CN110954872B - 基于多层感知机mlp的相控阵雷达工作模式识别方法 - Google Patents
基于多层感知机mlp的相控阵雷达工作模式识别方法 Download PDFInfo
- Publication number
- CN110954872B CN110954872B CN201911299741.3A CN201911299741A CN110954872B CN 110954872 B CN110954872 B CN 110954872B CN 201911299741 A CN201911299741 A CN 201911299741A CN 110954872 B CN110954872 B CN 110954872B
- Authority
- CN
- China
- Prior art keywords
- phased array
- network
- array radar
- mode signal
- working mode
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 15
- 230000008447 perception Effects 0.000 claims description 9
- 239000006185 dispersion Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 description 8
- 230000005855 radiation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
- G01S7/38—Jamming means, e.g. producing false echoes
-
- 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
- G01S7/40—Means for monitoring or calibrating
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于多层感知机的相控阵雷达工作模式识别方法,主要解决现有的相控阵雷达工作模式识别技术分析不全面且识别率不高的问题。其方案为:用商用软件仿真生成相控阵雷达不同工作模式下的空域信号数据集;对该数据集信号进行特征提取,并对每条样本所属的工作模式进行编码后以特征矩阵的形式输出;将特征矩阵分为训练集和测试集;设置多层感知机网络相关参数;用训练集数据训练多层感知机网络,并得到最优化的多层感知机网络;将测试集信号送入得到的多层感知机中,输出每个测试信号的预测工作模式类别。本发明弥补了相控阵雷达工作模式识别技术的空缺,能显著提高识别准确率,可用于复杂电磁环境下的相控阵雷达工作模式识别。
Description
技术领域
本发明属于电子对抗技术领域,特别涉及一种相控阵雷达工作模式识别方法,可用于电子情报侦察、电子支援和威胁告警系统中。
背景技术
随着电子信息领域的发展,电子对抗在电子情报侦察、电子支援和威胁告警系统中发挥着重要作用,相控阵雷达工作模式识别是电子对抗中的重要环节。
随着电子对抗中电磁环境变得日益复杂,雷达辐射源数目繁多、空间分布范围广阔,使得信号在时域与频域混叠的情况日渐增加,在较短的时间内出现的雷达信号多达数万乃至数十万,在某一时刻也会同时出现大量的信号。除此之外,区别于传统的机械扫描雷达,现代相控阵雷达因其独特的天线扫描方式和众多优点,已成为各国争先发展的重点。相控阵雷达以电扫描的方式通过计算机控制各辐射单元的馈电相位,利用电磁波的干涉原理实现波束在空间的扫描,因此可以实现灵活的波束发射及数据的快速处理,另外,因其具备的多目标处理、多功能及高度自适应能力,使得相控阵雷达往往具有多种工作模式,而每种模式对目标具有不同的威胁程度。如何利用截获的情报判别相控阵雷达的工作模式,从而对相控阵雷达的威胁度进行评估,已成为电子侦察的重要内容,也是实施精确干扰的前提。综上所述,相控阵雷达工作模式识别是判别辐射源威胁程度的重要因素,能为后续干扰资源的合理分配提供支持,因此,正确识别相控阵雷达的工作模式具有重要意义。
电子科技大学的陈卓于2015年4月在其硕士论文《新体制雷达工作模式及状态建模与分析》提出了基于幅度数据的K值特征分析法,其从功能角度界定工作模式,通过分析不同工作模式下雷达的扫描规律,从而在幅度数据特征和全脉冲数据段方面实现对搜索和跟踪模式的判定,该方法所说利于工程实现,但由于仅分析了三种工作模式且选取的识别参数较少,而且缺乏对所选参数的联合特征和雷达工作模式的内在联系的详细分析,因而会造成对全脉冲数据中和雷达工作模式有关信息的遗漏,而且低信噪比下的识别率有待提高。
空军工程大学的董晓璇、程嗣怡、陈游和中国人民解放军95503部队的赖建萍于2018年12月在期刊《电子测量与仪器学报》上发表的《雷达工作模式识别的PSO_DPNN方法》一文中提出了一种基于粒子群优化算法PSO的离散过程神经网络的识别方法,其首先通过对雷达信号的句法进行建模提取雷达短语,然后构建离散过程神经网络并采用粒子群优化算法PSO对网络参数寻优,最后应用训练完成的网络对雷达短语进行识别。该方法的不足之处是,对不同工作模式下雷达信号的特点分析不深,且未利用不同工作模式下信号特征参数与雷达工作模式之间的联系,而且低信噪比下的识别率有待提高。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于多层感知机MLP的机载相控阵雷达工作模式识别方法,以提高识别准确率。
实现本发明目的的技术思路是:通过深入分析相控阵雷达各种工作模式下辐射信号的特点,对不同工作模式下辐射的信号进行多维度特征提取,并将提取到的多维特征送入经过优化后的多层感知机网络,获得识别结果,其实现步骤包括如下:
1)用MATLAB软件仿真生成相控阵雷达空域信号的数据集,该数据集信号包括速度搜索模式信号、高重频边测距边搜索模式信号、中重频边测距边搜索模式信号、边搜索边跟踪模式信号、搜索加跟踪模式信号、单目标跟踪模式信号和态势感知模式信号这七种信号,其中每种信号从5dB到20dB每隔5dB信噪比生成1000个样本;
2)对上述数据集进行预处理:
2a)从数据集中得到每条样本在雷达工作模式下的8个特征值:平滑度C、离散度D、脉重频P、回照信息B、占空比U、脉内调制信息M、波束驻留数N、脉宽W;
2b)对数据集中每条样本按其所属的工作模式信号进行一位编码,即将速度搜索编码为“1”,高重频边搜索边测距编码为“2”,中重频边搜索边测距编码为“3”,边搜索边跟踪编码为“4”,搜索加跟踪编码为“5”,单目标跟踪编码为“6”,态势感知编码为“7”;
2c)对数据集中每条样本,将其在2a)中的8个特征值和在2b)中的一位编码共同组成长度为9的特征向量,得到维度为7000*9的特征矩阵,将该特征矩阵作为新的数据集;
2d)将新的数据集分为训练集和测试集,使之满足训练集样本数为6000条,测试集样本数为1000条;
3)搭建多层感知机MLP网络:
3a)设置多层感知机MLP的隐层数为5,每个隐层中的神经元取5个数值[16,32,64,128,256];
3b)设置多层感知机MLP网络的学习率取9个数值[0.0003,0.0007,0.003,0.004,0.005,0.006,0.007,0.01,0.02];
3c)设置多层感知机MLP网络的batch_size取5个数值[16,32,64,128,256];
3d)设置训练迭代次数为200,使用ELU函数作为激活函数,使用随机梯度下降算法作为优化器,使用均方误差函数作为损失函数;
3e)用softmax分类器作为网络的输出层;
4)训练多层感知机MLP网络:
4a)对3a)、3b)、3c)这三组参数进行轮询组合,求出多层感知机MLP在每组参数组合下的识别准确率;
4b)选出4a)中识别准确率的最大值,将其分别对应在3a)、3b)、3c)中的取值,作为最终选取的网络参数进行保存,并保存该组参数下多层感知机MLP网络的权重值,从而得到已经最优化后的多层感知机MLP网络;
5)将测试集数据输入到最优化后的多层感知机MLP网络中,输出网络所预测出的机载相控阵雷达的工作模式。
本发明与现有技术相比具有如下优点:
第一,本发明针对现有相控阵雷达工作模式识别技术多需要大量人工参与的不足,将多层感知机MLP网络应用到相控阵雷达工作模式识别中,提高了识别效率。
第二,本发明通过对参数的轮训,在大量实验的基础上,找到了将多层感知机MLP网络应用到雷达工作模式识别中时,能使识别率达到最高的网络参数。
第三,本发明在充分挖掘相控阵雷达不同工作模式下发射信号的差异性的基础上,提取出不同工作模式下信号的特征,并将提取到的特征作为雷达工作模式的识别依据,大大提高了识别准确率。
附图说明
图1是本发明的整体实现流程图;
图2是本发明在信噪比为15dB条件下的识别结果图;
图3是本发明在信噪比为20dB条件下的识别结果图。
具体实施方式
以下结合附图,对本发明的实施例和效果进行详细描述。
参照图1,本实施例的实现步骤如下:
步骤1:生成相控阵雷达空域信号的数据集。
用MATLAB软件仿真生成相控阵雷达空域信号的数据集,该数据集信号包括速度搜索模式信号、高重频边测距边搜索模式信号、中重频边测距边搜索模式信号、边搜索边跟踪模式信号、搜索加跟踪模式信号、单目标跟踪模式信号和态势感知模式信号这七种信号,其中每种信号从5dB到20dB每隔5dB信噪比生成1000个样本,其参数设置如下:
所述7种雷达信号的载频均设置为1GHz,采样频率均设置为2GHz;
速度搜索模式信号的脉冲驻留数设置为1500-6000个;
高重频边测距边搜索模式信号和中重频边测距边搜索模式信号这2种相控阵雷达信号的脉冲驻留数设置为250-2000个;
边搜索边跟踪模式信号和搜索加跟踪模式信号这2种相控阵雷达信号的脉冲驻留数设置为16-128个;
单目标跟踪模式信号的脉冲驻留数设置为20000个;
态势感知模式信号的脉冲驻留数设置为1000-8000个;
搜索加跟踪模式信号和态势感知模式信号均设置为每隔5个搜索波位后对目标进行一次回照。
步骤2:对原始数据集进行预处理。
2a)对数据集中每条样本进行处理,即求出每条样本的8个特征值,这8个特征值为:平滑度C、离散度D、脉重频P、回照信息B、占空比U、脉内调制信息M、波束驻留数N、脉宽W:
2a1)计算平滑度C:
首先根据样本的脉冲幅度序列ai计算中间变量ci:
其中,N为脉冲幅度序列ai中脉冲的总数;
然后根据中间变量ci计算平滑度C:
2a2)计算离散度D:
其中,N为脉冲幅度序列ai中脉冲的总数。
其次,求得样本脉冲幅度序列ai的标准差δa:
2b)对数据集中每条样本按其所属的工作模式信号进行一位编码,即将速度搜索编码为“1”,高重频边搜索边测距编码为“2”,中重频边搜索边测距编码为“3”,边搜索边跟踪编码为“4”,搜索加跟踪编码为“5”,单目标跟踪编码为“6”,态势感知编码为“7”;
2c)将数据集中每条样本的8个特征值和一位编码共同组成长度为9的特征向量,得到维度为7000*9的特征矩阵,将该特征矩阵作为新的数据集;
2d)将新的数据集分为训练集和测试集,使之满足训练集样本数为6000条,测试集样本数为1000条。
步骤3:搭建多层感知机MLP网络。
3a)设置多层感知机MLP的隐层数为5,每个隐层中的神经元取5个数值[16,32,64,128,256];
3b)设置多层感知机MLP网络的学习率取9个数值[0.0003,0.0007,0.003,0.004,0.005,0.006,0.007,0.01,0.02];
3c)设置多层感知机MLP网络的batch_size取5个数值[16,32,64,128,256];
3d)设置训练迭代次数为200,使用ELU函数作为激活函数,使用随机梯度下降算法作为优化器,使用均方误差函数作为损失函数,其中:
3e)用softmax分类器作为网络的输出层,softmax分类器表示如下:
步骤4:训练多层感知机MLP网络,并保存相关网络参数。
4a)通过编程控制3a)、3b)、3c)这三组参数的轮询组合,并利用如下公式求出多层感知机MLP网络在每次实验时的识别准确率:
其中,η即为识别准确率,A为将2d)中测试集送入5)中网络后预测正确的样本数,Z为2d)中测试集的样本总数,其值为1000;
因3a)、3b)、3c)这三组参数共有225个组合方式,即5*9*5=225,而每个组合方式下均可得到一个识别准确率,因此4a)执行完后,共得到225个识别准确率;
4b)保存网络参数:
4b1)通过编程,控制3a)、3b)、3c)中参数轮询组合,并与4a)得到的225个识别准确率组成一矩阵,该矩阵维度为225*4,其前三列为轮询组合得到的225组网络结构参数,最后一列为225个识别准确率,该矩阵表示如下:
神经元个数取值 | 学习率取值 | batch_size取值 | 识别准确率 |
16 | 0.0003 | 16 | 第1个识别准确率 |
16 | 0.0003 | 32 | 第2个识别准确率 |
16 | 0.0003 | 64 | 第3个识别准确率 |
... | ... | ... | ... |
256 | 0.02 | 256 | 第225个识别准确率 |
4b2)通过编程,找出4b1)矩阵中最后一列225个识别准确率数值中的最大值,并将该值所在当前行的前三个数值进行保存,这三个数值即分别为从3a)、3b)、3c)中所选取到的最优网络结构参数。例如,假设第三个识别准确率为最大值,那么该行的16即为从3a)中选取的神经元个数,0.0003即为从3b)中选取到的学习率取值,64即为从3c)中选取到的batch_size取值,将16、0.0003、64这三个数值作为最优网络结构参数进行保存即可。至此,便得到了已经最优化的多层感知机MLP网络。
步骤5:将测试集数据输入到最优化后的多层感知机MLP网络中,输出网络所预测出的机载相控阵雷达的工作模式。
本发明的效果可通过以下仿真进一步阐述。
1.仿真条件:
硬件工具为:商用计算机、芯片为Intel Core i5-6500处理器、主频3.20GHz、内存4GB、硬盘为250GB;操作系统:Windows 7;开发工具:PyCharm;开发语言:Python 3.5。
数据集为:每个信噪比下,训练集采用尺寸为6000*9,测试集采用尺寸为1000*9。
2.仿真内容:
仿真1:在上述仿真条件下,通过编程,将测试集中信噪比为15dB的数据输入到本发明最优化后的多层感知机MLP网络中,得到在15dB信噪比下的识别准确率如图2所示。
仿真2:在上述仿真条件下,通过编程,将测试集中信噪比为20dB的数据输入到本发明最优化后的多层感知机MLP网络中,得到在20dB信噪比下的识别准确率如图3所示。
3.仿真分析:
从图2和图3可以看到,在信噪比分别为15dB和20dB的条件下,本发明在相控阵雷达工作模式识别中的准确率均可以达到95%以上,该识别效果良好,可满足实际场景中的识别需求。
以上描述仅是本发明的一个具体实例,并未构成对本发明的任何限制,显然对于本领域的专业人员来说,在了解本发明的内容和原理后,都可能在不背离发明原理、结构的情况下,进行形式和细节上的修改和改变,但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (9)
1.基于多层感知机MLP的机载相控阵雷达工作模式识别方法,其特征在于,包括如下:
1)用MATLAB软件仿真生成相控阵雷达空域信号的数据集,该数据集信号包括速度搜索模式信号、高重频边测距边搜索模式信号、中重频边测距边搜索模式信号、边搜索边跟踪模式信号、搜索加跟踪模式信号、单目标跟踪模式信号和态势感知模式信号这七种信号,其中每种信号从5dB到20dB每隔5dB信噪比生成1000个样本;
2)对上述数据集进行预处理:
2a)从数据集中得到每条样本在雷达工作模式下的8个特征值:平滑度C、离散度D、脉重频P、回照信息B、占空比U、脉内调制信息M、波束驻留数N、脉宽W;
2b)对数据集中每条样本按其所属的工作模式信号进行一位编码,即将速度搜索编码为“1”,高重频边搜索边测距编码为“2”,中重频边搜索边测距编码为“3”,边搜索边跟踪编码为“4”,搜索加跟踪编码为“5”,单目标跟踪编码为“6”,态势感知编码为“7”;
2c)对数据集中每条样本,将其在2a)中的8个特征值和在2b)中的一位编码共同组成长度为9的特征向量,得到维度为7000*9的特征矩阵,将该特征矩阵作为新的数据集;
2d)将新的数据集分为训练集和测试集,使之满足训练集样本数为6000条,测试集样本数为1000条;
3)搭建多层感知机MLP网络:
3a)设置多层感知机MLP的隐层数为5,每个隐层中的神经元取5个数值[16,32,64,128,256];
3b)设置多层感知机MLP网络的学习率取9个数值[0.0003,0.0007,0.003,0.004,0.005,0.006,0.007,0.01,0.02];
3c)设置多层感知机MLP网络的batch_size取5个数值[16,32,64,128,256];
3d)设置训练迭代次数为200,使用ELU函数作为激活函数,使用随机梯度下降算法作为优化器,使用均方误差函数作为损失函数;
3e)用softmax分类器作为网络的输出层;
4)训练多层感知机MLP网络:
4a)对3a)、3b)、3c)这三组参数进行轮询组合,求出多层感知机MLP在每组参数组合下的识别准确率;
4b)选出4a)中识别准确率的最大值,将其分别对应在3a)、3b)、3c)中的取值,作为最终选取的网络参数进行保存,从而得到已经最优化后的多层感知机MLP网络的结构参数;
5)将测试集数据输入到最优化后的多层感知机MLP网络中,输出网络所预测出的机载相控阵雷达的工作模式。
2.根据权利要求1所述的方法,其特征在于,1)中7种不同的相控阵雷达空域信号,其参数设置如下:
所述7种相控阵雷达空域信号中的搜索加跟踪模式信号和态势感知模式信号均设置为每隔5个搜索波位,回照目标一次;
所述7种相控阵雷达空域信号的采样频率均为2GHz、载频均为1GHz;
所述7种相控阵雷达空域信号的脉冲驻留数,分别设置如下:
速度搜索模式信号的脉冲驻留数设置为1500-6000个;
高重频边测距边搜索模式信号和中重频边测距边搜索模式信号这2种相控阵雷达信号的脉冲驻留数均设置为250-2000个;
边搜索边跟踪模式信号和搜索加跟踪模式信号这2种相控阵雷达信号的脉冲驻留数均设置为16-128个;
单目标跟踪模式信号的脉冲驻留数设置为20000个;
态势感知模式信号的脉冲驻留数设置为1000-8000个。
9.根据权利要求1所述的方法,其特征在于,4b)中选取网络最优结构参数,实现如下:
4b1)通过编程,控制3a)、3b)、3c)中参数轮询组合,并与4a)得到的225个识别准确率组成一矩阵,该矩阵维度为225*4,其前三列为轮询组合得到的225组网络结构参数,最后一列为225个识别准确率;
4b2)通过编程,找出4b1)矩阵中最后一列225个数值中的最大值,并将该值所在当前行的前三个数值进行保存,这三个数值即分别为从3a)、3b)、3c)中所选取到的最优网络结构参数,得到已经最优化的多层感知机MLP网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911299741.3A CN110954872B (zh) | 2019-12-17 | 2019-12-17 | 基于多层感知机mlp的相控阵雷达工作模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911299741.3A CN110954872B (zh) | 2019-12-17 | 2019-12-17 | 基于多层感知机mlp的相控阵雷达工作模式识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110954872A CN110954872A (zh) | 2020-04-03 |
CN110954872B true CN110954872B (zh) | 2023-03-31 |
Family
ID=69982045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911299741.3A Active CN110954872B (zh) | 2019-12-17 | 2019-12-17 | 基于多层感知机mlp的相控阵雷达工作模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110954872B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036239B (zh) * | 2020-07-27 | 2024-02-06 | 西安电子科技大学 | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 |
CN112881987A (zh) * | 2021-02-06 | 2021-06-01 | 西安晟昕科技发展有限公司 | 一种基于lstm模型的机载相控阵雷达行为预测方法 |
CN113608172B (zh) * | 2021-06-23 | 2023-12-29 | 西安电子科技大学 | 一种基于改进k近邻的机载多功能雷达工作模式识别方法 |
CN113608211B (zh) * | 2021-08-09 | 2023-09-05 | 电子科技大学 | 一种基于通信流量信息辅助的雷达组网方式识别方法 |
CN114280608B (zh) * | 2022-03-07 | 2022-06-17 | 成都理工大学 | 一种DInSAR高程相关大气效应去除方法及系统 |
CN115061103B (zh) * | 2022-06-08 | 2024-08-20 | 电子科技大学 | 基于编码器-解码器的多功能雷达功能识别方法 |
CN116090872A (zh) * | 2022-12-07 | 2023-05-09 | 湖北华中电力科技开发有限责任公司 | 一种配电台区健康状态评价方法 |
CN117233723B (zh) * | 2023-11-14 | 2024-01-30 | 中国电子科技集团公司第二十九研究所 | 一种基于cnn类激活图的雷达跟踪包络提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5987444A (en) * | 1997-09-23 | 1999-11-16 | Lo; James Ting-Ho | Robust neutral systems |
CN109726653A (zh) * | 2018-12-19 | 2019-05-07 | 西安电子科技大学 | 基于RNN-DenseNet网络的雷达信号识别方法 |
-
2019
- 2019-12-17 CN CN201911299741.3A patent/CN110954872B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5987444A (en) * | 1997-09-23 | 1999-11-16 | Lo; James Ting-Ho | Robust neutral systems |
CN109726653A (zh) * | 2018-12-19 | 2019-05-07 | 西安电子科技大学 | 基于RNN-DenseNet网络的雷达信号识别方法 |
Non-Patent Citations (1)
Title |
---|
基于多层次建模的机载相控阵雷达工作模式识别;李辉等;《电子信息对抗技术》;20160715(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110954872A (zh) | 2020-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110954872B (zh) | 基于多层感知机mlp的相控阵雷达工作模式识别方法 | |
CN112036074B (zh) | 一种高脉冲密度环境下雷达信号分选方法及系统 | |
CN112308008B (zh) | 基于迁移学习的工作模式开集的雷达辐射源个体识别方法 | |
CN106483514B (zh) | 一种基于eemd和支持向量机的飞机运动模式识别方法 | |
CN110188647A (zh) | 一种基于变分模态分解雷达辐射源特征提取及其分类方法 | |
CN112036239B (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
CN112904299B (zh) | 基于深层类内分裂的雷达高分辨距离像开集目标识别方法 | |
CN111199127A (zh) | 基于深度强化学习的雷达干扰决策方法 | |
CN112597820A (zh) | 一种基于雷达信号分选的目标聚类方法 | |
CN115166678B (zh) | 复杂场景雷达辐射源脉冲信号分选与认知对抗系统 | |
CN112881987A (zh) | 一种基于lstm模型的机载相控阵雷达行为预测方法 | |
CN111062322B (zh) | 基于支持向量机svm的相控阵雷达行为识别方法 | |
CN108535704B (zh) | 一种基于自适应二维聚类的信号预分选方法 | |
CN103076595B (zh) | 一种多元离散雷达辐射源信号的异常类型识别方法 | |
Shu et al. | An interference recognition method based on improved genetic algorithm | |
CN113625242B (zh) | 一种基于势距图联合pca与改进云模型的雷达信号分选方法 | |
CN116361685A (zh) | 一种基于集成学习与雷达短语的雷达工作模式识别方法 | |
CN114492583B (zh) | 一种基于lstm的雷达搜索模式识别方法 | |
CN113391280B (zh) | 基于fpga的雷达信号处理机调试方法、设备及介质 | |
Wang et al. | A parameter-optimized SLS-TSVM method for working modes recognition of airborne fire control radar | |
Wang et al. | Radar emitter classification based on a multiperspective collaborative clustering method and radar characteristic spectrum | |
CN114839607A (zh) | 基于分步变门限孤立森林的mfr波形单元提取方法 | |
CN113608172A (zh) | 一种基于改进k近邻的机载多功能雷达工作模式识别方法 | |
Wang et al. | A PRI estimation and signal deinterleaving method based on density-based clustering | |
Liu et al. | Individual Intelligent Recognition Method Based on Fingerprint Features of Radar Emitter |
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 |