CN108197146B - 基于脉冲流数据的精分类辐射源识别参量在轨生成系统 - Google Patents
基于脉冲流数据的精分类辐射源识别参量在轨生成系统 Download PDFInfo
- Publication number
- CN108197146B CN108197146B CN201711221191.4A CN201711221191A CN108197146B CN 108197146 B CN108197146 B CN 108197146B CN 201711221191 A CN201711221191 A CN 201711221191A CN 108197146 B CN108197146 B CN 108197146B
- Authority
- CN
- China
- Prior art keywords
- radiation source
- classification
- module
- fine classification
- parameters
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Radar Systems Or Details Thereof (AREA)
- Measurement Of Radiation (AREA)
Abstract
本发明公开了基于脉冲流数据的精细分类辐射源识别参量在轨生成系统,该系统包括:粗分类模块接收秒级连续的脉冲流数据,将脉冲流数据进行分类,得到多个粗分类子集;精分类模块对粗分类子集进行主分选,获得多个精分类子集;在轨统计模块统计各精分类辐射源的辐射源类型和辐射源数据参数,统计结果输入至数据库生成模块;合并模块将辐射源数据参数在预设的容差范围内的多个精分类辐射源合并为一个辐射源,合并结果输入至数据库生成模块;数据库生成模块依据统计结果和合并结果以及预先建立的辐射源识别参量模型,生成辐射源识别参量并存储于数据库;辐射源识别参量模型为用于存储辐射源各项数据参数的矩阵。
Description
技术领域
本发明涉及辐射源分选识别技术领域,具体涉及基于脉冲流数据的精分类辐射源识别参量在轨生成系统。
背景技术
支持快速应用是星载无源侦察技术的重要发展趋势。面向快速应用需进行关注目标的高置信度识别,而星上雷达侦察设备输出及传输的原始数据为秒级 (s级)连续脉冲流数据,体现了辐射源的某些特征,在该背景下,充分利用平台辐射源关联特征为目标识别提供了一种有力途径,需经过由辐射源识别到辐射源关联平台识别的分层识别过程。为完成辐射源识别过程,在复杂电磁环境下,需首先基于输出的s级连续脉冲流数据生成分类辐射源在轨参量数据,便于为辐射源识别处理算法提供直接输入。分类辐射源参量在轨生成是进行在轨辐射源识别的基础和关键因素,辐射源分类参量数据越正确、越精细,对后续的辐射源识别越有利,从而对辐射源关联平台的识别越有利。
基于脉冲流数据的辐射源分选方法总体分为预分选、主分选两类,虽然针对这两类已经有一些细化的研究算法,目前已有的辐射源分选方法对于辐射源的分选仅从数据参数分析出发,未考虑辐射源本身存在的跳变和参差等特性,因此导致分类不不够精细。且已有的分选方法知识辐射源识别参量生成中的部分环节,对于辐射源识别参量综合生成系统的组成及结构目前也未有体系化标准化研究。
发明内容
有鉴于此,本发明提供了基于脉冲流数据的精分类辐射源识别参量在轨生成系统,是一种综合性的辐射源精分类识别系统,能够实现对辐射源的精分类。
基于脉冲流数据的精细分类辐射源识别参量在轨生成系统,系统包括粗分类模块、精分类模块、在轨统计模块、合并模块以及数据库生成模块:
粗分类模块,配置用于接收秒级连续的脉冲流数据,依据脉冲流数据参数,将脉冲流数据进行分类,得到多个粗分类子集。
精分类模块,配置用于对粗分类子集进行主分选,获得多个精分类子集。
在轨统计模块,配置用于对精分类子集进行跳变鉴别,将属于同一跳变辐射源的多个精分类子集识别为一个精分类辐射源。对精分类子集进行参差鉴别,将属于同一参差辐射源的多个精分类子集识别为一个精分类辐射源。将剩余的每个精分类子集分别对应识别为一个精分类辐射源,统计各精分类辐射源的辐射源类型和辐射源数据参数,将统计结果输入至数据库生成模块。
合并模块,配置用于按照各精分类辐射源的辐射源数据参数,将辐射源数据参数在预设的容差范围内的多个精分类辐射源合并为一个辐射源,并将合并结果输入至数据库生成模块。
数据库生成模块,配置用于依据统计结果和合并结果,根据预先建立的辐射源识别参量模型,生成辐射源识别参量并存储于数据库中。
辐射源识别参量模型为用于存储辐射源各项数据参数的矩阵。
进一步地,脉冲流数据参数包括频率和脉宽。
粗分类模块包括已知辐射源匹配与扣除子模块以及未知辐射源直方图统计子模块。
