CN110110738A - 一种基于多特征融合的雷达辐射源识别方法 - Google Patents
一种基于多特征融合的雷达辐射源识别方法 Download PDFInfo
- Publication number
- CN110110738A CN110110738A CN201910210948.2A CN201910210948A CN110110738A CN 110110738 A CN110110738 A CN 110110738A CN 201910210948 A CN201910210948 A CN 201910210948A CN 110110738 A CN110110738 A CN 110110738A
- Authority
- CN
- China
- Prior art keywords
- feature
- frequency
- signal
- image
- 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
Classifications
-
- 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
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
Abstract
本发明属于雷达辐射源识别技术领域,公开了一种基于多特征融合的雷达辐射源识别方法,对雷达信号进行时频变换得到时频图像,利用图像特征提取方法提取信号时频图像的特征,包括纹理特征和形状特征;根据各种制式雷达信号的频谱差异性分析,构建3dB带宽参数、频谱相关特征等,从信号瞬时频率的差异性中,提取瞬时频率拟合直线与瞬时频率曲线的差值的方差、瞬时频率的一级差的方差等参数,将这些参数构建融合特征集,作为分类器输入数据;对特征集进行二次处理,利用树模型提取组合特征或高阶特征,将特征输入到线性分类器中进行分类识别。本发明对雷达辐射源识别精度较高,有效地改善雷达信号在低信噪比下的识别率低的问题。
Description
技术领域
本发明属于雷达辐射源识别技术领域,尤其涉及一种基于多特征融合的雷达辐射源识别方法
背景技术
目前,最接近的现有技术:雷达辐射源识别是现代电子支援措施(ElectronicSupport Measures,ESM)和对抗侦察系统的重要技术之一,其通常是指:基于截获的辐射源信号得到信号的参数或提取代表信号特性的特征,然后将这些参数或特征与预先累积的数据库进行比较分析,最终确定辐射源的本来属性,包括辐射源的位置、状态、型号和用途等。对于雷达辐射源信号,传统做法是通过提取的到达时间(Time Of Arrival,TOA)、到达角(Angle Of Arrival,AOA)、载波频率(Carrier Frequency,CF)、脉冲幅度(PulseAmplitude,PA)和脉冲宽度(Pulse Width,PW)序列参数,构成脉冲描述字(PulseDescription Word,PDW),然后利用分类方法,如模板匹配法、支持向量机等完成识别。随着电磁环境越来越复杂,这种将五大参数作为识别特征的传统方法已远远不能满足所需识别精度。近年来,以信号时频图像特征作为分类器输入数据的雷达辐射源识别方法逐渐发展起来。现有技术一通过将信号时频分析转化为图像特征提取问题,对时频图像进行奇异值分解和线性鉴别提取图像特征。该技术考虑了图像统计特征,但提取的特征还不能完全表征信号的本质信息,在实际低信噪比的环境中,结果不是很理想。现有技术二在技术一的思想上提取时频图像的形状特征和纹理特征,并将它们构成融合特征集输入到随机森林算法中实现信号的分类,取得了较好的效果,但是这种方法只考虑时频图像特征,对于信号其它信息如频谱特征、瞬时频率特征等未加入考虑,对于特征提取还有一定的局限性。另一方面,在分类器的选择上,现有技术最近邻法对数据要求较高,不好衡量数据样本间的距离;贝叶斯分类器则需要大量的训练样本,而且识别准确率也不高;深度学习方法则需要调整大量的参数,而且训练时间较长;支持向量机法对非线性问题的核函数较难确定,没有通用的解决方案。因此,上述方法在解决雷达辐射源识别问题上,信号特征提取和分类器设计两方面上还存在一定的缺陷,无法达到实际复杂多变环境的需要。
综上所述,现有技术存在的问题是:目前辐射源识别存在特征参数提取方面:信号特征参数只针对信号的某一方面进行提取,未能融合信号多个维度的特征,对信号的特性表征参数还不够全面;分类器设计方面:输入到分类器的特征,未能进一步处理,比如特征选择、建立组合特征,构建的分类器泛化能力弱,在低信噪比时准确率低。
解决上述技术问题的难度:在复杂的电子信号环境中,获取的雷达辐射源信号存在较多的噪声,如何在低信噪比下提取信号的本质特征问题;如何全面提取高噪声时频图像的特征问题;如何设计具有特征选择、分类精确度高、泛化能力强的分类器问题。这些都是雷达辐射源识别急需要解决的问题和难点。
解决上述技术问题的意义:不同类型的雷达信号存在着差异性较大的时频图像和频谱信息,全面提取时频图像的特征和构建精确的信号频谱和瞬时频率特征,同时,对提取的信号特征设计一个较好的分类器对雷达辐射源识别是非常具有实际意义的。两者结合可以得到一种针对雷达辐射源识别精确度较高的识别方法,在电子信号识别中可发挥重要作用。
发明内容
针对现有技术存在的问题,本发明提供了一种基于多特征融合的雷达辐射源识别方法
本发明是这样实现的,一种基于多特征融合的雷达辐射源识别方法,所述基于多特征融合的雷达辐射源识别方法对雷达信号进行时频变换得到时频图像;利用图像特征提取方法提取信号时频图像的特征,包括纹理特征和形状特征;根据各种制式雷达信号的频谱差异性分析,构建3dB带宽参数、频谱相关特征;从信号瞬时频率的差异性中,提取瞬时频率拟合直线与瞬时频率曲线的差值的方差、瞬时频率的一级差的方差参数;将参数构建融合特征集,作为分类器输入数据;对特征集进行二次处理,利用树模型提取组合特征或高阶特征;将特征输入到线性分类器中进行分类识别。
进一步,所述基于多特征融合的雷达辐射源识别方法包括以下步骤:
步骤一,信号时频变换得到时频图像;
步骤二,利用图像特征提取方法提取图像形状特征、纹理特征;
步骤三,提取3dB带宽和频谱相关特征;
步骤四,提取瞬时频率拟合直线与瞬时频率曲线的差值的方差、瞬时频率的一级差的方差参数;
步骤五,构建融合特征集,并对特征二次处理,利用树模型构建高阶特征;
步骤六,线性分类器识别。
进一步,所述步骤一具体包括:将侦察得到的信号进行时频变换,可以采用的时频变换方法有短时傅里叶变换、小波变换、Wigner-Ville分布和伪Wigner-Ville分布;选择具有较高时频分辨率以及对交叉项具有更好抑制程度的变换方法得到信号的时频图像。
进一步,所述步骤二具体包括:
(1)时频图像预处理,根据图像像素点的亮度等级建立亮度Y与R、G、B三个颜色通道的对应关系:Y=0.2989R+0.5870G+0.1140B,即消除图像色调和饱和度信息,以亮度值表达图像的灰度值;利用这种方法对图像进行灰度化处理;然后对图像进行去噪声处理,利用平滑滤波方法将灰度化处理的图像的噪声滤出,采用的方法有中值滤波法、自适应维纳滤波法;
(2)时频图像形状特征提取。将预处理后的时频灰度图像,通过灰度共生矩阵方法提取角二阶矩、对比度、相关、熵、均值和、方差和逆差距7种参数特征;
(3)时频图像纹理特征提取;将预处理后的时频灰度图像,通过不变矩方法分析提取7种中心距特征,包括反映图像倾斜程度、水平和垂直方向上的伸展度、水平和垂直方向上的重心偏移度和水平和垂直方向上的均匀程度;7种具有平移不变性、旋转不变性和比例不变性的Hu不变矩特征;14种1到4阶伪Zernike距特征。
进一步,所述步骤三具体包括:
(1)对信号进行短时傅里叶变换,计算信号幅度频谱,求出信号3dB带宽作为一个特征;
(2)计算原信号、平方后信号和四次方后信号的频谱特征;假设原信号为x(t),对其进行快速傅里叶变换FFT后得到频谱S(k);对S(k)进行遍历找到频谱峰值及该峰值处的位置,在频谱峰值处左右各取m个频谱点,若峰值在边界处,则只需在边界另一边取m个频谱点,然后对所取得的这些点计算其方差值作为提取的一个频谱特征;对平方后信号x2(t)和四次方后信号x4(t)采用相同方法求得另外两个频谱特征。
进一步,所述步骤四具体包括:
(1)将信号通过短时傅里叶变换或小波变换求解信号的瞬时频率,然后对瞬时频率曲线进行拟合一条直线,求出拟合的直线与瞬时频率曲线的方差作为一个特征;
(2)提取瞬时频率一级差的方差;对瞬时频率前后相邻的值做差处理,得到当前时刻的一级差,然后遍历所有时刻的瞬时频率,将所有得到的一极差值点构成一个变量,通过求解该变量的方差作为一个特征。
进一步,所述步骤五具体包括:对前面步骤提取的特征进行二次处理,利用提升树模型训练,对训练的每一棵决策树的叶子节点编码,当样本落到这个叶子节点上时,当前叶子节点就编码为1,未落到则编码为0;通过对所有的决策树都这么编码,最后将所有树的编码向量合成一个特征向量,即为该样本新建的特征向量。
进一步,所述步骤六具体包括:将得到的新特征向量输入到线性分类器训练,同时对模型加入正则化处理防止模型过拟合;对新样本进行模型分类可得到最终的识别结果。
本发明的另一目的在于提供一种应用所述基于多特征融合的雷达辐射源识别方法的装置。
本发明的另一目的在于提供一种应用所述基于多特征融合的雷达辐射源识别方法的电子信号识别系统。
综上所述,本发明的优点及积极效果为:首先提出一种新颖的雷达辐射源识别特征构造方法,不仅较全面地提取信号时频图像的特征,包括纹理特征和形状特征,同时为了增加特征的丰富性,根据各种制式雷达信号的频谱差异性分析,构建3dB带宽参数、频谱相关特征等;从信号瞬时频率的差异性中,提取瞬时频率拟合直线与瞬时频率曲线的差值的方差及瞬时频率的一级差的方差等参数。这对低信噪比条件下的识别更加有效。其次提出一种新颖的分类器设计方法,对融合特征集进行二次处理,提取组合特征或高阶特征,这样做能够获得人工所不能获得的数据局部特征,使得结果更加精细化。综合两点因素,使得最终的辐射源识别准确率更高。
与现有技术相比,本发明具有如下优势:
(1)本发明采用多特征融合的方式从多角度提取信号的特征,增加了信号表征的丰富性,这样能够保证信号特征的全面性与完整性,有助于识别分类。
(2)本发明对特征进行了二次处理,通过树模型对特征进行转换构造高阶特征,更进一步提取出人工很难获得的特征。并将特征输入加入正则化的模型中,使得最终获得比现有技术更高的分类准确度。
附图说明
图1是本发明实施例提供的基于多特征融合的雷达辐射源识别方法流程图。
图2是本发明实施例提供的新颖的雷达辐射源识别方法的原理框图。
图3是本发明实施例提供的梯度提升决策树提取高阶特征方法原理图。
图4是本发明实施例提供的方法性能对比示意图。
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。
本发明不仅较全面地提取信号时频图像的特征,对低信噪比条件下的识别更加有效;对融合特征集进行二次处理,提取组合特征或高阶特征,能够获得人工所不能获得的数据局部特征,使得结果更加精细化。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的基于多特征融合的雷达辐射源识别方法包括以下步骤:
S101:信号时频变换得到时频图像;
S102:利用图像特征提取方法提取图像形状特征、纹理特征;
S103:提取3dB带宽和频谱相关特征;
S104:提取瞬时频率拟合直线与瞬时频率曲线的差值的方差、瞬时频率的一级差的方差等参数;
S105:构建融合特征集,并对特征二次处理,利用树模型构建高阶特征;
S106:线性分类器识别。
下面结合附图对本发明的应用原理作进一步的描述。
如图2所示,本发明实施例提供的新颖的雷达辐射源识别方法具体包括以下步骤:
步骤一,将生成的7种雷达信号采用伪Wigner-Ville分布进行时频变换。得到所有信号的时频图像;
步骤二,将时频图像灰度化处理和去噪声处理,得到灰度图像,提取形状特征和纹理特征;
(a)根据图像像素点的亮度等级建立亮度Y与R、G、B三个颜色通道的对应关系:Y=0.2989R+0.5870G+0.1140B,即消除图像色调和饱和度信息,以亮度值表达图像的灰度值。利用这种方法对图像进行灰度化处理。然后对图像进行去噪声处理。利用平滑滤波方法将灰度化处理的图像的噪声滤出,可以采用的方法有中值滤波法、自适应维纳滤波法等;
(b)将预处理后的时频灰度图像,通过灰度共生矩阵方法提取方向在0°、45°、90°和135°上的角二阶矩、对比度、相关、熵、均值和、方差和逆差距7种参数特征的均值;
(c)将预处理后的时频灰度图像,通过不变矩方法分析提取图像倾斜程度、水平和垂直方向上的伸展度、水平和垂直方向上的重心偏移度和水平和垂直方向上的均匀程度7种中心距特征;具有平移不变性、旋转不变性和比例不变性的7种Hu不变矩特征;1到4阶的14种伪Zernike距特征。
步骤三,对生成的雷达信号提取频谱相关特征。
(a)对信号进行短时傅里叶变换,计算信号幅度频谱,求出信号3dB带宽作为一个特征;
(b)计算原信号、平方后信号和四次方后信号的频谱特征和的一种计算方式如下,而和的计算可做类似处理;
其中:S(k)为信号x(t)进行快速傅里叶变换(FFT)后得到频谱,km为遍历S(k)得到频谱峰值处的位置,m表示峰值左右各取m个频谱幅度值,μS为取出的点的均值,计算如下:
步骤四,对生成的雷达信号提取瞬时频率相关特征;
(a)利用短时傅里叶变换求解信号的瞬时频率,然后对瞬时频率曲线进行最小二乘拟合求出拟合的直线与瞬时频率曲线的方差作为一个特征;
(b)计算瞬时频率一级差的方差,典型的表达式如下:
其中f(t)为t时刻的瞬时频率,μΔ为一级差的均值,典型的计算公式如下:
步骤五,对前面步骤提取的特征进行二次处理,用梯度提升决策树模型训练,对训练的每一棵决策树的叶子节点编码,当样本落到这个叶子节点上时,当前叶子节点就编码为1,未落到则编码为0。通过对所有的决策树都这么编码,最后将所有树的编码向量合成一个特征向量,即为该样本新建的特征向量。如图3所示,假设TREE1、TREE2为通过梯度提升决策树模型学出来的两颗树,图中实框标记。x为一条输入样本,遍历两棵树后,x样本分别落到两颗树的某个叶子节点上,假设落到TREE1的第2个叶子节点上,落在TREE2的第1个节点上,则得到的新特征向量为[0,1,0,1,0],前3个元素表示TREE1的叶子节点编码情况,后两个元素为TREE2的叶子节点编码情况。
步骤六,将得到所有信号样本的新特征向量,以合适的比例划分测试集和训练集,训练集输入到线性分类器中进行训练,训练时加入正则化处理防止模型过拟合,交叉验证来调整模型参数。对测试样本进行模型分类可得到最终的识别结果。
下面结合仿真对比对本发明应用效果做详细的描述。
(1)仿真条件
在CPU为AMD CPU、内存16G、WINDOWS 7系统上进行了仿真,采用MATLAB仿真分析。
(2)仿真内容
假设雷达信号为7种常见的制式的信号,分别为常规雷达信号(NS)、二相编码信号(BPSK)、四相编码信号(QPSK)、多相编码信号(MPSK)、线性调频信号(LFM)、非线性调频信号(NLFM)和频率编码信号(FSK),设置信号采样频率均为640MHz,信号载频为100MHz;脉冲宽度1.6μs,BPSK信号和FSK信号采用编码方式为13位巴克码;QPSK信号和MPSK信号采用编码方式为Frank码。分别在信噪比-6dB到10dB之间,间隔2dB生成,每个信噪比生成100个样本。对仿真获得的雷达辐射源数据利用本发明和基于随机森林的雷达信号脉内调制识别方法(方法1)、基于时频图像纹理特征的辐射源识别方法(方法2),基于频谱和瞬时频率特征的雷达识别方法(方法3)对比实验。比较了在不同信噪比下雷达辐射源识别准确率的性能。最终对比展示如图4所示。
从图4可以看出,在大于8dB信噪比时,4种方法都能够获得接近100%的准确率,但是随着信噪比的降低,在信噪比为2dB时,方法2和方法3的准确率开始降低,本发明的新方法和方法1还有97%以上的准确率。但在0dB以下的低信噪比时,本发明的新方法则比其它3种现有技术方法的准确率都要高。这表明,在高信噪比时的识别结果跟其他算法相当的情况下,在低信噪比时,本发明的新方法更具有优势,能够获得更高的识别准确率。
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)
1.一种基于多特征融合的雷达辐射源识别方法,其特征在于,所述基于多特征融合的雷达辐射源识别方法对雷达信号进行时频变换得到时频图像;利用图像特征提取方法提取信号时频图像的特征,包括纹理特征和形状特征;根据各种制式雷达信号的频谱差异性分析,构建3dB带宽参数、频谱相关特征;从信号瞬时频率的差异性中,提取瞬时频率拟合直线与瞬时频率曲线的差值的方差、瞬时频率的一级差的方差参数;将参数构建融合特征集,作为分类器输入数据;对特征集进行二次处理,利用树模型提取组合特征或高阶特征;将特征输入到线性分类器中进行分类识别。
2.如权利要求1所述的基于多特征融合的雷达辐射源识别方法,其特征在于,所述基于多特征融合的雷达辐射源识别方法包括以下步骤:
步骤一,信号时频变换得到时频图像;
步骤二,利用图像特征提取方法提取图像形状特征、纹理特征;
步骤三,提取3dB带宽和频谱相关特征;
步骤四,提取瞬时频率拟合直线与瞬时频率曲线的差值的方差、瞬时频率的一级差的方差参数;
步骤五,构建融合特征集,并对特征二次处理,利用树模型构建高阶特征;
步骤六,线性分类器识别。
3.如权利要求2所述的基于多特征融合的雷达辐射源识别方法,其特征在于,所述步骤一具体包括:将侦察得到的信号进行时频变换,可以采用的时频变换方法有短时傅里叶变换、小波变换、Wigner-Ville分布和伪Wigner-Ville分布;选择具有较高时频分辨率以及对交叉项具有更好抑制程度的变换方法得到信号的时频图像。
4.如权利要求2所述的基于多特征融合的雷达辐射源识别方法,其特征在于,所述步骤二具体包括:
(1)时频图像预处理,根据图像像素点的亮度等级建立亮度Y与R、G、B三个颜色通道的对应关系:Y=0.2989R+0.5870G+0.1140B,即消除图像色调和饱和度信息,以亮度值表达图像的灰度值;利用这种方法对图像进行灰度化处理;然后对图像进行去噪声处理,利用平滑滤波方法将灰度化处理的图像的噪声滤出,采用的方法有中值滤波法、自适应维纳滤波法;
(2)时频图像形状特征提取;将预处理后的时频灰度图像,通过灰度共生矩阵方法提取角二阶矩、对比度、相关、熵、均值和、方差和逆差距7种参数特征;
(3)时频图像纹理特征提取;将预处理后的时频灰度图像,通过不变矩方法分析提取7种中心距特征,包括反映图像倾斜程度、水平和垂直方向上的伸展度、水平和垂直方向上的重心偏移度和水平和垂直方向上的均匀程度;7种具有平移不变性、旋转不变性和比例不变性的Hu不变矩特征;14种1到4阶伪Zernike距特征。
5.如权利要求2所述的基于多特征融合的雷达辐射源识别方法,其特征在于,所述步骤三具体包括:
(1)对信号进行短时傅里叶变换,计算信号幅度频谱,求出信号3dB带宽作为一个特征;
(2)计算原信号、平方后信号和四次方后信号的频谱特征;假设原信号为x(t),对其进行快速傅里叶变换FFT后得到频谱S(k);对S(k)进行遍历找到频谱峰值及该峰值处的位置,在频谱峰值处左右各取m个频谱点,若峰值在边界处,则只需在边界另一边取m个频谱点,然后对所取得的这些点计算其方差值作为提取的一个频谱特征;对平方后信号x2(t)和四次方后信号x4(t)采用相同方法求得另外两个频谱特征。
6.如权利要求2所述的基于多特征融合的雷达辐射源识别方法,其特征在于,所述步骤四具体包括:
(1)将信号通过短时傅里叶变换或小波变换求解信号的瞬时频率,然后对瞬时频率曲线进行拟合一条直线,求出拟合的直线与瞬时频率曲线的方差作为一个特征;
(2)提取瞬时频率一级差的方差;对瞬时频率前后相邻的值做差处理,得到当前时刻的一级差,然后遍历所有时刻的瞬时频率,将所有得到的一极差值点构成一个变量,通过求解该变量的方差作为一个特征。
7.如权利要求2所述的基于多特征融合的雷达辐射源识别方法,其特征在于,所述步骤五具体包括:对前面步骤提取的特征进行二次处理,利用提升树模型训练,对训练的每一棵决策树的叶子节点编码,当样本落到这个叶子节点上时,当前叶子节点就编码为1,未落到则编码为0;通过对所有的决策树都这么编码,最后将所有树的编码向量合成一个特征向量,即为该样本新建的特征向量。
8.如权利要求2所述的基于多特征融合的雷达辐射源识别方法,其特征在于,所述步骤六具体包括:将得到的新特征向量输入到线性分类器训练,同时对模型加入正则化处理防止模型过拟合;对新样本进行模型分类可得到最终的识别结果。
9.一种应用权利要求1~8任意一项所述基于多特征融合的雷达辐射源识别方法的装置。
10.一种应用权利要求1~8任意一项所述基于多特征融合的雷达辐射源识别方法的电子信号识别系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910210948.2A CN110110738A (zh) | 2019-03-20 | 2019-03-20 | 一种基于多特征融合的雷达辐射源识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910210948.2A CN110110738A (zh) | 2019-03-20 | 2019-03-20 | 一种基于多特征融合的雷达辐射源识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110110738A true CN110110738A (zh) | 2019-08-09 |
Family
ID=67484477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910210948.2A Pending CN110110738A (zh) | 2019-03-20 | 2019-03-20 | 一种基于多特征融合的雷达辐射源识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110738A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111227792A (zh) * | 2020-01-10 | 2020-06-05 | 京东方科技集团股份有限公司 | 呼吸暂停的检测方法、系统、电子设备及存储介质 |
CN111612130A (zh) * | 2020-05-18 | 2020-09-01 | 吉林大学 | 一种频移键控通信信号调制方式识别方法 |
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 |
CN112464713A (zh) * | 2020-10-21 | 2021-03-09 | 安徽农业大学 | 一种基于深度学习的通信辐射源射频指纹识别方法 |
CN113177558A (zh) * | 2021-04-13 | 2021-07-27 | 电子科技大学 | 一种基于小样本的特征融合的辐射源个体识别方法 |
CN113221109A (zh) * | 2021-03-30 | 2021-08-06 | 浙江工业大学 | 一种基于生成对抗网络的恶意文件智能分析方法 |
CN113346932A (zh) * | 2021-05-19 | 2021-09-03 | 重庆邮电大学 | 基于贝叶斯数据融合的fsk信号分集接收方法 |
CN114997244A (zh) * | 2022-07-19 | 2022-09-02 | 亿慧云智能科技(深圳)股份有限公司 | 一种基于人工智能的雷达信号特征识别管理系统及方法 |
CN115144820A (zh) * | 2022-09-02 | 2022-10-04 | 北京轩涌科技发展有限公司 | 空间雷达载荷信号分析评估系统及评估方法 |
CN117347961A (zh) * | 2023-12-04 | 2024-01-05 | 中国电子科技集团公司第二十九研究所 | 基于贝叶斯学习的雷达功能属性识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180083656A1 (en) * | 2016-09-21 | 2018-03-22 | The Boeing Company | Blind Source Separation of Signals Having Low Signal-to-Noise Ratio |
CN108733631A (zh) * | 2018-04-09 | 2018-11-02 | 中国平安人寿保险股份有限公司 | 一种数据评估方法、装置、终端设备及存储介质 |
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 |
CN109446877A (zh) * | 2018-09-01 | 2019-03-08 | 哈尔滨工程大学 | 一种联合多维特征迁移融合的雷达辐射源信号调制识别方法 |
-
2019
- 2019-03-20 CN CN201910210948.2A patent/CN110110738A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180083656A1 (en) * | 2016-09-21 | 2018-03-22 | The Boeing Company | Blind Source Separation of Signals Having Low Signal-to-Noise Ratio |
CN108733631A (zh) * | 2018-04-09 | 2018-11-02 | 中国平安人寿保险股份有限公司 | 一种数据评估方法、装置、终端设备及存储介质 |
CN109446877A (zh) * | 2018-09-01 | 2019-03-08 | 哈尔滨工程大学 | 一种联合多维特征迁移融合的雷达辐射源信号调制识别方法 |
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 (6)
Title |
---|
孟凡杰等: "基于多特征融合的雷达辐射源信号识别", 《计算机仿真》 * |
孟凡杰等: "基于多特征融合的雷达辐射源信号识别", 《计算机仿真》, no. 03, 15 March 2016 (2016-03-15) * |
戴亮军: "基于频谱和瞬时频率特征的雷达信号识别", 《哈尔滨商业大学学报(自然科学版)》 * |
戴亮军: "基于频谱和瞬时频率特征的雷达信号识别", 《哈尔滨商业大学学报(自然科学版)》, no. 05, 15 October 2018 (2018-10-15), pages 568 - 572 * |
檀鹏超: "雷达有源欺骗干扰多维特征提取与识别技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 February 2017 (2017-02-15), pages 18 - 22 * |
汪源源: "现代信号处理理论和方法", 复旦大学出版社, pages: 144 - 145 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111227792B (zh) * | 2020-01-10 | 2022-11-01 | 京东方科技集团股份有限公司 | 呼吸暂停的检测方法、系统、电子设备及存储介质 |
CN111227792A (zh) * | 2020-01-10 | 2020-06-05 | 京东方科技集团股份有限公司 | 呼吸暂停的检测方法、系统、电子设备及存储介质 |
CN111612130A (zh) * | 2020-05-18 | 2020-09-01 | 吉林大学 | 一种频移键控通信信号调制方式识别方法 |
CN112464713A (zh) * | 2020-10-21 | 2021-03-09 | 安徽农业大学 | 一种基于深度学习的通信辐射源射频指纹识别方法 |
CN112464713B (zh) * | 2020-10-21 | 2022-11-08 | 安徽农业大学 | 一种基于深度学习的通信辐射源射频指纹识别方法 |
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 |
CN112418307B (zh) * | 2020-11-20 | 2022-08-09 | 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 |
CN113221109A (zh) * | 2021-03-30 | 2021-08-06 | 浙江工业大学 | 一种基于生成对抗网络的恶意文件智能分析方法 |
CN113221109B (zh) * | 2021-03-30 | 2022-06-28 | 浙江工业大学 | 一种基于生成对抗网络的恶意文件智能分析方法 |
CN113177558A (zh) * | 2021-04-13 | 2021-07-27 | 电子科技大学 | 一种基于小样本的特征融合的辐射源个体识别方法 |
CN113346932A (zh) * | 2021-05-19 | 2021-09-03 | 重庆邮电大学 | 基于贝叶斯数据融合的fsk信号分集接收方法 |
CN114997244A (zh) * | 2022-07-19 | 2022-09-02 | 亿慧云智能科技(深圳)股份有限公司 | 一种基于人工智能的雷达信号特征识别管理系统及方法 |
CN115144820A (zh) * | 2022-09-02 | 2022-10-04 | 北京轩涌科技发展有限公司 | 空间雷达载荷信号分析评估系统及评估方法 |
CN117347961A (zh) * | 2023-12-04 | 2024-01-05 | 中国电子科技集团公司第二十九研究所 | 基于贝叶斯学习的雷达功能属性识别方法 |
CN117347961B (zh) * | 2023-12-04 | 2024-02-13 | 中国电子科技集团公司第二十九研究所 | 基于贝叶斯学习的雷达功能属性识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110738A (zh) | 一种基于多特征融合的雷达辐射源识别方法 | |
CN108845306B (zh) | 基于变分模态分解的激光雷达回波信号去噪方法 | |
CN106125053B (zh) | 脉冲多普勒雷达极化抗干扰方法 | |
CN102279390B (zh) | 一种低信噪比雷达辐射源信号脉内调制识别方法 | |
CN109307862A (zh) | 一种目标辐射源个体识别方法 | |
CN110244271A (zh) | 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 | |
CN110175560A (zh) | 一种雷达信号脉内调制识别方法 | |
CN104122540B (zh) | 基于匹配字典和压缩感知的雷达一维距离像目标识别方法 | |
CN107301381A (zh) | 基于深度学习和多任务学习策略的雷达辐射源识别方法 | |
CN101587186B (zh) | 一种雷达脉内调制信号的特征提取方法 | |
CN107272063B (zh) | 基于高分辨率时频分析和一致性度量的非均质性刻画方法 | |
CN109116312A (zh) | 基于qmfb与卷积神经网络的雷达信号分类方法 | |
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 | |
CN111541511B (zh) | 复杂电磁环境下基于目标检测的通信干扰信号识别方法 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN111175718B (zh) | 联合时频域的地面雷达自动目标识别方法及系统 | |
CN104331583B (zh) | 一种基于实测海杂波数据的多重分形建模方法 | |
CN108594177A (zh) | 基于改进hht的雷达信号调制方式分析方法、信号处理系统 | |
CN105866749A (zh) | 一种距离和速度同步拖引的雷达干扰识别方法 | |
CN112749633B (zh) | 分离与重构的个体辐射源识别方法 | |
CN107037486A (zh) | 地球天然脉冲电磁场数据处理的时频谱分析方法及系统 | |
CN113438731B (zh) | 一种基于信号质量控制与特征指纹增强的定位方法及系统 | |
Li | A new robust signal recognition approach based on holder cloud features under varying SNR environment | |
CN114692665A (zh) | 基于度量学习的辐射源开集个体识别方法 | |
CN104143115A (zh) | 地质雷达技术实现土壤含水性分类识别的技术方法 |
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 |