CN110806563B - 基于雷达脉冲混叠程度判定的辐射源信号聚类分选方法 - Google Patents
基于雷达脉冲混叠程度判定的辐射源信号聚类分选方法 Download PDFInfo
- Publication number
- CN110806563B CN110806563B CN201911131040.9A CN201911131040A CN110806563B CN 110806563 B CN110806563 B CN 110806563B CN 201911131040 A CN201911131040 A CN 201911131040A CN 110806563 B CN110806563 B CN 110806563B
- Authority
- CN
- China
- Prior art keywords
- data
- pulse
- pulse signal
- aliasing
- partition
- 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.)
- Active
Links
Images
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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于雷达脉冲混叠程度判定的辐射源信号聚类分选方法,首先搭建数据采集平台,选取不同种类的雷达信号构成待分选数据,并采集待分选数据的PDW脉冲描述字中的不同脉冲信号数据;然后制定雷达信号脉冲混叠程度判定规则对脉冲信号数据的混叠程度进行判定,选取混叠程度低于设定阈值的脉冲信号数据作为待聚类数据;最后采用基于RF‑PW为特征的密度聚类算法对待聚类数据进行聚类分选,完成对待分选数据的聚类分选。本发明提出了对多种混叠状态的信号进行混叠状态判定,选择其中的低混叠状态或是无混叠的脉冲信号进行大数据聚类分选,之后再对剩余部分进行大数据聚类分选,能够增加分选识别成功率,同时可以降低分选时耗。
Description
技术领域
本发明属于辐射源分选技术领域,具体涉及一种基于雷达脉冲混叠程度判定的辐射源信号聚类分选方法的设计。
背景技术
随着电子对抗越来越激烈,信号环境日趋复杂,对雷达信号特别是未知雷达信号进行快速、准确地分选已经成为一个必然趋势。众所周知,现代战争是高度信息化的在现代陆、海、空、天、电一体化的战场中,利用电子战等技术手段实现对战争信息的采集、利用和控制,进而拥有战争信息主导权已成为战争成败的关键。这意味着在现代电子战中,电子对抗技术在作为先进信息武器的同时,能抑制敌方信息武器在战场中的发挥。雷达辐射源信号分选是现代电子对抗技术中的一项关键性技术,具有重大的战略意义。
对于雷达脉冲信号,脉冲描述字(PDW,Pulse Description Word)描述的信号参数有载频(RF)、脉冲宽度(PW)、脉冲幅度(PA)、脉冲到达方向(DOA)和脉冲到达时间(TOA)。雷达信号分选可以根据基于PDW格式将统一辐射源信号筛选出来,通过对脉冲描述字中的某几类数据进行参数相似性分类。
针对多部雷达信号混叠的情况下,如果可以提取脉冲当中混叠程度最低的部分预先进行聚类可以大大提高聚类分选的成功率,因此提出使用统计脉冲幅度差的方法来判定一段时间内脉冲信号的混叠程度的方法,通过改变数据聚类分选顺序的方式能够提高分选成功率。
发明内容
本发明的目的是为了解决目前由于信号环境日趋复杂,雷达信号脉冲具有时序性,使得雷达信号脉冲具有多种混叠方式,雷达辐射源脉冲的混叠情况会严重影响聚类算法的分选成功率的问题,提出了一种基于雷达脉冲混叠程度判定的辐射源信号聚类分选方法,以提高辐射源信号聚类分选的成功率。
本发明的技术方案为:基于雷达脉冲混叠程度判定的辐射源信号聚类分选方法,包括以下步骤:
S1、搭建数据采集平台,选取不同种类的雷达信号构成待分选数据,并采集待分选数据的PDW中的不同脉冲信号数据。
S2、制定雷达信号脉冲混叠程度判定规则对脉冲信号数据的混叠程度进行判定,选取混叠程度低于设定阈值的脉冲信号数据作为待聚类数据。
S3、采用基于RF-PW为特征的密度聚类算法对待聚类数据进行聚类分选,完成对待分选数据的聚类分选。
进一步地,步骤S1中不同种类的雷达信号包括固定重频信号、重频参差信号和重频抖动信号。
进一步地,步骤S1中不同脉冲信号数据包括载频RF、脉冲幅度PA、到达时间TOA、脉宽PW和到达时间差DTOA。
进一步地,步骤S2包括以下分步骤:
S21、根据脉冲幅度PA计算脉冲信号数据的幅度差。
S22、将幅度差为负的脉冲信号作为处于混叠状态的脉冲信号。
S23、制定雷达信号脉冲混叠程度判定规则,根据混叠程度对处于混叠状态的脉冲信号进行排序,将混叠程度低于设定阈值的脉冲信号数据作为待聚类数据。
进一步地,步骤S21中幅度差的计算公式为:
ΔPai=Pai+1-Pai
其中ΔPai表示时刻i脉冲信号数据的幅度差,Pai+1和Pai分别表示时刻i+1和时刻i脉冲信号数据的脉冲幅度PA,i=1,2,...,n-1,n为脉冲信号数据的时刻总数。
进一步地,步骤S23中雷达信号脉冲混叠程度判定规则具体为:在预设时间段内幅度差为负的数量越多,则判定这段时间内脉冲信号的混叠程度越高,反之幅度差为负的数量越少,则判定这段时间内脉冲信号的混叠程度越低。
进一步地,步骤S3包括以下分步骤:
S31、选取待聚类数据中的载频RF和脉宽PW为基准建立直角坐标系。
S32、获取待聚类数据中第一个脉冲信号的坐标[RF1,PW1],并将其作为第一个分区中心X1=[RFX1,PWX1]。
S33、设置第一分区中心计数值n=1,脉冲信号计数值t=2。
S34、获取待聚类数据中第t个脉冲信号的坐标[RFt,PWt]。
S35、设置第二分区中心计数值i=1。
S36、计算第i个分区中心与第t个脉冲信号的相关系数Mit。
S37、判断第一分区中心计数值n是否大于第二分区中心计数值i,若是则令第二分区中心计数值i的值加1,返回步骤S36,否则进入步骤S38。
S38、判断所有相关系数Mit中的最小值是否小于预设门限值Mthr,若是则进入步骤S39,否则进入步骤S310。
S39、将第t个脉冲信号归入第i个分区,并更新第i个分区中心,进入步骤S311。
S310、令第一分区中心计数值n的值加1,计算第n个分区中心Xn,并建立新的分区n,进入步骤S311。
S311、令脉冲信号计数值t的值加1。
S312、判断脉冲信号计数值t是否大于待聚类数据中的脉冲信号数量N,若是则结束聚类分选流程,否则返回步骤S34。
进一步地,步骤S36中相关系数Mit的计算公式为:
其中[RFXi,PWXi]表示第i个分区中心的坐标,ΔRF表示载频RF允许的最大误差,ΔPW表示脉宽PW允许的最大误差,[RFt,PWt]表示第t个脉冲信号的坐标。
进一步地,步骤S39中更新第i个分区的中心的公式为:
其中Xm表示更新后第i个分区中心,nm为更新后第i个分区的脉冲信号数量,[RFXm,PWXm]表示更新后第i个分区中心的坐标,[RFXi,PWXi]表示更新前第i个分区中心的坐标,[RFt,PWt]表示第t个脉冲信号的坐标。
进一步地,步骤S310中第n个分区中心Xn的计算公式为:
其中[RFXn,PWXn]表示第n个分区中心的坐标,[RFt,PWt]表示第t个脉冲信号的坐标。
本发明的有益效果是:
(1)由于在无混叠情况下同种大数据聚类算法识别率远高于混叠状态下的识别率,因此本发明提出了对多种混叠状态的信号进行混叠状态判定,选择其中的低混叠状态或是无混叠的脉冲信号进行大数据聚类分选,之后再对剩余部分进行大数据聚类分选,能够增加分选识别成功率,同时可以降低分选时耗。
(2)在多部雷达信号混叠的情况下,PRI特征混叠严重不易分选,但是每部雷达的载频RF和脉宽PW都有其相应的特征,不会因为雷达的混叠而发生改变,因此本发明采用基于RF-PW为特征的密度聚类算法对待聚类数据进行聚类分选,可以有效的完成雷达脉冲信号的分选,能够有效增加分选识别成功率。
附图说明
图1所示为本发明实施例提供的基于雷达脉冲混叠程度判定的辐射源信号聚类分选方法流程图。
图2所示为本发明实施例提供的雷达信号脉冲在时间-幅度域无混叠示意图。
图3所示为本发明实施例提供的雷达信号脉冲在时间-幅度域完全混叠示意图。
图4所示为本发明实施例提供的步骤S2的分步骤流程图。
图5所示为本发明实施例提供的步骤S3的分步骤流程图。
图6所示为本发明实施例提供的聚类分选效果示意图。
图7所示为本发明实施例提供的雷达脉冲样本数据幅度图。
图8所示为本发明实施例提供的雷达脉冲样本数据聚类分选幅度图。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解,附图中示出和描述的实施方式仅仅是示例性的,意在阐释本发明的原理和精神,而并非限制本发明的范围。
本发明实施例提供了一种基于雷达脉冲混叠程度判定的辐射源信号聚类分选方法,如图1所示,包括以下步骤S1~S3:
S1、搭建数据采集平台,选取不同种类的雷达信号构成待分选数据,并采集待分选数据的PDW中的不同脉冲信号数据。
本发明实施例中,不同种类的雷达信号包括固定重频信号、重频参差信号和重频抖动信号。
本发明实施例中,不同脉冲信号数据包括载频RF、脉冲幅度PA、到达时间TOA、脉宽PW和到达时间差DTOA。其中到达时间TOA和到达时间差DTOA用于后续恢复分选后雷达脉冲信号。
S2、制定雷达信号脉冲混叠程度判定规则对脉冲信号数据的混叠程度进行判定,选取混叠程度低于设定阈值的脉冲信号数据作为待聚类数据。
本发明实施例中,雷达信号脉冲主要在时间-幅度域混叠,如图2所示为雷达信号脉冲在时间-幅度域无混叠示意图,如图3所示为雷达信号脉冲在时间-幅度域完全混叠示意图。由于在无混叠情况下同种大数据聚类算法识别率远高于混叠状态下的识别率,因此需要对多种混叠状态的脉冲信号进行混叠状态判定,选择其中的低混叠状态或是无混叠的脉冲信号进行后续的大数据聚类分选,如图4所示,步骤S2包括以下分步骤S21~S23:
S21、根据脉冲幅度PA计算脉冲信号数据的幅度差,计算公式为:
ΔPai=Pai+1-Pai
其中ΔPai表示时刻i脉冲信号数据的幅度差,Pai+1和Pai分别表示时刻i+1和时刻i脉冲信号数据的脉冲幅度PA,i=1,2,...,n-1,n为脉冲信号数据的时刻总数。
S22、将幅度差为负的脉冲信号作为处于混叠状态的脉冲信号。
S23、制定雷达信号脉冲混叠程度判定规则,根据混叠程度对处于混叠状态的脉冲信号进行排序,将混叠程度低于设定阈值的脉冲信号数据作为待聚类数据。
本发明实施例中,雷达信号脉冲混叠程度判定规则具体为:在预设时间段内幅度差为负的数量越多,则判定这段时间内脉冲信号的混叠程度越高,反之幅度差为负的数量越少,则判定这段时间内脉冲信号的混叠程度越低。
S3、采用基于RF-PW为特征的密度聚类算法对待聚类数据进行聚类分选,完成对待分选数据的聚类分选。
在雷达信号中,载频RF和脉宽PW具有一定的稳定性,不同的雷达辐射源信号在其载频RF和脉宽PW上总会体现出一定的差异性,因此本发明实施例采用基于RF-PW为特征的密度聚类算法对待聚类数据进行聚类分选。
如图5所示,步骤S3包括以下分步骤S31~S312:
S31、选取待聚类数据中的载频RF和脉宽PW为基准建立直角坐标系。
S32、获取待聚类数据中第一个脉冲信号的坐标[RF1,PW1],并将其作为第一个分区中心X1=[RFX1,PWX1]。
S33、设置第一分区中心计数值n=1,脉冲信号计数值t=2。
S34、获取待聚类数据中第t个脉冲信号的坐标[RFt,PWt]。
S35、设置第二分区中心计数值i=1。
S36、计算第i个分区中心与第t个脉冲信号的相关系数Mit,计算公式为:
其中[RFXi,PWXi]表示第i个分区中心的坐标,ΔRF表示载频RF允许的最大误差,ΔPW表示脉宽PW允许的最大误差,[RFt,PWt]表示第t个脉冲信号的坐标。本发明实施例中,因为载频RF和脉宽PW的数量级可能是有差别的,如果不除以最大误差的话会让聚类结果偏向于两个参数中的较大的参数。
S37、判断第一分区中心计数值n是否大于第二分区中心计数值i,若是则令第二分区中心计数值i的值加1,返回步骤S36,否则进入步骤S38。
S38、判断所有相关系数Mit中的最小值是否小于预设门限值Mthr,若是则进入步骤S39,否则进入步骤S310。
S39、将第t个脉冲信号归入第i个分区,并更新第i个分区中心,进入步骤S311。
更新第i个分区的中心的公式为:
其中Xm表示更新后第i个分区中心,nm为更新后第i个分区的脉冲信号数量,[RFXm,PWXm]表示更新后第i个分区中心的坐标,[RFXi,PWXi]表示更新前第i个分区中心的坐标,[RFt,PWt]表示第t个脉冲信号的坐标。
S310、令第一分区中心计数值n的值加1,计算第n个分区中心Xn,并建立新的分区n,进入步骤S311。
第n个分区中心Xn的计算公式为:
其中[RFXn,PWXn]表示第n个分区中心的坐标,[RFt,PWt]表示第t个脉冲信号的坐标。
S311、令脉冲信号计数值t的值加1。
S312、判断脉冲信号计数值t是否大于待聚类数据中的脉冲信号数量N,若是则结束聚类分选流程,聚类分选效果如图6所示,否则返回步骤S34。
采用本发明实施例提供的辐射源信号聚类分选方法对图7所示的雷达脉冲样本数据进行聚类分选,最终得到的聚类分选幅度图如图8所示,可见本发明可以有效的完成雷达脉冲信号的分选,并能够有效增加分选识别成功率。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (3)
1.基于雷达脉冲混叠程度判定的辐射源信号聚类分选方法,其特征在于,包括以下步骤:
S1、搭建数据采集平台,选取不同种类的雷达信号构成待分选数据,并采集待分选数据的PDW中的不同脉冲信号数据;
S2、制定雷达信号脉冲混叠程度判定规则对脉冲信号数据的混叠程度进行判定,选取混叠程度低于设定阈值的脉冲信号数据作为待聚类数据;
S3、采用基于RF-PW为特征的密度聚类算法对待聚类数据进行聚类分选,完成对待分选数据的聚类分选;
所述步骤S1中不同脉冲信号数据包括载频RF、脉冲幅度PA、到达时间TOA、脉宽PW和到达时间差DTOA;
所述步骤S2包括以下分步骤:
S21、根据脉冲幅度PA计算脉冲信号数据的幅度差;
S22、将幅度差为负的脉冲信号作为处于混叠状态的脉冲信号;
S23、制定雷达信号脉冲混叠程度判定规则,根据混叠程度对处于混叠状态的脉冲信号进行排序,将混叠程度低于设定阈值的脉冲信号数据作为待聚类数据;
所述步骤S23中雷达信号脉冲混叠程度判定规则具体为:在预设时间段内幅度差为负的数量越多,则判定这段时间内脉冲信号的混叠程度越高,反之幅度差为负的数量越少,则判定这段时间内脉冲信号的混叠程度越低;
所述步骤S3包括以下分步骤:
S31、选取待聚类数据中的载频RF和脉宽PW为基准建立直角坐标系;
S32、获取待聚类数据中第一个脉冲信号的坐标[RF1,PW1],并将其作为第一个分区中心X1=[RFX1,PWX1];
S33、设置第一分区中心计数值n=1,脉冲信号计数值t=2;
S34、获取待聚类数据中第t个脉冲信号的坐标[RFt,PWt];
S35、设置第二分区中心计数值i=1;
S36、计算第i个分区中心与第t个脉冲信号的相关系数Mit;
S37、判断第一分区中心计数值n是否大于第二分区中心计数值i,若是则令第二分区中心计数值i的值加1,返回步骤S36,否则进入步骤S38;
S38、判断所有相关系数Mit中的最小值是否小于预设门限值Mthr,若是则进入步骤S39,否则进入步骤S310;
S39、将第t个脉冲信号归入第i个分区,并更新第i个分区中心,进入步骤S311;
S310、令第一分区中心计数值n的值加1,计算第n个分区中心Xn,并建立新的分区n,进入步骤S311;
S311、令脉冲信号计数值t的值加1;
S312、判断脉冲信号计数值t是否大于待聚类数据中的脉冲信号数量N,若是则结束聚类分选流程,否则返回步骤S34;
所述步骤S36中相关系数Mit的计算公式为:
其中[RFXi,PWXi]表示第i个分区中心的坐标,ΔRF表示载频RF允许的最大误差,ΔPW表示脉宽PW允许的最大误差,[RFt,PWt]表示第t个脉冲信号的坐标;
所述步骤S39中更新第i个分区的中心的公式为:
其中Xm表示更新后第i个分区中心,nm为更新后第i个分区的脉冲信号数量,[RFXm,PWXm]表示更新后第i个分区中心的坐标,[RFXi,PWXi]表示更新前第i个分区中心的坐标,[RFt,PWt]表示第t个脉冲信号的坐标;
所述步骤S310中第n个分区中心Xn的计算公式为:
其中[RFXn,PWXn]表示第n个分区中心的坐标,[RFt,PWt]表示第t个脉冲信号的坐标。
2.根据权利要求1所述的辐射源信号聚类分选方法,其特征在于,所述步骤S1中不同种类的雷达信号包括固定重频信号、重频参差信号和重频抖动信号。
3.根据权利要求1所述的辐射源信号聚类分选方法,其特征在于,所述步骤S21中幅度差的计算公式为:
ΔPai=Pai+1-Pai
其中ΔPai表示时刻i脉冲信号数据的幅度差,Pai+1和Pai分别表示时刻i+1和时刻i脉冲信号数据的脉冲幅度PA,i=1,2,...,n-1,n为脉冲信号数据的时刻总数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911131040.9A CN110806563B (zh) | 2019-11-19 | 2019-11-19 | 基于雷达脉冲混叠程度判定的辐射源信号聚类分选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911131040.9A CN110806563B (zh) | 2019-11-19 | 2019-11-19 | 基于雷达脉冲混叠程度判定的辐射源信号聚类分选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110806563A CN110806563A (zh) | 2020-02-18 |
CN110806563B true CN110806563B (zh) | 2021-07-06 |
Family
ID=69490419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911131040.9A Active CN110806563B (zh) | 2019-11-19 | 2019-11-19 | 基于雷达脉冲混叠程度判定的辐射源信号聚类分选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110806563B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111624575B (zh) * | 2020-07-30 | 2020-10-23 | 中国人民解放军国防科技大学 | 一种未知雷达目标脉冲序列的快速提取方法及系统 |
CN112906737B (zh) * | 2021-01-14 | 2021-12-14 | 无锡国芯微电子系统有限公司 | 一种基于多辐射源基于密度特征聚类及识别的方法 |
CN113702920B (zh) * | 2021-08-25 | 2023-07-11 | 西南交通大学 | 一种区分不同脉间参差雷达数据的联合复杂度值计算方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103954935A (zh) * | 2014-05-12 | 2014-07-30 | 哈尔滨工业大学 | 一种最小l1范数下的雷达信号分选方法 |
CN105930859A (zh) * | 2016-04-12 | 2016-09-07 | 西安电子科技大学 | 基于线性流形聚类的雷达信号分选方法 |
CN107238817A (zh) * | 2017-07-04 | 2017-10-10 | 中国人民解放军海军航空工程学院 | 一种参数自适应设置及自动调整的雷达辐射源信号分选方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7397415B1 (en) * | 2006-02-02 | 2008-07-08 | Itt Manufacturing Enterprises, Inc. | System and method for detecting and de-interleaving radar emitters |
CN102590791A (zh) * | 2012-01-10 | 2012-07-18 | 哈尔滨工程大学 | 一种复杂密集环境下雷达辐射源信号覆盖分选方法 |
US9063210B2 (en) * | 2012-06-01 | 2015-06-23 | Raytheon Company | Method for de-interleaving received radar pulses using dynamically updated weights |
KR20150117115A (ko) * | 2014-04-09 | 2015-10-19 | 한국전자통신연구원 | 신호 탐지 시스템에서의 고정 오경보 확률 장치 |
CN105022792B (zh) * | 2015-06-25 | 2019-02-12 | 中国船舶重工集团公司第七二四研究所 | 基于数据挖掘的被动雷达信号分选关联权重计算方法 |
CN105005029B (zh) * | 2015-07-17 | 2017-05-24 | 哈尔滨工程大学 | 一种基于数据场层次聚类的多模雷达信号分选方法 |
CN106102161B (zh) * | 2016-05-30 | 2019-10-15 | 天津大学 | 基于聚类算法分析数据优化的室内定位方法 |
CN106405518A (zh) * | 2016-12-07 | 2017-02-15 | 中国船舶重工集团公司第七二四研究所 | 一种复杂体制雷达信号等级关联聚类分选方法 |
CN108549061B (zh) * | 2018-04-24 | 2022-02-11 | 扬州健行电子科技有限公司 | 一种信号的聚类方法 |
US11079488B2 (en) * | 2018-05-14 | 2021-08-03 | GM Global Technology Operations LLC | DBSCAN parameters as function of sensor suite configuration |
-
2019
- 2019-11-19 CN CN201911131040.9A patent/CN110806563B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103954935A (zh) * | 2014-05-12 | 2014-07-30 | 哈尔滨工业大学 | 一种最小l1范数下的雷达信号分选方法 |
CN105930859A (zh) * | 2016-04-12 | 2016-09-07 | 西安电子科技大学 | 基于线性流形聚类的雷达信号分选方法 |
CN107238817A (zh) * | 2017-07-04 | 2017-10-10 | 中国人民解放军海军航空工程学院 | 一种参数自适应设置及自动调整的雷达辐射源信号分选方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110806563A (zh) | 2020-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110806563B (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 | |
CN106405536B (zh) | 一种mimo雷达多目标跟踪资源管理方法 | |
CN110954872B (zh) | 基于多层感知机mlp的相控阵雷达工作模式识别方法 | |
CN114019505A (zh) | 一种基于pri区间信息的雷达信号分选方法及系统 | |
CN110598738B (zh) | 一种基于空间信息的分布式聚类方法 | |
CN113721219B (zh) | 一种基于多参数聚类的雷达信号分选方法和系统 | |
CN110751121B (zh) | 基于聚类与sofm的无监督雷达信号分选方法 | |
CN107576948B (zh) | 一种基于高分辨距离像imf特征的雷达目标识别方法 | |
CN111199127B (zh) | 基于深度强化学习的雷达干扰决策方法 | |
CN106526559B (zh) | 一种基于bcd-vsmm机动目标无源协同定位方法 | |
CN106483514B (zh) | 一种基于eemd和支持向量机的飞机运动模式识别方法 | |
CN111832462B (zh) | 一种基于深度神经网络的跳频信号检测与参数估计方法 | |
CN112597820A (zh) | 一种基于雷达信号分选的目标聚类方法 | |
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 | |
CN104008403B (zh) | 一种svm(矢量机)模式的多目标识别判定方法 | |
CN112799053A (zh) | 一种单脉冲信号的实时配对分选方法 | |
Wang et al. | Dynamic modified chaotic particle swarm optimization for radar signal sorting | |
CN113484837A (zh) | 一种面向电磁大数据的未知雷达辐射源智能识别方法 | |
CN109784318A (zh) | 基于神经网络的Link16数据链信号的识别方法 | |
CN112564834B (zh) | 一种面向无线通信系统的智能认知与干扰方法及系统 | |
CN113177520B (zh) | 一种基于集成学习的智能辐射源识别方法 | |
CN110781963B (zh) | 基于K-means聚类的空中目标分群方法 | |
Lu et al. | A recursive sorting method based on multi-station TDOA vector | |
CN112836104A (zh) | 一种数据库辅助自主聚类信号分选方法及系统 | |
Yu et al. | Radar emitter signal sorting method based on density clustering algorithm of signal aliasing degree judgment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |