CN109932699A - 一种雷达辐射源识别方法、装置、计算机设备和存储介质 - Google Patents
一种雷达辐射源识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109932699A CN109932699A CN201910200981.7A CN201910200981A CN109932699A CN 109932699 A CN109932699 A CN 109932699A CN 201910200981 A CN201910200981 A CN 201910200981A CN 109932699 A CN109932699 A CN 109932699A
- Authority
- CN
- China
- Prior art keywords
- radar
- radiation source
- recognizing
- frequency domain
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000005855 radiation Effects 0.000 claims abstract description 127
- 238000012549 training Methods 0.000 claims abstract description 73
- 239000011159 matrix material Substances 0.000 claims abstract description 70
- 238000012545 processing Methods 0.000 claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 230000009466 transformation Effects 0.000 claims abstract description 52
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 45
- 230000004044 response Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 10
- 230000001537 neural effect Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000000149 penetrating effect Effects 0.000 claims 1
- 238000012958 reprocessing Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 21
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000003475 lamination Methods 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000631 nonopiate Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000010186 staining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明适用于计算机领域，提供了一种雷达辐射源识别方法，包括：接收待识别雷达辐射源信号；对所述待识别雷达辐射源信号进行小波变换生成二维小波矩阵；对所述二维小波矩阵进行处理生成时频域灰度图像；根据所述时频域灰度图像以及基于卷积神经网络算法训练生成的雷达辐射源识别模型确定与所述时频域灰度图像对应的雷达辐射源。本发明实施例提供的雷达辐射源识别方法，通过对待识别雷达辐射源信号进行小波变换再处理为时频域灰度图像，并利用基于卷积神经网络算法训练生成的雷达辐射源识别模型，能够直接确定雷达辐射源，相比于现有的识别方法需，有效地减少了数据处理量，提高了处理效率，同时具有良好的识别准确率。
Description
技术领域
本发明属于计算机领域，尤其涉及一种雷达辐射源识别方法、装置、计算机设备和存储介质。
背景技术
随着科技的发展，雷达也更多的运用在军事、航空领域。尤其是在军事领域，雷达可以有效地侦查出军情，在军事中就可以有效地占据先机，相应的，雷达的干扰以及雷达的识别性能就成了衡量雷达性能的一个重要指标。
现有技术中，雷达常常需要对接收到的含有噪音的信号进行处理，然后对处理后的信号进行识别，从而识别出相应的雷达辐射源。而现有技术中一般采用短时傅里叶变换进行处理对信号进行处理，且在此之前还需要对信号进行降噪预处理，处理过程复杂，处理效率低，处理后的信号识别准确率低。
可见，现有技术中还存在着信号处理效率低、信号识别准确率低的技术问题。
发明内容
本发明实施例的目的在于提供一种雷达辐射源识别方法，旨在解决现有技术中还存在的信号处理效率低、信号识别准确率低的技术问题。
本发明实施例是这样实现的，一种雷达辐射源识别方法，所述方法包括：
接收待识别雷达辐射源信号；
对所述待识别雷达辐射源信号进行小波变换生成二维小波矩阵；
对所述二维小波矩阵进行处理生成时频域灰度图像；
根据所述时频域灰度图像以及基于卷积神经网络算法训练生成的雷达辐射源识别模型确定与所述时频域灰度图像对应的雷达辐射源。
本发明实施例的另一目的在于提供一种雷达辐射源识别装置，所述装置包括：
待识别雷达辐射源信息接收单元，用于接收待识别雷达辐射源信号；
小波变换单元，用于对所述待识别雷达辐射源信号进行小波变换生成二维小波矩阵；
时频域灰度图像生成单元，用于对所述二维小波矩阵进行处理生成时频域灰度图像；以及
雷达辐射源确定单元，用于根据所述时频域灰度图像以及基于卷积神经网络算法训练生成的雷达辐射源识别模型确定与所述时频域灰度图像对应的雷达辐射源。
本发明实施例的另一目的在于提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述所述的雷达辐射源识别方法的步骤。
本发明实施例的另一目的在于提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利如上述所述的雷达辐射源识别方法的步骤。
本发明实施例提供的一种雷达辐射源识别方法，通过先将接收的待识别雷达辐射源信号进行小波变换，然后再处理生成时频域灰度图像，最后根据生成的时频域灰度图像以及预先基于卷积神经网络算法训练生成的雷达辐射源识别模型直接确定与所述时频域灰度图像对应的雷达辐射源。本发明实施例提供的一种雷达辐射源识别方法，相比于现有技术中的信号处理以及识别方法，处理过程更加简单，且识别准确率更高。
附图说明
图1为本发明实施例提供的一种雷达辐射源识别方法的步骤流程图；
图2为本发明实施例提供的一种对二维小波矩阵进行处理生成时频域灰度图像的步骤流程图；
图3为本发明实施例提供的一种训练生成雷达辐射源识别模型的步骤流程图；
图4为本发明实施例提供的一种基于卷积神经网络算法调整雷达辐射源识别模型的步骤流程图；
图5为本发明实施例提供的一种雷达辐射源识别装置的结构示意图；
图6为本发明实施例提供的一种时频域灰度图像生成单元的结构示意图；
图7为本发明实施例提供的一种雷达辐射源识别模型生成单元的结构示意图；
图8为本发明实施例提供的一种雷达辐射源识别模型训练模块的结构示意图；
图9为本发明实施例提供的本发明与现有技术在不同低信噪比下的准确率对比图；
图10为本发明实施例提供的时频域灰度图像的示意图。
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仅用以解释本发明，并不用于限定本发明。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
本发明实施例为解决现有技术存在的雷达辐射源信号处理过程复杂，识别效果不佳的技术问题，通过先进行小波变换，再处理为时频域灰度图像的处理方法，最后利用预先基于卷积神经网络算法建立的雷达辐射源信号识别模型直接对时频域灰度图像进行识别从而获取与所述时频域灰度图像对应的雷达辐射源。
图1为本发明实施例提供的一种雷达辐射源识别方法的步骤流程图，具体可以包括以下步骤：
步骤S101，接收待识别雷达辐射源信号。
在本发明实施例中，所述待识别雷达辐射源信号中含有噪音信号。
步骤S102，对所述待识别雷达辐射源信号进行小波变换生成二维小波矩阵。
在本发明实施例中，所述小波变换是一种信号变换处理方法，利用小波对信号处理能够获取信号的时频域特征，常见的小波变换包括Morlet小波变换、haar小波变换、Meyer小波变换等等。
作为本发明的一种优选实施例，所述小波变换采用Morlet小波变换，所述Morlet小波变换是一种采用Morlet复小波为母小波的小波变换，所述Morler小波变换的母小波如下：
在对信号进行小波变换生成二维小波矩阵的过程中，需要将母小波进行尺度变换以及平移，所述母小波经尺度变换和平移之后的小波函数如下：
其中，a为小波函数中的尺度变换因子，b为小波的平移因子。
所述小波系数的计算公式如下：
其中，将尺度变换因子a看成常数，把平移因子b当作时间因子，则小波系数W(a，b)进一步可以化为：
又因为对Morlet复小波进行傅里叶变换可以得到：
综上上述两个式子即可以确定小波系数W(a，b)，所述小波系数W(a，b)的计算公式如下：
而为了获取二维小波矩阵，首先要通过多个尺度变换因子a计算多个具有非正交性的小波系数，然后通过平移因子b将小波系数映射到时间轴上，从而得到小波变换的时间尺度信息，从而确定二维小波矩阵。一般的，所述二维小波矩阵的矩阵大小为960＊960。
作为本发明的一种优选实施例，当利用Morlet小波变换对信号处理时，能够在低信噪比下获得了特征比较明显的数据集，从而有效提高了低信噪比下雷达辐射源识别的精度。采用Morlet小波变换与现有技术在低信噪比下雷达辐射源识别的准确率的技术效果图请参阅图9及其解释说明。
步骤S103，对所述二维小波矩阵进行处理生成时频域灰度图像。
在本发明实施例中，由于卷积神经网络一般用于图像的识别，因此，需要将所述二维小波矩阵先进行处理生成时频域灰度图像。
在本发明实施例中，还提供了时频域灰度图像的示意图，所述时频域灰度图像的示意图请参阅图10。
在本发明实施例中，一种可行的对二维小波矩阵进行处理生成时频域灰度图像的步骤请参阅图2及其解释说明。
步骤S104，根据所述时频域灰度图像以及基于卷积神经网络算法训练生成的雷达辐射源识别模型确定与所述时频域灰度图像对应的雷达辐射源。
在本发明实施例中，所述雷达辐射源识别模型是预先通过大量的样本数据基于卷积神经网络算法训练生成的，对时频域灰度图像具有优秀的识别能力，且识别准确率高，效率快。其中所述预先通过大量的样本数据并基于卷积神经网络算法训练生成雷达辐射源识别模型的步骤具体请参阅图3及其解释说明。
本发明实施例提供的一种雷达辐射源识别方法，通过先将接收的待识别雷达辐射源信号进行小波变换，然后再处理生成时频域灰度图像，最后根据生成的时频域灰度图像以及预先基于卷积神经网络算法训练生成的雷达辐射源识别模型直接确定与所述时频域灰度图像对应的雷达辐射源。本发明实施例提供的一种雷达辐射源识别方法，相比于现有技术中的信号处理以及识别方法，处理过程更加简单，且识别准确率更高。
在一个实施例中，如图2所示，步骤S103，对所述二维小波矩阵进行处理生成时频域灰度图像具体可以包括以下步骤。
步骤S201，对所述二维小波矩阵进行归一化处理。
在本发明实施例中，先将二维小波矩阵中的数据统一除以矩阵中的最大值，使得处理后的矩阵中的数据在0～1之间分布。
步骤S202，根据归一化处理后的二维小波矩阵生成时频域图像。
在本发明实施例中，可直接利用matlab(一款数学领域数据处理软件)中的imagesc函数(matlab软件中自带的功能函数，可用于将矩阵A中的元素数值按大小转化为不同颜色，并在坐标轴对应位置处以这种颜色染色)对所述二维小波矩阵处理生成时频域图像。
步骤S203，对所述时频域图像进行灰度化处理生成时频域灰度图像。
在本发明实施例中，由于imagesc函数处理生成的时频域图像为彩色图像，可以通过灰度化处理将所述时频域图像处理生成单通道的时频域灰度图像，相比于处理多通道的时频域彩色图像，卷积神经网络算法在处理时频域灰度图像所需处理的数据量大大降低，但是同时不会影响最终的识别准确率。
本发明实施例提供了一种将二维小波矩阵处理生成时频域灰度图像的可行方案，其中先将二维小波矩阵归一化处理使得矩阵中数据处于0～1之间，在直接利用matlab软件自带的功能将矩阵转化为时频域图像，最后对图像灰度化生成时频域灰度图像。本发明实施例提供的处理方法，在有效降低了数据处理量的同时，对识别准确率并无影响。
如图3所示，提供了一种训练生成雷达辐射源识别模型的方法的步骤流程图，所述方法包括以下步骤。
步骤S301，获取雷达辐射源训练数据库。
在本发明实施例中，所述雷达辐射源训练数据库中包括多个雷达辐射源训练样本信号以及与所述雷达辐射源训练样本信号对应的目标雷达辐射源信息。
在本发明实施例中，所述雷达辐射源训练数据库是预先通过仿真多种雷达辐射源产生的不同调制方式的雷达辐射源样本信号建立的。
作为本发明的一种可行实施例，在-14dB到0dB信噪比下每隔2dB产生数量相等的不同调制方式的雷达辐射源样本信号，所述不同调制方式的雷达辐射源样本信号包括常规脉冲信号，线性调频信号，正弦调频信号，相位编码信号以及频率编码信号，进一步的，上述所述雷达辐射源样本信号的参数如下：
常规脉冲信号：载频100MHz，采样频率400MHz，脉宽1us，初相为0。
线性调频信号：载频100MHz，采样频率400MHz，脉宽1us，带宽20MHz。
正弦调频信号：载频100MHz，采样频率400MHz，脉宽1us，带宽30MHz。
相位编码信号：载频100MHz，采样频率400MHz，码元宽度0.1us，码元个数32个。
频率编码信号：载频100MHz，采样频率400MHz，码元宽度0.1us，码元个数32个。
步骤S302，对所述进行雷达辐射源训练样本信号进行小波变换生成二维小波矩阵训练样本。
在本发明实施例中，步骤S302与前述步骤S102的过程相似，仅仅在于处理的对象的不同，而处理时所采用的小波变换类型以及具体处理过程则保持相同，为简化说明，在此不一一赘述。
步骤S303，对所述二维小波矩阵训练样本进行处理生成时频域灰度图像训练样本。
在本发明实施例中，同样的，步骤S303与前述步骤S103的过程相似，仅仅在于处理的对象的不同，而处理时所采用的具体处理过程则保持相同，为简化说明，在此不一一赘述
步骤S304，基于卷积神经网络算法建立含有可变参数的初始化的雷达辐射源识别模型。
作为本发明的一种可行实施例，所述基于卷积神经网络算法建立的雷达辐射源识别模型采用两次卷积的架构，其中所述雷达辐射源识别模型中从前至后依次为：输入层、卷积层、池化层、卷积层、池化层、全连接层、dropout层、和输出层，更进一步的，所述第一次卷积层采用16个5*5的卷积，第二次卷积层采用32个5*5的卷积，池化大小为2*2。
在本发明实施例中，所述可变参数包括各卷积层中的卷积核，全连接层中使用的关系系数矩阵以及偏倚矩阵。
步骤S305，基于卷积神经网络算法并根据所述时频域灰度图像训练样本以及目标雷达辐射源信息对所述雷达辐射源识别模型中的可变参数进行调整，直至雷达辐射源识别模型满足预设的条件。
在本发明实施例中，所述基于卷积神经网络算法建立的雷达辐射源识别模型可以理解为一个函数，当输入时频域灰度图像时，会输出雷达辐射源信息。而卷积神经网络算法利用大量的样本数据不断计算调整雷达辐射源识别模型，从而使得这个函数的输入和输入符合实际情况，即提高雷达辐射源识别模型的识别准确率。
在本发明实施例中，所述基于卷积神经网络算法调整所述雷达辐射源识别模型的具体步骤请参阅图4及其解释说明。
在本发明实施例中，所述预设的条件是用于衡量雷达辐射源识别模型的识别准确率，当满足预设的条件时，识别准确率也达到预设的要求。
步骤S306，将当前的雷达辐射源识别模型确定为基于卷积神经网络算法训练生成的雷达辐射源识别模型。
本发明实施例提供了一种利用卷积神经网络算法训练生成的雷达辐射源识别模型的过程，包括建立样本数据库，对样本数据处理，根据处理后的样本数据对基于卷积神经网络算法初始化建立的雷达辐射源识别模型进行调整，直至雷达辐射源识别模型满足预设的条件。本发明实施例提供的一种利用卷积神经网络算法训练生成的雷达辐射源识别模型的过程利用大量样本数据以及卷积神经网络算法使得制备出的雷达辐射源识别模型的识别准确率更高。
如图4所示，提供了一种基于卷积神经网络算法调整雷达辐射源识别模型的方法的步骤流程图，所述方法包括以下步骤。
步骤S401，根据时频域灰度图像训练样本以及雷达辐射源识别模型确定响应雷达辐射源信息。
在本发明实施例中，将时频域灰度图像直接输入到雷达辐射源识别模型中可以输出响应雷达辐射源信息。
步骤S402，确定所述响应雷达辐射源信息与目标雷达辐射源信息的损失值。
在本发明实施例中，所述损失值采用交叉熵损失函数进行计算。
步骤S403，判断所述响应雷达辐射源信息与目标雷达辐射源信息的损失值是否满足预设的条件。当判断所述响应雷达辐射源信息与目标雷达辐射源信息的损失值不满足预设的条件时，执行步骤S404；当判断所述响应雷达辐射源信息与目标雷达辐射源信息的损失值满足预设的条件，执行步骤S405。
在本发明实施例中，常用的预设条件为判断损失值是否小于预设的值。当损失值较大时，表明雷达辐射源识别模型的识别准确率不够，识别出来的雷达辐射源信息与实际存在较大差异，因此需要重新调整雷达辐射源识别模型。当损失值较小时，表明雷达辐射源识别模型的识别准确率足够，识别出来的雷达辐射源信息与实际基本相符。
步骤S404，基于反向传播算法对所述雷达辐射源识别模型的可变参数进行调整，并返回至步骤S401。
在本发明实施例中，当确定雷达辐射源识别模型的识别准确率不够时，通过反向传播算法调整可变参数可以提高雷达辐射源识别模型的识别准确率。
步骤S405，确定雷达辐射源识别模型满足预设的条件。
在本发明实施例中，当确定雷达辐射源识别模型的识别准确率足够时，即可以确定雷达辐射源识别模型满足条件。
如图5所示，提供了一种雷达辐射源识别装置，该装置具体可以包括待识别雷达辐射源信息接收单元501、小波变换单元502、时频域灰度图像生成单元503以及雷达辐射源确定单元504。
所述待识别雷达辐射源信息接收单元501，用于接收待识别雷达辐射源信号。
在本发明实施例中，所述待识别雷达辐射源信号中含有噪音信号。
所述小波变换单元502，用于对所述待识别雷达辐射源信号进行小波变换生成二维小波矩阵。
在本发明实施例中，所述小波变换是一种信号变换处理方法，利用小波对信号处理能够获取信号的时频域特征，常见的小波变换包括Morlet小波变换、haar小波变换、Meyer小波变换等等。
作为本发明的一种优选实施例，所述小波变换采用Morlet小波变换，所述Morlet小波变换是一种采用Morlet复小波为母小波的小波变换，所述Morler小波变换的母小波如下：
在对信号进行小波变换生成二维小波矩阵的过程中，需要将母小波进行尺度变换以及平移，所述母小波经尺度变换和平移之后的小波函数如下：
其中，a为小波函数中的尺度变换因子，b为小波的平移因子。
所述小波系数的计算公式如下：
其中，将尺度变换因子a看成常数，把平移因子b当作时间因子，则小波系数W(a，b)进一步可以化为：
又因为对Morlet复小波进行傅里叶变换可以得到：
综上上述两个式子即可以确定小波系数W(a，b)，所述小波系数W(a，b)的计算公式如下：
而为了获取二维小波矩阵，首先要通过多个尺度变换因子a计算多个具有非正交性的小波系数，然后通过平移因子b将小波系数映射到时间轴上，从而得到小波变换的时间尺度信息，从而确定二维小波矩阵。一般的，所述二维小波矩阵的矩阵大小为960＊960。
作为本发明的一种优选实施例，当利用Morlet小波变换对信号处理时，能够在低信噪比下获得了特征比较明显的数据集，从而有效提高了低信噪比下雷达辐射源识别的精度
所述时频域灰度图像生成单元503，用于对所述二维小波矩阵进行处理生成时频域灰度图像。
在本发明实施例中，由于卷积神经网络一般用于图像的识别，因此，需要将所述二维小波矩阵先进行处理生成时频域灰度图像。
所述雷达辐射源确定单元504，用于根据所述时频域灰度图像以及基于卷积神经网络算法训练生成的雷达辐射源识别模型确定与所述时频域灰度图像对应的雷达辐射源。
在本发明实施例中，所述雷达辐射源识别模型是预先通过大量的样本数据基于卷积神经网络算法训练生成的，对时频域灰度图像具有优秀的识别能力，且识别准确率高，效率快。
作为本发明的一个优选实施例，所述雷达辐射源识别装置还包括雷达辐射源识别模型生成单元，用于训练生成基于卷积神经网络算法训练生成的雷达辐射源识别模型。所述雷达辐射源识别模型生成单元具体结构示意图请参阅图7及其解释说明。
本发明实施例提供的一种雷达辐射源识别装置，通过先将接收的待识别雷达辐射源信号进行小波变换，然后再处理生成时频域灰度图像，最后根据生成的时频域灰度图像以及预先基于卷积神经网络算法训练生成的雷达辐射源识别模型直接确定与所述时频域灰度图像对应的雷达辐射源。本发明实施例提供的一种雷达辐射源识别装置，相比于现有技术中的信号处理以及识别方法，处理过程更加简单，且识别准确率更高。
如图6所示，在一个实施例中，所述时频域灰度图像生成单元503具体包括：归一化处理模块601、时频域图像生成模块602以及时频域灰度图像生成模块603。
所述归一化处理模块601，用于对所述二维小波矩阵进行归一化处理。
在本发明实施例中，先将二维小波矩阵中的数据统一除以矩阵中的最大值，使得处理后的矩阵中的数据在0～1之间分布。
所述时频域图像生成模块602，用于根据归一化处理后的二维小波矩阵生成时频域图像。
在本发明实施例中，可直接利用matlab(一款数学领域数据处理软件)中的imagesc函数(matlab软件中自带的功能函数，可用于将矩阵A中的元素数值按大小转化为不同颜色，并在坐标轴对应位置处以这种颜色染色)对所述二维小波矩阵处理生成时频域图像。
所述时频域灰度图像生成模块603，用于对所述时频域图像进行灰度化处理生成时频域灰度图像。
在本发明实施例中，由于imagesc函数处理生成的时频域图像为彩色图像，可以通过灰度化处理将所述时频域图像处理生成单通道的时频域灰度图像，相比于处理多通道的时频域彩色图像，卷积神经网络算法在处理时频域灰度图像所需处理的数据量大大降低，但是同时不会影响最终的识别准确率。
本发明实施例提供了一种时频域灰度图像生成单元的可能结构，包括归一化处理模块、时频域图像生成模块以及时频域灰度图像生成模块。其中先将二维小波矩阵归一化处理使得矩阵中数据处于0～1之间，在直接利用matlab软件自带的功能将矩阵转化为时频域图像，最后对图像灰度化生成时频域灰度图像。本发明实施例提供的时频域灰度图像生成单元的可能结构，在有效降低了数据处理量的同时，对识别准确率并无影响。
如图7所示，在一个实施例中，所述雷达辐射源识别模型生成单元包括雷达辐射源训练样本信号获取模块701、样本小波变换模块702、时频域灰度图像训练样本生成模块703、雷达辐射源识别模型初始化建立模块704、雷达辐射源识别模型训练模块705以及雷达辐射源识别模型确定模块706。
所述雷达辐射源训练样本信号获取模块701，用于获取雷达辐射源训练数据库。
在本发明实施例中，所述雷达辐射源训练数据库中包括多个雷达辐射源训练样本信号以及与所述雷达辐射源训练样本信号对应的目标雷达辐射源信息。
在本发明实施例中，所述雷达辐射源训练数据库是预先通过仿真多种雷达辐射源产生的不同调制方式的雷达辐射源样本信号建立的。
作为本发明的一种可行实施例，在-14dB到0dB信噪比下每隔2dB产生数量相等的不同调制方式的雷达辐射源样本信号，所述不同调制方式的雷达辐射源样本信号包括常规脉冲信号，线性调频信号，正弦调频信号，相位编码信号以及频率编码信号，进一步的，上述所述雷达辐射源样本信号的参数如下：
常规脉冲信号：载频100MHz，采样频率400MHz，脉宽1us，初相为0。
线性调频信号：载频100MHz，采样频率400MHz，脉宽1us，带宽20MHz。
正弦调频信号：载频100MHz，采样频率400MHz，脉宽1us，带宽30MHz。
相位编码信号：载频100MHz，采样频率400MHz，码元宽度0.1us，码元个数32个。
频率编码信号：载频100MHz，采样频率400MHz，码元宽度0.1us，码元个数32个。
所述样本小波变换模块702，用于对所述进行雷达辐射源训练样本信号进行小波变换生成二维小波矩阵训练样本。
在本发明实施例中，所述样本小波变换模块702与前述小波变换单元502功能相同，仅仅在于处理的对象的不同，为简化说明，在此不一一赘述。
所述时频域灰度图像训练样本生成模块703，用于对所述二维小波矩阵训练样本进行处理生成时频域灰度图像训练样本。
在本发明实施例中，所述时频域灰度图像训练样本生成模块703与前述时频域灰度图像生成单元503功能相同，仅仅在于处理的对象的不同，为简化说明，在此不一一赘述。
所述雷达辐射源识别模型初始化建立模块704，用于基于卷积神经网络算法建立含有可变参数的初始化的雷达辐射源识别模型。
作为本发明的一种可行实施例，所述基于卷积神经网络算法建立的雷达辐射源识别模型采用两次卷积的架构，其中所述雷达辐射源识别模型中从前至后依次为：输入层、卷积层、池化层、卷积层、池化层、全连接层、dropout层、和输出层，更进一步的，所述第一次卷积层采用16个5*5的卷积，第二次卷积层采用32个5*5的卷积，池化大小为2*2。
在本发明实施例中，所述可变参数包括各卷积层中的卷积核，全连接层中使用的关系系数矩阵以及偏倚矩阵。
所述雷达辐射源识别模型训练模块705，用于基于卷积神经网络算法并根据所述时频域灰度图像训练样本以及目标雷达辐射源信息对所述雷达辐射源识别模型中的可变参数进行调整，直至雷达辐射源识别模型满足预设的条件。
在本发明实施例中，所述基于卷积神经网络算法建立的雷达辐射源识别模型可以理解为一个函数，当输入时频域灰度图像时，会输出雷达辐射源信息。而卷积神经网络算法利用大量的样本数据不断计算调整雷达辐射源识别模型，从而使得这个函数的输入和输入符合实际情况，即提高雷达辐射源识别模型的识别准确率。
在本发明实施例中，所述雷达辐射源识别模型训练模块705的具体结构示意图请参阅图8及其解释说明。
在本发明实施例中，所述预设的条件是用于衡量雷达辐射源识别模型的识别准确率，当满足预设的条件时，识别准确率也达到预设的要求。
所述雷达辐射源识别模型确定模块706，用于将当前的雷达辐射源识别模型确定为基于卷积神经网络算法训练生成的雷达辐射源识别模型。
本发明实施例提供了一种雷达辐射源识别模型生成单元的具体结构示意图，包括能够实现建立样本数据库、对样本数据处理、根据处理后的样本数据对基于卷积神经网络算法初始化建立的雷达辐射源识别模型进行调整，直至雷达辐射源识别模型满足预设的条件等功能的模块。本发明实施例提供的雷达辐射源识别模型生成单元利用大量样本数据以及卷积神经网络算法使得制备出的雷达辐射源识别模型的识别准确率更高。
如图8所述，在一个实施例中，所述雷达辐射源识别模型训练模块705具体包括响应雷达辐射源信息接确定次模块801、损失值确定次模块802、可变参数调整次模块803、雷达辐射源识别模型确定次模块804。
所述响应雷达辐射源信息接确定次模块801，用于根据时频域灰度图像训练样本以及雷达辐射源识别模型确定响应雷达辐射源信息。
在本发明实施例中，将时频域灰度图像直接输入到雷达辐射源识别模型中可以输出响应雷达辐射源信息。
所述损失值确定次模块802，用于确定所述响应雷达辐射源信息与目标雷达辐射源信息的损失值。
在本发明实施例中，所述损失值采用交叉熵损失函数进行计算。
所述可变参数调整次模块803，用于当判断所述响应雷达辐射源信息与目标雷达辐射源信息的损失值不满足预设的条件时，基于反向传播算法对所述雷达辐射源识别模型的可变参数进行调整，并返回至所述响应雷达辐射源信息接确定次模块801。
在本发明实施例中，常用的预设条件为判断损失值是否小于预设的值。当损失值较大时，表明雷达辐射源识别模型的识别准确率不够，识别出来的雷达辐射源信息与实际存在较大差异，因此需要重新调整雷达辐射源识别模型。
所述雷达辐射源识别模型确定次模块804，用于当判断所述响应雷达辐射源信息与目标雷达辐射源信息的损失值满足预设的条件时，确定雷达辐射源识别模型满足预设的条件。
在本发明实施例中，当损失值较小时，表明雷达辐射源识别模型的识别准确率足够，识别出来的雷达辐射源信息与实际基本相符。
图9为本发明实施例提供的本发明与现有技术在不同低信噪比下的准确率对比图。
请参阅图9，可以看出，现有技术提供的雷达辐射源识别方法仅仅只能识别出-8dB～-10dB信噪比的信息，然而，本发明提供的采用Morlet小波变换的雷达辐射源识别方法能够识别出-10dB～-14dB信噪比的信息，且在-10dB～-12dB信噪比范围内仍具有良好的准确率。
图10为本发明实施例提供的一种时频域灰度图像的示意图。
在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
接收待识别雷达辐射源信号；
对所述待识别雷达辐射源信号进行小波变换生成二维小波矩阵；
对所述二维小波矩阵进行处理生成时频域灰度图像；
根据所述时频域灰度图像以及基于卷积神经网络算法训练生成的雷达辐射源识别模型确定与所述时频域灰度图像对应的雷达辐射源。
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
接收待识别雷达辐射源信号；
对所述待识别雷达辐射源信号进行小波变换生成二维小波矩阵；
对所述二维小波矩阵进行处理生成时频域灰度图像；
根据所述时频域灰度图像以及基于卷积神经网络算法训练生成的雷达辐射源识别模型确定与所述时频域灰度图像对应的雷达辐射源。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种雷达辐射源识别方法，其特征在于，所述方法包括：
接收待识别雷达辐射源信号；
对所述待识别雷达辐射源信号进行小波变换生成二维小波矩阵；
对所述二维小波矩阵进行处理生成时频域灰度图像；
根据所述时频域灰度图像以及基于卷积神经网络算法训练生成的雷达辐射源识别模型确定与所述时频域灰度图像对应的雷达辐射源。
2.根据权利要求1所述的雷达辐射源识别方法，其特征在于，所述对所述二维小波矩阵进行处理生成时频域灰度图像的步骤具体包括：
对所述二维小波矩阵进行归一化处理；
根据归一化处理后的二维小波矩阵生成时频域图像；
对所述时频域图像进行灰度化处理生成时频域灰度图像。
3.根据权利要求1或2所述的雷达辐射源识别方法，其特征在于，所述基于卷积神经网络算法训练生成的雷达辐射源识别模型的生成方法包括：
获取雷达辐射源训练数据库，所述雷达辐射源训练数据库中包括多个雷达辐射源训练样本信号以及与所述雷达辐射源训练样本信号对应的目标雷达辐射源信息；
对所述进行雷达辐射源训练样本信号进行小波变换生成二维小波矩阵训练样本；
对所述二维小波矩阵训练样本进行处理生成时频域灰度图像训练样本；
基于卷积神经网络算法建立含有可变参数的初始化的雷达辐射源识别模型；
基于卷积神经网络算法并根据所述时频域灰度图像训练样本以及目标雷达辐射源信息对所述雷达辐射源识别模型中的可变参数进行调整，直至雷达辐射源识别模型满足预设的条件；
将当前的雷达辐射源识别模型确定为基于卷积神经网络算法训练生成的雷达辐射源识别模型。
4.根据权利要求3所述的方法，其特征在于，所述基于卷积神经网络算法并根据所述时频域灰度图像训练样本以及目标雷达辐射源信息对所述雷达辐射源识别模型中的可变参数进行调整，直至雷达辐射源识别模型满足预设的条件的步骤具体包括：
根据时频域灰度图像训练样本以及雷达辐射源识别模型确定响应雷达辐射源信息；
确定所述响应雷达辐射源信息与目标雷达辐射源信息的损失值；
当判断所述响应雷达辐射源信息与目标雷达辐射源信息的损失值不满足预设的条件时，基于反向传播算法对所述雷达辐射源识别模型的可变参数进行调整，并返回至所述根据时频域灰度图像训练样本以及雷达辐射源识别模型确定响应雷达辐射源信息的步骤；
当判断所述响应雷达辐射源信息与目标雷达辐射源信息的损失值满足预设的条件时，确定雷达辐射源识别模型满足预设的条件。
5.一种雷达辐射源识别装置，其特征在于，所述装置包括：
待识别雷达辐射源信息接收单元，用于接收待识别雷达辐射源信号；
小波变换单元，用于对所述待识别雷达辐射源信号进行小波变换生成二维小波矩阵；
时频域灰度图像生成单元，用于对所述二维小波矩阵进行处理生成时频域灰度图像；以及
雷达辐射源确定单元，用于根据所述时频域灰度图像以及基于卷积神经网络算法训练生成的雷达辐射源识别模型确定与所述时频域灰度图像对应的雷达辐射源。
6.根据权利要求5所述的雷达辐射源识别装置，其特征在于，所述时频域灰度图像生成单元具体包括：
归一化处理模块，用于对所述二维小波矩阵进行归一化处理；
时频域图像生成模块，用于根据归一化处理后的二维小波矩阵生成时频域图像；以及
时频域灰度图像生成模块，用于对所述时频域图像进行灰度化处理生成时频域灰度图像。
7.根据权利要求5或6所述的雷达辐射源识别装置，其特征在于，还包括雷达辐射源识别模型生成单元；
所述雷达辐射源识别模型生成单元包括：
雷达辐射源训练样本信号获取模块，用于获取雷达辐射源训练数据库，所述雷达辐射源训练数据库中包括多个雷达辐射源训练样本信号以及与所述雷达辐射源训练样本信号对应的目标雷达辐射源信息；
样本小波变换模块，用于对所述进行雷达辐射源训练样本信号进行小波变换生成二维小波矩阵训练样本；
时频域灰度图像训练样本生成模块，用于对所述二维小波矩阵训练样本进行处理生成时频域灰度图像训练样本；
雷达辐射源识别模型初始化建立模块，用于基于卷积神经网络算法建立含有可变参数的初始化的雷达辐射源识别模型；
雷达辐射源识别模型训练模块，用于基于卷积神经网络算法并根据所述时频域灰度图像训练样本以及目标雷达辐射源信息对所述雷达辐射源识别模型中的可变参数进行调整，直至雷达辐射源识别模型满足预设的条件；以及
雷达辐射源识别模型确定模块，用于将当前的雷达辐射源识别模型确定为基于卷积神经网络算法训练生成的雷达辐射源识别模型。
8.根据权利要求7所述的雷达辐射源识别装置，其特征在于，所述雷达辐射源识别模型训练模块包括：
响应雷达辐射源信息接确定次模块，用于根据时频域灰度图像训练样本以及雷达辐射源识别模型确定响应雷达辐射源信息；
损失值确定次模块，用于确定所述响应雷达辐射源信息与目标雷达辐射源信息的损失值；
可变参数调整次模块，用于当判断所述响应雷达辐射源信息与目标雷达辐射源信息的损失值不满足预设的条件时，基于反向传播算法对所述雷达辐射源识别模型的可变参数进行调整，并返回至所述响应雷达辐射源信息接确定次模块；以及
雷达辐射源识别模型确定次模块，用于当判断所述响应雷达辐射源信息与目标雷达辐射源信息的损失值满足预设的条件时，确定雷达辐射源识别模型满足预设的条件。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至4中任一项权利要求所述的雷达辐射源识别方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至4中任一项权利要求所述的雷达辐射源识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910200981.7A CN109932699A (zh) | 2019-03-15 | 2019-03-15 | 一种雷达辐射源识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910200981.7A CN109932699A (zh) | 2019-03-15 | 2019-03-15 | 一种雷达辐射源识别方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109932699A true CN109932699A (zh) | 2019-06-25 |
Family
ID=66987476
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910200981.7A Pending CN109932699A (zh) | 2019-03-15 | 2019-03-15 | 一种雷达辐射源识别方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109932699A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490154A (zh) * | 2019-08-23 | 2019-11-22 | 集美大学 | 一种多维泄漏信息检测方法、终端设备及存储介质 |
| CN110807428A (zh) * | 2019-11-05 | 2020-02-18 | 南方科技大学 | 煤类样品的识别方法、装置、服务器及存储介质 |
| CN110930983A (zh) * | 2019-11-08 | 2020-03-27 | 广州大学 | 用于语音信号的小波特征提取方法、系统和存储介质 |
| CN110988804A (zh) * | 2019-11-11 | 2020-04-10 | 浙江大学 | 一种基于雷达脉冲序列的雷达辐射源个体识别系统 |
| CN112034434A (zh) * | 2020-09-04 | 2020-12-04 | 中国船舶重工集团公司第七二四研究所 | 基于稀疏时频检测卷积神经网络的雷达辐射源识别方法 |
| CN112686297A (zh) * | 2020-12-29 | 2021-04-20 | 中国人民解放军海军航空大学 | 一种雷达目标运动状态的分类方法及系统 |
| CN112764003A (zh) * | 2021-01-14 | 2021-05-07 | 中山大学 | 一种雷达辐射源信号时频特征识别方法、装置及存储介质 |
| CN113359091A (zh) * | 2021-05-28 | 2021-09-07 | 太原理工大学 | 基于深度学习的多核函数混叠雷达辐射源识别方法和系统 |
| CN113640750A (zh) * | 2021-08-13 | 2021-11-12 | 安徽中金码电子科技有限公司 | 基于图像的雷达信号波形调制方式识别方法、平台及介质 |
| CN114397633A (zh) * | 2022-01-13 | 2022-04-26 | 中国人民解放军96901部队25分队 | 一种雷达信号的仿真方法及装置 |
| CN117452368A (zh) * | 2023-12-21 | 2024-01-26 | 西安电子科技大学 | 基于宽带成像雷达的sar载荷辐射信号检测方法及装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106680775A (zh) * | 2016-12-12 | 2017-05-17 | 清华大学 | 一种自动识别雷达信号调制方式的方法和系统 |
| CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
| CN107301432A (zh) * | 2017-07-11 | 2017-10-27 | 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 |
| CN107492097A (zh) * | 2017-08-07 | 2017-12-19 | 北京深睿博联科技有限责任公司 | 一种识别mri图像感兴趣区域的方法及装置 |
| CN107886062A (zh) * | 2017-11-03 | 2018-04-06 | 北京达佳互联信息技术有限公司 | 图像处理方法、系统及服务器 |
| CN108226889A (zh) * | 2018-01-19 | 2018-06-29 | 中国人民解放军陆军装甲兵学院 | 一种雷达目标识别的分类器模型训练方法 |
| CN108416384A (zh) * | 2018-03-05 | 2018-08-17 | 苏州大学 | 一种图像标签标注方法、系统、设备及可读存储介质 |
| US20180348343A1 (en) * | 2017-06-05 | 2018-12-06 | Metawave Corporation | Intelligent metamaterial radar for target identification |
| CN109116312A (zh) * | 2018-07-20 | 2019-01-01 | 电子科技大学 | 基于qmfb与卷积神经网络的雷达信号分类方法 |
| CN109188414A (zh) * | 2018-09-12 | 2019-01-11 | 北京工业大学 | 一种基于毫米波雷达的手势运动探测方法 |
| CN109254274A (zh) * | 2018-11-23 | 2019-01-22 | 哈尔滨工程大学 | 一种基于特征融合的雷达辐射源辨识方法 |
| US20190072655A1 (en) * | 2017-09-01 | 2019-03-07 | Wisconsin Alumni Research Foundation | Apparatus for Identifying Objects Outside of a Line-of-Sight |
-
2019
- 2019-03-15 CN CN201910200981.7A patent/CN109932699A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106680775A (zh) * | 2016-12-12 | 2017-05-17 | 清华大学 | 一种自动识别雷达信号调制方式的方法和系统 |
| CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
| US20180348343A1 (en) * | 2017-06-05 | 2018-12-06 | Metawave Corporation | Intelligent metamaterial radar for target identification |
| CN107301432A (zh) * | 2017-07-11 | 2017-10-27 | 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 |
| CN107492097A (zh) * | 2017-08-07 | 2017-12-19 | 北京深睿博联科技有限责任公司 | 一种识别mri图像感兴趣区域的方法及装置 |
| US20190072655A1 (en) * | 2017-09-01 | 2019-03-07 | Wisconsin Alumni Research Foundation | Apparatus for Identifying Objects Outside of a Line-of-Sight |
| CN107886062A (zh) * | 2017-11-03 | 2018-04-06 | 北京达佳互联信息技术有限公司 | 图像处理方法、系统及服务器 |
| CN108226889A (zh) * | 2018-01-19 | 2018-06-29 | 中国人民解放军陆军装甲兵学院 | 一种雷达目标识别的分类器模型训练方法 |
| CN108416384A (zh) * | 2018-03-05 | 2018-08-17 | 苏州大学 | 一种图像标签标注方法、系统、设备及可读存储介质 |
| CN109116312A (zh) * | 2018-07-20 | 2019-01-01 | 电子科技大学 | 基于qmfb与卷积神经网络的雷达信号分类方法 |
| CN109188414A (zh) * | 2018-09-12 | 2019-01-11 | 北京工业大学 | 一种基于毫米波雷达的手势运动探测方法 |
| CN109254274A (zh) * | 2018-11-23 | 2019-01-22 | 哈尔滨工程大学 | 一种基于特征融合的雷达辐射源辨识方法 |
Non-Patent Citations (1)
| Title |
|---|
| 井博军: "基于深度学习的雷达辐射源识别技术研究" * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490154A (zh) * | 2019-08-23 | 2019-11-22 | 集美大学 | 一种多维泄漏信息检测方法、终端设备及存储介质 |
| CN110807428A (zh) * | 2019-11-05 | 2020-02-18 | 南方科技大学 | 煤类样品的识别方法、装置、服务器及存储介质 |
| CN110807428B (zh) * | 2019-11-05 | 2023-05-30 | 南方科技大学 | 煤类样品的识别方法、装置、服务器及存储介质 |
| CN110930983A (zh) * | 2019-11-08 | 2020-03-27 | 广州大学 | 用于语音信号的小波特征提取方法、系统和存储介质 |
| CN110988804B (zh) * | 2019-11-11 | 2022-01-25 | 浙江大学 | 一种基于雷达脉冲序列的雷达辐射源个体识别系统 |
| CN110988804A (zh) * | 2019-11-11 | 2020-04-10 | 浙江大学 | 一种基于雷达脉冲序列的雷达辐射源个体识别系统 |
| CN112034434B (zh) * | 2020-09-04 | 2022-05-20 | 中国船舶重工集团公司第七二四研究所 | 基于稀疏时频检测卷积神经网络的雷达辐射源识别方法 |
| CN112034434A (zh) * | 2020-09-04 | 2020-12-04 | 中国船舶重工集团公司第七二四研究所 | 基于稀疏时频检测卷积神经网络的雷达辐射源识别方法 |
| CN112686297A (zh) * | 2020-12-29 | 2021-04-20 | 中国人民解放军海军航空大学 | 一种雷达目标运动状态的分类方法及系统 |
| CN112686297B (zh) * | 2020-12-29 | 2023-04-14 | 中国人民解放军海军航空大学 | 一种雷达目标运动状态的分类方法及系统 |
| CN112764003A (zh) * | 2021-01-14 | 2021-05-07 | 中山大学 | 一种雷达辐射源信号时频特征识别方法、装置及存储介质 |
| CN113359091A (zh) * | 2021-05-28 | 2021-09-07 | 太原理工大学 | 基于深度学习的多核函数混叠雷达辐射源识别方法和系统 |
| CN113359091B (zh) * | 2021-05-28 | 2022-05-17 | 太原理工大学 | 基于深度学习的多核函数混叠雷达辐射源识别方法和系统 |
| CN113640750A (zh) * | 2021-08-13 | 2021-11-12 | 安徽中金码电子科技有限公司 | 基于图像的雷达信号波形调制方式识别方法、平台及介质 |
| CN113640750B (zh) * | 2021-08-13 | 2022-07-05 | 安徽中金码电子科技有限公司 | 基于图像的雷达信号波形调制方式识别方法、平台及介质 |
| CN114397633A (zh) * | 2022-01-13 | 2022-04-26 | 中国人民解放军96901部队25分队 | 一种雷达信号的仿真方法及装置 |
| CN117452368A (zh) * | 2023-12-21 | 2024-01-26 | 西安电子科技大学 | 基于宽带成像雷达的sar载荷辐射信号检测方法及装置 |
| CN117452368B (zh) * | 2023-12-21 | 2024-04-02 | 西安电子科技大学 | 基于宽带成像雷达的sar载荷辐射信号检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109932699A (zh) | 一种雷达辐射源识别方法、装置、计算机设备和存储介质 | |
| Huynh-The et al. | Accurate LPI radar waveform recognition with CWD-TFA for deep convolutional network | |
| CN110532932B (zh) | 一种多分量雷达信号脉内调制方式识别方法 | |
| CN103257341B (zh) | 基于fpga的自聚焦算法快速实现方法 | |
| CN111062321B (zh) | 一种基于深度卷积网络的sar检测方法及系统 | |
| CN111507047B (zh) | 一种基于SP-CUnet的逆散射成像方法 | |
| CN112859014A (zh) | 基于雷达信号分选的雷达干扰抑制方法、装置及介质 | |
| CN111830493A (zh) | 水中目标收发分置中高频声目标强度预报系统及方法 | |
| CN111985349B (zh) | 一种雷达接收信号类型分类识别方法及系统 | |
| Wei et al. | Intra-pulse modulation radar signal recognition based on Squeeze-and-Excitation networks | |
| Yang et al. | One-dimensional deep attention convolution network (ODACN) for signals classification | |
| CN114531729B (zh) | 基于信道状态信息的定位方法、系统、存储介质及设备 | |
| Xiao et al. | Active jamming recognition based on bilinear EfficientNet and attention mechanism | |
| CN114021458B (zh) | 基于并行原型网络的小样本雷达辐射源信号识别方法 | |
| CN116797796A (zh) | Drfm间歇采样下基于时频分析与深度学习的信号识别方法 | |
| Tan et al. | Safe sets in some graph families | |
| CN109459726A (zh) | 波形设计方法、计算机设备和存储介质 | |
| CN115951315B (zh) | 基于改进小波包能量谱的雷达欺骗干扰识别方法及系统 | |
| CN117331042A (zh) | 目标参数检测方法、装置、计算机设备及存储介质 | |
| CN105137398B (zh) | 基于遗传算法的雷达抗转发式干扰的脉压滤波器优化方法 | |
| CN114358050B (zh) | 一种基于双三次插值和wvd特征方阵的雷达辐射源智能识别方法 | |
| CN114296041A (zh) | 基于DCNN和Transformer的雷达辐射源识别方法 | |
| CN114676721A (zh) | 基于径向基神经网络的雷达有源压制干扰识别方法及系统 | |
| US20210241074A1 (en) | System for generating synthetic digital data for data multiplication | |
| CN118349823A (zh) | 一种基于Transformer的雷达信号干扰样式识别方法与系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190625 |
|
| RJ01 | Rejection of invention patent application after publication |