CN110197209B - 一种基于多特征融合的辐射源识别方法 - Google Patents
一种基于多特征融合的辐射源识别方法 Download PDFInfo
- Publication number
- CN110197209B CN110197209B CN201910402556.6A CN201910402556A CN110197209B CN 110197209 B CN110197209 B CN 110197209B CN 201910402556 A CN201910402556 A CN 201910402556A CN 110197209 B CN110197209 B CN 110197209B
- Authority
- CN
- China
- Prior art keywords
- radiation source
- fusion
- integral
- sample
- 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.)
- Expired - Fee Related
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 82
- 230000004927 fusion Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001228 spectrum Methods 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000000513 principal component analysis Methods 0.000 abstract description 13
- 230000035945 sensitivity Effects 0.000 abstract description 9
- 238000010183 spectrum analysis Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004960 subcellular localization Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于多特征融合的辐射源识别方法，针对辐射源识别正确率低的问题，在现有基于矩形积分双谱和主成分分析的辐射源识别方法的基础上，提出了一种基于局域均值分解(LMD)后的盒维数和降维后的矩形积分双谱(SIB)的融合的辐射源识别方法，这样，将SIB特征与时频分析特征构成的融合特征作为作为辐射源特征进行识别，消除因信号波形突变引起的消极影响，显著提高识别正确率和稳健性。同时，采样设备的采样率和灵敏度较低的情况下，也能实现辐射源的有效识别。
Description
技术领域
本发明属于辐射源识别技术领域，更为具体地讲，涉及一种基于多特征融合的辐射源识别方法。
背景技术
辐射源识别技术对提升无线通信系统的安全性和提高军事通信侦察对抗能力具有重要意义。通过提取辐射源(发射机)在设计、生产过程中产生的硬件设备差异特征，可以分辨接收的信号来自哪个辐射源。然而，提取这些辐射源细微的个体差异特征非常困难，使得辐射源个体识别技术研究成为一项十分具有挑战性的课题。
矩形积分双谱(Square Integral Bispectra，简称SIB)是一种三阶谱，具备时移不变性、尺度变化性和相位保持性，还能抑制高斯白噪声。SIB虽然维数较大，特征间会有信息冗余，但引用主成分分析(Principal Component Analysis，简称PCA)进行降维，能从大量训练样本特征参数集中挑选低维、低复杂度的特征矢量。这种方法提取的雷达、电台等辐射源特征参数，具有较强的个体分类能力，如徐书华,黄本雄,徐丽娜.基于SIB/PCA的通信辐射源个体识别[J].华中科技大学学报(自然科学版),2008年7月:14-17页，以及刘明骞，李兵兵，吴启军.基于矩形积分双谱和核主分量分析的电台指纹识别.西北大学学报(自然科学版)，2011年2月，第41卷第1期，第43-第47页。
传统的基于矩形积分双谱和主成分分析的辐射源识别方法，由于信号频率或相位的不连续而造成的时域波形突变，将导致通过同一辐射源的不同样本切片提取出的SIB特征差异显著。即传统的积分双谱特征提取算法对于信号波形的突变具有敏感性，换言之该算法对样本切片起始点的选择具有很强的敏感性。将传统SIB特征提取方法直接用于辐射源的分类识别会面临信号波形突变的影响，从而造成识别正确率的降低。
针对单特征在辐射源识别中存在的普适性差和识别性能的“瓶颈”的问题，很多专家学者提出了很多多特征融合的特征提取方案。
在“Kausar N,Majid A,Javed S G.Developing multi-focus image fusionsystem with random forest learning algorithm for real-blurred images[C]//International Bhurban Conference on Applied Sciences&Technology.IEEE,2016”中，Kausar N在特征层次上提出了CCA和PSDA的融合，提取它们异构但互补的信息，并将它们结合起来生成高维融合特征。以利用SVM判别评分来减轻冗余的影响。实验结果表明，该方法利用目标频率分区的信息，将识别精度从63％提高到90.78％。通过对非目标分区的判别信息进行扩展，结果进一步提高到94.4％。
在“Qu X,Wang D,Chen Y,et al.Predicting the Subcellular Localizationof Proteins with Multiple Sites Based on Multiple Features Fusion.[J].IEEE/ACM Transactions on Computational Biology&Bioinformatics,2016,13(1):36-42”中，Qu X通过融合多种类型的信号特征，可以同时实现高精度和低延迟。实验结果证明了该方法的有效性和优越性。
在“Sen S,Tang G,Nehorai A.Multi-objective optimized OFDM radarwaveform for target detection in multipath scenarios[C]//Conference Record ofthe Forty Fourth Asilomar Conference on Signals.2010”，Sen S等人实现辐射源信号模糊函数多个“近零”切片特征的有效融合，对所提取的不同特征分别构建相应的核函数或核矩阵，然后通过一定的准则计算它们的组合系数.同时独立获得SVM的分类超平面，最终实现对辐射源信号的分类(识别)。在3组实测雷达辐射源数据上的实验表明了所提方法的有效性。
然而，这些方法对采集设备的精度要求仍然较高，在采样设备的采样率和灵敏度较低的情况下，不能实现辐射源的有效识别。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于多特征融合的辐射源识别方法，以降低对于信号波形突变的敏感性，提高识别正确率，同时，在采样设备采样率和灵敏度都较低的情况下，也能有效识别。
为实现上述发明目的，本发明基于多特征融合的辐射源识别方法，其特征在于，包括以下步骤：
(1)、对于I个(类别)的已知辐射源，每个辐射源提取K个样本信号，第i个已知辐射源的第k个样本信号表示为
(2)、对于每个样本信号
采用局域均值分解算法(Local Mean Decomposition，简称LMD)分解为P个乘积函数(Product Function，简称PF)信号
之和；
计算乘积函数信号
的盒维数
并将样本信号
的时频分析特征表示为：
(3)、对于每个样本信号
首先计算其离散傅里叶变换值
其中，
T为样本信号的数据长度；
然后，计算其双谱
其中，ω1,ω2为双谱的两个频率变量；
再按照矩形积分路径对双谱进行积分，得到L个矩形积分双谱值
其中，Sl为第l个矩形积分路径，L为矩形积分路径的条数；
将样本信号
的积分谱特征表示为：
最后，利用PCA进行降维处理，并选择降维后的前G个向量作为积分谱特征，并表示为：
(4)、将时频分析特征
与积分谱特征
进行融合，得到融合特征
(5)、对于I个已知辐射源，将每个辐射源的K个样本信号的融合特征
作为训练样本，输入一个分类器中，对该分类器进行训练，训练好的分类器为辐射源分类器；
将一个待识别的辐射源，提取一个样本信号，并按照步骤(2)、(3)、(4)的方法，得到其融合特征，再将该融合特征输入辐射源分类器中，得到该辐射源为那一个(类别)的辐射源。
本发明的目的是这样实现的。
本发明基于多特征融合的辐射源识别方法，针对辐射源识别正确率低的问题，在现有基于矩形积分双谱和主成分分析的辐射源识别方法的基础上，提出了一种基于局域均值分解(LMD)后的盒维数和降维后的矩形积分双谱(SIB)的融合的辐射源识别方法，这样，将SIB特征与时频分析特征构成的融合特征作为作为辐射源特征进行识别，消除因信号波形突变引起的消极影响，显著提高识别正确率和稳健性。同时，采样设备的采样率和灵敏度较低的情况下，也能实现辐射源的有效识别。
附图说明
图1是本发明基于多特征融合的辐射源识别方法一种具体实施方式流程图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
图1是本发明基于多特征融合的辐射源识别方法的辐射源识别方法一种具体实施方式流程图。
在本实施例中，如图1所示，本发明基于多特征融合的辐射源识别方法的辐射源识别方法包括以下步骤：
步骤S1：提取已知辐射源的样本信号
对于I个(类别)的已知辐射源，每个辐射源提取K个样本信号，第i个已知辐射源的第k个样本信号表示为
在本实施例中，选取3个不同厂家(A、B、C)生产的3对对讲机作为已知辐射源，即I＝6，分别记为A1、A2、B1、B2、C1、C2，用NI公司灵敏度较低的USRP-2920作为接收(采集)设备，采样速率是1MS/s。每个对讲机采集200个样本信号，每个样本信号有16384个点。随机选取160个样本信号作为训练样本，即K＝160，剩余40个信号作为测试样本。
步骤S2：提取样本信号的时频分析特征
对于每个样本信号
采用局域均值分解算法(LocalMean Decomposition，简称LMD)分解为P个乘积函数(Product Function，简称PF)信号
之和；
计算乘积函数信号
的盒维数
并将样本信号
的时频分析特征表示为：
传统的特征提取算法如傅里叶变换、功率谱分析法、小波变换法等对于复杂的非线性、非平稳信号的处理效果都不理想。经验模式分解(EMD)算法是一种新的时频分析方法，在辐射源识别过程中取得了不错的效果。EMD是一种自适应的信号处理方法，它将复杂的多信号自适应的分解为若干个本征模函数IMF分量之和。
LMD算法是在EMD算法的基础上提出来的，将信号分解成一组PF，每一个PF都是一个包络信号和一个调频信号的乘积。从调频信号中可以直接计算出一个有物理意义的时变瞬时频率，为提取新的信息提供了可能。LMD将求瞬时幅值和瞬时频率的计算分开，而避免了二者之间的混频现象。同时，LMD的“端点效应”较EMD有所改善，且算法的分解速度较快，尤其适合分析具有调幅调频特性的信号。
分形理论是指部分与整体以某种方式相似的形体。分形维数可以从一定程度量化信号的复杂度特征，是表征信号复杂性的统计学参数。它能够定量地描述信号的不规则程度，很适合描述信号特征，区分信号微弱差别。其中盒维数计算方法较为简单，所以在各个领域中得到广泛的应用。本发明选取经LMD分解后的多个PF的盒维数作为分析对象的特征度量。
步骤S3：提取样本信号的积分谱特征
对于每个样本信号
首先计算其离散傅里叶变换值
其中，
T为样本信号的数据长度；
然后，计算其双谱
其中，ω1,ω2为双谱的两个频率变量；
再按照矩形积分路径对双谱进行积分，得到L个矩形积分双谱值
其中，Sl为第l个矩形积分路径，L为矩形积分路径的条数；
将样本信号
的积分谱特征表示为：
最后，利用PCA进行降维处理，并选择降维后的前G个向量作为积分谱特征，并表示为：
在信号处理中，通常会使用一些二阶统计量范畴的数学方法，类似相关函数，二阶矩等方法。此类方法会在信号或噪声是高斯分布的假设上提取信息，然而，在实际应用中，并不是所有的信号都是高斯的、因果的或是平稳的，相反绝大部分的通信信号经过编码和调制后都是非平稳或非高斯的，一般的一阶、二阶矩或功率谱分析方法难以更深入揭示其本质。此外，二阶统计量对噪声更为敏感，故而需要更高阶统计量解决此类问题。在无线通信设备识别中，本发明主要使用的是高阶谱，高阶谱理论上可以完全抑制高斯有色噪声的影响。本步骤与现有技术相同，在此不再赘述。
步骤S4：对时频分析特征和积分谱特征进行融合
将时频分析特征
与积分谱特征
进行融合，得到融合特征
在本实施例中，采用CCA算法进行融合。
CCA算法是研究两组随机变量中为数不多的相互之间不相关的几对变量之间的相关性的，通过研究这几对变量之间的相关性来得到两组变量之间的相关性。CCA的基本思想具体如下：首先构造两个零均值的随机变量x∈Rp和y∈Rq，最终目的是要求出一对投影方向α与β，使得投影x*＝αTx与y*＝βTy之间最大相关，这两个随机变量之间的相关性即为典型相关。
详细过程为：
为第一对典型变量；然后找出第二对典型变量
此处要求
与
不相关，但之间满足典型相关。如此重复执行下去，直到将x，y的所有相关性特征全部提取出来。这样就将x，y之间的相关性问题转化成了分析提取的典型变量中的少数几对变量之间的相关性问题。如下函数为获得投影方向的准则函数，一般通过最大化该函数即可获得α与β，则它们之间的相关系数ρ如下：
其中Sxx，Syy分别表示x，y的协方差矩阵，Sxy表示x，y之间的互协方差矩阵。
CCA等价于
st αSxxαT＝1，βTSyyβ＝1。
在本实施例中，融合特征
根据以下步骤得到：
步骤S4.1：根据典型关联分析算法(Canonical correlation analysis，简称CCA)，分布计算出时频分析特征
与积分谱特征
的投影方向矩阵α、β，并分别表示为：
α＝[α1,α2,...,αQ]，β＝[β1,β2,...,βQ]，其中，Q＝min(P,G)。
步骤S4.2：构建新特征
步骤S4.3：对于新的特征
和
进行串联组合或并联组合，得到融合特征
其中，串联组合(Serial)为：
并联组合(Parallel)为：
步骤S5：训练分类器，得到辐射源分类器，并对待识别辐射源进行识别
对于I个已知辐射源，将每个辐射源的K个样本信号的融合特征
作为训练样本，输入一个分类器中，对该分类器进行训练，训练好的分类器为辐射源分类器；
将一个待识别的辐射源，提取一个样本信号，并按照步骤(2)、(3)、(4)的方法，得到其融合特征，再将该融合特征输入辐射源分类器中，得到该辐射源为那一个(类别)的辐射源。
在本实施例中，采用支持向量机(Support Vector Machine，简称SVM)作为分类器。
实验结果与分析
采用现有的基于矩形积分双谱和主成分分析的辐射源识别方法进行识别：积分谱特征经PCA降维后的前5个向量作为识别特征，利用SVM多分类识别，识别情况如表1所示。
表1
从表1中可以看出，现有的基于矩形积分双谱和主成分分析的辐射源识别方法对对讲机A1、B2、C2的识别效果较好，但是A2、B1、C1的识别效果很差，需要采取其他方法来改进。
在本实施例中，本发明采用串行组合的方式将时频分析特征与积分谱特征特征进行融合。融合特征用于识别的结果见表2。
表2
表2与表1进行对比，我们可以看出，相对于现有的基于矩形积分双谱和主成分分析的辐射源识别方法，本发明提出的基于局域均值分解(LMD)后的盒维数和离散傅里叶变换后的矩形积分双谱(SIB)的融合的辐射源识别方法，能完全识别出6个对讲机，极大的提高了识别正确率和稳健性。同时，在采样设备的采样率和灵敏度较低的情况下，也能实现辐射源的有效识别。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (3)
1.一种基于多特征融合的辐射源识别方法，其特征在于，包括以下步骤：
(1)、对于I个已知辐射源，每个辐射源提取K个样本信号，第i个已知辐射源的第k个样本信号表示为
(2)、对于每个样本信号
i＝1,2,...I,k＝1,2,...,K，采用局域均值分解算法分解为P个乘积函数信号
p＝1,2,...P,之和；
计算乘积函数信号
的盒维数
并将样本信号
的时频分析特征表示为：
(3)、对于每个样本信号
i＝1,2,...I,k＝1,2,...,K，首先计算其离散傅里叶变换值
其中，
T为样本信号的数据长度；
然后，计算其双谱
其中，ω1,ω2为双谱的两个频率变量；
再按照矩形积分路径对双谱进行积分，得到L个矩形积分双谱值
其中，Sl为第l个矩形积分路径，L为矩形积分路径的条数；
将样本信号
的积分谱特征表示为：
最后，利用PCA进行降维处理，并选择降维后的前G个向量作为积分谱特征，并表示为：
(4)、将时频分析特征
与积分谱特征
进行融合，得到融合特征
(5)、对于I个已知辐射源，将每个辐射源的K个样本信号的融合特征
作为训练样本，输入一个分类器中，对该分类器进行训练，训练好的分类器为辐射源分类器；
将一个待识别的辐射源，提取一个样本信号，并按照步骤(2)、(3)、(4)的方法，得到其融合特征，再将该融合特征输入辐射源分类器中，得到该辐射源为那一个辐射源。
2.根据权利要求1所述的基于多特征融合的辐射源识别方法，其特征在于，步骤(4)所述将时频分析特征
与积分谱特征
进行融合，得到融合特征
为：
4.1)根据典型关联分析算法，分布计算出时频分析特征
与积分谱特征
的投影方向矩阵α、β，并分别表示为：
α＝[α1,α2,...,αQ]，β＝[β1,β2,...,βQ]其中，Q＝min(P,G)；
4.2)、构建新特征
4.3)、对于新的特征
和
进行串联组合或并联组合，得到融合特征
其中，串联组合(Serial)为：
并联组合(Parallel)为：
3.根据权利要求1所述的基于多特征融合的辐射源识别方法，其特征在于，步骤(5)所述的分类器为支持向量机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910402556.6A CN110197209B (zh) | 2019-05-15 | 2019-05-15 | 一种基于多特征融合的辐射源识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910402556.6A CN110197209B (zh) | 2019-05-15 | 2019-05-15 | 一种基于多特征融合的辐射源识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110197209A CN110197209A (zh) | 2019-09-03 |
| CN110197209B true CN110197209B (zh) | 2022-07-26 |
Family
ID=67752915
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910402556.6A Expired - Fee Related CN110197209B (zh) | 2019-05-15 | 2019-05-15 | 一种基于多特征融合的辐射源识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110197209B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110691050B (zh) * | 2019-09-10 | 2022-01-21 | 中国人民解放军战略支援部队信息工程大学 | 基于c-e特征的辐射源指纹提取方法、装置及个体识别系统 |
| CN110879351B (zh) * | 2019-11-28 | 2021-08-24 | 山东科技大学 | 一种基于rcca-svm的非线性模拟电路故障诊断方法 |
| CN111767848B (zh) * | 2020-06-29 | 2022-04-12 | 哈尔滨工程大学 | 一种基于多域特征融合的辐射源个体识别方法 |
| CN112287796B (zh) * | 2020-10-23 | 2022-03-25 | 电子科技大学 | 基于VMD-Teager能量算子的辐射源识别方法 |
| CN113065385A (zh) * | 2020-12-03 | 2021-07-02 | 国网浙江省电力有限公司武义县供电公司 | 一种基于轴向积分双谱的通信辐射源个体识别方法 |
| CN112507855A (zh) * | 2020-12-04 | 2021-03-16 | 国网浙江省电力有限公司武义县供电公司 | 一种基于瞬时包络等势星球图的通信辐射源个体识别方法 |
| CN113177558B (zh) * | 2021-04-13 | 2022-06-14 | 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 |
| CN113255545B (zh) * | 2021-06-03 | 2021-09-21 | 中国人民解放军国防科技大学 | 人工特征和深度特征相结合的通信辐射源个体识别方法 |
| CN115456035B (zh) * | 2022-11-10 | 2023-04-07 | 中铁第一勘察设计院集团有限公司 | 基于对角相关局部积分双谱的射频指纹识别方法 |
| CN116431991B (zh) * | 2023-04-27 | 2023-11-28 | 中国科学技术大学 | 一种基于相位调制信号特征融合的卫星通信辐射源个体识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2008147433A (ru) * | 2008-12-01 | 2010-06-10 | Министерство обороны Российской Федерации Государственное образовательное учреждение высшего профессионального образования ВОЕННАЯ | Способ формирования признаков технического распознавания источников радиоизлучения |
| CN106845339A (zh) * | 2016-12-13 | 2017-06-13 | 电子科技大学 | 一种基于双谱和emd融合特征的手机个体识别方法 |
| 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 |
| CN107832787A (zh) * | 2017-10-31 | 2018-03-23 | 杭州电子科技大学 | 基于双谱自编码特征的雷达辐射源识别方法 |
| CN109165678A (zh) * | 2018-07-28 | 2019-01-08 | 中国人民解放军战略支援部队信息工程大学 | 基于双谱三维图像纹理特征的辐射源识别方法及装置 |
| 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 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8946647B2 (en) * | 2011-02-17 | 2015-02-03 | Drs Rsta, Inc. | System and method for identifying non-cooperative pulsed radiation sources in a field-of-view of an imaging sensor |
| US20140309967A1 (en) * | 2013-04-12 | 2014-10-16 | Thomas Eugene Old | Method for Source Identification from Sparsely Sampled Signatures |
-
2019
- 2019-05-15 CN CN201910402556.6A patent/CN110197209B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2008147433A (ru) * | 2008-12-01 | 2010-06-10 | Министерство обороны Российской Федерации Государственное образовательное учреждение высшего профессионального образования ВОЕННАЯ | Способ формирования признаков технического распознавания источников радиоизлучения |
| CN106845339A (zh) * | 2016-12-13 | 2017-06-13 | 电子科技大学 | 一种基于双谱和emd融合特征的手机个体识别方法 |
| 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 |
| CN107832787A (zh) * | 2017-10-31 | 2018-03-23 | 杭州电子科技大学 | 基于双谱自编码特征的雷达辐射源识别方法 |
| CN109165678A (zh) * | 2018-07-28 | 2019-01-08 | 中国人民解放军战略支援部队信息工程大学 | 基于双谱三维图像纹理特征的辐射源识别方法及装置 |
| 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 |
Non-Patent Citations (5)
| Title |
|---|
| Radiation Source Identification based on Box Dimension of PF and SIB Fusion _ IEEE Conference Publication;Shuang Ma等;《2019 IEEE International Conference on Signal, Information and Data Processing (ICSIDP)》;20200821;全文 * |
| 基于双谱特征的个体辐射源识别;李楠;《航天电子对抗》;20110630;第27卷(第03期);61-64 * |
| 基于双谱特征融合的通信辐射源识别算法;桂云川等;《探测与控制学报》;20161031;第38卷(第05期);91-95 * |
| 基于多特征融合的雷达辐射源信号识别;孟凡杰等;《计算机仿真》;20160331;第33卷(第03期);18-22 * |
| 辐射源信号指纹识别技术;徐扬;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20160315(第(2016)03期);I136-446 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110197209A (zh) | 2019-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110197209B (zh) | 一种基于多特征融合的辐射源识别方法 | |
| He et al. | Texture classification of PolSAR data based on sparse coding of wavelet polarization textons | |
| CN107451614B (zh) | 基于空间坐标与空谱特征融合的高光谱分类方法 | |
| Jordanov et al. | Classifiers accuracy improvement based on missing data imputation | |
| 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 | |
| Yadav et al. | Multiresolution local binary pattern variants based texture feature extraction techniques for efficient classification of microscopic images of hardwood species | |
| Zhang et al. | Training quality-aware filters for no-reference image quality assessment | |
| CN107830996B (zh) | 一种飞行器舵面系统故障诊断方法 | |
| CN104778457A (zh) | 基于多示例学习的视频人脸识别算法 | |
| CN105989597B (zh) | 基于像素选择过程的高光谱图像异常目标检测方法 | |
| Zhou et al. | Specific emitter identification via bispectrum-radon transform and hybrid deep model | |
| CN111222442A (zh) | 一种电磁信号分类方法和装置 | |
| CN103886334A (zh) | 一种多指标融合的高光谱遥感影像降维方法 | |
| CN108090462A (zh) | 一种基于盒维数的辐射源指纹特征提取方法 | |
| CN114239657A (zh) | 一种基于复值干涉神经网络的时序信号识别方法 | |
| CN106548136A (zh) | 一种无线信道场景分类方法 | |
| CN111310719A (zh) | 一种未知辐射源个体识别及检测的方法 | |
| CN105023239B (zh) | 基于超像素和最大边界分布的高光谱数据降维方法 | |
| CN101877065A (zh) | 小样本条件下的人脸图像非线性鉴别特征抽取和识别方法 | |
| Wang et al. | Feature extraction for hyperspectral images using low-rank representation with neighborhood preserving regularization | |
| CN102332087A (zh) | 一种基于稀疏表示的人脸识别方法 | |
| Wani | Microarray classification using sub-space grids | |
| Li et al. | POLSAR Target Recognition Using a Feature Fusion Framework Based on Monogenic Signal and Complex-Valued Nonlocal Network | |
| CN115809426A (zh) | 一种辐射源个体识别方法及系统 | |
| Liao et al. | Fast Fourier Transform with Multi-head Attention for Specific Emitter Identification |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220726 |