CN109272040B - 一种雷达工作模式生成方法 - Google Patents

一种雷达工作模式生成方法 Download PDF

Info

Publication number
CN109272040B
CN109272040B CN201811100655.0A CN201811100655A CN109272040B CN 109272040 B CN109272040 B CN 109272040B CN 201811100655 A CN201811100655 A CN 201811100655A CN 109272040 B CN109272040 B CN 109272040B
Authority
CN
China
Prior art keywords
parameter
working
data
group
radar
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
Application number
CN201811100655.0A
Other languages
English (en)
Other versions
CN109272040A (zh
Inventor
付琨
周鹏
陆成韬
陈诗旭
包伟伟
刘振
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.)
Suzhou Research Institute Institute Of Electronics Chinese Academy Of Sciences
Original Assignee
Suzhou Research Institute Institute Of Electronics Chinese Academy Of Sciences
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 Suzhou Research Institute Institute Of Electronics Chinese Academy Of Sciences filed Critical Suzhou Research Institute Institute Of Electronics Chinese Academy Of Sciences
Priority to CN201811100655.0A priority Critical patent/CN109272040B/zh
Publication of CN109272040A publication Critical patent/CN109272040A/zh
Application granted granted Critical
Publication of CN109272040B publication Critical patent/CN109272040B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种雷达工作模式生成方法，结合分而治之和聚而合之的思想有效地从海量辐射源工作参数统计特征的历史数据中提取了蕴含其中的雷达工作模式；利用非监督学习方法标记各组子参数，无需人工标定，促进了数据自动化处理的发展；构建从原始数据到各参数子模式生成及分类，最终聚合生成雷达工作模式，形成系统的雷达模式积累体系；雷达工作模式的有效积累为辐射源用频规律、雷达搭载平台活动规律等的分析提供了重要基础。

Description

一种雷达工作模式生成方法
技术领域
本发明涉及一种雷达工作模式生成方法，属于电子辐射源数据分析技术领域。
背景技术
电子辐射源数据是通过卫星所获电磁信号的统计特征数据，数据中含有信号的众多特征数据，为辐射源用频规律、工作用途、个体识别等分析提供了重要数据支撑，结合时空数据、搭载平台等信息可挖掘目标活动规律等高价值信息。
电子辐射源的信号可简要表现为图1所示，信号短时间内呈周期性规律变化。辐射源数据以载频、重频、脉宽三个工作参数的最大值、均值、最小值来描述某一时间段内辐射源的电磁波形特征，由于各辐射源工作机制的不同，电磁信号的载频、重频和脉宽数据的分布上，各自又会呈现固定、抖动、跳变、参差等多种类型。辐射源信号统计特征数据可按结构化数据呈现，分为主表和子表，主表数据可表示为如下公式(1)所示，描述了某次所获取电磁信号的载频、重频和脉宽的统计值。每条主表数据都对应三组子表数据，分别如公式(2)、(3)、(4)所示，分别描述了各组参数的详细统计特征。某一批次数据中关于单一辐射源，可获取k条公式(1)所示数据，每条公式(1)数据又分别对应条l条公式(2)所示数据，m条公式(3)所示数据，n条公式(4)所示数据，k、l、m、n≥1。
{… RFTYPE RFMAX … PRITYPE PRIMAX … PWTYPE PWMAX …} (1)
{… RFTYPE RFMAX RFMEAN RFMIN …} (2)
{… PRITYPE PRIMAX PRIMEAN PRIMIN …} (3)
{… PWTYPE PWMAX PWMEAN PWMIN …} (4)
复杂的数据结构、一对多的层级关系使得数据中的模式提取都变得十分困难，加之探测装置的精度和数据基于统计手段生成的影响，数据中往往含有异常数据，结合电子信号中的稀有信号具有重要价值，所以针对异常数据的处理也尤为谨慎。现阶段从辐射源历史数据中积累提取某型雷达的工作模式未能形成有效的自动化手段，多是依靠经验丰富的判读人员对捕获数据依场景特定分析并手动整合而得，未能形成有效的模式生成流程，对于规律性的分析也难以提供有效支持。
发明内容
本发明所要解决的技术问题是提供一种雷达工作模式生成方法，基于机器学习算法的辐射源工作模式积累方法，能够准确获得目标雷达常用工作模式，并进行实际应用，能够有效提高目标雷达实际工模模式应用的工作效率。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种雷达工作模式生成方法，用于获得目标雷达的常用工作模式，包括如下步骤：
步骤A.根据目标雷达的历史信号采样数据，获得辐射源统计数据，并进入步骤B；
步骤B.针对辐射源统计数据按载频、重频、脉宽三种工作参数进行划分，获得载频工作参数分组、重频工作参数分组、脉宽工作参数分组，然后进入步骤C；
步骤C.分别针对载频工作参数分组、重频工作参数分组、脉宽工作参数分组，进一步按固定、抖动、跳变、参差参数类型进行分组，构成各个工作参数-参数类型分组，然后进入步骤D；
步骤D.分别针对各个工作参数-参数类型分组的数据、进行聚类处理，获得各个工作参数-参数类型分组分别所对应的各个聚类，然后进入步骤E；
步骤E.根据各个工作参数-参数类型分组分别所对应的各个聚类，分别针对各预设分类器进行训练，获得载频分类器组、重频分类器组、脉宽分类器组，构成多元分类器，即目标雷达所对应的多元分类器，然后进入步骤F；
步骤F.采用多元分类器，针对目标雷达的历史信号采样数据进行分类处理，获得分别对应载频、重频、脉宽的模式组集合，并对各模式组集合进行聚合操作，构建目标雷达所对应的各个常用工作模式。
作为本发明的一种优选技术方案：还包括步骤C-D如下，执行完步骤C之后，进入步骤C-D；
步骤C-D.分别针对各个工作参数-参数类型分组的数据，去除异常数据点，更新各个工作参数-参数类型分组，然后进入步骤D。
作为本发明的一种优选技术方案：所述步骤C-D中，分别针对各个工作参数-参数类型分组的数据，应用孤立森林算法去除异常数据点，更新各个工作参数-参数类型分组。
作为本发明的一种优选技术方案：所述步骤D中，无先验信息情况下，分别针对各个工作参数-参数类型分组的数据，应用KMeans聚类算法进行聚类处理，获得各个工作参数-参数类型分组分别所对应的各个聚类。
作为本发明的一种优选技术方案，所述步骤D中，无先验信息情况下，分别针对各个工作参数-参数类型分组的数据，应用KMeans聚类算法，按如下步骤D1-步骤D3，获得各个工作参数-参数类型分组分别所对应的各个聚类；
步骤D1.基于预设各个K值，分别获得各个K值下、工作参数-参数类型分组所对应的聚类方案，然后进入步骤D2；
步骤D2.分别针对各个K值下、该工作参数-参数类型分组所对应的聚类方案，按如下公式：
Figure BDA0001806607110000031
获得K值所对应的轮廓系数S，进而分别获得各个K值分别对应的轮廓系数；然后进入步骤D3；其中，a(i)表示K值下聚类方案中、第i条数据分别到与其同属一个聚类簇的其它各条数据的距离的平均距离；b(i)表示K值下聚类方案中、第i条数据分别到与其分属不同聚类簇的其它各条数据的距离的平均距离；i∈{1、…、I}，I表示工作参数-参数类型分组中数据的总条数；
步骤D3.针对各个K值分别所对应的轮廓系数，取最大轮廓系数所对应K值下、工作参数-参数类型分组的聚类方案，即为该工作参数-参数类型分组所对应的各个聚类。
作为本发明的一种优选技术方案：所述步骤D中，有先验信息情况下，分别针对各个工作参数-参数类型分组的数据，应用密度聚类算法进行聚类处理，获得各个工作参数-参数类型分组分别所对应的各个聚类。
作为本发明的一种优选技术方案，所述步骤D中，所述密度聚类算法为DBSCAN密度聚类算法。
作为本发明的一种优选技术方案：所述步骤E中，预设分类器首选SVM分类器，若SVM分类器应用失败，则预设分类器选择Softmax分类器。
作为本发明的一种优选技术方案：所述步骤F中，针对各模式组集合，按如下策略进行聚合操作，构建目标雷达所对应的各个常用工作模式；
若两个模式组集合之间，其中一模式组集合中各集合与另一模式组集合中各集合之间、仅存在父、子集关系；或者其中一模式组集合中各集合与另一模式组集合中各集合之间、仅存在子、父集关系；则将该两个模式组集合进行聚合，以父集合替代子集合。
本发明所述一种雷达工作模式生成方法采用以上技术方案与现有技术相比，具有以下技术效果：
本发明所设计雷达工作模式生成方法，结合分而治之和聚而合之的思想有效地从海量辐射源工作参数统计特征的历史数据中提取了蕴含其中的雷达工作模式；利用非监督学习方法标记各组子参数，无需人工标定，促进了数据自动化处理的发展；构建从原始数据到各参数子模式生成及分类，最终聚合生成雷达工作模式，形成系统的雷达模式积累体系；雷达工作模式的有效积累为辐射源用频规律、雷达搭载平台活动规律等的分析提供了重要基础。
附图说明
图1是本发明所设计雷达工作模式生成方法的流程示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
如图1所示，本发明设计了一种雷达工作模式生成方法，用于获得目标雷达的常用工作模式，实际具体的应用中，如图1所示，包括如下步骤：
某型雷达的所有辐射源历史数据，输入数据格式如公式(1)-(4)所示，数据分为主表、子表数据，主表数据是对三组子表数据的进一步统计概括。其中，RFTYPE表示载频类型，RFMAX表示载频最大值，RFMEAN表示载频均值，RFMIN表示载频最小值，PRI表示重频，PW表示脉宽，不做详细说明。
步骤A.根据目标雷达的历史信号采样数据，获得辐射源统计数据，并进入步骤B。
辐射源统计数据以结构化形式组织，数据内部呈现一对多的结构，直接利用原始数据结构进行分析难以处理，无法创建多维尺度的统计图来观测数据分布状态，故从各参数的子表数据集进行统计分析，从散点图、概率密度曲线等统计图上可以看出数据呈现明显的聚堆，因而对原始数据进行拆分，形成以参数类型和数据分布类型为分类依据的规则化数据集。
步骤B.针对辐射源统计数据按载频、重频、脉宽三种工作参数进行划分，获得载频工作参数分组、重频工作参数分组、脉宽工作参数分组，然后进入步骤C。
步骤C.分别针对载频工作参数分组、重频工作参数分组、脉宽工作参数分组，进一步按固定、抖动、跳变、参差参数类型进行分组，构成各个工作参数-参数类型分组，然后进入步骤C-D。
为减少规则化数据集中异常数据对后续聚类分析的影响，需对规则化数据集中的明显异常数据进行去除，即执行如下步骤C-D。
步骤C-D.分别针对各个工作参数-参数类型分组的数据，应用孤立森林算法去除异常数据点，更新各个工作参数-参数类型分组，然后进入步骤D。
各个工作参数-参数类型分组数据集中只有最大值、均值、最小值三个维度，且均值位于最大值与最小值的区间内，故选取最大值和最小值两个维度组成数据分布平面，孤立森林切分数据空间的维度选择也从最大值、最小值中随机抽取。孤立森林中树的数目设置为100，构建每棵树的高度上限设置为8，每棵树构建时随机从规则化数据集内抽取256个样本，孤立森林构建完成后，令规则化数据集内每一条数据遍历孤立森林，计算数据至每棵树根节点的平均距离，异常点距离阈值设置为2，即平均距离小于2的默认为异常数据。
步骤D.分别针对各个工作参数-参数类型分组的数据、进行聚类处理，获得各个工作参数-参数类型分组分别所对应的各个聚类，然后进入步骤E。
上述步骤D在具体实际应用中，分为无先验信息情况与有先验信息情况，其中，无先验信息情况下，分别针对各个工作参数-参数类型分组的数据，应用KMeans聚类算法，按如下步骤D1-步骤D3，获得各个工作参数-参数类型分组分别所对应的各个聚类。
步骤D1.基于预设各个K值，分别获得各个K值下、工作参数-参数类型分组所对应的聚类方案，然后进入步骤D2。
步骤D2.分别针对各个K值下、该工作参数-参数类型分组所对应的聚类方案，按如下公式：
Figure BDA0001806607110000051
获得K值所对应的轮廓系数S，进而分别获得各个K值分别对应的轮廓系数；然后进入步骤D3；其中，a(i)表示K值下聚类方案中、第i条数据分别到与其同属一个聚类簇的其它各条数据的距离的平均距离；b(i)表示K值下聚类方案中、第i条数据分别到与其分属不同聚类簇的其它各条数据的距离的平均距离；i∈{1、…、I}，I表示工作参数-参数类型分组中数据的总条数。
步骤D3.针对各个K值分别所对应的轮廓系数，取最大轮廓系数所对应K值下、工作参数-参数类型分组的聚类方案，即为该工作参数-参数类型分组所对应的各个聚类。
另外，上述步骤D在有先验信息情况下，分别针对各个工作参数-参数类型分组的数据，应用DBSCAN密度聚类算法进行聚类处理，获得各个工作参数-参数类型分组分别所对应的各个聚类。
步骤E.根据各个工作参数-参数类型分组分别所对应的各个聚类，分别针对各预设分类器进行训练，获得载频分类器组、重频分类器组、脉宽分类器组，构成多元分类器，即目标雷达所对应的多元分类器，然后进入步骤F。
实际应用当中，对于上述步骤E中，预设分类器的选择设计上，首选SVM分类器，若SVM分类器应用失败，则预设分类器选择Softmax分类器。
辐射源统计数据是对于某段时间区间内对电磁信号参数的统计值，辐射源的电磁信号输出是一个持续变化的过程，依据不同的工作场景会频繁地进行信号调整，由于时间窗口的存在导致针对同一工作模式下的电磁信号所观测数据会不完全相同，换言之每次观测数据都是对某一模式的电磁信号的不完全观测。结合本发明中为尽可能获取数据的精细特征，分类器的分类数目略有冗余，历史观测数据经过各子分类器获取分类结果时，都可以看做是对某一工作模式的不完全观测值，所以需要对所有观测数据的分类结果进行聚合操作。
步骤F.采用多元分类器，针对目标雷达的历史信号采样数据进行分类处理，获得分别对应载频、重频、脉宽的模式组集合，并对各模式组集合，按如下策略进行聚合操作，构建目标雷达所对应的各个常用工作模式。
策略：若两个模式组集合之间，其中一模式组集合中各集合与另一模式组集合中各集合之间、仅存在父、子集关系；或者其中一模式组集合中各集合与另一模式组集合中各集合之间、仅存在子、父集关系；则将该两个模式组集合进行聚合，以父集合替代子集合。
具体来说，假设某三次观测数据分类结果如公式(5)、(6)、(7)所示，设A表示载频分类结果，B表示重频分类结果，C表示脉宽分类结果。可见公式(6)所示分类结果中的载频、重频、脉宽均是公式(5)所示分类结果的超集，则两者就可以进行聚合操作，而公式(6)所示分类结果与公式(7)所示分类结果在三个参数上虽然分别存在父集与子集的关系，但每组参数上父子集关系不一致，则无法进行超集求取。模式聚合操作就是对各观测数据所得分类结果依次遍历，在可求取的情况下，求取其与其他分类结果的超集，进而获取雷达模式对应的分类结果集。
{{A1,A3},{B1,B2},{C1}} (5)
{{A1,A2,A3},{B1,B2},{C1,C2}} (6)
{{A1,A3},{B1,B2,B3},{C2}} (7)
上述技术方案所设计雷达工作模式生成方法，结合分而治之和聚而合之的思想有效地从海量辐射源工作参数统计特征的历史数据中提取了蕴含其中的雷达工作模式；利用非监督学习方法标记各组子参数，无需人工标定，促进了数据自动化处理的发展；构建从原始数据到各参数子模式生成及分类，最终聚合生成雷达工作模式，形成系统的雷达模式积累体系；雷达工作模式的有效积累为辐射源用频规律、雷达搭载平台活动规律等的分析提供了重要基础。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (7)

1.一种雷达工作模式生成方法，用于获得目标雷达的常用工作模式，其特征在于，包括如下步骤：
步骤A.根据目标雷达的历史信号采样数据，获得辐射源统计数据，并进入步骤B；
步骤B.针对辐射源统计数据按载频、重频、脉宽三种工作参数进行划分，获得载频工作参数分组、重频工作参数分组、脉宽工作参数分组，然后进入步骤C；
步骤C.分别针对载频工作参数分组、重频工作参数分组、脉宽工作参数分组，进一步按固定、抖动、跳变、参差参数类型进行分组，构成各个工作参数-参数类型分组，然后进入步骤D；
步骤D.无先验信息情况下，分别针对各个工作参数-参数类型分组的数据，应用KMeans聚类算法，按如下步骤D1-步骤D3，获得各个工作参数-参数类型分组分别所对应的各个聚类，然后进入步骤E；
步骤D1.基于预设各个K值，分别获得各个K值下、工作参数-参数类型分组所对应的聚类方案，然后进入步骤D2；
步骤D2.分别针对各个K值下、该工作参数-参数类型分组所对应的聚类方案，按如下公式：
Figure FDA0002478349970000011
获得K值所对应的轮廓系数S，进而分别获得各个K值分别对应的轮廓系数；然后进入步骤D3；其中，a(i)表示K值下聚类方案中、第i条数据分别到与其同属一个聚类簇的其它各条数据的距离的平均距离；b(i)表示K值下聚类方案中、第i条数据分别到与其分属不同聚类簇的其它各条数据的距离的平均距离；i∈{1、…、I}，I表示工作参数-参数类型分组中数据的总条数；
步骤D3.针对各个K值分别所对应的轮廓系数，取最大轮廓系数所对应K值下、工作参数-参数类型分组的聚类方案，即为该工作参数-参数类型分组所对应的各个聚类；
步骤E.根据各个工作参数-参数类型分组分别所对应的各个聚类，分别针对各预设分类器进行训练，获得载频分类器组、重频分类器组、脉宽分类器组，构成多元分类器，即目标雷达所对应的多元分类器，然后进入步骤F；
步骤F.采用多元分类器，针对目标雷达的历史信号采样数据进行分类处理，获得分别对应载频、重频、脉宽的模式组集合，并对各模式组集合进行聚合操作，构建目标雷达所对应的各个常用工作模式。
2.根据权利要求1所述一种雷达工作模式生成方法，其特征在于：还包括步骤C-D如下，执行完步骤C之后，进入步骤C-D；
步骤C-D.分别针对各个工作参数-参数类型分组的数据，去除异常数据点，更新各个工作参数-参数类型分组，然后进入步骤D。
3.根据权利要求2所述一种雷达工作模式生成方法，其特征在于：所述步骤C-D中，分别针对各个工作参数-参数类型分组的数据，应用孤立森林算法去除异常数据点，更新各个工作参数-参数类型分组。
4.根据权利要求1至3中任意一项所述一种雷达工作模式生成方法，其特征在于：所述步骤D中，有先验信息情况下，分别针对各个工作参数-参数类型分组的数据，应用密度聚类算法进行聚类处理，获得各个工作参数-参数类型分组分别所对应的各个聚类。
5.根据权利要求4所述一种雷达工作模式生成方法，其特征在于，所述步骤D中，所述密度聚类算法为DBSCAN密度聚类算法。
6.根据权利要求1至3中任意一项所述一种雷达工作模式生成方法，其特征在于：所述步骤E中，预设分类器首选SVM分类器，若SVM分类器应用失败，则预设分类器选择Softmax分类器。
7.根据权利要求1至3中任意一项所述一种雷达工作模式生成方法，其特征在于：所述步骤F中，针对各模式组集合，按如下策略进行聚合操作，构建目标雷达所对应的各个常用工作模式；
若两个模式组集合之间，其中一模式组集合中各集合与另一模式组集合中各集合之间、仅存在父、子集关系；或者其中一模式组集合中各集合与另一模式组集合中各集合之间、仅存在子、父集关系；则将该两个模式组集合进行聚合，以父集合替代子集合。
CN201811100655.0A 2018-09-20 2018-09-20 一种雷达工作模式生成方法 Active CN109272040B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811100655.0A CN109272040B (zh) 2018-09-20 2018-09-20 一种雷达工作模式生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811100655.0A CN109272040B (zh) 2018-09-20 2018-09-20 一种雷达工作模式生成方法

Publications (2)

Publication Number Publication Date
CN109272040A CN109272040A (zh) 2019-01-25
CN109272040B true CN109272040B (zh) 2020-08-14

Family

ID=65197169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811100655.0A Active CN109272040B (zh) 2018-09-20 2018-09-20 一种雷达工作模式生成方法

Country Status (1)

Country Link
CN (1) CN109272040B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934281B (zh) * 2019-03-08 2021-01-26 电子科技大学 一种二分类网络的非监督训练方法
CN110751121B (zh) * 2019-10-28 2022-03-04 北京理工大学 基于聚类与sofm的无监督雷达信号分选方法
CN111060878B (zh) * 2019-12-30 2021-08-24 南京东科优信网络安全技术研究院有限公司 适用于单脉冲的lfm雷达工作模式实时分类方法及装置
JP7452617B2 (ja) * 2020-02-14 2024-03-19 日本電気株式会社 学習装置、学習方法、プログラム、及び、レーダ装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573050A (zh) * 2015-01-20 2015-04-29 安徽科力信息产业有限责任公司 一种基于Canopy聚类和BIRCH层次聚类的连续属性离散化方法
CN105930856A (zh) * 2016-03-23 2016-09-07 深圳市颐通科技有限公司 基于改进dbscan-smote算法的分类方法
CN106228188A (zh) * 2016-07-22 2016-12-14 北京市商汤科技开发有限公司 聚类方法、装置及电子设备
CN106291503A (zh) * 2016-08-31 2017-01-04 西南交通大学 一种雷达探测系统密度聚类预警方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101459913B (zh) * 2007-12-12 2010-10-27 华为技术有限公司 无线通信系统、中心站、接入设备及通信方法
CN102236090A (zh) * 2010-04-28 2011-11-09 中国科学院电子学研究所 一种超宽带多模式雷达信号产生方法及装置
CN106093899A (zh) * 2016-08-25 2016-11-09 赵国林 一种雷达工作模式识别方法
CN108090412A (zh) * 2017-11-17 2018-05-29 西北工业大学 一种基于深度学习的雷达辐射源类别识别方法
CN108509935B (zh) * 2018-04-12 2020-01-03 电子科技大学 一种基于随机森林算法的雷达工作模式识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573050A (zh) * 2015-01-20 2015-04-29 安徽科力信息产业有限责任公司 一种基于Canopy聚类和BIRCH层次聚类的连续属性离散化方法
CN105930856A (zh) * 2016-03-23 2016-09-07 深圳市颐通科技有限公司 基于改进dbscan-smote算法的分类方法
CN106228188A (zh) * 2016-07-22 2016-12-14 北京市商汤科技开发有限公司 聚类方法、装置及电子设备
CN106291503A (zh) * 2016-08-31 2017-01-04 西南交通大学 一种雷达探测系统密度聚类预警方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
K-Means算法及其在卷烟零售门店库存聚类分析中的应用;盛剑 等;《商业经济》;20170331;128-129 *
Sidelobe Suppression and Beam Collimation in the Generation of Vortex Electromagnetic Waves for Radar Imaging;Yuliang Qin;《IEEE Antennas and Wireless Propagation Letters》;20161224;第16卷;1289-1292 *
半监督聚类算法在舰载雷达信号中的应用;谢伟;《舰船科学技术》;20160930;178-180 *
聚类方法在雷达信号分选中的应用;樊甫华 等;《雷达科学与技术》;20040831;219-223 *

Also Published As

Publication number Publication date
CN109272040A (zh) 2019-01-25

Similar Documents

Publication Publication Date Title
CN109272040B (zh) 一种雷达工作模式生成方法
US10073906B2 (en) Scalable tri-point arbitration and clustering
Stetco et al. Fuzzy C-means++: Fuzzy C-means with effective seeding initialization
Erdoğan et al. A data mining application in a student database
CN109490838A (zh) 一种面向数据库残缺的雷达辐射源识别方法
CN111401573A (zh) 一种工况状态建模与修正模型方法
CN112418355A (zh) 基于孤立森林算法对异常点进行特征分析的方法及系统
CN110659175A (zh) 日志的主干提取方法、分类方法、设备及存储介质
CN103020645A (zh) 一种垃圾图片识别方法和系统
Sisiaridis et al. Reducing data complexity in feature extraction and feature selection for big data security analytics
Zhang et al. Data anomaly detection based on isolation forest algorithm
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
CN104143009B (zh) 基于动态包围盒最大间隙切分的竞争合作聚类方法
CN113378889A (zh) 密度聚类分箱方法
CN117972454A (zh) 一种基于vmsd-ticc的飞行阶段划分方法及划分终端
CN111488520B (zh) 一种农作物种植种类推荐信息处理装置、方法及存储介质
Wang et al. Anomaly detection for time series data stream
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
CN115034690B (zh) 一种基于改进模糊c-均值聚类的战场态势分析方法
Yang et al. Multiplicative updates for t-SNE
CN115757769A (zh) 一种应用大数据分析的人工智能方法及系统
CN111325232B (zh) 相位图像生成器的训练方法及相位图像分类器的训练方法
CN111008590B (zh) 基于多维特征提取无监督eeg信号分类方法
CN114118299A (zh) 一种结合相似性度量和社区发现的聚类方法
CN113970724A (zh) 一种基于脉冲描述字簇的辐射源信息提取方法及系统

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