分步骤：
G1、对提取出的跳频信号s1重新进行连通得到tmp_tiao图像，计算出现时刻对跳周期的采样点余数及每个信噪比下提取出的跳频信号的最大采样点余数，表示为：
max(c2∪d1)
G2、对提取的信号进行跳周期估计，得出与所需跳频信号周期的相对误差，表示为：
[r2,c2]＝find(tmp_tiao＝＝i)
L(i)＝max(c2)-min(c2)
其中，r2和c2分别为标记图像tmp_tiao中连通区域所连通的所有行和所有列，L(i)为连通信号的周期，TP为所需的跳频信号的理论跳周期,e为与所需跳频信号周期的相对误差；
G3、将s1中非零值变为1得到图像s2，不含有噪声及干扰时的跳频信号二值图为s3，表示为：
E1＝u1/u2
E2＝u3/u4
其中，E1为提取的跳频信号的完整度，u1为s2·*s3中信号值1的总数，·*表示两个信号矩阵的对应元素相乘，保留信号值相同的部分，u2为s3中信号值1的总数；E2为提取的跳频信号中背景残留率，u3为s2·*s3中背景值0的总数，u4为s2中信号值1的总数减去s2·*s3中信号值1的总数；
G4、将二值信号图像s2与原始的能量图像对应相乘，保留跳频信号能量，去除所有的突发、扫频、定频干扰及背景噪声，表示为：
W＝s2·*TFR
其中，TFR为原始的信号时频能量图。
本发明的有益效果是：本发明通过构建接收信号模型，采用排队论方法进行连通区域标记，使得属于同一信号的区域连通起来，有属于自己一个特定的标号，对于标记后的图像进行各个信号的快速定位，依据标号顺序提取出各个信号的持续时长及出现时刻，对持续时长及对应的标号进行第一次动态聚类，根据第一次聚类结果，再对跳频信号所在的该类，进行出现时刻以及对应标号的第二次动态聚类，根据最终聚类结果设置门限进行所需跳频信号所在类的定位，提取聚类后的标号进行跳频信号的提取。并对提取的信号进行所需跳频信号的验证及提取质量评价，最后得出所需跳频信号的能量图。本发明能够在低信噪比强干扰下，且存在不同时长甚至和跳周期一样的干扰，或者是含有和所需跳频信号周期相近的另一种跳频信号的情况下，能够实现对所需跳频信号的能量图的准确提取。
附图说明
图1是本发明的基于连通区域标记的跳频信号动态聚类提取方法的流程示意图。
图2是本发明的混合信号的连通区域标记示意图。
图3是本发明的混合信号的第一次聚类示意图。
图4是本发明的跳频信号2提取的标记示意图。
图5是本发明的跳频信号2的出现时刻对平均周期的最大采样点余数在不同信噪比下的波动曲线示意图。
图6是本发明的跳频信号2的跳周期估计相对误差随信噪比变化曲线示意图。
图7是本发明的跳频信号2随信噪比变化的提取质量曲线示意图。
图8是本发明的跳频信号2提取的能量示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，为本发明的基于连通区域标记的跳频信号动态聚类提取方法的流程示意图。一种基于连通区域标记的跳频信号动态聚类提取方法，包括以下步骤：
A、构建接收信号模型；
B、采用形态学方法对步骤A中的接收信号进行去噪和分割处理；
C、对步骤B中处理后的图像进行连通区域标记；
D、对步骤C中的连通区域标记信号的持续时长以及对应的标号进行动态聚类；
E、根据步骤D中的动态聚类结果，对连通区域标记信号的出现时刻及其对应的标号进行第二次动态聚类；
F、根据步骤E中的动态聚类结果进行其中一种跳频信号的提取；
G、对步骤F中提取的信号进行跳频信号验证，提取质量评价并得到跳频信号能量图。
在步骤A中，本发明针对跳频信号构建接收信号模型，表示为：
其中，s(t)为接收信号，T为观测时间，0≤t≤T，A为跳频信号的幅度，Th为跳周期，T0为起跳时间，fk为跳变频率，N为跳变频率个数，Ji(t)为扫频干扰信号、突发干扰信号、定频干扰信号的叠加信号，n(t)为复高斯白噪声。
在步骤B中，本发明采用形态学方法对步骤A中的接收信号进行去噪和分割处理，具体包括以下分步骤：
B1、对接收信号s(t)进行时频变换，表示为：
其中，TFR(t,f)为s(t)的短时傅里叶变换，t为时间变量，f为频率变量，h(t)为窗函数；
B2、将时频矩阵STFTs(t,f)转换为灰度时频图像G1(t,f)，采用线性结构元素se对灰度时频图像G1(t,f)进行形态学开运算和闭运算得到灰度时频图像G2(t,f)，表示为：
B3、设置阈值将灰度时频图像G2(t,f)转化为二值时频图像D(t,f)，转化方式为有信号的地方值为1，无信号的地方值为0，表示为：
其中，gD(x,y)和分别表示D(t,f)和G2(t,f)上任一点的灰度值。
在步骤C中，本发明对步骤B中处理后的图像进行连通区域标记，具体包括以下分步骤：
C1、初始化放置队列的元组q、进行取操作的队列头head＝1、排队等候处理的队列尾tail＝1、进行标记的标号label＝1；定义矩阵neighbour，使其每一行分别与标记信号值所在位置相加得到标记信号值的8邻域坐标，表示为：
neighbour＝[-1 -1；-1 0；-1 1；0 -1；0 1；1 -1；1 0；1 1]
C2、搜索二值图像D(t,f)并进行判断，表示为：
其中，tmp(i,j)为标记后的图像；
判断该点像素值是否为需要标记的信号值且该像素点从未被标记过；若否则重新搜索二值图像D(t,f)并对下一个像素点进行判断，若是则对该像素点进行标记，表示为：
tmp(i,j)＝label；
C3、把标记过的像素点坐标放到元组q中进行排队，等候对该像素点坐标的8邻域搜索，进行相同信号值的标记；同时队列尾tail加1，用来放置与该像素点属于同一信号的邻域坐标，进行排队等候，继续对新进入排队的坐标进行8邻域搜索，表示为：
q{tail}＝D(i,j)
tail＝tail+1
C4、判断队列头是否等于队列尾，以保证排队的元素全部取出处理完毕，表示为：
q{head}＝＝q{tail}
若是则取出元组q中的坐标，计算得到该坐标的8邻域坐标R，再对8邻域坐标R中的8个坐标按照步骤C2进行标记，8邻域坐标R表示为：
R＝q{head}+neighbour
若否则清空元组q，标号递增，队列头head及队列尾tail从1开始记起，返回步骤C2。
在步骤D中，本发明对步骤C中的连通区域标记信号的持续时长以及对应的标号进行动态聚类，具体包括以下分步骤：
D1、设定tmp标记图像中共有n个标记的信号，对标记图像的各个连通区域进行坐标定位，并计算各连通区域的持续时长，表示为：
[r,c]＝find(tmp＝＝i)
tg(i)＝min(c)
l(i)＝max(c)-tg(i)
其中，r为连通区域所连通的所有行，c为所连通的所有列，l为持续时长，tg为出现时刻，i＝1,2,3,…n；
D2、定义wi,j为聚类结果，bi,j为对应的聚类标号，zi为聚类中心，THl为类内门限，其中i为类别，j为该类中含有的信号个数；将持续时长l1取做第一类w1j的聚类中心，同时将持续时长l1放到第一类中，即z1＝l1，w11＝l1，记下该持续时长l1的连通标号，即b11＝1；
D3、计算尚未分类的时长l2到z1的距离，表示为：
d21＝|l2-z1|
若距离d21>THl，则自动建立一个新的类w2j，即w21＝l2，记下该时长的连通标号，即b21＝2，并令第二类的类中心为z2＝l2；若否则将l2存入w1j中，即w12＝l2；
D4、设定已求得K个聚类中心z1，z2，z3，…zk，计算还没有进行分类的lm到各聚类中心的距离，表示为
dm,i＝|lm-zi|
若min(dm,i)>THl，则重新另起一个新的类wk+1，即wk+1,1＝lm，同时记下该持续时长的连通标号，即bk+1,1＝m，且把该类的中心记为zk+1＝lm；否则找出该时长与所求出的所有类中最小距离的那一类所在位置，表示为：
tt＝find(dm,i＝＝min(dm,i))
再将lm存放到与它具有最小间距离的wtt,j那一类中，且把该时长对应的连通标号存放到btt,j中，表示为：
y＝max(find(w(tt,:)>0))+1
w(tt,y:y)＝lm
b(tt,y:y)＝m
其中，y表示对存储在该类信号的一个列位置定位，w表示特征量的聚类结果，b表示与特征量一一对应的标号的聚类结果；
D5、判断分类是否完成；若是则操作结束，若否则返回步骤D3。
在步骤E中，本发明根据步骤D中的动态聚类结果，对连通区域标记信号的出现时刻及其对应的标号进行第二次动态聚类，具体包括以下分步骤：
E1、计算跳频信号所在的第i类的平均持续时长，表示为：
h(i,j)＝find(w(i,:)>0)
Tk＝sum(w(i,h(i,j)))/L
其中，h(i,j)为第i类信号时长的非零值对应的位置，Tk为跳频信号的平均周期，L为h的总长度；
E2、设定提取出的该类信号中有nk个分量，该类中每个分量所占有的时长分别为出现时刻分别为设置一个对出现时刻进行分类的一个特征参数表示为：
c1(y)＝tg(y)％Tk
其中，c1为特征参数，tg(y)％Tk为tg(y)对Tk求余，y＝1,2,…,nk；
E3、为了解决出现存在波动情况的问题，因此取出余数大于时长聚类门限THl的出现时刻，继续对Tk-THl求余数，表示为：
ii＝find(c1>THl)
d1(ii)＝tg(ii)％(Tk-THl)
其中，d1为ii中余数大于时长聚类门限THl的出现时刻；
E4、将第一次求得余数小于时长聚类门限THl的特征参数c2与d1合并，即c2∪d1，并一起按时长聚类的方法进行标号跟踪聚类。
在步骤F中，本发明根据步骤E中的动态聚类结果进行其中一种跳频信号的提取，具体包括以下分步骤：
F1、计算聚类后的跳频信号个数Y，按照观测时间里信号出现的个数选择门限th进行判决，表示为：
F2、对跳频信号进行提取，确定该类信号所对应的标号d，搜索标记图像tmp，保留对应的标号，其他标号都置0，表示为：
在步骤G中，本发明对步骤F中提取的信号进行跳频信号验证，提取质量评价并得到跳频信号能量图，具体包括以下分步骤：
G1、对提取到的信号进行跳频信号验证，是否符合跳频信号跳变的规律。对提取出的跳频信号s1重新进行连通得到tmp_tiao图像，采用上述步骤E2和E3中的方法计算出现时刻对跳周期的采样点余数及每个信噪比下提取出的跳频信号的最大采样点余数，表示为：
max(c2∪d1)
G2、验证所提取的信号是否就是所需的该跳频信号，对提取的信号进行跳周期估计，得出与所需跳频信号周期的相对误差，表示为：
[r2,c2]＝find(tmp_tiao＝＝i)
L(i)＝max(c2)-min(c2)
其中，r2和c2分别为标记图像tmp_tiao中连通区域所连通的所有行和所有列，L(i)为连通信号的周期，TP为所需的跳频信号的理论跳周期,e为与所需跳频信号周期的相对误差；
G3、对提取出的跳频信号进行提取质量评价，即跳频信号的完整度及背景残留率。将s1中非零值变为1得到图像s2，不含有噪声及干扰时的跳频信号二值图为s3，表示为：
E1＝u1/u2
E2＝u3/u4
其中，E1为提取的跳频信号的完整度，u1为s2·*s3中信号值1的总数，·*表示两个信号矩阵的对应元素相乘，保留信号值相同的部分，u2为s3中信号值1的总数；E2为提取的跳频信号中背景残留率，u3为s2·*s3中背景值0的总数，u4为s2中信号值1的总数减去s2·*s3中信号值1的总数；
G4、确定是所需跳频信号且提取质量保证的情况下，求出跳频信号能量图。将二值信号图像s2与原始的能量图像对应相乘，即可得到跳频信号能量，去除所有的突发、扫频、定频干扰及背景噪声，表示为：
W＝s2·*TFR
其中，TFR为原始的信号时频能量图。
本发明的连通区域标记采用排队论思想，避免了对同一信号的重复标记以及漏标情况，且连通区域标记使得属于同一信号的区域连通起来，因此通过去噪处理后，信号边缘地方出现的凹凸不平的地方，连通起来后对于去干扰起到了很好的效果，而不同信号有属于自己特有的一个标记，可以通过对各个连通信号所在位置进行快速定位，得到每一个连通信号的持续时长与出现时刻，对于持续时长和出现时刻的聚类实现了动态聚类，即无需事先知道信号中含有的信号个数，且门限设定仅和时频分辨率、去噪处理采用的线性结构元素等有关，聚类的同时又跟踪特征量对应的标号进行了聚类，即聚类后的标号与特征量是一一对应的关系，保证了最终定位的类别里面都属于跳频信号，而不是特征量与跳频信号相同的干扰，因此即使含有多种跳频信号，只要持续时长差不小于门限，仍然可以将其聚类进行任意一种跳频信号的提取，且二次聚类可以将周期与跳周期相同的干扰去除，并充分考虑了出现时刻波动的情况，准确的提取出跳频信号，因此，实现了在低信噪比强干扰下得到跳频信号的能量图。
如图2所示，为本发明的混合信号的连通区域标记示意图；如图3所示，为本发明的混合信号的第一次聚类示意图；如图4所示，为本发明的跳频信号2提取的标记示意图；如图5所示，为本发明的跳频信号2的出现时刻对平均周期的最大采样点余数在不同信噪比下的波动曲线示意图；如图6所示，为本发明的跳频信号2的跳周期估计相对误差随信噪比变化曲线示意图；如图7所示，为本发明的跳频信号2随信噪比变化的提取质量曲线示意图；如图8所示，为本发明的跳频信号2提取的能量示意图。本发明的实施例中采样率为16MHz，产生的第一种跳频信号的跳速为400跳/秒，跳频频率集为{4.4,3.7,4.9,2.8,3.5,5.4,1.4,1.8,3.1,5.1}MHz，产生的第二种跳频信号的跳速为320跳/秒，跳频频率集为{4,1,4.9,0.35,2.6,3.9,4.7,7.6,3.7.3}MHz，产生定频干扰的频率集为{7.5,6.5,0.55,4.1,2.2}MHz，产生扫频干扰的起始频率为5.7MHz，产生随机突发干扰的频率集为{6.8,7.8,7.1,0.15,0.75,4.6,2.4}MHz，干扰信干比都为-9dB，产生的底部噪声为复高斯白噪声。时频分析窗采用10001点的hamming窗，形态学去噪采用15点的线性结构元素，聚类门限采用5。各种信噪比下进行300次Monte Carlo实验，得到跳频信号2的出现时刻对平均周期的最大采样点余数在不同信噪比下的波动曲线，可以看出最大值都在误差值5以内，符合跳频信号跳变的规律；得到跳频信号2的跳周期估计相对误差随信噪比变化曲线，可以看出提取出的信号估计出的跳周期与想要的跳频信号周期的相对误差随着信噪比的升高变得非常小，可以确定是所需要的跳频信号；得到跳频信号2随信噪比变化的提取质量曲线图，可以看出提取出的跳频信号完整度得到保证，且不属于该跳频信号的背景残留率很小，可以确定提取有效；在信噪比为-11dB的条件下提取出跳频信号的能量图，从以上的图中可以看出，本发明的基于连通区域标记的跳频信号提取方法，能够在复杂的环境中快速准确的对其中一种跳频信号实现提取。
本邻域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本邻域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.一种基于连通区域标记的跳频信号动态聚类提取方法，其特征在于，包括以下步骤：
A、构建接收信号模型；
B、采用形态学方法对步骤A中的接收信号进行去噪和分割处理；
C、对步骤B中处理后的图像进行连通区域标记；
D、对步骤C中的连通区域标记信号的持续时长以及对应的标号进行动态聚类；
E、根据步骤D中的动态聚类结果，对连通区域标记信号的出现时刻及其对应的标号进行第二次动态聚类；
F、根据步骤E中的动态聚类结果进行其中一种跳频信号的提取；
G、对步骤F中提取的信号进行跳频信号验证，提取质量评价并得到跳频信号能量图。
2.如权利要求1所述的基于连通区域标记的跳频信号动态聚类提取方法，其特征在于，所述步骤A中构建的接收信号模型具体表示为：
<mrow>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>A</mi>
<mo>*</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>rect</mi>
<msub>
<mi>T</mi>
<mi>h</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>kT</mi>
<mi>h</mi>
</msub>
<mo>-</mo>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mi>j</mi>
<mn>2</mn>
<msub>
<mi>&pi;f</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>kT</mi>
<mi>h</mi>
</msub>
<mo>-</mo>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>+</mo>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msub>
<mi>J</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
其中，s(t)为接收信号，t为时间变量，T为观测时间，0≤t≤T，A为跳频信号的幅度，Th为跳周期，T0为起跳时间，fk为跳变频率，N为跳变频率个数，Ji(t)为扫频干扰信号、突发干扰信号、定频干扰信号的叠加信号，n(t)为复高斯白噪声。
3.如权利要求1所述的基于连通区域标记的跳频信号动态聚类提取方法，其特征在于，所述步骤B采用形态学方法对步骤A中的接收信号进行去噪和分割处理，具体包括以下分步骤：
B1、对接收信号s(t)进行时频变换，表示为：
<mrow>
<mi>T</mi>
<mi>F</mi>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mrow>
<mo>+</mo>
<mi>&infin;</mi>
</mrow>
</msubsup>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>)</mo>
</mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>-</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>j</mi>
<mn>2</mn>
<mi>&pi;</mi>
<mi>f</mi>
<mi>&tau;</mi>
</mrow>
</msup>
<mi>d</mi>
<mi>&tau;</mi>
</mrow>
其中，TFR(t,f)为s(t)的短时傅里叶变换，f为频率变量，h(t)为窗函数；
B2、将时频矩阵STFTs(t,f)转换为灰度时频图像G1(t,f)，采用线性结构元素se对灰度时频图像G1(t,f)进行形态学开运算和闭运算得到灰度时频图像G2(t,f)，表示为：
B3、设置阈值将灰度时频图像G2(t,f)转化为二值时频图像D(t,f)，表示为：
<mrow>
<msub>
<mi>g</mi>
<mi>D</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
<mo>,</mo>
<msub>
<mi>g</mi>
<msub>
<mi>G</mi>
<mn>2</mn>
</msub>
</msub>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
<mo>&GreaterEqual;</mo>
<mo>&part;</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
<mo>,</mo>
<msub>
<mi>g</mi>
<msub>
<mi>G</mi>
<mn>2</mn>
</msub>
</msub>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
<mo><</mo>
<mo>&part;</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，gD(x,y)和分别表示D(t,f)和G2(t,f)上任一点的灰度值。
4.如权利要求1所述的基于连通区域标记的跳频信号动态聚类提取方法，其特征在于，所述C对步骤B中处理后的图像进行连通区域标记，具体包括以下分步骤：
C1、初始化放置队列的元组q、进行取操作的队列头head＝1、排队等候处理的队列尾tail＝1、进行标记的标号label＝1；定义矩阵neighbour，使其每一行分别与标记信号值所在位置相加得到标记信号值的8邻域坐标，表示为：
neighbour＝[-1 -1；-1 0；-1 1；0 -1；0 1；1 -1；1 0；1 1]
C2、搜索二值图像D(t,f)，并判断该点像素值是否为需要标记的信号值且该像素点从未被标记过；若否则重新搜索二值图像D(t,f)并对下一个像素点进行判断，若是则对该像素点进行标记，表示为：
tmp(i,j)＝label
其中，tmp(i,j)为标记后的图像；
C3、把标记过的像素点坐标放到元组q中进行排队，等候对该像素点坐标的8邻域搜索，进行相同信号值的标记；同时队列尾tail加1，用来放置与该像素点属于同一信号的邻域坐标，进行排队等候，继续对新进入排队的坐标进行8邻域搜索，表示为：
q{tail}＝D(i,j)
tail＝tail+1
C4、判断队列头是否等于队列尾；若是则取出元组q中的坐标，计算得到该坐标8邻域坐标R，再对8邻域坐标R中的8个坐标按照步骤C2进行标记；若否则清空元组q，标号递增，队列头head及队列尾tail从1开始记起，返回步骤C2。
5.如权利要求1所述的基于连通区域标记的跳频信号动态聚类提取方法，其特征在于，所述D对步骤C中的连通区域标记信号的持续时长以及对应的标号进行动态聚类，具体包括以下分步骤：
D1、设定tmp标记图像中共有n个标记的信号，对标记图像的各个连通区域进行坐标定位，并求出各连通区域的持续时长，表示为：
[r,c]＝find(tmp＝＝i)
tg(i)＝min(c)
l(i)＝max(c)-tg(i)
其中，r为连通区域所连通的所有行，c为所连通的所有列，l为持续时长，tg为出现时刻，i＝1,2,3,…n；
D2、定义wi,j为聚类结果，bi,j为对应的聚类标号，zi为聚类中心，THl为类内门限，其中i为类别，j为该类中含有的信号个数；将持续时长l1取做第一类w1j的聚类中心，同时将持续时长l1放到第一类中，即z1＝l1，w11＝l1，记下该持续时长l1的连通标号，即b11＝1；
D3、计算尚未分类的时长l2到z1的距离，表示为：
d21＝|l2-z1|
若距离d21>THl，则自动建立一个新的类w2j，即w21＝l2，记下该时长的连通标号，即b21＝2，并令第二类的类中心为z2＝l2；若否则将l2存入w1j中，即w12＝l2；
D4、设定已求得K个聚类中心z1，z2，z3，…zk，计算还没有进行分类的lm到各聚类中心的距离，表示为
dm,i＝|lm-zi|
若min(dm,i)>THl，则重新另起一个新的类wk+1，即wk+1,1＝lm，同时记下该持续时长的连通标号，即bk+1,1＝m，且把该类的中心记为zk+1＝lm；否则找出该时长与所求出的所有类中最小距离的那一类所在位置，表示为：
tt＝find(dm,i＝＝min(dm,i))
再将lm存放到与它具有最小间距离的wtt,j那一类中，且把该时长对应的连通标号存放到btt,j中，表示为：
y＝max(find(w(tt,:)>0))+1
w(tt,y:y)＝lm
b(tt,y:y)＝m
其中，y表示对存储在该类信号的一个列位置定位，w表示特征量的聚类结果，b表示与特征量一一对应的标号的聚类结果；
D5、判断分类是否完成；若是则操作结束，若否则返回步骤D3。
6.如权利要求1所述的基于连通区域标记的跳频信号动态聚类提取方法，其特征在于，所述E根据步骤D中的动态聚类结果，对连通区域标记信号的出现时刻及其对应的标号进行第二次动态聚类，具体包括以下分步骤：
E1、计算跳频信号所在的第i类的平均持续时长，表示为：
h(i,j)＝find(w(i,:)>0)
Tk＝sum(w(i,h(i,j)))/L
其中，h(i,j)为第i类信号时长的非零值对应的位置，Tk为跳频信号的平均周期，L为h的总长度；
E2、设定提取出的该类信号中有nk个分量，该类中每个分量所占有的时长分别为出现时刻分别为设置一个对出现时刻进行分类的一个特征参数表示为：
c1(y)＝tg(y)％Tk
其中，c1为特征参数，tg(y)％Tk为tg(y)对Tk求余，y＝1,2,…,nk；
E3、取出余数大于时长聚类门限THl的出现时刻，继续对Tk-THl求余数，表示为：
ii＝find(c1>THl)
d1(ii)＝tg(ii)％(Tk-THl)
其中，d1为ii中余数大于时长聚类门限THl的出现时刻；
E4、将第一次求得余数小于时长聚类门限THl的特征参数c2与d1合并，并按时长聚类的方法进行标号跟踪聚类。
7.如权利要求1所述的基于连通区域标记的跳频信号动态聚类提取方法，其特征在于，所述步骤F根据步骤E中的动态聚类结果进行其中一种跳频信号的提取，具体包括以下分步骤：
F1、计算聚类后的跳频信号个数Y，按照观测时间里信号出现的个数选择门限th进行判决，表示为：
<mrow>
<mi>P</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
<mo>,</mo>
<mi>Y</mi>
<mo>&GreaterEqual;</mo>
<mi>t</mi>
<mi>h</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
<mo>,</mo>
<mi>Y</mi>
<mo><</mo>
<mi>t</mi>
<mi>h</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
F2、对跳频信号进行提取，确定该类信号所对应的标号d，搜索标记图像tmp，保留对应的标号，其他标号都置0，表示为：
<mrow>
<mi>s</mi>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>t</mi>
<mi>m</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>t</mi>
<mi>m</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>d</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mi>t</mi>
<mi>m</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&NotEqual;</mo>
<mi>d</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>.</mo>
</mrow>
8.如权利要求1所述的基于连通区域标记的跳频信号动态聚类提取方法，其特征在于，所述步骤G对步骤F中提取的信号进行跳频信号验证，提取质量评价并得到跳频信号能量图，具体包括以下分步骤：
G1、对提取出的跳频信号s1重新进行连通得到tmp_tiao图像，计算出现时刻对跳周期的采样点余数及每个信噪比下提取出的跳频信号的最大采样点余数，表示为：
max(c2∪d1)
G2、对提取的信号进行跳周期估计，得出与所需跳频信号周期的相对误差，表示为：
[r2,c2]＝find(tmp_tiao＝＝i)
L(i)＝max(c2)-min(c2)
<mrow>
<mi>e</mi>
<mo>=</mo>
<mo>|</mo>
<mfrac>
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>T</mi>
<mi>P</mi>
</mrow>
<mrow>
<mi>T</mi>
<mi>P</mi>
</mrow>
</mfrac>
<mo>|</mo>
</mrow>
其中，r2和c2分别为标记图像tmp_tiao中连通区域所连通的所有行和所有列，L(i)为连通信号的周期，TP为所需的跳频信号的理论跳周期,e为与所需跳频信号周期的相对误差；
G3、将s1中非零值变为1得到图像s2，不含有噪声及干扰时的跳频信号二值图为s3，表示为：
E1＝u1/u2
E2＝u3/u4
其中，E1为提取的跳频信号的完整度，u1为s2·*s3中信号值1的总数，·*表示两个信号矩阵的对应元素相乘，保留信号值相同的部分，u2为s3中信号值1的总数；E2为提取的跳频信号中背景残留率，u3为s2·*s3中背景值0的总数，u4为s2中信号值1的总数减去s2·*s3中信号值1的总数；
G4、将二值信号图像s2与原始的能量图像对应相乘，保留跳频信号能量，去除所有的突发、扫频、定频干扰及背景噪声，表示为：
W＝s2·*TFR
其中，TFR为原始的信号时频能量图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710468152.8A CN107273860B (zh) | 2017-06-20 | 2017-06-20 | 基于连通区域标记的跳频信号动态聚类提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710468152.8A CN107273860B (zh) | 2017-06-20 | 2017-06-20 | 基于连通区域标记的跳频信号动态聚类提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107273860A true CN107273860A (zh) | 2017-10-20 |
| CN107273860B CN107273860B (zh) | 2020-11-24 |
Family
ID=60068585
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710468152.8A Expired - Fee Related CN107273860B (zh) | 2017-06-20 | 2017-06-20 | 基于连通区域标记的跳频信号动态聚类提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107273860B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108415012A (zh) * | 2018-02-06 | 2018-08-17 | 中国人民解放军战略支援部队信息工程大学 | 一种单通道跳频信号分选方法与装置 |
