CN110988803A - 一种高置信度动态调整的雷达辐射源个体识别系统 - Google Patents
一种高置信度动态调整的雷达辐射源个体识别系统 Download PDFInfo
- Publication number
- CN110988803A CN110988803A CN201911095829.3A CN201911095829A CN110988803A CN 110988803 A CN110988803 A CN 110988803A CN 201911095829 A CN201911095829 A CN 201911095829A CN 110988803 A CN110988803 A CN 110988803A
- Authority
- CN
- China
- Prior art keywords
- radiation source
- radar radiation
- model
- radar
- module
- 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
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
-
- 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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
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
本发明公开了一种高置信度动态调整的雷达辐射源个体识别系统,包括输入数据预处理模块、雷达辐射源信号个体识别极限梯度提升建模模块、智能寻优模块以及雷达辐射源信号个体识别极限梯度提升识别模块、在线校正模块。本发明克服了目前已有的传统的雷达辐射源识别方法识别精度低,鲁棒性差,识别时间长,无法投入实际应用的不足,具有识别精度高,鲁棒性强,识别速度快,适合于实际在线应用等特点。
Description
技术领域
本发明涉及电子对抗中雷达辐射源的识别领域,尤其涉及一种高置信度动态调整的雷达辐射源个体识别系统。
背景技术
雷达辐射源识别技术是电子战领域的重要研究内容,其技术水平对整个雷达对策系统的发展起着至关重要的作用。雷达辐射源个体识别是指在通过特殊接收器截取目标辐射源信号,提取特征参数和技术系统,然后识别雷达辐射源的类型的基础上,对这些信号进行检测和分析。随着现代雷达的飞速发展,电磁环境变得越来越复杂和高度交错,并且信号强度很高,每秒达到数百万个脉冲。“高度复杂”的电磁环境给有效识别雷达辐射源个体识别带来了许多困难。
特征提取和分类识别是雷达辐射源识别技术的两个关键处理环节,已逐渐成为两个重要的研究领域。特征提取主要包括常规特征提取和脉冲内特征提取。当前的分类识别方法包括特征匹配,脉冲内分析,数据融合和神经网络方法。为了获得最佳的识别性能,获得最佳的特征提取器和最佳的参数分类器是一个挑战。上述方法存在以下的缺点。一方面,由于已有算法的大多依赖选取特征,导致算法识别准确率低。另一方面,由于“高度复杂”的电磁环境存在,伴随着数据维度的不断升高,上述算法的识别时间将大幅升高并且复杂环境的存在,容易导致模型失配。以上问题导致传统的雷达辐射源识别方法识别精度低,鲁棒性差,识别时间长,无法投入实际应用。
发明内容
为了克服目前已有的雷达辐射源识别方法识别精度低、鲁棒性差、识别时间长、无法投入实际应用的不足,本发明的目的在于提供高置信度动态调整的雷达辐射源个体识别系统,具有识别快速、准确度高、鲁棒性强、适合在线实际应用的优点。
本发明的目的是通过以下技术方案来实现的:一种高置信度动态调整的雷达辐射源个体识别系统,包括输入数据预处理模块、雷达辐射源信号个体识别极限梯度提升(eXtreme Gradient Boosting,XGBoost)建模模块、智能寻优模块以及雷达辐射源信号个体识别极限梯度提升(eXtreme Gradient Boosting,XGBoost)识别模块、在线校正模块、雷达辐射源信号数据库。一种高置信度动态调整的雷达辐射源个体识别系统以及输出显示模块依次相连,所述雷达辐射源信号数据库用以存放历史收集的所有雷达信号,从而为模型建立提供数据基础,同时该模块会更新所有新采集的雷达辐射源信号,完善数据库内容,从而为模型的实时更新提供基础
进一步地,输入数据预处理模块用以进行雷达辐射源数据预处理,采用如下过程完成:
进一步地,所述雷达辐射源信号个体识别XGBoost建模模块,根据雷达辐射源信号数据库中已有历史的雷达辐射源信号,建立雷达辐射源信号建模模型。
1)从数据库中提取ns个雷达辐射源信号及其所对应的雷达个体标签Ys作为训练集,提取nv个雷达辐射源信号Xv及其所对应的雷达个体标签Yv作为测试集;
2)采用训练集进行监督训练,得到基于XGBoost的雷达辐射源信号个体识别建模模型:
Y=f(H) (2)
其中Y=[yi,yi,…,yn-1-(m-1)τ]为雷达辐射源个体标签,H=[x1,x2,..,xn-1-(m-1)τ]为输入雷达信号,f是XGBoost雷达辐射源建模模型。
进一步地,所述智能寻优模块,用以对XGBoost的重要参数:学习率learning_rate,最大树深度max_depth,最小叶子节点样本权重和min_child_weight,节点分裂所需的最小损失函数下降值gamma进行优化。采用如下过程完成:
1)对于学习率和树结构模型的基础参数采用网格搜索方法:
learning_rate=0.05~0.3,stride=0.05
max_depth=2~7,stride=1
即在其他非基础参数寻优之前固定学习率和最大树深度为搜索网格中的一个点上的值,在此基础上进行其他非基础参数的寻优。其中learning_rate学习率以步长stride1=0.05在0.05~0.3范围内进行搜索;max_depth最大树深度以步长stride2=1在2~7范围内进行搜索。
2)对于最小叶子节点样本权重min_child_weight、节点分裂所需的最小损失函数下降值gamma等非基础参数采用自适应粒子群算法进行寻优。
2.1)随机产生第1代初始粒子即初始解的速度和位置;
vik=U×(vmax-vmin)+vminvmin≤v≤vmax (3)
rik=U×(rmax-rmin)+rminrmin≤r≤rmax (4)
其中i=1,2,…,m,m代表种群规模,vik表示第i个粒子的第k个分量的速度,rik表示第i个粒子的第k个分量的位置,U为[0,1]间均匀分布的随机数
2.2)计算第i个粒子的适应度fi·。并将当前各粒子的位置和适应度存储在各粒子的Pi中,选取种群中适应值最优粒子的位置和适应值存储于种群最优值Pg
2.3)更新惯性权重系数μ(t):
其中μmax=0.9为μ的上限值,μmin=0.2为μ的下限值,tmax=150为最大迭代次数。
2.4)设定初始温度;一般采用初温T为:
其中f(Pg)为粒子群最优适应度值判断是否连续五次迭代全局最优解不变或达到最大迭代次数tmax=150。若符合,输出全局最优粒子及其代表的最优解,并结束迭代。否则进行下一步。
2.5)计算各粒子接收概率。加入模拟退火算法的机制,采用如下公式计算各Pi适配值,即替换种群最优值的概率:
其中,f(Pi)为粒子位置在Pi时的粒子群优化算法适应度值;f(Pg)为粒子群最优适应度值。
2.6)更新粒子的速度和位置,产生新的群体,并更新各粒子的个体极值Pi和种群极值Pg;
其中,α1是个体加速度参数,α2是全局加速度参数,和是0-1之间的随机数,t为迭代次数;vik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度,vik(t)是第i个粒子的第k个分量在第t次迭代的速度,rik(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置,rik(t)是第i个粒子的第k个分量在第t次迭代的位置,D是待寻优的参数个数,k=1,2分别对应于最小叶子节点样本权重min_child_weight与节点分裂所需的最小损失函数下降值gamma;
2.7)进行退温处理;
T=δT (11)
其中δ为退火速度,设置为0.95。
2.8)判断是否符合算法终止条件,若符合,输出全局最优粒子及其代表的最优解,并结束迭代;否则返回2.2)继续迭代;
其中,粒子群规模为50-100,个体加速度参数为0.5,全局加速度参数为0.35,个体适应度选择错误率的相反数,终止条件为连续五次迭代全局最优解不变;
重复以上步骤,将得到最优参数代入雷达辐射源信号模型建模模块,并将模型在测试集上进行测试,选取正确率最高的模型作为最优模型。
进一步地,雷达辐射源信号个体识别XGBoost识别模块利用训练好的最优雷达辐射源信号个体识别模型对新采集的雷达辐射源信号数据进行实时个体识别。采用如下过程完成:
2)利用改进寻优模块优化后的最优识别模型对雷达辐射源信号数据进行识别:
进一步地,在线校正模块对模型进行实时修正。由于当前模型只包含了训练集中涵盖的数据,而雷达辐射源工作环境复杂,如果新采集的雷达信号与数据库中的数据偏离较大,那模型对该数据的识别准确度就会大幅下降,即模型失配,因此为了提高模型的鲁棒性和对新环境的适应性,引入在线校正模块,从而进一步提高对雷达辐射源识别的准确度,最终得到高置信度动态调整的雷达个体识别模型。在线校正策略采用如下过程完成:
1)由时刻τ采集的雷达辐射源信号,其真实值可能在未来的τ+n时刻得到,由此可以判断模型识别的准确性。将识别错误的雷达辐射源信号数据作为“奇异”样本点加入训练集;
2)利用智能寻优模块重新在线优化模型参数,得到新的最优雷达个体识别模型,以解决复杂电磁环境下的模型失配问题,进一步提高模型识别准确度。
进一步地,显示模块将雷达辐射源信号个体识别XGBoost识别模块获得的雷达型号通过显示屏进行输出显示。
本发明的技术构思为:本发明使用XGBoost算法由雷达辐射源信号数据库建立雷达辐射源信号识别模型,对实时采集的雷达辐射源数据进行个体识别,引入了改进的智能寻优方法得到了更好的优化效果,同时对模型进行在线校正提高适应性,从而建立一种高置信度动态调整的雷达辐射源个体识别系统。
本发明的有益效果主要表现在:1、使用XGBoost算法建立了雷达辐射源个体识别模型,可以实时对采集的雷达辐射源数据进行处理以自动识别当前雷达辐射源个体,识别速度快;2、参数通过改进的智能寻优算法进行自动寻优,寻优效果好、识别准确度高;3、实时对模型进行在线校正,使得识别模型在复杂电磁环境下能够自适应,模型鲁棒性强、适应度高,同时提高了个体识别的准确度,适合在线实际应用。
附图说明
图1为一种高置信度动态调整的雷达个体识别系统的整体架构图;
图2为一种高置信度动态调整的雷达个体识别系统的功能模块图;
图3为一种高置信度动态调整的雷达个体识别系统的智能寻优模块算法流程图;
图4为一种高置信度动态调整的雷达个体识别系统的在线校正模块算法流程图。
具体实施方式
下面根据附图和实施例进一步说明本发明:
参考图1~图4,一种高置信度动态调整的雷达个体识别系统的整体架构图,涉及雷达辐射源信号数据库1、一种高置信度动态调整的雷达个体识别系统2、显示模块3依次相连,所述一种高置信度动态调整的雷达个体识别系统2包括输入数据预处理模块4、雷达辐射源信号个体识别XGBoost建模模块5、智能寻优模块6、雷达辐射源信号个体识别XGBoost识别模块7、在线校正模块8。所述雷达辐射源信号数据库1中包含雷达辐射源信号数据为一种高置信度动态调整的雷达个体识别系统2提供数据支持,一种高置信度动态调整的雷达个体识别系统2识别得到的结果将通过结果显示模块3输出显示。
数据预处理模块4用以进行雷达辐射源数据预处理,采用如下过程完成:
所述雷达辐射源信号个体识别XGBoost建模模块5,根据雷达辐射源信号数据库1中已有历史的雷达辐射源信号,建立雷达辐射源信号个体识别模型。
1)从雷达辐射源信号数据库1中提取ns个雷达辐射源信号及其所对应的雷达个体标签Ys作为训练集,提取nv个雷达辐射源信号Xv及其所对应的雷达个体标签Yv作为测试集;
2)采用训练集进行监督训练,得到基于XGBoost的雷达辐射源信号个体识别模型:
Y=f(H) (2)
其中Y=[yi,yi,…,yn-1-(m-1)τ]为雷达辐射源个体标签,H=[x1,x2,..,xn-1-(m-1)τ]为输入雷达信号,f是XGBoost雷达辐射源建模模型。
所述智能寻优模块6,用以对XGBoost的重要参数:学习率learning_rate,最大树深度max_depth,最小叶子节点样本权重和min_child_weight,节点分裂所需的最小损失函数下降值gamma进行优化。采用如下过程完成:
1)对于学习率和树结构模型的基础参数采用网格搜索方法:
learning_rate=0.05~0.3,stride=0.05
max_depth=2~7,stride=1
即在其他非基础参数寻优之前固定学习率和最大树深度为搜索网格中的一个点上的值,在此基础上进行其他非基础参数的寻优。其中learning_tate学习率以步长stride1=0.05在0.05~0.3范围内进行搜索;max_depth最大树深度以步长stride2=1在2~7范围内进行搜索。
2)对于最小叶子节点样本权重min_child_weight、节点分裂所需的最小损失函数下降值gamma等非基础参数采用自适应粒子群算法进行寻优。
2.1)随机产生第1代初始粒子即初始解的速度和位置;
vik=U×(vmax-vmin)+vmin vmin≤v≤vmax (3)
rik=U×(rmax-rmin)+rmin rmin≤r≤rmax (4)
其中i=1,2,…,m,m代表种群规模,vik表示第i个粒子的第k个分量的速度,rik表示第i个粒子的第k个分量的位置,U为[0,1]间均匀分布的随机数
2.2)计算第i个粒子的适应度fi·。并将当前各粒子的位置和适应度存储在各粒子的Pi中,选取种群中适应值最优粒子的位置和适应值存储于种群最优值Pg
2.3)更新惯性权重系数μ(t):
其中μmax=0.9为μ的上限值,μmin=0.2为μ的下限值,tmax=150为最大迭代次数。
2.4)设定初始温度;一般采用初温T为:
其中f(Pg)为粒子群最优适应度值判断是否连续五次迭代全局最优解不变或达到最大迭代次数tmax=150。若符合,输出全局最优粒子及其代表的最优解,并结束迭代。否则进行下一步。
2.5)计算各粒子接收概率。加入模拟退火算法的机制,采用如下公式计算各Pi适配值,即替换种群最优值的概率:
其中,f(Pi)为粒子位置在Pi时的粒子群优化算法适应度值;f(Pg)为粒子群最优适应度值。
2.6)更新粒子的速度和位置,产生新的群体,并更新各粒子的个体极值Pi和种群极值Pg;
其中,α1是个体加速度参数,α2是全局加速度参数,和是0-1之间的随机数,t为迭代次数;vik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度,vik(t)是第i个粒子的第k个分量在第t次迭代的速度,rik(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置,rik(t)是第i个粒子的第k个分量在第t次迭代的位置,D是待寻优的参数个数,k=1,2分别对应于最小叶子节点样本权重min_child_weight与节点分裂所需的最小损失函数下降值gamma;
2.7)进行退温处理;
T=δT (11)
其中δ为退火速度,设置为0.95。
2.8)判断是否符合算法终止条件,若符合,输出全局最优粒子及其代表的最优解,并结束迭代;否则返回2.2)继续迭代;
其中,粒子群规模为50-100,个体加速度参数为0.5,全局加速度参数为0.35,个体适应度选择错误率的相反数,终止条件为连续五次迭代全局最优解不变;
重复以上步骤,将得到最优参数代入雷达辐射源信号模型建模模块,并将模型在测试集上进行测试,选取正确率最高的模型作为最优模型。
雷达辐射源信号个体识别XGBoost识别模块7利用训练好的最优雷达辐射源信号个体识别模型对新采集的雷达辐射源信号数据进行实时个体识别。采用如下过程完成:
2)利用改进寻优模块优化后的最优识别模型对雷达辐射源信号数据进行识别:
进一步地,在线校正模块8对模型进行实时修正。由于当前模型只包含了训练集中涵盖的数据,而雷达辐射源工作环境复杂,如果新采集的雷达信号与数据库中的数据偏离较大,那模型对该数据的识别准确度就会大幅下降,即模型失配,因此为了提高模型的鲁棒性和对新环境的适应性,引入在线校正模块,从而进一步提高对雷达辐射源识别的准确度,最终得到高置信度动态调整的雷达个体识别模型。在线校正策略采用如下过程完成:
1)由时刻τ采集的雷达辐射源信号,其真实值可能在未来的τ+n时刻得到,由此可以判断模型识别的准确性。将识别错误的雷达辐射源信号数据作为“奇异”样本点加入训练集;
2)利用智能寻优模块重新在线优化模型参数,得到新的最优雷达个体识别模型,以解决复杂电磁环境下的模型失配问题,进一步提高模型识别准确度。
显示模块3将雷达辐射源信号个体识别XGBoost识别模块7获得的雷达个体通过显示屏进行输出显示。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (6)
1.一种高置信度动态调整的雷达辐射源个体识别系统,其特征在于:输入数据预处理模块、雷达辐射源信号个体识别极限梯度提升建模模块、智能寻优模块、雷达辐射源信号个体识别极限梯度提升识别模块、在线校正模块。所述输入数据预处理模块、雷达辐射源信号个体识别极限梯度提升建模模块、雷达辐射源信号个体识别极限梯度提升识别模块依次相连,所述智能寻优模块与雷达辐射源信号个体识别极限梯度提升建模模块相连。
3.根据权利要求1所述高置信度动态调整的雷达辐射源个体识别系统,其特征在于,所述雷达辐射源信号个体识别XGBoost建模模块,根据雷达辐射源信号数据库中已有历史的雷达辐射源信号,建立雷达辐射源信号建模模型。
1)从数据库中提取ns个雷达辐射源信号及其所对应的雷达个体标签Ys作为训练集,提取nv个雷达辐射源信号Xv及其所对应的雷达个体标签Yv作为测试集;
2)采用训练集进行监督训练,得到基于XGBoost的雷达辐射源信号个体识别建模模型:
Y=f(H) (2)
其中Y=[yi,yi,...,yn-1-(m-1)τ]为雷达辐射源个体标签,H=[x1,x2,...,xn-1-(m-1)τ]为输入雷达信号,f是XGBoost雷达辐射源建模模型。
4.根据权利要求1所述高置信度动态调整的雷达辐射源个体识别系统,其特征在于,所述智能寻优模块,用以对XGBoost的重要参数:学习率learning_rate,最大树深度max_depth,最小叶子节点样本权重和min_child_weight,节点分裂所需的最小损失函数下降值gamma进行优化。采用如下过程完成:
1)对于学习率和树结构模型的基础参数采用网格搜索方法:
learning-rate=0.05~0.3,stride=0.05
max_depth=2~7,stride=1
即在其他非基础参数寻优之前固定学习率和最大树深度为搜索网格中的一个点上的值,在此基础上进行其他非基础参数的寻优。其中learning-rate学习率以步长stride1=0.05在0.05~0.3范围内进行搜索;max_depth最大树深度以步长stride2=1在2~7范围内进行搜索。
2)对于最小叶子节点样本权重min_child_weight、节点分裂所需的最小损失函数下降值gamma等非基础参数采用自适应粒子群算法进行寻优。
2.1)随机产生第1代初始粒子即初始解的速度和位置;
vik=U×(vmax-vmin)+vmin vmin≤v≤vmax (3)
rik=U×(rmax-rmin)+rmin rmin≤r≤rmax (4)
其中i=1,2,...,m,m代表种群规模,vik表示第i个粒子的第k个分量的速度,rik表示第i个粒子的第k个分量的位置,U为[0,1]间均匀分布的随机数
2.2)计算第i个粒子的适应度fi·。并将当前各粒子的位置和适应度存储在各粒子的Pi中,选取种群中适应值最优粒子的位置和适应值存储于种群最优值Pg
2.3)更新惯性权重系数μ(t):
其中μmax=0.9为μ的上限值,μmin=0.2为μ的下限值,tmax=150为最大迭代次数。
2.4)设定初始温度;一般采用初温T为:
其中f(Pg)为粒子群最优适应度值判断是否连续五次迭代全局最优解不变或达到最大迭代次数tmax=150。若符合,输出全局最优粒子及其代表的最优解,并结束迭代。否则进行下一步。
2.5)计算各粒子接收概率。加入模拟退火算法的机制,采用如下公式计算各Pi适配值,即替换种群最优值的概率:
其中,f(Pi)为粒子位置在Pi时的粒子群优化算法适应度值;f(Pg)为粒子群最优适应度值。
2.6)更新粒子的速度和位置,产生新的群体,并更新各粒子的个体极值Pi和种群极值Pg;
其中,α1是个体加速度参数,α2是全局加速度参数,和是0-1之间的随机数,t为迭代次数;vik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度,vik(t)是第i个粒子的第k个分量在第t次迭代的速度,rik(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置,rik(t)是第i个粒子的第k个分量在第t次迭代的位置,D是待寻优的参数个数,k=1,2分别对应于最小叶子节点样本权重min_child_weight与节点分裂所需的最小损失函数下降值gamma;
2.7)进行退温处理;
T=δT (11)
其中δ为退火速度,设置为0.95。
2.8)判断是否符合算法终止条件,若符合,输出全局最优粒子及其代表的最优解,并结束迭代;否则返回2.2)继续迭代;
其中,粒子群规模为50一100,个体加速度参数为0.5,全局加速度参数为0.35,个体适应度选择错误率的相反数,终止条件为连续五次迭代全局最优解不变;
重复以上步骤,将得到最优参数代入雷达辐射源信号模型建模模块,并将模型在测试集上进行测试,选取正确率最高的模型作为最优模型。
6.根据权利要求1所述高置信度动态调整的雷达辐射源个体识别系统,其特征在于,所述在线校正模块,对模型进行实时修正。由于当前模型只包含了训练集中涵盖的数据,而雷达辐射源工作环境复杂,如果新采集的雷达信号与数据库中的数据偏离较大,那模型对该数据的识别准确度就会大幅下降,即模型失配,因此为了提高模型的鲁棒性和对新环境的适应性,引入在线校正模块,从而进一步提高对雷达辐射源识别的准确度,最终得到高置信度动态调整的雷达个体识别模型。在线校正策略采用如下过程完成:
1)由时刻τ采集的雷达辐射源信号,其真实值可能在未来的τ+n时刻得到,由此可以判断模型识别的准确性。将识别错误的雷达辐射源信号数据作为“奇异”样本点加入训练集;
2)利用智能寻优模块重新在线优化模型参数,得到新的最优雷达个体识别模型,以解决复杂电磁环境下的模型失配问题,进一步提高模型识别准确度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911095829.3A CN110988803A (zh) | 2019-11-11 | 2019-11-11 | 一种高置信度动态调整的雷达辐射源个体识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911095829.3A CN110988803A (zh) | 2019-11-11 | 2019-11-11 | 一种高置信度动态调整的雷达辐射源个体识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110988803A true CN110988803A (zh) | 2020-04-10 |
Family
ID=70083717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911095829.3A Pending CN110988803A (zh) | 2019-11-11 | 2019-11-11 | 一种高置信度动态调整的雷达辐射源个体识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110988803A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711978A (zh) * | 2020-11-13 | 2021-04-27 | 浙江大学 | 高置信度快速雷达辐射源个体识别仪 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301381A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学昆山创新研究院 | 基于深度学习和多任务学习策略的雷达辐射源识别方法 |
CN107656251A (zh) * | 2017-11-13 | 2018-02-02 | 浙江大学 | 一种基于改进入侵杂草优化算法的智能雷达海杂波预报系统及方法 |
CN108090412A (zh) * | 2017-11-17 | 2018-05-29 | 西北工业大学 | 一种基于深度学习的雷达辐射源类别识别方法 |
CN108957421A (zh) * | 2018-08-03 | 2018-12-07 | 中国人民解放军战略支援部队信息工程大学 | 一种基于贝塞尔曲线拟合雷达辐射源个体识别方法及系统 |
CN109307862A (zh) * | 2018-07-05 | 2019-02-05 | 西安电子科技大学 | 一种目标辐射源个体识别方法 |
CN109343005A (zh) * | 2018-09-19 | 2019-02-15 | 李波 | 自主智能决策的辐射源自动识别系统 |
CN109871864A (zh) * | 2019-01-08 | 2019-06-11 | 浙江大学 | 强鲁棒改进群智能优化的采煤机切割模式识别系统 |
CN109886421A (zh) * | 2019-01-08 | 2019-06-14 | 浙江大学 | 基于集成学习的群智能采煤机切割模式识别系统 |
CN109886420A (zh) * | 2019-01-08 | 2019-06-14 | 浙江大学 | 一种自适应的采煤机截割高度智能预测系统 |
-
2019
- 2019-11-11 CN CN201911095829.3A patent/CN110988803A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301381A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学昆山创新研究院 | 基于深度学习和多任务学习策略的雷达辐射源识别方法 |
CN107656251A (zh) * | 2017-11-13 | 2018-02-02 | 浙江大学 | 一种基于改进入侵杂草优化算法的智能雷达海杂波预报系统及方法 |
CN108090412A (zh) * | 2017-11-17 | 2018-05-29 | 西北工业大学 | 一种基于深度学习的雷达辐射源类别识别方法 |
CN109307862A (zh) * | 2018-07-05 | 2019-02-05 | 西安电子科技大学 | 一种目标辐射源个体识别方法 |
CN108957421A (zh) * | 2018-08-03 | 2018-12-07 | 中国人民解放军战略支援部队信息工程大学 | 一种基于贝塞尔曲线拟合雷达辐射源个体识别方法及系统 |
CN109343005A (zh) * | 2018-09-19 | 2019-02-15 | 李波 | 自主智能决策的辐射源自动识别系统 |
CN109871864A (zh) * | 2019-01-08 | 2019-06-11 | 浙江大学 | 强鲁棒改进群智能优化的采煤机切割模式识别系统 |
CN109886421A (zh) * | 2019-01-08 | 2019-06-14 | 浙江大学 | 基于集成学习的群智能采煤机切割模式识别系统 |
CN109886420A (zh) * | 2019-01-08 | 2019-06-14 | 浙江大学 | 一种自适应的采煤机截割高度智能预测系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711978A (zh) * | 2020-11-13 | 2021-04-27 | 浙江大学 | 高置信度快速雷达辐射源个体识别仪 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107122375B (zh) | 基于图像特征的图像主体的识别方法 | |
CN108596327B (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
CN110133714A (zh) | 一种基于深度学习的微震信号分类辨识方法 | |
CN111343182B (zh) | 一种基于灰度图的异常流量检测方法 | |
CN112990082B (zh) | 一种水声脉冲信号的检测识别方法 | |
CN112749675A (zh) | 一种基于卷积神经网络的马铃薯病害识别方法 | |
CN110033043B (zh) | 基于条件生成式对抗网络的雷达一维距离像拒判方法 | |
CN112532652A (zh) | 一种基于多源数据的攻击行为画像装置及方法 | |
CN112528774A (zh) | 一种复杂电磁环境下未知雷达信号智能分选系统及方法 | |
CN113109782B (zh) | 一种直接应用于雷达辐射源幅度序列的分类方法 | |
CN111144462A (zh) | 一种雷达信号的未知个体识别方法及装置 | |
CN110988803A (zh) | 一种高置信度动态调整的雷达辐射源个体识别系统 | |
CN114627047A (zh) | 一种基于改进sort算法的鱼类计数统计的方法 | |
CN111967501B (zh) | 一种遥测原始数据驱动的载荷状态判别方法及判别系统 | |
CN116977834A (zh) | 一种开放条件下分布内外图像识别方法 | |
CN116757971A (zh) | 一种基于周围光的图像自动调整方法 | |
CN116883364A (zh) | 一种基于CNN和Transformer的苹果叶片病害识别方法 | |
CN116721343A (zh) | 一种基于深度卷积神经网络的跨域田间棉铃识别方法 | |
CN116343335A (zh) | 一种基于动作识别的运动姿态矫正方法 | |
CN113960152B (zh) | 一种基于离子迁移谱的痕量爆炸物识别方法及系统 | |
CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
CN116206169A (zh) | 一种智能煤矸石目标检测方法 | |
CN113011446B (zh) | 一种基于多源异构数据学习的智能目标识别方法 | |
CN112215355A (zh) | 神经网络模型优化系统及方法 | |
CN109344873B (zh) | 一种深度神经网络的训练样本挖掘方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |