CN109490838A - 一种面向数据库残缺的雷达辐射源识别方法 - Google Patents
一种面向数据库残缺的雷达辐射源识别方法 Download PDFInfo
- Publication number
- CN109490838A CN109490838A CN201811103163.7A CN201811103163A CN109490838A CN 109490838 A CN109490838 A CN 109490838A CN 201811103163 A CN201811103163 A CN 201811103163A CN 109490838 A CN109490838 A CN 109490838A
- Authority
- CN
- China
- Prior art keywords
- sample
- radar
- sub
- feature
- classifier
- 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
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
-
- 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
- G06F18/24323—Tree-organised classifiers
Abstract
本发明公开了一种面向数据库残缺的雷达辐射源识别方法,属于雷达信号处理技术领域。该方法包括如下步骤:针对包含缺失参数的雷达先验知识数据样本集进行多重划分,获得不含缺失参数的样本子集,样本子集中每个样本依据其所属雷达辐射源建立标签。针对各样本子集及其标签,采用随机森林算法构建子分类器,并采用投票法组合个子分类器的结果,训练获得识别模型。利用识别模型处理待识别数据,获得待识别数据的雷法辐射源识别结果。该方法通过多重划分获得的不含缺失参数的样本子集,使得后期再进行子分类器构建时,能够在少量先验知识、大参数丢失率的条件下,取得较优的识别效果,具备识别准确率高,鲁棒性、泛化能力强的优势。
Description
技术领域
本发明涉及雷达信号处理技术领域,具体涉及一种面向数据库残缺的雷达辐射源识别方法。
背景技术
雷达辐射源识别作为电子侦察系统的核心环节,是指在雷达先验知识数据库的基础上,通过对比匹配或相应算法推断出目标信号辐射源型号的过程,是掌握目标雷达的工作规律、技战术特点,甚至推断其目的意图的前提,其识别效果的优劣不仅直接决定了态势和威胁估计的准确性,还将对电子对抗指挥员的作战决策和目标雷达的情报分析产生极大影响。
由于情报获取渠道的多源性、各种干扰的存在以及侦察设备本身的测量误差等原因,雷达先验知识库中的特征参数会存在残缺现象,无法直接利用常规识别方法进行处理。如何充分地利用这些残缺的信息对多功能雷达辐射源进行有效识别,是雷达情报分析所面临的一大现实问题。
针对先验知识缺失的分类识别问题,当前流行的方法主要分为删除法、插值法以及非完备系统处理法三种。
其中删除法通过列表删除、配对删除等思想将非完备系统的识别问题转化为完备系统进行解决,在数据库样本充足且缺失数据较少时,该方法是有效的,一旦雷达数据库中样本数量较少,盲目的删减必然导致先验知识不充分而大大降低识别准确率。
插值法通过对缺失数据填充固定的值,将非完备系统转化为完备系统进行处理,常用的有均值替代、随机替代、以及回归插值等方法。其中均值替代、随机替代的思想必然影响样本分布,识别效果不佳;回归插值方法主要通过期望最大化、神经网络、以及支持向量机等算法对缺失数据进行参数估计来构建完备数据集,但存在复杂度高、计算成本巨大的问题。
非完备系统处理法无需对缺失数据进行插补或删除,直接对不完备数据集进行处理,典型的有基于粗糙集理论、基于粒度计算以及神经网络集成等方法。其中基于神经网络集成的非完备系统处理方法能够充分利用己有先验知识信息,通过多个子分类器构建强分类器,达到高识别准确率的目的,但算法存在着训练样本需求量高、计算量大的问题,并不适用于高时效性需求的雷达辐射源识别中。
因此,如何对非完备系统处理法进行改进,改善训练样本需求量大、计算量大的缺陷,从而能够应用于高时效性需求的雷达辐射源识别是亟待解决的问题。
发明内容
有鉴于此,本发明提供了一种面向数据库残缺的雷达辐射源识别方法,其具有对先验知识数据样本需求量少、对参数缺失和噪声干扰鲁棒性强的优势。
为达到上述目的,本发明的技术方案包括如下步骤:
步骤一、针对包含缺失参数的雷达先验知识数据样本集进行多重划分,获得不含缺失参数的样本子集,样本子集中每个样本依据其所属雷达辐射源建立标签。
步骤二、针对各样本子集及其标签,采用随机森林算法构建子分类器,并采用投票法组合个子分类器的结果,训练获得识别模型。
步骤三、利用识别模型处理待识别数据,获得待识别数据的雷法辐射源识别结果。
包含缺失参数的雷达先验知识数据样本集为X={x1,x2,…,xl},每个样本具备n维特征,特征集为D={α1,α2,…,αn};其中xi为X中的任意样本,i为整数,取值范围为[1,l],l为样本总数;n为特征维数,α1,α2,…,αn为第1~n维特征;为样本xi中第1~n维特征的取值。
则针对包含缺失参数的雷达先验知识数据样本集进行多重划分,获得不含缺失参数的样本子集,具体步骤如下:
S101、依据缺失参数的属性对雷达先验知识数据样本集中每个样本进行标记,在第i个样本中,若存在一个特征集合当前样本在包含的所有特征上参数缺失,在其他特征上存在参数值,则该特征集合即为当前样本的缺失特征集,对应的完全特征集为
遍历整个雷达先验知识数据样本集X,得到X的完全特征集的集合D′={D′1,D′2,…,D′l},以及缺失特征集的集合
遍历整个缺失特征集的集合合并其中重复出现的子集,得到缺失模式集合s为缺失模式的数量,1≤s<l;unique为合并重复子集操作。
S102、设V={V1,V2,…,Vs}代表针对雷达先验知识数据样本集进行多重划分后生成的特征集,V1,V2,…,Vs为其中的特征子集,则对于任意特征子集Va,a为整数,取值范围为1≤a≤s。
Va=D-Sa。
S103、在多重划分后的特征集V={V1,V2,…,Vs}中,每个特征子集均对应了多重划分后样本子集的特征,利用X对各特征子集V1,V2,…,Vs进行投影,删除参数值缺失的样本,获得多重划分后的样本集其中即为不含缺失参数的样本子集。
对于X对任意特征子集Va投影
其中Φ表示缺失值;αe、分别指X的第e个特征和第i个样本第e个特征的参数值。
进一步地,针对各样本子集及其标签,采用随机森林算法构建子分类器,并采用投票法组合个子分类器的结果,训练获得识别模型,具体为:
S201、样本子集对应的标签集为样本子集对应的特征集为Vb;样本子集中包含的样本包括xb1~xbN,N为中样本个数;对xb1~xbN依据其所属雷达辐射源建立的标签分别yb1~ybN,即b为整数,取值范围为[1,s]。
取组成随机森林的决策树个数为η;对样本子集对应的特征集Vb进行η次随机取样,每次取样的特征数为sqrt(|Vb|);|Vb|指Vb中特征个数,sqrt(|Vb|)为对|Vb|的平方根操作;随机取样后得到特征集Vb的采样子集V′b1,V′b2,…,V′bη;由组成第b个训练样本,共s个训练样本。
S202、针对第b个训练样本进行η次随机的有放回随机采样,即Bootstrap采样,每次采样的个数与样本总数一致,投影至采样子集V′b1,V′b2,…,V′bη中,得到η个训练样本子集
S203、针对训练样本子集d=1,2,…,η,采用随机森林算法训练获得随机森林子决策树
共η个随机森林子决策树组成第b个随机森林子分类器,投票法得到第b个随机森林子分类器的类别判定结果。
S204、针对共s个训练样本,均执行S202~S203,得到共s个随机森林子分类器,s个随机森林子分类器组成识别模型,利用投票法组合s个随机森林子分类器的类别判定结果,作为识别模型的类别判定结果,获得训练后的识别模型。
进一步地,S203中,随机森林算法训练的过程中,选用决策树分类算法即CART构建随机森林的子决策树,利用基尼Gini指数和采样子集V′bd对树节点进行分裂,并且不进行剪枝处理,任其生长,最终获得随机森林子决策树分类器
进一步地,η的采用如下方法进行取值:通过交叉验证,选取最优的决策树个数η*作为η的取值。
有益效果:
本发明所提供的一种面向数据库残缺的雷达辐射源识别方法,通过对雷达先验知识样本集进行多重划分,将原始的雷达先验知识数据样本转化为多个不含缺失参数的样本子集,使得分类器能够充分利用未缺失的样本参数。然后引入随机森林算法,对各个样本子集构建子分类器,进而通过投票组合得到最终的识别模型。该方法通过多重划分获得的不含缺失参数的样本子集,使得后期再进行子分类器构建时,能够在少量先验知识、大参数丢失率的条件下,取得较优的识别效果,具备识别准确率高,鲁棒性、泛化能力强的优势。
附图说明
图1为本发明所提供的一种面向数据库残缺的雷达辐射源识别方法流程图。
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。
本发明提供了一种面向数据库残缺的雷达辐射源识别方法,其流程如图1所示,包括:
步骤一、针对包含缺失参数的雷达先验知识数据样本集进行多重划分,获得不含缺失参数的样本子集,样本子集中每个样本依据其所属雷达辐射源建立标签。
本发明实施例中,雷达先验知识数据样本集可以通过采集雷达平时数据获取,例如本发明实施例中所采集到的包含缺失参数的雷达先验知识数据样本集为:
X={x1,x2,…,xl}。
其中x1,x2,…,xl为l个样本,l为样本总数;每个样本具备n维特征,特征集为D={α1,α2,…,αn},n为特征维数,α1,α2,…,αn为第1~n维特征;即以xi为X中的任意样本,i为整数,取值范围为[1,l];为样本xi中第1~n维特征的取值。