| CN108462509A (zh) * | 2018-03-26 | 2018-08-28 | 西安电子科技大学 | 基于时频图信息的异步跳频网台分选方法 |
| CN109462422A (zh) * | 2018-11-15 | 2019-03-12 | 同方电子科技有限公司 | 一种实现超短波跳频信号跟踪干扰的系统和方法 |
| CN110334591A (zh) * | 2019-05-24 | 2019-10-15 | 西华大学 | 一种基于聚类分析的无人机跳频信号检测及识别方法 |
| CN112272066A (zh) * | 2020-09-15 | 2021-01-26 | 中国民用航空飞行学院 | 一种用于机场终端区甚高频通信中的频谱数据清洗方法 |
| CN114710215A (zh) * | 2022-04-08 | 2022-07-05 | 郑州大学 | 一种跳频信号快速盲检测的方法 |
| CN114759951A (zh) * | 2022-06-15 | 2022-07-15 | 成都中星世通电子科技有限公司 | 跳频信号实时盲检测方法、参数估计方法、系统及终端 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2826323A1 (en) * | 2012-03-16 | 2015-01-21 | Nokia Corporation | Common reference signal configuration for carrier aggregation |
| CN104485979A (zh) * | 2014-12-09 | 2015-04-01 | 西安电子科技大学 | 基于时频图修正的欠定混合跳频参数盲估计方法 |
| CN106685478A (zh) * | 2016-12-19 | 2017-05-17 | 电子科技大学 | 基于信号时频图像信息提取的跳频信号参数估计方法 |
-
2017
- 2017-06-20 CN CN201710468152.8A patent/CN107273860B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2826323A1 (en) * | 2012-03-16 | 2015-01-21 | Nokia Corporation | Common reference signal configuration for carrier aggregation |
| CN104485979A (zh) * | 2014-12-09 | 2015-04-01 | 西安电子科技大学 | 基于时频图修正的欠定混合跳频参数盲估计方法 |
| CN106685478A (zh) * | 2016-12-19 | 2017-05-17 | 电子科技大学 | 基于信号时频图像信息提取的跳频信号参数估计方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吕晨杰: "基于时频分析的跳频信号检测与参数估计技术", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 邓健爽等: "基于连通图动态分裂的聚类算法", 《华南理工大学学报(自然科学版)》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108415012A (zh) * | 2018-02-06 | 2018-08-17 | 中国人民解放军战略支援部队信息工程大学 | 一种单通道跳频信号分选方法与装置 |
| CN108462509B (zh) * | 2018-03-26 | 2019-10-11 | 西安电子科技大学 | 基于时频图信息的异步跳频网台分选方法 |
| CN108462509A (zh) * | 2018-03-26 | 2018-08-28 | 西安电子科技大学 | 基于时频图信息的异步跳频网台分选方法 |
| CN109462422B (zh) * | 2018-11-15 | 2021-06-18 | 同方电子科技有限公司 | 一种实现超短波跳频信号跟踪干扰的系统和方法 |
| CN109462422A (zh) * | 2018-11-15 | 2019-03-12 | 同方电子科技有限公司 | 一种实现超短波跳频信号跟踪干扰的系统和方法 |
| CN110334591A (zh) * | 2019-05-24 | 2019-10-15 | 西华大学 | 一种基于聚类分析的无人机跳频信号检测及识别方法 |
| CN110334591B (zh) * | 2019-05-24 | 2022-07-15 | 西华大学 | 一种基于聚类分析的无人机跳频信号检测及识别方法 |
| CN112272066A (zh) * | 2020-09-15 | 2021-01-26 | 中国民用航空飞行学院 | 一种用于机场终端区甚高频通信中的频谱数据清洗方法 |
| CN112272066B (zh) * | 2020-09-15 | 2022-08-26 | 中国民用航空飞行学院 | 一种用于机场终端区甚高频通信中的频谱数据清洗方法 |
| CN114710215A (zh) * | 2022-04-08 | 2022-07-05 | 郑州大学 | 一种跳频信号快速盲检测的方法 |
| CN114710215B (zh) * | 2022-04-08 | 2024-02-02 | 郑州大学 | 一种跳频信号快速盲检测的方法 |
| CN114759951A (zh) * | 2022-06-15 | 2022-07-15 | 成都中星世通电子科技有限公司 | 跳频信号实时盲检测方法、参数估计方法、系统及终端 |
| CN114759951B (zh) * | 2022-06-15 | 2022-09-02 | 成都中星世通电子科技有限公司 | 跳频信号实时盲检测方法、参数估计方法、系统及终端 |
| CN115426002A (zh) * | 2022-06-15 | 2022-12-02 | 成都中星世通电子科技有限公司 | 基于时频分析的跳频信号检测与参数估计方法及系统 |
| CN115426002B (zh) * | 2022-06-15 | 2023-07-11 | 成都中星世通电子科技有限公司 | 基于时频分析的跳频信号检测与参数估计方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107273860B (zh) | 2020-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107273860A (zh) | 基于连通区域标记的跳频信号动态聚类提取方法 | |
| Qu et al. | Radar signal intra-pulse modulation recognition based on convolutional neural network | |
| CN101763502B (zh) | 一种高效的敏感图像检测方法及其系统 | |
| CN108875816A (zh) | 融合置信度准则和多样性准则的主动学习样本选择策略 | |
| CN101587186B (zh) | 一种雷达脉内调制信号的特征提取方法 | |
| CN103064063B (zh) | 基于cwd特征的多相编码雷达信号波形自动识别方法 | |
| CN101359373B (zh) | 退化字符的识别方法和装置 | |
| CN109471074A (zh) | 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 | |
| CN106685478A (zh) | 基于信号时频图像信息提取的跳频信号参数估计方法 | |
| CN104778470A (zh) | 基于组件树和霍夫森林的文字检测和识别方法 | |
| CN102073870A (zh) | 一种触摸屏汉字笔迹识别方法 | |
| CN110163275A (zh) | 基于深度卷积神经网络的sar图像目标分类方法 | |
| CN101241181A (zh) | 非库属目标一维距离像判别方法 | |
| CN111832462A (zh) | 一种基于深度神经网络的跳频信号检测与参数估计方法 | |
| CN111612130B (zh) | 一种频移键控通信信号调制方式识别方法 | |
| CN108197581A (zh) | 一种基于改进AC-WGANs的无人机信号识别检测算法 | |
| CN106452673A (zh) | 多传感器接收中基于特征向量的最大似然调制识别方法 | |
| CN109001702A (zh) | 无载波超宽带雷达人体动作识别方法 | |
| CN104268584A (zh) | 一种基于分层过滤的人脸检测方法 | |
| CN103955946B (zh) | 一种基于协作与竞争模式的蚁群近邻细胞跟踪系统及其应用 | |
| CN103065152B (zh) | 一种视频中数字时钟的识别方法 | |
| CN101814140B (zh) | 一种信封图像地址定位方法 | |
| CN114710215B (zh) | 一种跳频信号快速盲检测的方法 | |
| CN104504385B (zh) | 手写粘连数字串的识别方法 | |
| CN109376619A (zh) | 一种细胞检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for 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 |
Granted publication date: 20201124 Termination date: 20210620 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |