CN108921110A - 新型卷积神经网络与Wigner-Ville分布结合的雷达信号分类方法 - Google Patents

新型卷积神经网络与Wigner-Ville分布结合的雷达信号分类方法 Download PDF

Info

Publication number
CN108921110A
CN108921110A CN201810741673.0A CN201810741673A CN108921110A CN 108921110 A CN108921110 A CN 108921110A CN 201810741673 A CN201810741673 A CN 201810741673A CN 108921110 A CN108921110 A CN 108921110A
Authority
CN
China
Prior art keywords
radar signal
accuracy
layer
classification
essential structure
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.)
Pending
Application number
CN201810741673.0A
Other languages
English (en)
Inventor
郭磊
王秋然
林滋宜
张克乐
曾家明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201810741673.0A priority Critical patent/CN108921110A/zh
Publication of CN108921110A publication Critical patent/CN108921110A/zh
Pending legal-status Critical Current

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
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

传统的雷达信号分类方法通常采用人工分析、提取各种低截获概率雷达信号特征后，利用提取的特征进行分类处理，但在实际应用中分类准确率较低。本发明是一种结合伪Wigner‑Ville分布分析与新型卷积神经网络模型对低概率截获雷达信号分类的方法。具体步骤如下：步骤一，截获LPI雷达信号；步骤二，对截获的雷达信号进行Wigner‑Ville分布处理，得到雷达信号图像；步骤三，对处理后的雷达信号图像进行归一化；步骤四，基于本发明新型卷积神经网络对雷达信号图像进行分类；步骤五，输出LPI雷达信号分类结果。本发明的雷达信号分类方法可以自动的提取雷达信号特征，随着收集的雷达信号数据的增加，其分类的正确率会提升，是一种具有自适应能力的雷达信号分类方法，对于提升我国的电子对抗能力具有重要的意义。