已知辐射源匹配与扣除子模块,配置用于依据脉冲流数据的数据参数,与辐射源识别参量数据库中已经存储的辐射源识别参量进行匹配,若脉冲流数据的数据参数在已经存储的辐射源识别参量中数据参数的特征值的取值范围之内,则将脉冲流数据识别为已知辐射源脉冲流数据,已知辐射源脉冲流数据除外的脉冲流数据为未知辐射源脉冲流数据。将已知辐射源脉冲流数据作为精分类子集送入在轨统计模块。未知辐射源脉冲流数据送入未知辐射源直方图统计子模块。
未知辐射源直方图统计子模块,配置用于根据未知辐射源脉冲流数据的数据参数,采用直方图统计的方法进行粗分类,得到多个粗分类子集。
进一步地,精分类模块,配置用于采用如下主分选方法对粗分类子集进行主分选:
基于多级差分的改进SDIF主分选方法、SDIF主分选方法、改进的PRI变换算法,以及结合SDIF与改进PRI变换的综合主分选算法。
进一步地,辐射源数据参数包括如下项中的一种或多种:
辐射源类型;频率参数变化特征、频率参数变化个数、频率参数典型值、频率参数变化范围;重频参数变化特征、重频参数变化个数、重频参数典型值、重频参数变化范围;脉宽参数变化特征、脉宽参数变化个数、脉宽参数典型值、脉宽参数变化范围。
进一步地,在轨统计模块,还配置用于:统计精分类子集的数据参数,包括频率、重频以及脉宽。
对精分类子集进行跳变鉴别,将属于同一跳变辐射源的多个精分类子集识别为一个精分类辐射源具体为:判断若多个精分类子集的数据参数中,重频以及脉宽的数值范围在预设的容差范围内,则多个精分类子集属于同一跳变辐射源。
对精分类子集进行参差鉴别,将属于同一参差辐射源的多个精分类子集识别为一个精分类辐射源,具体为:
多个精分类子集两两之间采用如下方式判断是否属于同一参差辐射源:即两个精分类子集对应的脉冲序列的脉冲到达时间差求方差,方差小于预设的鉴别门限值时,则两个精分类子集属于同一参差辐射源。
进一步地,辐射源参数还包括,辐射源模式数。
合并模块,还配置用于:
将辐射源数据参数在预设的容差范围内的多个精分类辐射源进行合并时,若合并的多个精分类辐射源的辐射源数据参数均一致,则合并后得到的辐射源具有1种模式,设置模式数为1。
若合并的多个精分类辐射源的辐射源数据参数存在L种分布情形,则合并后得到的辐射源具有L种模式,设置模式数为L,L为大于1的整数。
未合并的精分类辐射源的模式数设置为1。
有益效果:
本发明所提供的辐射源识别参量在轨生成系统可以实现复杂电磁环境下基于星载连续脉冲流数据的精分类辐射源识别参量自动生成,对已知和未知辐射源均可进行精分类生成辐射源识别参量,最终可形成辐射源识别参量数据库,为辐射源类型识别处理系统提供直接输入。本发明辐射源识别参量在轨生成系统中的辐射源参量在轨统计模块除具备常规的各参数取值或取值范围统计功能外,还具有跳变辐射源鉴别和参差辐射源鉴别功能,其中跳变辐射源鉴别功能可实现对跳频、PRI跳变、脉宽跳变辐射源的鉴别。
附图说明
图1为本发明实施例所提供的辐射源识别参量在轨生成系统结构框图;
图2为本发明实施例中所构建的辐射源识别参量模型结构图;
图3为本发明实施例所提供的辐射源识别参量在轨生成系统工作流程图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供了基于脉冲流数据的精分类辐射源识别参量在轨生成系统,具体组成如图1所示,该系统包括粗分类模块、精分类模块、在轨统计模块、合并模块以及数据库生成模块。
粗分类模块,配置用于接收连续的脉冲流数据,依据脉冲流数据参数,将脉冲流数据进行分类,得到多个粗分类子集。
本发明实施例中,粗分类模块根据脉冲流数据参数,可以采用多种方法进行分类,其中脉冲流数据参数可能包括频率、脉宽、到达时间和脉冲幅度等参数,可以根据脉冲流数据参数中的频率、脉宽等参数的分布进行粗分类,将分布在一个设定的范围之内的脉冲流数据参数对应的脉冲流数据归类为同一个粗分类子集。也可以对脉冲流数据参数采用直方图统计的方式进行分类。而对于本发明来说,粗分类模块在获得粗分类子集之外还可以根据已经建立的辐射源识别参量模型来进行匹配识别,匹配识别的结果是较为精细的分类。
精分类模块,配置用于对粗分类子集进行主分选,从而获得多个精分类子集,计算精分类子集的PRI类型和PRI估计值。
本发明实施例中,可以选择不同的主分选的方式进行,例如可以依据脉冲流数据中的脉冲到达时间TOA数据计算重频类型,根据重频类型对粗分类子集进行分选。也可以直接采用现有的方式,例如可以采用如下主分选方法对粗分类子集进行主分选:
基于多级差分的改进SDIF主分选方法、SDIF主分选方法、改进的PRI变换算法,以及结合SDIF与改进PRI变换的综合主分选算法。
在轨统计模块,配置用于对精分类子集进行跳变鉴别和参差鉴别,原因是不同的精分类子集可能来自同一个辐射源,只是因为辐射源的跳变和参差特性使得脉冲流数据参数的表现出现跳变或者参差变化,因此该在轨统计模块的目的是为了将属于同一个跳变辐射源或者参差辐射源的精分类子集进行识别。
该在轨统计模块执行如下操作:对精分类子集进行跳变鉴别,是将属于同一跳变辐射源的多个精分类子集识别为一个精分类辐射源。对精分类子集进行参差鉴别,将属于同一参差辐射源的多个精分类子集识别为一个精分类辐射源。将剩余的每个精分类子集分别对应识别为一个精分类辐射源,统计各精分类辐射源的辐射源类型和辐射源数据参数,将统计结果输入至数据库生成模块。
本发明实施例中,辐射源数据参数可以包括如下参数中的一种或多种:
辐射源类型;频率参数变化特征、频率参数变化个数、频率参数典型值、频率参数变化范围;重频参数变化特征、重频参数变化个数、重频参数典型值、重频参数变化范围;脉宽参数变化特征、脉宽参数变化个数、脉宽参数典型值、脉宽参数变化范围。
合并模块,配置用于按照各精分类辐射源的辐射源数据参数,将辐射源数据参数在预设的容差范围内的多个精分类辐射源合并为一个辐射源,并将合并结果输入至数据库生成模块。该合并模块是考虑到同一个辐射源可能存在多种模式,导致辐射源数据参数表现出不同的变化特征,该模块将辐射源数据参数在预设的容差范围内的多个精分类辐射源合并为一个辐射源,以避免辐射源统计结果存在的重复的辐射源识别结果。
数据库生成模块,配置用于依据统计结果和合并结果,根据预先建立的辐射源识别参量模型,生成辐射源识别参量并存储。
辐射源识别参量模型为用于存储辐射源各项数据参数的矩阵。
本发明实施例中,在粗分类模块中,直接根据脉冲流数据参数中的频率和脉宽即可进行脉冲流数据的粗分类。
在本系统工作的过程中,脉冲数据流是连续输入至系统的,因此在数据库生成模块中,数据库中的辐射源识别参量也是实时存储并更新的,所以在粗分类模块中,可以根据数据库中已经存储的辐射源识别参量先进行一次筛选,将可以确定为已存储的辐射源筛选出来。基于这种设计,本发明实施例中,粗分类模块可以采用两个子模块来实现,分别为:已知辐射源匹配与扣除子模块以及未知辐射源直方图统计子模块。
已知辐射源匹配与扣除子模块,配置用于依据脉冲流数据的数据参数,与辐射源识别参量数据库中已经建立的辐射源识别参量模型进行匹配,若脉冲流数据的数据参数在已经建立的辐射源识别参量模型中数据参数的特征值的取值范围之内,则将脉冲流数据识别为已知辐射源脉冲流数据,已知辐射源脉冲流数据除外的脉冲流数据为未知辐射源脉冲流数据。将已知辐射源脉冲流数据作为精分类子集送入在轨统计模块。未知辐射源脉冲流数据送入未知辐射源直方图统计子模块。
未知辐射源直方图统计子模块,配置用于根据未知辐射源脉冲流数据的数据参数,采用直方图统计的方法进行粗分类,得到多个粗分类子集。
本发明实施例中,针对在轨统计模块,可以采用如下的实现方式:
统计精分类子集的数据参数,包括频率、重频以及脉宽。
对精分类子集进行跳变鉴别,将属于同一跳变辐射源的多个精分类子集识别为一个精分类辐射源具体为:判断若多个精分类子集的数据参数中,重频以及脉宽的数值范围在预设的容差范围内,则多个精分类子集属于同一跳变辐射源。本发明实施例中,预设的容差范围可以为经验值,也可以是以试凑的方式针对系统进行可行性试验得到的能够实现系统较优性能的试凑值。
对精分类子集进行参差鉴别,将属于同一参差辐射源的多个精分类子集识别为一个精分类辐射源,具体为:
多个精分类子集两两之间采用如下方式判断是否属于同一参差辐射源:即两个精分类子集对应的脉冲序列的脉冲到达时间差求方差,方差小于预设的鉴别门限值时,则两个精分类子集属于同一参差辐射源。本发明实施例中,预设的鉴别门限值可以为经验值,也可以是以试凑的方式针对系统进行可行性试验得到的能够实现系统较优性能的试凑值。
本发明实施例以两个精分类子集对应的脉冲序列为例,给出如下的参差鉴别方法:
然后,利用独立脉冲列方差大、参差脉冲列方差小的特性进行参差鉴别。具体的,设置方差参差鉴别门限当按公式估计的时为参差脉冲列,当时为独立脉冲列。方差参差鉴别门限通常情况下取值为(1/2~1/3)ΔPRI,其中ΔPRI代表脉冲列重频PRI的抖动量。
本发明实施例中,考虑到同一辐射源因为其具有多种模式,而导致其辐射源数据参数可能在一定的容差范围内浮动,因此对合并模块进行如下设定:
将辐射源数据参数在预设的容差范围内的多个精分类辐射源进行合并时,若合并的多个精分类辐射源的辐射源数据参数均一致,则合并后得到的辐射源具有1种模式,设置模式数为1。本发明实施例中,预设的容差范围可以为经验值,也可以是以试凑的方式针对系统进行可行性试验得到的能够实现系统较优性能的试凑值
若合并的多个精分类辐射源的辐射源数据参数存在L种分布情形,则合并后得到的辐射源具有L种模式,设置模式数为L,L为大于1的整数。
未合并的精分类辐射源的模式数设置为1。
基于该合并模块辐射源参数还包括,辐射源模式数。综合上述辐射源参数,本发明实施例中,所建立的辐射源识别参量模型具体如图2所示。其中包括基本要素,即:
辐射源类型;辐射源模式数;频率参数变化特征;频率参数变化个数;频率参数典型值;频率参数变化范围;重频参数变化特征;重频参数变化个数;重频参数典型值;重频参数变化范围;脉宽参数变化特征;脉宽参数变化个数;脉宽参数典型值;脉宽参数变化范围。
还可以包含一定的扩展要素,例如脉内调制方式种类数,脉内调制典型值,带宽类型数或典型值以及辐射源到达方向,均可以从脉冲数据中获得。
本发明实施例中,生成的辐射源识别参量为矩阵形式,其可能包括如表1 所示的多个辐射源数据参数:
表1
如表1所示,本发明实施例中的辐射源识别参量,其矩阵列数可以为47列,各列信息体现了辐射源的类型示数、该类型下模式示数,以及频率、重频、脉宽各参数的变化特征、变化个数、典型值和取值范围、均值。在系统输入的脉冲流数据结构多于4维时,矩阵列数可进一步扩充。其中,辐射源识别参量数据库矩阵行数K为精分类类数下各类包含模式之和,即有如下公式:
其中,nij(i=1,2,...,N;j=1,2,...,Mi)取值为1,N为统计合并后输出的精分类辐射源总类数,Mi为第i类辐射源参量的总模式数。
辐射源识别参量在轨生成系统最终生成的辐射源识别参量数据库具有矩阵结构,矩阵行数为辐射源精分类的总模式之和,矩阵列数至少包含47列,体现了不同分类辐射源各参数的变化特征、典型取值及变化范围,各参数变化特征可用数字示数表示。
针对上述实施例给出的辐射源识别参量在轨生成系统,图3示出了该系统的工作流程:
S1、接收到秒级(s级)连续脉冲流数据。
S2、辐射源粗分类预处理:
借助于已生成的辐射源识别参量数据库,首先由辐射源粗分类预处理模块进行已知辐射源或未知辐射源的预分选,当首次处理脉冲流数据或辐射源识别参量数据库为空时,直接进行未知辐射源预分选,对于已知辐射源预分选,从脉冲流数据中分离出的已知辐射源的脉冲流数据作为精分类子集送入在轨统计模块,对于未扣除的脉冲流数据送入未知辐射源直方图统计子模块,依据频率及脉宽范围直接进行直方图统计获得各粗分类子集。
S3、辐射源精分类处理:
对粗分类预处理模块输出的若干粗分类子集中的每一个,送入辐射源精分类处理模块,进行主分选,由此对每个粗分类子集进行精分类,形成精分类子集。
S4、精分类辐射源参量在轨统计:将辐射源精分类处理模块输出的多个精分类子集,输入辐射源参量在轨统计模块进行各参数变化特征、变化个数、典型值及变化范围的统计,对于粗分类预处理模块发来的精分类子集同样进行上述统计。
S5、精分类辐射源合并处理:
对统计后的精分类辐射源参量信息执行合并处理,对于各参数变化特征及取值范围完全一致的辐射源子类合并成一类,以完成精确分类。
S6、对经在轨统计和合并处理后的精分类辐射源参量信息,按照构建的辐射源识别参量模型,进行辐射源识别参量数据库的扩展与更新。
S7、判断是否继续接收到s级连续脉冲流数据,若是返回S1,否则系统工作结束。
综上,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于脉冲流数据的精分类辐射源识别参量在轨生成系统,其特征在于,所述系统包括粗分类模块、精分类模块、在轨统计模块、合并模块以及数据库生成模块:
粗分类模块,配置用于接收秒级连续的脉冲流数据,依据脉冲流数据参数,将所述脉冲流数据进行分类,得到多个粗分类子集;
精分类模块,配置用于对所述粗分类子集进行主分选,获得多个精分类子集;
在轨统计模块,配置用于对所述精分类子集进行跳变鉴别,将属于同一跳变辐射源的多个精分类子集识别为一个精分类辐射源;对所述精分类子集进行参差鉴别,将属于同一参差辐射源的多个精分类子集识别为一个精分类辐射源;将剩余的每个精分类子集分别对应识别为一个精分类辐射源,统计各精分类辐射源的辐射源类型和辐射源数据参数,将统计结果输入至数据库生成模块;
合并模块,配置用于按照所述各精分类辐射源的辐射源数据参数,将辐射源数据参数在预设的容差范围内的多个精分类辐射源合并为一个辐射源,并将合并结果输入至数据库生成模块;
数据库生成模块,配置用于依据所述统计结果和所述合并结果,根据预先建立的辐射源识别参量模型,生成辐射源识别参量并存储于数据库中;
所述辐射源识别参量模型为用于存储所述辐射源各项数据参数的矩阵。
2.如权利要求1所述的系统,其特征在于,所述脉冲流数据参数包括频率和脉宽;
所述粗分类模块包括已知辐射源匹配与扣除子模块以及未知辐射源直方图统计子模块;
所述已知辐射源匹配与扣除子模块,配置用于依据所述脉冲流数据的数据参数,与所述辐射源识别参量数据库中已经存储的辐射源识别参量进行匹配,若所述脉冲流数据的数据参数在所述已经存储的辐射源识别参量中数据参数的特征值的取值范围之内,则将所述脉冲流数据识别为已知辐射源脉冲流数据,已知辐射源脉冲流数据除外的脉冲流数据为未知辐射源脉冲流数据;将所述已知辐射源脉冲流数据作为精分类子集送入所述在轨统计模块;所述未知辐射源脉冲流数据送入所述未知辐射源直方图统计子模块;
所述未知辐射源直方图统计子模块,配置用于根据所述未知辐射源脉冲流数据的数据参数,采用直方图统计的方法进行粗分类,得到多个粗分类子集。
3.如权利要求1所述的系统,其特征在于,所述精分类模块,配置用于采用如下主分选方法对所述粗分类子集进行主分选:
基于多级差分的改进SDIF主分选方法、SDIF主分选方法、改进的PRI变换算法,以及结合SDIF与改进PRI变换的综合主分选算法。
4.如权利要求1所述的系统,其特征在于,所述辐射源数据参数包括如下项中的一种或多种:
辐射源类型;
频率参数变化特征、频率参数变化个数、频率参数典型值、频率参数变化范围;
重频参数变化特征、重频参数变化个数、重频参数典型值、重频参数变化范围;
脉宽参数变化特征、脉宽参数变化个数、脉宽参数典型值、脉宽参数变化范围。
5.如权利要求1所述的系统,其特征在于,所述在轨统计模块,还配置用于:统计所述精分类子集的数据参数,包括频率、重频以及脉宽;
对所述精分类子集进行跳变鉴别,将属于同一跳变辐射源的多个精分类子集识别为一个精分类辐射源,具体为:判断若多个精分类子集的数据参数中,重频以及脉宽的数值范围在预设的容差范围内,则所述多个精分类子集属于同一跳变辐射源;
对所述精分类子集进行参差鉴别,将属于同一参差辐射源的多个精分类子集识别为一个精分类辐射源,具体为:
多个精分类子集两两之间采用如下方式判断是否属于同一参差辐射源:即两个精分类子集对应的脉冲序列的脉冲到达时间差求方差,方差小于预设的鉴别门限值时,则两个精分类子集属于同一参差辐射源。
6.如权利要求1~4任一所述的系统,其特征在于,所述辐射源参数还包括,辐射源模式数;
所述合并模块,还配置用于:
将辐射源数据参数在预设的容差范围内的多个精分类辐射源进行合并时,若合并的多个精分类辐射源的辐射源数据参数均一致,则合并后得到的辐射源具有1种模式,设置模式数为1;
若合并的多个精分类辐射源的辐射源数据参数存在L种分布情形,则合并后得到的辐射源具有L种模式,设置模式数为L,L为大于1的整数;
未合并的精分类辐射源的模式数设置为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711221191.4A CN108197146B (zh) | 2017-11-29 | 2017-11-29 | 基于脉冲流数据的精分类辐射源识别参量在轨生成系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711221191.4A CN108197146B (zh) | 2017-11-29 | 2017-11-29 | 基于脉冲流数据的精分类辐射源识别参量在轨生成系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108197146A CN108197146A (zh) | 2018-06-22 |
CN108197146B true CN108197146B (zh) | 2020-06-23 |
Family
ID=62573442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711221191.4A Active CN108197146B (zh) | 2017-11-29 | 2017-11-29 | 基于脉冲流数据的精分类辐射源识别参量在轨生成系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108197146B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377658B (zh) * | 2019-07-22 | 2022-11-01 | 中国电子科技集团公司第二十九研究所 | 一种用全脉冲数据分析雷达信号参数和构建参数库的方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101893704B (zh) * | 2010-07-20 | 2012-07-25 | 哈尔滨工业大学 | 一种基于粗糙集的雷达辐射源信号识别方法 |
CN102466795B (zh) * | 2010-11-09 | 2013-06-26 | 何明浩 | 基于多指标的雷达信号脉内特征参数评估方法 |
US9063165B2 (en) * | 2012-06-01 | 2015-06-23 | Landauer, Inc. | System for motion and activity correlation with dose for occupational and environmental dosimetry |
CN102879765B (zh) * | 2012-09-27 | 2014-03-26 | 哈尔滨工程大学 | 基于聚类统计分析的快速信号分选方法 |
CN103116083B (zh) * | 2013-01-23 | 2014-12-10 | 华中科技大学 | 一种vlf/lf频段地闪雷电探测定位系统 |
CN103390990B (zh) * | 2013-07-24 | 2015-09-23 | 深圳开立生物医疗科技股份有限公司 | 一种电源的隔离转换电路 |
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 |
KR101620453B1 (ko) * | 2014-11-18 | 2016-05-12 | 국방과학연구소 | 레이더 신호 분석 방법 |
CN104880723B (zh) * | 2015-04-29 | 2017-12-22 | 中国电子科技集团公司第三十六研究所 | 一种单星测向定位地面辐射源的方法和装置 |
CN205643702U (zh) * | 2016-04-07 | 2016-10-12 | 四川巡天揽胜信息技术有限公司 | 一种雷达测速仪及雷达测速桩 |
CN106059376A (zh) * | 2016-06-03 | 2016-10-26 | 山东航天电子技术研究所 | 一种适用于高重复频率脉冲负载的供电系统 |
CN106093899A (zh) * | 2016-08-25 | 2016-11-09 | 赵国林 | 一种雷达工作模式识别方法 |
CN106529478A (zh) * | 2016-11-08 | 2017-03-22 | 中国人民解放军空军工程大学 | 一种联合三维熵特征的雷达辐射源信号识别方法 |
CN106405518A (zh) * | 2016-12-07 | 2017-02-15 | 中国船舶重工集团公司第七二四研究所 | 一种复杂体制雷达信号等级关联聚类分选方法 |
CN106970369B (zh) * | 2017-04-24 | 2019-08-06 | 西安电子科技大学 | 基于知识辅助的宽带雷达目标检测方法 |
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 |
CN107301432B (zh) * | 2017-07-11 | 2020-09-25 | 哈尔滨工程大学 | 基于时频分析的自适应辐射源调制识别方法 |
-
2017
- 2017-11-29 CN CN201711221191.4A patent/CN108197146B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108197146A (zh) | 2018-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800790B (zh) | 一种面向高维数据的特征选择方法 | |
Sehra et al. | Soft computing techniques for software effort estimation | |
Mangortey et al. | Classification, analysis, and prediction of the daily operations of airports using machine learning | |
Choudhari et al. | Predictive to prescriptive analysis for customer churn in telecom industry using hybrid data mining techniques | |
Singh et al. | Feature selection based classifier combination approach for handwritten Devanagari numeral recognition | |
CN108197146B (zh) | 基于脉冲流数据的精分类辐射源识别参量在轨生成系统 | |
Lassouaoui et al. | A synergy Thompson sampling hyper‐heuristic for the feature selection problem | |
Pathiraja et al. | Multiclass confidence and localization calibration for object detection | |
Kultur et al. | ENNA: software effort estimation using ensemble of neural networks with associative memory | |
CN106529726A (zh) | 一种基于股票预测走势进行分类和推荐的方法 | |
Lee et al. | Face and palmprint multimodal biometric system based on bit-plane decomposition approach | |
Lavangnananda et al. | Capability of control chart patterns classifiers on various noise levels | |
Thornton et al. | Character recognition using hierarchical vector quantization and temporal pooling | |
Bouř et al. | Statistical classification techniques in high energy physics (SDDT algorithm) | |
Alhassan et al. | Using data mining technique for scholarship disbursement | |
Duval-Poo et al. | A new classifier combination scheme using clustering ensemble | |
Mishra et al. | Generation of rules for student feedback system by the use of rough set theory | |
Reyneri et al. | Estimate of a probability density function through neural networks | |
Lavangnananda et al. | Effectiveness of Different Preprocessing Techniques on Classification of Various Lengths of Control Charts Patterns | |
Yan | Anomaly Detection in Categorical Data with Interpretable Machine Learning: A random forest approach to classify imbalanced data | |
Moallemi et al. | Informing the delineation of input uncertainty space in exploratory modelling using a heuristic approach | |
Delgado et al. | Applying grey systems to assess social impact on a mining project in Peru | |
Azizi et al. | Multi-stage dynamic ensemble selection using heterogeneous learning algorithms: application on classification problems | |
Chadha et al. | A hybrid machine learning model approach to h-1b visa | |
Díaz Desposorio et al. | Deep Neural Network to Describe the Measurement of the Higgs Production in the Full Leptonic Channel via Vector Boson Fusion |
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 |