为了充分发挥先验知识数据样本集中未缺失参数对识别模型的贡献,同时避免传统的删除法、插补法造成的参数分布偏差问题,本发明中将参数缺失的样本库进行多重划分处理。多重划分的目的是通过分析原始先验知识数据样本集参数缺失特点,尽可能多地挖掘出不含缺失参数的样本子集,以便后续处理可以直接利用。
基于上述目的,本发明实施例中针对包含缺失参数的雷达先验知识数据样本集进行多重划分,获得不含缺失参数的样本子集,具体步骤如下:
S101、依据缺失参数的属性对雷达先验知识数据样本集中每个样本进行标记,在第i个样本中,若存在一个特征集合当前样本在包含的所有特征上参数缺失,在其他特征上存在参数值,则该特征集合即为当前样本的缺失特征集,对应的完全特征集为
遍历整个雷达先验知识数据样本集X,得到X的完全特征集的集合D′={D′1,D′2,…,D′l},以及缺失特征集的集合
遍历整个缺失特征集的集合合并其中重复出现的子集,得到缺失模式集合s为缺失模式的数量,1≤s<l;unique为合并重复子集操作。
S102、设V={V1,V2,…,Vs}代表针对雷达先验知识数据样本集进行多重划分后生成的特征集,V1,V2,…,Vs为其中的特征子集,则对于任意特征子集Va,a为整数,取值范围为1≤a≤s。
Va=D-Sa。
S103、在多重划分后的特征集V={V1,V2,…,Vs}中,每个特征子集均对应了多重划分后样本子集的特征,利用X对各特征子集V1,V2,…,Vs进行投影,删除参数值缺失的样本,获得多重划分后的样本集其中即为不含缺失参数的样本子集。
对于X对任意特征子集Va投影
其中Φ表示缺失值,在具体实例中,Φ可能是空值或者错误值;αe、分别指X的第e个特征和第i个样本第e个特征的参数值。
步骤二、针对各样本子集及其标签,采用随机森林算法构建子分类器,并采用投票法组合个子分类器的结果,训练获得识别模型。
该步骤具体包括S201~S204:
S201、样本子集对应的标签集为样本子集对应的特征集为Vb;样本子集中包含的样本包括xb1~xbN,N为中样本个数;对xb1~xbN依据其所属雷达辐射源建立的标签分别yb1~ybN,即b为整数,取值范围为[1,s]。
取组成随机森林的决策树个数为η;对样本子集对应的特征集Vb进行η次随机取样,每次取样的特征数为sqrt(|Vb|);|Vb|指Vb中特征个数,sqrt(|Vb|)为对|Vb|的平方根操作;随机取样后得到特征集Vb的采样子集V′b1,V′b2,…,V′bη;由组成第b个训练样本,共s个训练样本。
S202、针对第b个训练样本进行η次随机的有放回随机采样,即Bootstrap采样,每次采样的个数与样本总数一致,投影至采样子集V′b1,V′b2,…,V′bη中,得到η个训练样本子集:
S203、针对训练样本子集d=1,2,…,η,采用随机森林算法训练获得随机森林子决策树
共η个随机森林子决策树组成第b个随机森林子分类器,投票法得到第b个随机森林子分类器的类别判定结果。
随机森林算法训练的过程中,选用决策树分类算法即CART构建随机森林的子决策树,利用基尼Gini指数和采样子集V′bd对树节点进行分裂,并且不进行剪枝处理,任其生长,最终获得随机森林子决策树分类器
S204、针对共s个训练样本,均执行S202~S203,得到共s个随机森林子分类器,s个随机森林子分类器组成识别模型,利用投票法组合s个随机森林子分类器的类别判定结果,作为识别模型的类别判定结果,获得训练后的识别模型。
η的采用如下方法进行取值:通过交叉验证,选取最优的决策树个数η*作为η的取值。
相对于其它识别算法,基于决策树组合的随机森林算法,通过对样本和特征的随机选择,较好地克服了决策树过学习、泛化能力差的缺点,具备结构简单、运算速度快、鲁棒性高等优势。
步骤三、利用识别模型处理待识别数据,获得待识别数据的雷法辐射源识别结果。
此时的待识别即为从雷达获取的辐射源未知数据,即MFR信号,将该辐射源未知数据对步骤一生成的各特征子集V1,V2,…,Vs进行投影,得到s个具备不同特征的未知样本子集。将获得的未知样本子集输入到识别模型中,获得识别结果。
综上所述,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 (5)
1.一种面向数据库残缺的雷达辐射源识别方法,其特征在于,包括:
步骤一、针对包含缺失参数的雷达先验知识数据样本集进行多重划分,获得不含缺失参数的样本子集,所述样本子集中每个样本依据其所属雷达辐射源建立标签;
步骤二、针对各所述样本子集及其标签,采用随机森林算法构建子分类器,并采用投票法组合个子分类器的结果,训练获得识别模型;
步骤三、利用所述识别模型处理待识别数据,获得所述待识别数据的雷法辐射源识别结果。
2.如权利要求1所述的方法,其特征在于,所述包含缺失参数的雷达先验知识数据样本集为X={x1,x2,…,xl},每个样本具备n维特征,特征集为D={α1,α2,…,αn};其中xi为X中的任意样本,i为整数,取值范围为[1,l],l为样本总数;n为特征维数,α1,α2,…,αn为第1~n维特征;为样本xi中第1~n维特征的取值;
则所述针对包含缺失参数的雷达先验知识数据样本集进行多重划分,获得不含缺失参数的样本子集,具体步骤如下:
S101、依据缺失参数的属性对所述雷达先验知识数据样本集中每个样本进行标记,在第i个样本中,若存在一个特征集合当前样本在包含的所有特征上参数缺失,在其他特征上存在参数值,则该特征集合即为当前样本的缺失特征集,对应的完全特征集为
遍历整个雷达先验知识数据样本集X,得到X的完全特征集的集合D′={D′1,D′2,…,D′l},以及缺失特征集的集合
遍历整个缺失特征集的集合合并其中重复出现的子集,得到缺失模式集合s为缺失模式的数量,1≤s<l;unique为合并重复子集操作;
S102、设V={V1,V2,…,Vs}代表针对雷达先验知识数据样本集进行多重划分后生成的特征集,V1,V2,…,Vs为其中的特征子集,则对于任意特征子集Va,a为整数,取值范围为1≤a≤s;
Va=D-Sa;
S103、在多重划分后的特征集V={V1,V2,…,Vs}中,每个特征子集均对应了多重划分后样本子集的特征,利用X对各特征子集V1,V2,…,Vs进行投影,删除参数值缺失的样本,获得多重划分后的样本集其中即为不含缺失参数的样本子集;
对于X对任意特征子集Va投影
其中Φ表示缺失值;αe、分别指X的第e个特征和第i个样本第e个特征的参数值。
3.如权利要求1或2所述的方法,其特征在于,所述针对各所述样本子集及其标签,采用随机森林算法构建子分类器,并采用投票法组合个子分类器的结果,训练获得识别模型,具体为:
S201、样本子集对应的标签集为样本子集对应的特征集为Vb;样本子集中包含的样本包括xb1~xbN,N为中样本个数;对xb1~xbN依据其所属雷达辐射源建立的标签分别yb1~ybN,即b为整数,取值范围为[1,s];
取组成随机森林的决策树个数为η;对样本子集Xvb对应的特征集Vb进行η次随机取样,每次取样的特征数为sqrt(|Vb|);|Vb|指Vb中特征个数,sqrt(|Vb|)为对|Vb|的平方根操作;随机取样后得到特征集Vb的采样子集V′b1,V′b2,…,V′bη;由组成第b个训练样本,共s个训练样本;
S202、针对第b个训练样本进行η次随机的有放回随机采样,即Bootstrap采样,每次采样的个数与样本总数一致,投影至采样子集V′b1,V′b2,…,V′bη中,得到η个训练样本子集
S203、针对训练样本子集采用随机森林算法训练获得随机森林子决策树
共η个随机森林子决策树组成第b个随机森林子分类器,投票法得到所述第b个随机森林子分类器的类别判定结果;
S204、针对共s个训练样本,均执行S202~S203,得到共s个随机森林子分类器,s个随机森林子分类器组成识别模型,利用投票法组合s个随机森林子分类器的类别判定结果,作为所述识别模型的类别判定结果,获得训练后的识别模型。
4.如权利要求3所述的方法,其特征在于,所述S203中,随机森林算法训练的过程中,选用决策树分类算法即CART构建随机森林的子决策树,利用基尼Gini指数和采样子集V′bd对树节点进行分裂,并且不进行剪枝处理,任其生长,最终获得随机森林子决策树分类器
5.如权利要求3所述的方法,其特征在于,所述η的采用如下方法进行取值:通过交叉验证,选取最优的决策树个数η*作为η的取值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811103163.7A CN109490838A (zh) | 2018-09-20 | 2018-09-20 | 一种面向数据库残缺的雷达辐射源识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811103163.7A CN109490838A (zh) | 2018-09-20 | 2018-09-20 | 一种面向数据库残缺的雷达辐射源识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109490838A true CN109490838A (zh) | 2019-03-19 |
Family
ID=65690676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811103163.7A Pending CN109490838A (zh) | 2018-09-20 | 2018-09-20 | 一种面向数据库残缺的雷达辐射源识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109490838A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110244271A (zh) * | 2019-05-17 | 2019-09-17 | 中国人民解放军战略支援部队信息工程大学 | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 |
CN111273131A (zh) * | 2020-03-17 | 2020-06-12 | 辽宁工程技术大学 | 基于能量特性与随机森林的光伏并网发电孤岛检测方法 |
CN111401298A (zh) * | 2020-04-03 | 2020-07-10 | 中国人民解放军海军航空大学 | 一种小样本条件下认知传感网对未确知威胁的识别方法 |
CN111913156A (zh) * | 2020-08-05 | 2020-11-10 | 电子科技大学 | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 |
CN112115768A (zh) * | 2020-08-03 | 2020-12-22 | 中国人民解放军63892部队 | 一种面向复杂电磁环境的雷达辐射源识别方法 |
CN112418307A (zh) * | 2020-11-20 | 2021-02-26 | 中国电子科技集团公司第二十九研究所 | 一种结合深度学习和集成学习的辐射源个体识别方法 |
CN114861538A (zh) * | 2022-05-07 | 2022-08-05 | 中核四川环保工程有限责任公司 | 基于随机森林算法的后处理厂退役辐射场估算方法及系统 |
CN116451099A (zh) * | 2023-06-19 | 2023-07-18 | 浪潮通用软件有限公司 | 一种基于随机遍历的高熵knn聚类方法、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7034738B1 (en) * | 2003-12-05 | 2006-04-25 | Itt Manufacturing Enterprises, Inc. | Method of radar pattern recognition by sorting signals into data clusters |
CN103500359A (zh) * | 2013-10-18 | 2014-01-08 | 无锡科技职业学院 | 基于结构等价型模糊神经网络的雷达辐射源识别方法 |
-
2018
- 2018-09-20 CN CN201811103163.7A patent/CN109490838A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7034738B1 (en) * | 2003-12-05 | 2006-04-25 | Itt Manufacturing Enterprises, Inc. | Method of radar pattern recognition by sorting signals into data clusters |
CN103500359A (zh) * | 2013-10-18 | 2014-01-08 | 无锡科技职业学院 | 基于结构等价型模糊神经网络的雷达辐射源识别方法 |
Non-Patent Citations (5)
Title |
---|
KAI JIANG 等: "Classification for Incomplete Data Using Classifier Ensembles", 《2005 INTERNATIONAL CONFERENCE ON NEURAL NETWORKS AND BRAIN》 * |
严远亭: "不完整数据集的多视角集成分类研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
李欣海: "随机森林模型在分类与回归分析中的应用", 《应用昆虫学报》 * |
李蒙,朱卫纲: "数据库样本缺失下的雷达辐射源识别", 《电讯技术》 * |
陈海霞: "面向数据挖掘的分类器集成研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110244271A (zh) * | 2019-05-17 | 2019-09-17 | 中国人民解放军战略支援部队信息工程大学 | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 |
CN110244271B (zh) * | 2019-05-17 | 2022-06-10 | 中国人民解放军战略支援部队信息工程大学 | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 |
CN111273131A (zh) * | 2020-03-17 | 2020-06-12 | 辽宁工程技术大学 | 基于能量特性与随机森林的光伏并网发电孤岛检测方法 |
CN111401298A (zh) * | 2020-04-03 | 2020-07-10 | 中国人民解放军海军航空大学 | 一种小样本条件下认知传感网对未确知威胁的识别方法 |
CN112115768A (zh) * | 2020-08-03 | 2020-12-22 | 中国人民解放军63892部队 | 一种面向复杂电磁环境的雷达辐射源识别方法 |
CN111913156A (zh) * | 2020-08-05 | 2020-11-10 | 电子科技大学 | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 |
CN112418307A (zh) * | 2020-11-20 | 2021-02-26 | 中国电子科技集团公司第二十九研究所 | 一种结合深度学习和集成学习的辐射源个体识别方法 |
CN114861538A (zh) * | 2022-05-07 | 2022-08-05 | 中核四川环保工程有限责任公司 | 基于随机森林算法的后处理厂退役辐射场估算方法及系统 |
CN114861538B (zh) * | 2022-05-07 | 2024-05-07 | 中核四川环保工程有限责任公司 | 基于随机森林算法的后处理厂退役辐射场估算方法及系统 |
CN116451099A (zh) * | 2023-06-19 | 2023-07-18 | 浪潮通用软件有限公司 | 一种基于随机遍历的高熵knn聚类方法、设备及介质 |
CN116451099B (zh) * | 2023-06-19 | 2023-09-01 | 浪潮通用软件有限公司 | 一种基于随机遍历的高熵knn聚类方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109490838A (zh) | 一种面向数据库残缺的雷达辐射源识别方法 | |
CN110519128B (zh) | 一种基于随机森林的操作系统识别方法 | |
US7545986B2 (en) | Adaptive resampling classifier method and apparatus | |
CN100595782C (zh) | 一种融合光谱信息和多点模拟空间信息的分类方法 | |
CN109446986B (zh) | 一种面向树木激光点云的有效特征抽取与树种识别方法 | |
CN111950530B (zh) | 农作物种植结构提取的多特征优选与融合方法 | |
CN104820841B (zh) | 基于低阶互信息和光谱上下文波段选择的高光谱分类方法 | |
CN112347894B (zh) | 基于迁移学习和高斯混合模型分离的单株植被提取方法 | |
CN109829494A (zh) | 一种基于加权相似性度量的聚类集成方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN115034261B (zh) | 雷达辐射源信号脉间特征提取方法、设备及存储介质 | |
CN103914705A (zh) | 一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法 | |
CN108734228A (zh) | 综合多特征的极化sar图像随机森林分类方法 | |
CN110365603A (zh) | 一种基于5g网络能力开放的自适应网络流量分类方法 | |
CN105678047A (zh) | 融合经验模态分解降噪和复杂网络分析的风场表征方法 | |
CN114419468A (zh) | 一种结合注意力机制和空间特征融合算法的水田分割方法 | |
CN104573701B (zh) | 一种玉米雄穗性状的自动检测方法 | |
CN112232171A (zh) | 基于随机森林的遥感影像信息提取方法、装置及存储介质 | |
CN110311870B (zh) | 一种基于密度数据描述的ssl vpn流量识别方法 | |
Li et al. | An automatic plant leaf stoma detection method based on YOLOv5 | |
CN106971170A (zh) | 一种基于遗传算法利用一维距离像进行目标识别的方法 | |
CN111860359B (zh) | 一种基于改进随机森林算法的点云分类方法 | |
CN109740750B (zh) | 数据收集方法及装置 | |
CN112383488A (zh) | 一种适用于加密与非加密数据流的内容识别方法 | |
CN112560925A (zh) | 一种复杂场景目标检测数据集构建方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190319 |
|
WD01 | Invention patent application deemed withdrawn after publication |