Description

新型卷积神经网络与Wigner-Ville分布结合的雷达信号分类 方法
技术领域
本发明是一种电子对抗领域的技术，具体是一种新型雷达信号分类的方法。
背景技术
为了提高现代雷达在电子对抗中的侦察与生存能力，目前雷达越来越多的采用低截获概率(Low Probability Intercept,LPI)信号，它是一种利用特殊发射波形来防止非合作接收机截获、检测的信号。而为了有效地干扰具有LPI信号的雷达，在截获LPI雷达信号后，干扰方必须进行快速、准确地分类，判断敌方雷达的信号类型，采取针对性地干扰措施。因此，对雷达信号准确分类是雷达对抗中的重要基础工作，在雷达对抗中具有重要的现实意义和应用价值。
卷积神经网络(Convolution neural network，CNN)已广泛地应用在图像分类中，与传统方法比较具有更高的准确性。在2006年，G.E.Hinton利用神经网络降低数据的维数，通过训练具有小中心层的神经网络来重建高维输入向量，从而有效地提取高维数据的特征，实现高准确率的分类。Alex Krizhevsky在2012年提出了一种CNN网络结构模型，它是一种包含5个学习层，5个卷积层和3个全连接层的CNN。使用该网络模型获得了ILSVRC2012比赛中的图像分选第一名，top-5测试错误率是15.3％，比第二名高出10个百分点。而VGGNet是由牛津大学的视觉几何组(Visual Geometry Group)提出的另一种CNN结构，在ILSVRC2014比赛中获得了定位任务第一名和分类任务第二名，其突出特点在于使用很小的卷积(3*3)同时增加网络深度，可以有效提升网络模型分类准确率，同时VGGNet具有很好的泛化能力。GoogLeNet是由Christian Szegedy等人提出的一种基于inception结构而构建的22层CNN，这种结构的主要特点是加大网络的深度和宽度，但不增加运算量，可提高计算资源的利用效率。目前，学术界与工业界已出现大量应用在不同领域的CNN，并取得很好的应用效果，但在军事领域此方面的应用还较少。
伪Wigner-Ville分布(Pseudo Wigner-Ville Distribution，PWVD)是一种以时间和频率为自变量的描述信号幅度的三维函数。PWVD在医学应用、图像分类、目标检测和非平稳信号分析领域都有广泛应用。本发明利用PWVD对LPI雷达信号进行计算，得到信号的时-频图像后再进行分类处理。
传统的LPI雷达信号分类方法包括信号接收、转换、人工特征提取设计、分类方法四个步骤。分类性能的好坏主要依靠于人工对信号特征提取和算法的设计。随着雷达信号种类的不断增加，需要提取的雷达信号特征的数量也越来越多。传统的LPI雷达信号分类方法具有很大的局限性。
若使用已有的CNN，例如AlexNet、VGG、Inception等，虽然不用进行训练，但通过仿真实验发现其分类准确率不理想，且稳定性较差，与真实环境的准确率要求相差较大。而使用本发明提出的新型卷积神经网络，并结合PWVD算法，能够更高效、快速、稳定地自动提取信号的特征信息，实现对不同种类LPI雷达信号快速、准确、稳定分类。同时本发明的雷达信号分类方法随着收集的雷达信号数据的增加，其分类的正确率会进一步提升，是一种具有自适应能力的雷达信号分类方法，对于提升我国的电子对抗能力具有重要的意义。
发明内容
本发明要解决的问题在于：LPI雷达信号具有类型多、相似性强、难以识别特点，同时已有CNN结构对LPI雷达信号识别率低。
为解决上述问题，本发明提供如下技术方案：
本发明提供了一种LPI雷达信号的分类方法，具体步骤主要有五个步骤，第一步输入原始LPI雷达信号；第二步将输入的LPI雷达信号进行PWVD转换处理，产生时-频分布图像；第三步将产生的时-频分布图像归一化；第四步再利用训练后的新型CNN模型对所述雷达时-频分布图像分类；第五步输出LPI雷达信号分类结果。
本发明提供了一种不小于15层的新型CNN网络结构，包括：三个模块和两个网络层，三个模块分别是初级特征提取模块，特征综合模块和分类模块；两个网络层分别是输入层和输出层。根据数据处理的先后次序，其网络架构由底向上分别是输入层、初级特征提取模块、特征综合模块、分类模块、输出层。
结合上述CNN，特征综合模块的一种可能的实现方式中，由第一子模块和第二子模块并行排列构成；其中，第一子模块由三个构造块和一个最大池化层串行排列构成，根据数据处理的先后次序，其架构为构造块、构造块、构造块、最大池化层，用于对所述初级特征提取模块的输出进一步提取特征；第二子模块由一个构造块、一个最大池化层和两个卷积层串行排列构成，根据数据处理的先后次序，其架构为卷积层、卷积层、最大池化层、构造块，用于对所述初级特征提取模块的输出进一步提取特征；第一子模块和第二子模块的输出共同作为特征综合模块的输出。
结合CNN特征综合模块的可能实现方式，在构造块的实现方式中，由第一、第二、第三、第四共4个不同的基本构造块并行排列组成；其中，第一基本构造块的配置是Conv1；第二基本构造块的配置是Conv1与Conv2堆叠；第三基本构造块的配置是Conv1与Conv3堆叠；第四基本构造块的配置是Conv1与池化层；其中Conv1、Conv2、Conv3表示不同卷积核的卷积层，卷积核大小Conv1小于Conv2小于Conv3。所述基本构造块的输出堆叠后共同作为构造块的输出。
结合CNN，在初级特征提取模块一种可能的实现方式中，由多个第五基本构造块堆叠组成初级特征提取模块；其中第五构造块的配置是多层卷积层和一个池化层。
从以上技术方案以及实验结果发现，本发明实施例具有以下优点：
本发明实施例中，PWVD预处理有利于突出LPI雷达信号特征；而综合使用不同特征提取方法的新型CNN对在不同信噪比环境下，尤其是低信噪比环境下的LPI雷达信号，在分类准确性方面以及稳定性方面都有显著的较大提升。
附图说明
为了更清楚地说明本发明实施例中的技术发明方案，下面将对实施例或现有技术描述中所需要使用的附图做简单说明，显而易见，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种LPI雷达信号分类流程图。
图2为本发明实施例提供的一种新型CNN模型的网络结构示意图。
图3为本发明实施例提供的一种特征综合模块的结构示意图。
图4为本发明实施例提供的一种构造块的结构示意图。
图5为本发明实施例提供的一种初级特征提取模块的结构示意图。
图6为本发明实施例提供的一种对十类LPI雷达信号分类处理的详细流程图。
图7为本发明实施例提供的一种PWVD处理的时频图。
图8为本发明实施例提供的一种归一化灰度图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图6所示，本实施例主要步骤包括：第一步，LPI雷达仿真信号生成；第二步，PWVD处理信号数据；第三步，构造新型CNN；第四步，利用产生的仿真数据集训练新型CNN；第五步，信号分类结果输出。具体实施步骤如下：
步骤1，LPI雷达仿真信号生成：
步骤1.1：在-6dB、-4dB、-2dB、0dB、2dB、4dB、6dB共7种信噪比下，产生10种(Bpsk、Fmcw、P1、P2、P3、P4、T1、T2、T3、T4)LPI雷达信号的原始数据；
步骤2，PWVD处理信号数据：
步骤2.1：对在-6dB～6dB信噪比下的10种雷达信号原始数据用PWVD处理方法处理，得到时频图像，部分时频图示例如图7。其中PWVD处理方法推导如下：
WVD是一个以时间和频率为自变量的描述信号幅度的三维函数。由于LPI发射机调制的变化，连续波波形的压缩形式也随时间而变化，这些不同类型的时频分布能更好地检测调制参量。一个连续的一维WVD函数(输入信号)为
式中：t为时间变量，ω是角频率(2πf)；“*”表示共轭。
WVD还可以通过x(t)的傅里叶变换X(ω)来定义，即
式(1)和(2)的关系如下：
Wx(t,ω)＝WX(ω,t) (3)
也就是说，一个信号谱的WVD可以简单地通过交换频率和时间变量从时间的WVD函数得到，这就是空域和频域的对偶性。
式(1)表明WVD的计算是非因果的。因此，该方式并不能用于实际的WVD计算。这一限制可以通过将WVD分析应用于一组采样的时间序列x(l)中来克服，l为从-∞到∞的离散时间序号。离散的PWVD定义为
对PWVD结果进行加窗，有
式中：ω(n)是一个长度为2N-1的实窗函数且ω(0)＝1。
用fl(n)表示核函数，有
fl(n)＝x(l+n)x*(l-n)ω(n)ω(-n) (6)
则PWVD变成
N的选择(通常是2N)对PWVD输出的运算量和时频分辨力影响很大。由式(7)，大的N值可以获得高的时频分辨力，从而产生更加平滑的结果。N的最大值受限于
式中：M表示数据的长度。
一旦N被选定，就能得到核函数。由于fl(n)＝fl *(-n)，因此只需要计算n≥0时的fl(n)。
PWVD能够探测LPI信号是否存在，并提取信号的调制特征。对于一个雷达侦察接收机，计算的实时性或者近似实时性非常重要。根据式(7)的PWVD表示，我们发现直接计算PWVD的计算量非常大。Boashash等提出了有效计算PWVD的算法。连续频率变量ω采样为
式中：k＝0,1,2...,2N-1(2N个采样点)。为了和标准的DFT统一，对核因子进行了修正：
或
式中
由于核是一个对称函数，因此核的DFT是实函数。有2N个采样点时，PWVD为
式(13)是算法的实现；
步骤2.2：将上述时频图像进行归一化处理转化为灰度值为0至255的灰度图像，部分灰度图示例如图8；
步骤3，构造新型CNN：
步骤3.1：网络结构如图2所示，新型CNN网络结构包括：初级特征提取模块201、特征综合模块202、分类模块203，下面对三个模块分别介绍：初级特征提取模块201由多个第五基本构造块堆叠组成，其中第五基本构造块配置是多层卷积层和一个池化层。具体实现中，优选地，使用一个卷积核大小为3*3，数量为48的卷积层和一个池化大小为3*3，步长为2的池化层堆叠作为第一个第五基本构造块；使用一个卷积核大小为3*3，数量为128的卷积层和一个池化大小为3*3，步长为2的池化层堆叠作为第二个第五基本构造块，进一步将两个所述第五基本构造块堆叠组成初级特征提取模块201的一个实施例。
步骤3.2：请参阅图3，图3是新型CNN网络结构中特征综合模块202的模块结构示意图，由第一子模块301和第二子模块302组成，对相同输入提取不同的特征。具体实现中，如图3所示，第一子模块301由多个与构造块401类似的构造块和最大池化层堆叠组成；第二子模块302由多个与构造块401类似的构造块和卷积层以及最大池化层堆叠组成。优选地，第一子模块301由三个与构造块401类似的构造块和一个最大池化层堆叠组成；第二子模块302由两个卷积层和一个最大池化层以及一个与构造块401类似的构造块堆叠组成。
步骤3.3：请参阅图4，图4是构造块401的一个实施例图，由四个不同的基本构造块构成，包括：
第一基本构造块501、第二基本构造块502、第三基本构造块503以及第四基本构造块504。具体实现中，优选地，在每个基本构造块使用padding技术保持输入输出大小相同的情况下，各个基本构造块实施例如下：
第一基本构造块501由一个卷积核大小为1*1，数量在100至200之间的卷积层组成；
第二基本构造块502由一个卷积核大小为1*1，数量在40至80之间的卷积层和一个卷积核大小为3*3，数量在100至200之间的卷积层堆叠组成；
第三基本构造块503由一个卷积核大小为1*1，数量在10至20之间的卷积层和一个卷积核大小为5*5，数量在30至60之间的卷积层堆叠组成；
第四基本构造块504由一个池化大小为3*3的池化层和一个卷积核大小为1*1，数量在30至60之间的卷积层堆叠组成。
以上所述基本构造块分别提取不同抽象程度的细节，从而有利于后续分类。
分类模块采用本领域的技术人员熟知的感知器模型和Softmax层完成分类结果。
步骤4，利用产生的仿真数据集训练新型CNN：
步骤4.1：在上述数据预处理的数据中选取样本，样本数据量是每种信噪比条件下：Bpsk、Fmcw、P1、P2、P3、P4各1700份，T1、T2、T3、T4各3000份。
步骤4.2：采用随机梯度下降法来更新卷积层与全连接层连接的权值，初始学习率为0.0001,在计算损失函数时加入对各个连接权值的L2范数和，对权值规范化，将约束系数设为0.0005；
步骤3.3：训练样本数量为上述所选的全部数据样本，将其乱序排序，训练集和测试集数据从中随机产生，比例为7:3。
步骤5，信号分类结果输出：
步骤5.1：分别将每种信号同一信噪比下的灰度图放入训练好的新型CNN中进行分类，分类结果如下：
在-6db下，bpsk正确率为37.42％，P2正确率为86.09％，T3正确率为38.81％，P4正确率为43.19％，fmcw正确率为97.66％，T4正确率为91.22％，T1正确率为69.44％，P3正确率为37.07％，T2正确率为61.64％，P1正确率为33.07％；
在-4db下，bpsk正确率为57.10％，P2正确率为51.40％，T3正确率为84.10％，P4正确率为74.92％，fmcw正确率为99.38％，T4正确率为94.57％，T1正确率为42.22％，P3正确率为79.31％，T2正确率为89.09％，P1正确率为84.69％；
在-2db下，bpsk正确率为74.49％，P2正确率为82.24％，T3正确率为91.51％，P4正确率为78.66％，fmcw正确率为100％，T4正确率为99.71％，T1正确率为79.98％，P3正确率为76.91％，T2正确率为95.52％，P1正确率为74.61％；
在0db下，bpsk正确率为82.76％，P2正确率为94.69％，T3正确率为95.23％，P4正确率为87.07％，fmcw正确率为100％，T4正确率为100％，T1正确率为82.41％，P3正确率为95.00％，T2正确率为97.61％，P1正确率为70.42％；
在2db下，bpsk正确率为79.88％，P2正确率为85.65％，T3正确率为54.14％，P4正确率为80.31％，fmcw正确率为100％，T4正确率为99.62％，T1正确率为99.81％，P3正确率为76.86％，T2正确率为99.05％，P1正确率为94.04％；
在4db下，bpsk正确率为88.58％，P2正确率为95.95％，T3正确率为95.89％，P4正确率为77.14％，fmcw正确率为100％，T4正确率为100％，T1正确率为98.18％，P3正确率为83.05％，T2正确率为100％，P1正确率为93.45％；
在6db下，bpsk正确率为85.83％，P2正确率为95.02％，T3正确率为99.81％，P4正确率为93.77％，fmcw正确率为100％，T4正确率为100％，T1正确率为99.81％，P3正确率为92.06％，T2正确率为100％，P1正确率为98.75％。

Claims (5)

1.一种结合伪Wigner-Ville分布分析(Wigner-Ville Time-FrequencyDistribution，PWVD)与新型卷积神经网络模型(Convolutional Neural Network，CNN)对低概率截获(Low Probability Intercept，LPI)雷达信号分类的方法，其特征在于，包括：
通过对原始LPI雷达信号使用PWVD方法处理，产生时-频分布图像；再利用训练后的CNN模型对所述雷达时-频分布图像分类，得到原始LPI雷达信号类型。
2.根据权利要求1所述的CNN是一个不小于15层的神经网络，其特征在于，
包括三个模块和两个网络层，三个模块分别是初级特征提取模块，特征综合模块和分类模块；两个网络层分别是输入层和输出层；根据数据处理的先后次序，其网络架构由底向上分别是输入层、初级特征提取模块，特征综合模块、分类模块、输出层。
3.根据权利要求2所述的特征综合模块由第一子模块和第二子模块并行排列构成，
其特征在于，第一子模块由三个构造块和一个最大池化层串行排列构成，根据数据处理的先后次序，其架构为构造块、构造块、构造块、最大池化层，用于对所述初提取模块的输出进一步提取特征。
4.第二子模块由一个构造块、一个最大池化层和两个卷积层串行排列构成，根据数据处理的先后次序，其架构为卷积层、卷积层、最大池化层、构造块，用于对所述初级提取模块的输出进一步提取特征；
根据权力要求3所述构造块由第一、第二、第三、第四共4个不同的基本构造块并行排列组成，其特征在于，
第一基本构造块的配置是Convl；
第二基本构造块的配置是Convl与Conv2堆叠；
第三基本构造块的配置是Convl与Conv3堆叠；
第四基本构造块的配置是Convl与池化层；
其中Convl、Conv2、Conv3表示不同卷积核的卷积层，卷积核大小Convl小于Conv2小于Conv3。
5.根据权利要求2所述初级特征提取模块，其特征在于，多个第五基本构造块堆叠组成初级特征提取模块；
第五基本构造块的配置是多层卷积层和一个池化层。
CN201810741673.0A 2018-07-06 2018-07-06 新型卷积神经网络与Wigner-Ville分布结合的雷达信号分类方法 Pending CN108921110A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810741673.0A CN108921110A (zh) 2018-07-06 2018-07-06 新型卷积神经网络与Wigner-Ville分布结合的雷达信号分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810741673.0A CN108921110A (zh) 2018-07-06 2018-07-06 新型卷积神经网络与Wigner-Ville分布结合的雷达信号分类方法

Publications (1)

Publication Number Publication Date
CN108921110A true CN108921110A (zh) 2018-11-30

Family

ID=64424472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810741673.0A Pending CN108921110A (zh) 2018-07-06 2018-07-06 新型卷积神经网络与Wigner-Ville分布结合的雷达信号分类方法

Country Status (1)

Country Link
CN (1) CN108921110A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110033038A (zh) * 2019-04-09 2019-07-19 电子科技大学 气动热试验数据的智能选取算法
CN112305506A (zh) * 2020-10-26 2021-02-02 哈尔滨工程大学 一种基于cnn的lpi雷达信号检测方法
CN112904282A (zh) * 2021-01-20 2021-06-04 北京理工大学 基于pwvd与卷积神经网络的雷达干扰信号识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8035551B1 (en) * 2008-06-05 2011-10-11 The United States Of America As Represented By The Secretary Of The Army Noise correlation radar devices and methods for detecting targets with noise correlation radar
CN107634768A (zh) * 2017-09-11 2018-01-26 哈尔滨工程大学 一种基于fpga的mwc压缩采样宽带数字接收机pdw形成方法
CN107657237A (zh) * 2017-09-28 2018-02-02 东南大学 基于深度学习的汽车碰撞检测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8035551B1 (en) * 2008-06-05 2011-10-11 The United States Of America As Represented By The Secretary Of The Army Noise correlation radar devices and methods for detecting targets with noise correlation radar
CN107634768A (zh) * 2017-09-11 2018-01-26 哈尔滨工程大学 一种基于fpga的mwc压缩采样宽带数字接收机pdw形成方法
CN107657237A (zh) * 2017-09-28 2018-02-02 东南大学 基于深度学习的汽车碰撞检测方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
MING ZHANG等: "Neural Networks for Radar Waveform Recognition", 《SYMMETRY》 *
PHILLIPE.PACE: "《低截获概率雷达的检测与分类》", 31 August 2012 *
孟凡杰等: "基于时频图像纹理特征的雷达辐射源信号识别", 《弹箭与制导学报》 *
王星等: "基于深度置信网络和双谱对角切片的低截获概率雷达信号识别", 《电子与信息学报》 *
肖 鹏 等: "基于ＳＴＦＴ与 ＷＶＤ的ＬＰＩ雷达信号检测", 《舰 船 电 子 工 程》 *
许强等: "深度卷积神经网络在SAR自动目标识别领域的应用综述", 《电讯技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110033038A (zh) * 2019-04-09 2019-07-19 电子科技大学 气动热试验数据的智能选取算法
CN112305506A (zh) * 2020-10-26 2021-02-02 哈尔滨工程大学 一种基于cnn的lpi雷达信号检测方法
CN112305506B (zh) * 2020-10-26 2023-02-14 哈尔滨工程大学 一种基于cnn的lpi雷达信号检测方法
CN112904282A (zh) * 2021-01-20 2021-06-04 北京理工大学 基于pwvd与卷积神经网络的雷达干扰信号识别方法

Similar Documents

Publication Publication Date Title
CN110533631B (zh) 基于金字塔池化孪生网络的sar图像变化检测方法
CN112052755B (zh) 基于多路注意力机制的语义卷积高光谱图像分类方法
CN108008385B (zh) 基于稀疏贝叶斯学习的干扰环境isar高分辨成像方法
CN109116203A (zh) 基于卷积神经网络的电力设备局部放电故障诊断方法
CN103728551B (zh) 一种基于级联集成分类器的模拟电路故障诊断方法
CN110532932B (zh) 一种多分量雷达信号脉内调制方式识别方法
CN112684427B (zh) 基于串行二次强化训练的雷达目标识别方法
CN114564982B (zh) 雷达信号调制类型的自动识别方法
CN108921110A (zh) 新型卷积神经网络与Wigner-Ville分布结合的雷达信号分类方法
CN104866524A (zh) 一种商品图像精细分类方法
CN105844279A (zh) 基于深度学习和sift特征的sar图像变化检测方法
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
CN102509120B (zh) 基于迁移字典学习的高光谱图像的有监督分割方法
CN109117747A (zh) 基于循环平稳与深度卷积神经网络的雷达信号分类方法
CN109116312A (zh) 基于qmfb与卷积神经网络的雷达信号分类方法
CN109711314B (zh) 基于特征融合与sae的雷达辐射源信号分类方法
CN108734199A (zh) 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法
Wei et al. Intra-pulse modulation radar signal recognition based on Squeeze-and-Excitation networks
CN107392863A (zh) 基于亲和矩阵融合谱聚类方法的sar图像变化检测方法
CN116087880A (zh) 一种基于深度学习的雷达辐射源信号分选系统
CN106951822B (zh) 一种基于多尺度稀疏保持投影一维距离像融合识别方法
CN109801208A (zh) 基于多gpu任务优化的sar图像变化检测方法
CN116482618B (zh) 基于多损失特征自校准网络的雷达有源干扰识别方法
CN113158781A (zh) 一种雷击跳闸类型识别方法
CN107563420A (zh) 基于散射能量和堆栈自编码的极化sar图像分类方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181130

WD01 Invention patent application deemed withdrawn after publication