CN110598738A - 一种基于空间信息的分布式聚类方法 - Google Patents

一种基于空间信息的分布式聚类方法 Download PDF

Info

Publication number
CN110598738A
CN110598738A CN201910723466.7A CN201910723466A CN110598738A CN 110598738 A CN110598738 A CN 110598738A CN 201910723466 A CN201910723466 A CN 201910723466A CN 110598738 A CN110598738 A CN 110598738A
Authority
CN
China
Prior art keywords
pulse
combined
time difference
pulses
node
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.)
Granted
Application number
CN201910723466.7A
Other languages
English (en)
Other versions
CN110598738B (zh
Inventor
王杰
董昕
潘宜霞
黄辰
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.)
CETC 2 Research Institute
Southwest China Research Institute Electronic Equipment
Original Assignee
CETC 2 Research Institute
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 CETC 2 Research Institute filed Critical CETC 2 Research Institute
Priority to CN201910723466.7A priority Critical patent/CN110598738B/zh
Publication of CN110598738A publication Critical patent/CN110598738A/zh
Application granted granted Critical
Publication of CN110598738B publication Critical patent/CN110598738B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/25Fusion techniques
    • G06F18/251Fusion techniques of input or preprocessed data

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)
  • Measurement Of Radiation (AREA)

Abstract

本发明涉及电子侦察技术领域,公开了一种基于空间信息的分布式聚类方法。包括:构建一个节点数为N的分布式系统;以其中任一个节点为中心节点,通过链路实时接收其它节点传输过来的脉冲信息;在中心节点对所有节点的脉冲参数按照到达时间排序;对排序后的脉冲按照脉冲频率、脉冲宽度、脉冲到达时间三个参数进行联合聚类,形成联合脉冲描述;进行时差配准标记,得到的时差配准标记序列与联合脉冲描述相对应;对标记后的联合脉冲利用标记信息结合脉冲参数进行联合聚类。上述方法克服了传统脉冲聚类对脉冲重复间隔大级数参差、抖动、脉间编码及调制等复杂多变情形导致适应较差、需要实时有效提取脉内调制信息等缺点,提高了脉冲聚类方法的适应能力。

Description

一种基于空间信息的分布式聚类方法
技术领域
本发明涉及电子侦察技术领域,特别是一种基于空间信息的分布式聚类方法。
背景技术
目前,用于辐射源脉冲聚类的参数主要有脉冲到达时间、载频、脉宽、脉幅、到达角等五大参数,其中通过脉冲到达时间可以获得辐射源脉冲重复间隔信息。传统的辐射源脉冲聚类方法主要利用脉冲重复间隔特征来实现,其中典型的方法有累积差值直方图法和序列差值直方图法,该类方法对于辐射源信号脉冲重复间隔固定或小级数参差等变化规律简单并且辐射源数目较少的简单电磁环境下有较好的效果,但是对于脉冲重复间隔变化复杂、环境中目标数较多的情形适应性较差。
采用载频、脉宽、到达角等多参数聚类方法固然一定程度上解决了脉冲重复间隔变化复杂的问题,但是引入了载频、脉宽等的变化信息,导致载频、脉宽参数的复杂变化进一步增大了目标增批的概率。
采用脉内特征的聚类方法对于常规参数复杂多变而脉内特征稳定的目标有较强的适应能力,但是脉内特征提取运算量大,对于密集环境下对每一个脉冲进行脉内特征实时提取难度大,且脉内特征提取精度还有待提高,工程应用效果不太好。
发明内容
本发明所要解决的技术问题是:针对上述存在的问题,本发明利用分布式的多个侦察节点截获辐射源波形,单个节点只需进行常规参数测量,联合电磁空间多节点的脉冲信息来实现目标信号的分离,提出了一种基于空间信息的分布式聚类方法,该方法适用辐射源脉冲重复间隔特征复杂变化的脉冲,克服了传统脉冲聚类对脉冲重复间隔大级数参差、抖动、脉间编码及调制等复杂多变情形适应较差、需要实时有效提取脉内调制信息等缺点,是一种顺应分布式处理技术发展趋势、对辐射源对象时频域参数变化适应性较强的脉冲聚类方法。
本发明采用的技术方案如下:一种基于空间信息的分布式聚类方法,包括:
步骤S1,构建一个节点数为N的分布式系统,所述N>>3,每一个节点自主选择接收电磁环境的辐射源信号并进行脉冲参数测量,在全系统统一时间下形成脉冲描述字,其中包含脉冲到达时间、脉冲频率、脉冲宽度、脉冲幅度、脉冲到达角度的五个参数信息;
步骤S2,以其中任一个节点为中心节点,通过链路实时接收中心节点以外的其它节点传输过来的脉冲信息;
步骤S3,在中心节点对所有节点的脉冲参数按照到达时间排序;
步骤S4,对排序后的脉冲按照脉冲频率、脉冲宽度、脉冲到达时间三个参数进行联合聚类,形成联合脉冲描述,每一个联合脉冲都是由来自于同一个辐射源的同一个脉冲在不同节点上的脉冲参数组合而成;
步骤S5,基于每一个联合脉冲进行节点时差提取;
步骤S6,基于中心节点标准化后形成的目标时差库,根据节点动态空间信息对联合脉冲进行时差配准标记,得到的时差配准标记序列与联合脉冲描述相对应;
步骤S7,对标记后的联合脉冲利用标记信息结合脉冲参数进行联合聚类,将属于同一个辐射源的联合脉冲聚集成一簇,不同辐射源的联合脉冲分离,完成脉冲聚类。
进一步的,所述步骤S1中,分布式系统由固定或者运动的节点组成。
进一步的,所述步骤S4中,联合脉冲描述为:
式中:j=0,1,2,...,J,l=0,1,2,...,L,q=0,1,2,...,Q,i=1,2,...,I,i表示第i个联合脉冲,共有I个联合脉冲;PDW1j表示第1个节点第j个脉冲,其中j为0表示该节点没有接收到脉冲,共有J个脉冲;其余节点以此类推;N表示共有N个节点。
进一步的,所述步骤S5中,所述节点时差提取包括以下过程:首先,在联合脉冲中寻求实际接收到的脉冲中节点编号最小的脉冲;然后,以该脉冲到达时间为基准,对其它节点接收到的脉冲到达时间进行标准化,完成多节点时差提取。
进一步的,所述步骤S6中,包括以下过程:首先,根据自主选择的空域范围大小将空域按照空间位置划分为若干个网格并对网格进行编号,每一个网格中存在一个或零个辐射源,每一个具有一个辐射源的网格中雷达辐射源到达N个节点的时间差经过与中心节点标准化后形成目标时差库;然后,将每一个联合脉冲提取的多节点时差与目标时差库中的各网格时差值进行匹配,寻求与库中欧氏距离最小的网格,并将该网格编号标记到对应的联合脉冲描述中,完成联合脉冲时差配准标记,所述时差配准标记,记为APDWDTi,i=0,1,2,...,I。
进一步的,所述步骤S6中,目标时差库为事先建立或者动态实时生成的。
进一步的,所述步骤S7包括以下过程:首先,将标记网格编号相同的联合脉冲聚集成一簇;设置标记网格编号相差门限(门限可以根据划分的网格大小进行设定),对于标记网格编号相差大于门限值的联合脉冲进行分离;然后,对于剩余未归类的联合脉冲,将其与已聚类的空间距离最近的联合脉冲尝试进行合并(其中,已聚类的是指已经聚集到一个簇的联合脉冲;后续剩余未归类的脉冲再按照距离最近法则将其合并到距离最近的已聚类中),通过脉冲重复间隔评估合并的合理性,如果符合重复间隔变化规律,则认为合理,否则不合理,对于合理的联合脉冲,则将其合并到所述空间距离最近的联合脉冲聚类中,对于不合理的联合脉冲,继续将其与次接近的联合脉冲尝试进行合并和合理性评估,如果三次循环后依然没有寻求到合理的脉冲类,则将该联合脉冲舍弃;最后,认为聚集到同一个类的联合脉冲来自于同一个辐射源,不同类的联合脉冲来自于不同的辐射源。
与现有技术相比,采用上述技术方案的有益效果为:本发明提出了一种多节点分布式脉冲聚类方法代替传统的单平台脉冲聚类,在空域中不同的位置同时自主选择接收辐射源波形,通过扩展空间维度的方式在聚类过程中引入了新的空间特征,同时又不同于传统的三站定位系统,本发明提出的分布式系统节点数远大于3,保证同一个辐射源信号至少被三个节点同时接收到。由于在聚类过程中引入了目标相对于各个分布节点的时差信息,同时结合事先建立的时差库进行时差信息的标记,标记的时差信息只与辐射源目标的空间位置有关,而与辐射源波形参数及其变化无关,因此,提高了对辐射源脉冲重复间隔特征复杂变化的适应性。
附图说明
图1本发明的分布式脉冲聚类原理框图。
图2自主选择区域网格划分原理框图。
具体实施方式
下面结合附图对本发明做进一步描述。
图1为本发明的分布式脉冲聚类工作原理框图。分布式脉冲聚类系统主要由N个分布式节点、1个中心节点(该节点可以由其中一个分布式节点代替)、1个数据处理器和1个目标时差空间信息数据库四部分组成。N个节点在时统下同时接收电磁环境中感兴趣的辐射源波形,分别形成独立的脉冲描述字,并通过链路将各自的脉冲参数传输到中心节点,后续的脉冲聚类过程都是在中心节点完成的。脉冲融合将所有节点的脉冲按照到达时间进行排序,多参数联合聚类采用载频、脉宽、脉冲到达时间等参数实现无监督聚类,联合脉冲形成是根据聚类结果将N个节点中属于同一个辐射源的对应脉冲关联起来,节点时差提取是对每一个联合脉冲提取相应的时间差,时差配准标记是根据目标时差库信息对每一个联合脉冲进行时差配准和空间标记,如图2所示是时差配准标记过程中对自主选择的空域按辐射源密集程度划分为若干个网格的示意图,保证每个网格中一个或零个辐射源,图中示意图立方体为一个网格,联合脉冲聚类是以时差配准标记值并结合脉冲参数来实现联合脉冲聚类,聚类后的簇个数即为辐射源个数,相同簇序号的脉冲则属于同一个辐射源。
在上述实施例的基础上,构造一个节点数N为10的分布式系统,每一个节点的位置坐标依次为(0,0)、(880,100)、(1600,0)、(2360,56)、(3100,0)、(4000,120)、(4823,0)、(5612,85)、(6475,0)、(7300,123)(单位:m),其中节点1(0,0)同时为中心处理节点。电磁环境中有5部辐射源,每一部辐射源的位置坐标依次为(0,50e3)、(3000,40e3)、(5600,30e3)、(8000,35e3)、(11000,45e3)(单位:m)。
5部辐射源的频率类型均为脉间捷变,范围为3000~4000MHz,脉宽都固定为1μs。第1部辐射源的脉冲重复间隔类型为32级参差信号,具体为1001/1051/1031/1021/1056/1005/1009/1012/1085/1023/1025/1029/1032/1036/1041/1045/1050/1053/1061/1065/1068/1071/1075/1100/1079/1081/1085/1089/1091/1095/1102/1105μs;第2部辐射源的脉冲重复间隔类型为正弦调制,范围为1000~1300μs;第3部辐射源的脉冲重复间隔类型为抖动,中心值为1150μs,抖动范围为26%;第4部辐射源的脉冲重复间隔类型为滑变,滑变范围为1000~1300μs;第5部辐射源的脉冲重复间隔类型为抖动,中心值为1150μs,抖动范围依然为26%。频率测量精度0.5MHz(均方根),到达时间和脉宽测量精度50ns(均方根)。辐射源参数情况如表1所示。
表1辐射源参数
针对上述典型应用,采用本发明提出的方法实现辐射源脉冲聚类,在1s测试时长过程中测试结果如表2所示。
表2分布式脉冲聚类结果
根据上述聚类结果,可以看出本发明所提出的方法可以适应辐射源脉冲重复间隔大级数参差、调制、抖动、滑变等复杂变化情形。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。如果本领域技术人员,在不脱离本发明的精神所做的非实质性改变或改进,都应该属于本发明权利要求保护的范围。

Claims (8)

1.一种基于空间信息的分布式聚类方法,其特征在于,包括:
步骤S1,构建一个节点数为N的分布式系统,所述N>>3,每一个节点自主选择接收电磁环境的辐射源信号并进行脉冲参数测量,在全系统统一时间下形成脉冲描述字;
步骤S2,以其中任一个节点为中心节点,通过链路实时接收中心节点以外的其它节点传输过来的脉冲信息;
步骤S3,在中心节点对所有节点的脉冲参数按照到达时间排序;
步骤S4,对排序后的脉冲按照脉冲频率、脉冲宽度、脉冲到达时间三个参数进行联合聚类,形成联合脉冲描述,每一个联合脉冲都是由来自于同一个辐射源的同一个脉冲在不同节点上的脉冲参数组合而成;
步骤S5,基于每一个联合脉冲进行节点时差提取;
步骤S6,基于中心节点标准化后形成的目标时差库,根据节点动态空间信息对联合脉冲进行时差配准标记,得到的时差配准标记序列与联合脉冲描述相对应;
步骤S7,对标记后的联合脉冲利用标记信息结合脉冲参数进行联合聚类,将属于同一个辐射源的联合脉冲聚集成一簇,不同辐射源的联合脉冲分离,完成脉冲聚类。
2.如权利要求1所述的基于空间信息的分布式聚类方法,其特征在于,所述步骤S1中,分布式系统由固定或者运动的节点组成。
3.如权利要求1所述的基于空间信息的分布式聚类方法,其特征在于,脉冲描述字包含脉冲到达时间、脉冲频率、脉冲宽度、脉冲幅度、脉冲到达角度的五个参数信息。
4.如权利要求1所述的基于空间信息的分布式聚类方法,其特征在于,所述步骤S4中,联合脉冲描述为:
式中:j=0,1,2,…,J,l=0,1,2,…,L,q=0,1,2,…,Q,i=1,2,…,I,i表示第i个联合脉冲,共有I个联合脉冲;PDW1j表示第1个节点第j个脉冲,其中j为0表示该节点没有接收到脉冲,共有J个脉冲;其余节点以此类推;N表示共有N个节点。
5.如权利要求1所述的基于空间信息的分布式聚类方法,其特征在于,所述步骤S5中,所述节点时差提取包括以下过程:首先,在联合脉冲中寻求实际接收到的脉冲中节点编号最小的脉冲;然后,以节点编号最小的脉冲到达时间为基准,对节点编号最小的脉冲以外的其它节点接收到的脉冲到达时间进行标准化,完成多节点时差提取。
6.如权利要求5所述的基于空间信息的分布式聚类方法,其特征在于,所述步骤S6中,包括以下过程:首先,根据自主选择的空域范围大小将空域按照空间位置划分为若干个网格并对网格进行编号,每一个网格中存在一个或零个辐射源,每一个具有一个辐射源的网格中雷达辐射源到达N个节点的时间差经过与中心节点标准化后形成目标时差库;然后,将每一个联合脉冲提取的多节点时差与目标时差库中的各网格时差值进行匹配,寻求与库中欧氏距离最小的网格,并将该网格编号标记到对应的联合脉冲描述中,完成联合脉冲时差配准标记,所述时差配准标记,记为APDWDTi,i=0,1,2,...,I。
7.如权利要求6所述的基于空间信息的分布式聚类方法,其特征在于,所述步骤S6中,目标时差库为事先建立或者动态实时生成的。
8.如权利要求6所述的基于空间信息的分布式聚类方法,其特征在于,所述步骤S7包括以下过程:首先,将标记网格编号相同的联合脉冲聚集成一簇;设置标记网格编号相差门限,对于标记网格编号相差大于门限值的联合脉冲进行分离;然后,对于剩余未归类的联合脉冲,将其与已聚类的空间距离最近的联合脉冲尝试进行合并,通过脉冲重复间隔评估合并的合理性,如果符合重复间隔变化规律,则认为合理,否则不合理,对于合理的联合脉冲,则将其合并到所属空间距离最近的联合脉冲类中,对于不合理的联合脉冲,继续将其与次接近的联合脉冲尝试进行合并和合理性评估,如果三次循环后依然没有寻求到合理的脉冲类,则将该联合脉冲舍弃;最后,认为聚集到同一个类的联合脉冲来自于同一个辐射源,不同类的联合脉冲来自于不同的辐射源。
CN201910723466.7A 2019-08-07 2019-08-07 一种基于空间信息的分布式聚类方法 Active CN110598738B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910723466.7A CN110598738B (zh) 2019-08-07 2019-08-07 一种基于空间信息的分布式聚类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910723466.7A CN110598738B (zh) 2019-08-07 2019-08-07 一种基于空间信息的分布式聚类方法

Publications (2)

Publication Number Publication Date
CN110598738A true CN110598738A (zh) 2019-12-20
CN110598738B CN110598738B (zh) 2021-12-28

Family

ID=68853642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910723466.7A Active CN110598738B (zh) 2019-08-07 2019-08-07 一种基于空间信息的分布式聚类方法

Country Status (1)

Country Link
CN (1) CN110598738B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111224912A (zh) * 2020-01-16 2020-06-02 西安理工大学 空地链路信号到达时间差确定方法、侦收站及存储介质
CN111708020A (zh) * 2020-07-14 2020-09-25 南京理工大学 基于反辐射导引头的雷达信号分选跟踪方法及系统
CN113075620A (zh) * 2021-03-25 2021-07-06 电子科技大学 一种基于多站时差网格聚类的信号分选方法
CN114428225A (zh) * 2022-04-06 2022-05-03 中国电子科技集团公司第二十九研究所 一种基于准匹配滤波的多辐射源到达角度测量方法及装置
CN114839602A (zh) * 2022-07-04 2022-08-02 中国人民解放军国防科技大学 基于电磁数据聚类的雷达信号统计特征提取方法及装置
CN117310636A (zh) * 2023-11-29 2023-12-29 成都工业学院 一种固定脉冲重复间隔测量方法、设备和介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101893704A (zh) * 2010-07-20 2010-11-24 哈尔滨工业大学 一种基于粗糙集的雷达辐射源信号识别方法
KR20160048441A (ko) * 2014-10-24 2016-05-04 주식회사 빅텍 수집 레이더 신호의 클러스터링 방법
CN106597365A (zh) * 2016-11-18 2017-04-26 中国船舶重工集团公司第七二四研究所 一种基于时域聚类的复杂电子信号时差定位方法
CN106772237A (zh) * 2016-11-18 2017-05-31 中国船舶重工集团公司第七二四研究所 长基线时差定位干涉仪测向辅助解模糊方法
CN108535686A (zh) * 2018-03-06 2018-09-14 中国船舶重工集团公司第七二四研究所 一种截断宽带线性调频信号的时差定位方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101893704A (zh) * 2010-07-20 2010-11-24 哈尔滨工业大学 一种基于粗糙集的雷达辐射源信号识别方法
KR20160048441A (ko) * 2014-10-24 2016-05-04 주식회사 빅텍 수집 레이더 신호의 클러스터링 방법
CN106597365A (zh) * 2016-11-18 2017-04-26 中国船舶重工集团公司第七二四研究所 一种基于时域聚类的复杂电子信号时差定位方法
CN106772237A (zh) * 2016-11-18 2017-05-31 中国船舶重工集团公司第七二四研究所 长基线时差定位干涉仪测向辅助解模糊方法
CN108535686A (zh) * 2018-03-06 2018-09-14 中国船舶重工集团公司第七二四研究所 一种截断宽带线性调频信号的时差定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
马贤同 等: "基于时差的同类辐射源信号分选定位方法", 《电子与信息学报》 *
黄辰: "几种典型聚类方法在雷达信号分选中的应用浅析", 《电子信息对抗技术》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111224912A (zh) * 2020-01-16 2020-06-02 西安理工大学 空地链路信号到达时间差确定方法、侦收站及存储介质
CN111708020A (zh) * 2020-07-14 2020-09-25 南京理工大学 基于反辐射导引头的雷达信号分选跟踪方法及系统
CN111708020B (zh) * 2020-07-14 2023-08-04 南京理工大学 基于反辐射导引头的雷达信号分选跟踪方法及系统
CN113075620A (zh) * 2021-03-25 2021-07-06 电子科技大学 一种基于多站时差网格聚类的信号分选方法
CN113075620B (zh) * 2021-03-25 2022-08-05 电子科技大学 一种基于多站时差网格聚类的信号分选方法
CN114428225A (zh) * 2022-04-06 2022-05-03 中国电子科技集团公司第二十九研究所 一种基于准匹配滤波的多辐射源到达角度测量方法及装置
CN114428225B (zh) * 2022-04-06 2022-06-14 中国电子科技集团公司第二十九研究所 一种基于准匹配滤波的多辐射源到达角度测量方法及装置
CN114839602A (zh) * 2022-07-04 2022-08-02 中国人民解放军国防科技大学 基于电磁数据聚类的雷达信号统计特征提取方法及装置
CN114839602B (zh) * 2022-07-04 2022-09-16 中国人民解放军国防科技大学 基于电磁数据聚类的雷达信号统计特征提取方法及装置
CN117310636A (zh) * 2023-11-29 2023-12-29 成都工业学院 一种固定脉冲重复间隔测量方法、设备和介质
CN117310636B (zh) * 2023-11-29 2024-02-06 成都工业学院 一种固定脉冲重复间隔测量方法、设备和介质

Also Published As

Publication number Publication date
CN110598738B (zh) 2021-12-28

Similar Documents

Publication Publication Date Title
CN110598738B (zh) 一种基于空间信息的分布式聚类方法
CN110751121B (zh) 基于聚类与sofm的无监督雷达信号分选方法
Wilkinson et al. Use of metric techniques in ESM data processing
CN113721219B (zh) 一种基于多参数聚类的雷达信号分选方法和系统
CN114019505A (zh) 一种基于pri区间信息的雷达信号分选方法及系统
CN115034261B (zh) 雷达辐射源信号脉间特征提取方法、设备及存储介质
CN112799053B (zh) 一种单脉冲信号的实时配对分选方法
CN113759323B (zh) 基于改进K-Means联合卷积自编码器的信号分选方法及装置
CN107423539A (zh) 一种gm‑phd滤波器的标签分配方法
KR20160048441A (ko) 수집 레이더 신호의 클러스터링 방법
CN112597820A (zh) 一种基于雷达信号分选的目标聚类方法
CN110780269A (zh) 自适应新生强度下基于gm-phd滤波器的显式多目标跟踪方法
CN105787081A (zh) 一种基于辐射源空间位置的辐射平台关联方法
CN110673105A (zh) 一种脉冲多普勒雷达解速度模糊的方法
CN112990125B (zh) 一种辐射源雷达属于目标平台的判别方法
CN110806563A (zh) 基于雷达脉冲混叠程度判定的辐射源信号聚类分选方法
White et al. Completeness in photometric and spectroscopic searches for clusters
Liu et al. Multi-sensor multi-target tracking using probability hypothesis density filter
CN116299195A (zh) 一种基于toa序列相关度的雷达信号处理方法
CN110488259A (zh) 一种基于gdbscan的雷达目标分类方法及装置
CN116466314A (zh) 一种雷达个体分选方法、装置、存储介质及设备
CN115390037A (zh) 多类别、未知雷达辐射源脉冲信号分选系统
Ting et al. A new radar emitter recognition method based on pulse sample figure
CN113075620B (zh) 一种基于多站时差网格聚类的信号分选方法
Dong et al. Distributed clustering method based on spatial information

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