CN110988804A - 一种基于雷达脉冲序列的雷达辐射源个体识别系统 - Google Patents
一种基于雷达脉冲序列的雷达辐射源个体识别系统 Download PDFInfo
- Publication number
- CN110988804A CN110988804A CN201911095867.9A CN201911095867A CN110988804A CN 110988804 A CN110988804 A CN 110988804A CN 201911095867 A CN201911095867 A CN 201911095867A CN 110988804 A CN110988804 A CN 110988804A
- Authority
- CN
- China
- Prior art keywords
- radar
- individual
- model
- pulse sequence
- radiation source
- 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
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
Abstract
本发明公开了一种基于雷达脉冲序列的雷达辐射源个体识别系统,包括雷达个体脉冲序列数据库、数据预处理模块、不同个体权重计算模块、加权的极限梯度提升雷达个体建模模块、雷达个体识别模块、雷达个体识别最终结果计算模块。本发明基于雷达脉冲序列实现雷达辐射源的个体识别,基于雷达脉冲序列的雷达辐射源个体识别系统中除采用原始脉冲序列作为输入,还对原始雷达脉冲序列进行小波分解从而获得多尺度输入,挖掘更多可区分的细微特征,采用加权的集成学习算法建立雷达辐射源个体识别模型,能够克服数据库中雷达个体样本数量不平衡的问题,同时具有特征提取能力强、准确率高、建模速度快等优点。
Description
技术领域
本发明涉及雷达辐射源识别领域,尤其涉及基于雷达脉冲序列的雷达辐射源个体识别系统。
背景技术
雷达辐射源个体由于发射机的元器件离散性和生产制造工艺的不一致性,在印制电路板走线、集成电路内部元件走线、天线等无线发射机的所有构成部分会存在电子元件容差,从而形成射频特征,不同的个体总会有一些不一致,这些不一致最终会在雷达发射的信号中体现出来,通过提取信号中存在的细微特征可以区分不同的雷达个体,而复杂电子系统和复杂电磁环境的客观存在,造成了在当前辐射源个体识别理论研究和实际工程领域,所必须面对的指纹特征机理分析和定义难度大、非线性干扰突出、多径条件、接收机系统个体差异性等若干问题,对雷达个体指纹特征提取的唯一性、可测性和稳定性提出了更高的要求。这一技术在军事侦察与对抗、民用无线电监管等领域都有着非常重要的意义。
目前大部分的研究都集中在信号的调制模式识别,即利用特征提取技术和分类识别技术对不同类型雷达进行识别,但其对不同个体的雷达识别能力非常有限,同时越来越复杂的电磁环境对于雷达辐射源个体细微特征的提取技术提出了更高的要求,而当前对于雷达辐射源个体的识别研究较少,且当前雷达辐射源个体方法存在细微特征提取能力不足、需要理想的假设条件、识别准确率不高等问题,因此,一种特征提取能力强、准确率高、具有样本平衡能力、强鲁棒性的雷达辐射源个体识别系统具有重要意义。
发明内容
针对当前对于雷达辐射源个体的识别研究较少,当前雷达辐射源个体方法存在细微特征提取能力不足、需要理想的假设条件、识别准确率不高等问题的问题,本发明的目的在于提供一种特征提取能力强、准确率高、具有样本平衡能力、强鲁棒性的雷达辐射源个体识别系统,基于雷达脉冲序列实现雷达辐射源的个体识别,除采用原始脉冲序列作为输入,还对原始雷达脉冲序列进行小波分解从而获得多尺度输入,挖掘更多可区分的细微特征,采用加权的集成学习算法建立雷达辐射源个体识别模型,能够克服数据库中雷达个体样本数量不平衡的问题,同时具有特征提取能力强、准确率高、建模速度快等优点。
本发明的目的是通过以下技术方案来实现的:一种基于雷达脉冲序列的雷达辐射源个体识别系统,包括雷达个体脉冲序列数据库、数据预处理模块、不同个体权重计算模块、加权的极限梯度提升(XGBoost)雷达个体建模模块、雷达个体识别模块、雷达个体识别最终结果计算模块。雷达信号采集传感器,基于雷达脉冲序列的雷达辐射源个体识别系统、显示模块以次相连,所述雷达信号采集传感器对环境中雷达信号进行截取并转化为脉冲序列形式,进行数据预处理后输入雷达个体识别模块、雷达个体识别最终结果计算模块得到最终识别结果,通过显示模块进行显示,同时新截取的信号会输入雷达个体脉冲序列数据库中进行存储和进行数据库的更新,数据库中包含同一类型不同个体的雷达样本,样本标签为雷达个体的顺序编号,每截取并增加一个原数据库中不包含的新的个体,其标签在原最大编号的基础上往后排一位。
进一步地,雷达个体脉冲序列数据库用以存放历史截取的所有雷达信号,从而为模型建立提供数据基础,同时该模块会从传感器的输入实时更新所有新截取的雷达脉冲序列,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,数据预处理模块用以进行对雷达个体脉冲序列进行预处理,其中对建立模型的数据预处理和对新截取数据的识别预处理唯一的差别在于建立模型时所用的数据要划分为训练集和验证集,从而在模型建立过程中对模型效果进行验证并最终获得效果理想的模型,除此之外,数据预处理模块主要采用如下过程完成:
对于一条标签为yi雷达个体脉冲序列信号Xi,其特征分别为xj,j=1,2,…d,d为特征维度。
数据归一化:
从数据库中提取80%的数据作为训练集,剩余数据作为验证集。
小波分解:
若函数ψ(t)属于平方可积的实数空间,傅里叶变换后得到的满足则ψ(t)为小波基函数,采用db4小波基对雷达脉冲序列进行小波分解,并取前4层高频小波系数重构为与原始序列相同长度的序列,得到经过数据预处理模块后由Xi可以得到5个相同长度的单独序列作为加权的XGBoost雷达个体建模模块的输入。
进一步地,不同个体权重计算模块用于计算数据库中不同雷达个体在模型训练过程中所占的比重,克服数据库中不同雷达辐射源个体样本数量差异较大所带来的模型训练的误差,具体实现过程如下:
数据库中样本总数为N,包含的个体数量为M,其中个体m样本数为nm,样本数量越少的个体,其参与训练的比重应该越大,以达到平衡,但过大会导致过拟合,因此需要选择合适的权重,个体m的权重ωm采用下式计算:
这样计算得到的ωm∈[0.5,1.5],同时样本数越大的个体越小,其计算得到的ωm越小,但又不会小于0.5;而对于样本数越小的个体,ωm越大,同时上式的非线性性质使得小样本个体的权重能够得到凸显,更有利于平衡样本。
进一步地,加权的XGBoost雷达个体建模模块利用先进的提升集成学习算法和得到的权重建立高准确度的雷达辐射源个体识别模型,对于得到的5输入序列,输出5个不同的识别模型用于每个不同性质的序列进行识别,同时划分数据库中划分出的验证集能够保证模型的效果,对于每一个模型,具体实现过程如下:
初始化XGBoost分类器的参数;
每个样本的分类结果是多个分类与回归树(CART)分类树的结果组合:
考虑到样本的不平衡性,将计算得到的权值引入损失函数计算中,从而新的损失函数计算公式如下:
通过在训练集中根据最小化损失函数原则不断迭代更新分类树的参数构建出每类输入的模型,并在验证集中测试结果,以便通过人工修改分类器的参数对模型进行优化。
最终得到数据预处理模块5类输入的5个模型C1、C2、C3、C4、C5。
进一步地,雷达个体识别模块用于对预处理模块处理后的新截取的雷达辐射源个体进行识别,采用如下过程完成:
进一步地,雷达个体识别最终结果计算模块利用权利要求6雷达个体识别模块输出的5 个分量结果计算该个体的最终结果,具体实现过程如下:
由权利要求5得到的5个模型,可以获得5个模型在验证集中的平均准确率accu1、accu2、 accu3、accu4、accu5,据此计算每个分量结果的权重:
其中heav是阶跃函数,该计算方式使得分类正确率小于0.5的模型,即没有参考价值的模型不参与最终结果的计算,同时对于准确率较高的模型通过平方扩大其在最终模型中的优势。
得到分量结果的权重后,利用下式计算最终结果:
以上识别结果是向量形式的,取结果中概率最大的维度的位置作为新的输出:
其中,loc函数用于计算最大概率维度的位置。
进一步地,显示模块将雷达个体识别最终结果计算模块得到的雷达辐射源个体识别结果通过显示屏进行输出显示。
本发明的技术构思为:本发明基于雷达脉冲序列实现雷达辐射源的个体识别,除采用原始脉冲序列作为输入,还对原始雷达脉冲序列进行小波分解从而获得多尺度输入,挖掘更多可区分的细微特征,采用加权的集成学习算法建立雷达辐射源个体识别模型,能够克服数据库中雷达个体样本数量不平衡的问题,具有特征提取能力强、准确率高、建模速度快等优点,从而建立一种特征提取能力强、准确率高、具有样本平衡能力、强鲁棒性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、数据库可实时更新新截取的雷达辐射源个体信号,以便模型更新和完善,从而提高在复杂新环境中的鲁棒性;2、数据预处理模块除采用原始雷达脉冲序列,还对原始脉冲序列进行小波分解,获得多个多尺度的序列,从而有利用提取更可靠、更细微的更多特征,提高特征提取能力从而有益于提高识别准确率;3、不同个体权重计算模块依据个体样本数量,通过采用独特算法计算不同个体的权重,在充分保障每个个体对模型贡献度的同时避免过拟合;4、加权的XGBoost雷达个体建模模块通过平衡不同样本数量个体对分类树的贡献,提高不同个体的识别准确率;5、雷达个体识别模块和雷达个体识别最终结果计算模块在同一信号多条不同尺度上进行识别并通过独特的加权计算方式进行汇总,提高了识别准确率的同时提高了结果的可靠性。
附图说明
图1是一种基于雷达脉冲序列的雷达辐射源个体识别系统的硬件连接图;
图2是一种基于雷达脉冲序列的雷达辐射源个体识别系统的功能模块图。
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2,雷达信号采集传感器1、基于雷达脉冲序列的雷达辐射源个体识别系统2、显示模块3依次相连,所述基于雷达脉冲序列的雷达辐射源个体识别系统2包括雷达个体脉冲序列数据库4、数据预处理模块5、不同个体权重计算模块6、加权的XGBoost雷达个体建模模块7、雷达个体识别模块8、雷达个体识别最终结果计算模块9。所述雷达信号采集传感器1对环境中雷达信号进行截取并转化为脉冲序列形式,经数据预处理模块5后输入雷达个体识别模块8、雷达个体识别最终结果计算模块9得到最终识别结果,通过显示模块3进行显示,同时新截取的信号会输入雷达个体脉冲序列数据库4中进行存储和进行数据库的更新,数据库中包含同一类型不同个体的雷达样本,样本标签为雷达个体的顺序编号,每截取并增加一个原数据库中不包含的新的个体,其标签在原最大编号的基础上往后排一位。
雷达个体脉冲序列数据库4用以存放历史截取的所有雷达信号,从而为模型建立提供数据基础,同时该模块会从传感器的输入实时更新所有新截取的雷达脉冲序列,完善数据库内容,从而为模型的实时更新提供基础。
数据预处理模块5用以进行对雷达个体脉冲序列进行预处理,其中对建立模型所用的数据预处理和对新截取数据的识别预处理唯一的差别在于建立模型时所用的数据要划分为训练集和验证集,从而在模型建立过程中对模型效果进行验证并最终获得效果理想的模型,除此之外,数据预处理模块5主要采用如下过程完成:
对于一条标签为yi雷达个体脉冲序列信号Xi,其特征分别为xj,j=1,2,…d,d为特征维度。
数据归一化:
从雷达个体脉冲数据库4中提取80%的数据作为训练集,剩余数据作为验证集。
小波分解:
若函数ψ(t)属于平方可积的实数空间,傅里叶变换后得到的满足则ψ(t)为小波基函数,采用db4小波基对雷达脉冲序列进行小波分解,并取前4层高频小波系数重构为与原始序列相同长度的序列,得到经过数据预处理模块后由Xi可以得到5个相同长度的单独序列作为加权的XGBoost雷达个体建模模块的输入。
不同个体权重计算模块6用于计算数据库4中不同雷达个体在模型训练过程中所占的比重,克服数据库4中不同雷达辐射源个体样本数量差异较大所带来的模型训练的误差,具体实现过程如下:
数据库4中样本总数为N,包含的个体数量为M,其中个体m样本数为nm,样本数量越少的个体,其参与训练的比重应该越大,以达到平衡,但过大会导致过拟合,因此需要选择合适的权重,个体m的权重ωm采用下式计算:
这样计算得到的ωm∈[0.5,1.5],同时样本数越大的个体越小,其计算得到的ωm越小,但又不会小于0.5;而对于样本数越小的个体,ωm越大,同时上式的非线性性质使得小样本个体的权重能够得到凸显,更有利于平衡样本。
加权的XGBoost雷达个体建模模块7利用先进的提升集成学习算法和不同个体权重计算模块6得到的权重建立高准确度的雷达辐射源个体识别模型,对于从数据预处理模块5得到的5输入序列,输出5个不同的识别模型用于每个不同性质的序列进行识别,同时划分数据库中划分出的验证集能够保证模型的效果,对于每一个模型,具体实现过程如下:
初始化XGBoost分类器的参数;
每个样本的分类结果是多个CART分类树的结果组合:
考虑到样本的不平衡性,将计算得到的权值引入损失函数计算中,从而新的损失函数计算公式如下:
通过在训练集中根据最小化损失函数原则不断迭代更新分类树的参数构建出每类输入的模型,并在验证集中测试结果,以便通过人工修改分类器的参数对模型进行优化。
最终得到数据预处理模块5的5类输入的5个模型C1、C2、C3、C4、C5。
雷达个体识别模块8用于对数据预处理模块5处理后的新截取的雷达辐射源个体进行识别,采用如下过程完成:
雷达个体识别最终结果计算模块9利用雷达个体识别模块8输出的5个分量结果计算该个体的最终结果,具体实现过程如下:
由加权的XGBoost雷达个体建模模块7得到的5个模型,可以获得5个模型在验证集中的平均准确率accu1、accu2、accu3、accu4、accu5,据此计算每个分量结果的权重:
其中heav是阶跃函数,该计算方式使得分类正确率小于0.5的模型,即没有参考价值的模型不参与最终结果的计算,同时对于准确率较高的模型通过平方扩大其在最终模型中的优势。
得到分量结果的权重后,利用下式计算最终结果:
以上识别结果是向量形式的,取结果中概率最大的维度的位置作为新的输出:
其中,loc函数用于计算最大概率维度的位置。
显示模块3将雷达个体识别最终结果9计算模块得到的雷达辐射源个体识别结果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 (7)
1.一种基于雷达脉冲序列的雷达辐射源个体识别系统,其特征在于:包括雷达个体脉冲序列数据库、数据预处理模块、不同个体权重计算模块、加权的极限梯度提升雷达个体建模模块、雷达个体识别模块、雷达个体识别最终结果计算模块。
2.根据权利要求1所述基于雷达脉冲序列的雷达辐射源个体识别系统,其特征在于:雷达个体脉冲序列数据库用以存放历史截取的所有雷达信号,从而为模型建立提供数据基础,同时该模块会从传感器的输入实时更新所有新截取的雷达脉冲序列,完善数据库内容,从而为模型的实时更新提供基础。
3.根据权利要求1所述基于雷达脉冲序列的雷达辐射源个体识别系统,其特征在于:数据预处理模块用以进行对雷达个体脉冲序列进行预处理,其中对建立模型的数据预处理和对新截取数据的识别预处理唯一的差别在于建立模型时所用的数据要划分为训练集和验证集,从而在模型建立过程中对模型效果进行验证并最终获得效果理想的模型,除此之外,数据预处理模块主要采用如下过程完成:
对于一条标签为yi雷达个体脉冲序列信号Xi,其特征分别为xj,j=1,2,…d,d为特征维度。
数据归一化:
从数据库中提取80%的数据作为训练集,剩余数据作为验证集。
小波分解:
4.根据权利要求1所述基于雷达脉冲序列的雷达辐射源个体识别系统,其特征在于:不同个体权重计算模块用于计算数据库中不同雷达个体在模型训练过程中所占的比重,克服数据库中不同雷达辐射源个体样本数量差异较大所带来的模型训练的误差,具体实现过程如下:
数据库中样本总数为N,包含的个体数量为M,其中个体m样本数为nm,样本数量越少的个体,其参与训练的比重应该越大,以达到平衡,但过大会导致过拟合,因此需要选择合适的权重,个体m的权重ωm采用下式计算:
5.根据权利要求4所述基于雷达脉冲序列的雷达辐射源个体识别系统,其特征在于:加权的XGBoost雷达个体建模模块利用先进的提升集成学习算法和权重建立高准确度的雷达辐射源个体识别模型,对于5输入序列,输出5个不同的识别模型用于每个不同性质的序列进行识别,同时划分数据库中划分出的验证集能够保证模型的效果,对于每一个模型,具体实现过程如下:
初始化XGBoost分类器的参数;
每个样本的分类结果是多个分类与回归树(CART)分类树的结果组合:
考虑到样本的不平衡性,将计算得到的权值引入损失函数计算中,从而新的损失函数计算公式如下:
通过在训练集中根据最小化损失函数原则不断迭代更新分类树的参数构建出每类输入的模型,并在验证集中测试结果,以便通过人工修改分类器的参数对模型进行优化。
最终得到数据预处理模块5类输入的5个模型C1、C2、C3、C4、C5。
7.根据权利要求1所述基于雷达脉冲序列的雷达辐射源个体识别系统,其特征在于:雷达个体识别最终结果计算模块利用权利要求6雷达个体识别模块输出的5个分量结果计算该个体的最终结果,具体实现过程如下:
由权利要求5得到的5个模型,可以获得5个模型在验证集中的平均准确率accu1、accu2、accu3、accu4、accu5,据此计算每个分量结果的权重:
其中heav是阶跃函数,该计算方式使得分类正确率小于0.5的模型,即没有参考价值的模型不参与最终结果的计算,同时对于准确率较高的模型通过平方扩大其在最终模型中的优势。
得到分量结果的权重后,利用下式计算最终结果:
以上识别结果是向量形式的,取结果中概率最大的维度的位置作为新的输出:
其中,loc函数用于计算最大概率维度的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911095867.9A CN110988804B (zh) | 2019-11-11 | 2019-11-11 | 一种基于雷达脉冲序列的雷达辐射源个体识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911095867.9A CN110988804B (zh) | 2019-11-11 | 2019-11-11 | 一种基于雷达脉冲序列的雷达辐射源个体识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110988804A true CN110988804A (zh) | 2020-04-10 |
CN110988804B CN110988804B (zh) | 2022-01-25 |
Family
ID=70083630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911095867.9A Active CN110988804B (zh) | 2019-11-11 | 2019-11-11 | 一种基于雷达脉冲序列的雷达辐射源个体识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110988804B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111913156A (zh) * | 2020-08-05 | 2020-11-10 | 电子科技大学 | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 |
CN112130141A (zh) * | 2020-09-23 | 2020-12-25 | 中国人民解放军空军工程大学 | 一种采用前后端并行处理机制的机载雷达告警器及其数据处理方法 |
CN112308008A (zh) * | 2020-11-12 | 2021-02-02 | 电子科技大学 | 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 |
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 |
CN113449807A (zh) * | 2021-07-13 | 2021-09-28 | 电子科技大学 | 一种基于可靠性检验的新类别雷达信号创建方法 |
CN114707549A (zh) * | 2022-04-02 | 2022-07-05 | 中国人民解放军战略支援部队航天工程大学 | 一种辐射源电磁频谱指纹特征标定及提取方法 |
CN114915563A (zh) * | 2021-12-07 | 2022-08-16 | 天翼数字生活科技有限公司 | 一种网络流量预测方法和系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005085167A (ja) * | 2003-09-10 | 2005-03-31 | Toshiba Corp | 相関処理装置、相関処理方法、パルス圧縮処理装置及びパルス圧縮処理方法 |
CN102436588A (zh) * | 2011-11-15 | 2012-05-02 | 哈尔滨工程大学 | 一种辐射源识别方法 |
CN104766359A (zh) * | 2015-04-08 | 2015-07-08 | 浙江大学 | 一种飞虫运动模型噪声项的确认方法 |
US20150260837A1 (en) * | 2014-03-14 | 2015-09-17 | Bradar Indústria S.A. | High precision radar to track aerial targets |
US20160260222A1 (en) * | 2015-03-02 | 2016-09-08 | Lawrence Livermore National Security, Llc | System for detecting objects in streaming 3d images formed from data acquired with a medium penetrating sensor |
CN106405339A (zh) * | 2016-11-11 | 2017-02-15 | 中国南方电网有限责任公司 | 基于高低频小波特征关联的输电线路故障原因辨识方法 |
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 |
US20180158093A1 (en) * | 2016-12-02 | 2018-06-07 | Realeyes Oü | Data processing methods for predictions of media content performance |
US20180241832A1 (en) * | 2016-01-21 | 2018-08-23 | Tencent Technology (Shenzhen) Company Limited | Information pushing method and apparatus |
US20180374204A1 (en) * | 2017-06-22 | 2018-12-27 | Siemens Healthcare Gmbh | Method and Apparatus for Generating a Set of Processed Images |
CN109271926A (zh) * | 2018-09-14 | 2019-01-25 | 西安电子科技大学 | 基于gru深度卷积网络的智能辐射源识别方法 |
CN109523729A (zh) * | 2018-10-31 | 2019-03-26 | 天津大学 | 基于全建模的光纤周界安防入侵事件识别方法及识别器 |
CN109934278A (zh) * | 2019-03-06 | 2019-06-25 | 宁夏医科大学 | 一种信息增益混合邻域粗糙集的高维度特征选择方法 |
CN109932699A (zh) * | 2019-03-15 | 2019-06-25 | 西安电子科技大学 | 一种雷达辐射源识别方法、装置、计算机设备和存储介质 |
CN110133599A (zh) * | 2019-01-08 | 2019-08-16 | 西安电子科技大学 | 基于长短时记忆模型的智能雷达辐射源信号分类方法 |
-
2019
- 2019-11-11 CN CN201911095867.9A patent/CN110988804B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005085167A (ja) * | 2003-09-10 | 2005-03-31 | Toshiba Corp | 相関処理装置、相関処理方法、パルス圧縮処理装置及びパルス圧縮処理方法 |
CN102436588A (zh) * | 2011-11-15 | 2012-05-02 | 哈尔滨工程大学 | 一种辐射源识别方法 |
US20150260837A1 (en) * | 2014-03-14 | 2015-09-17 | Bradar Indústria S.A. | High precision radar to track aerial targets |
US20160260222A1 (en) * | 2015-03-02 | 2016-09-08 | Lawrence Livermore National Security, Llc | System for detecting objects in streaming 3d images formed from data acquired with a medium penetrating sensor |
CN104766359A (zh) * | 2015-04-08 | 2015-07-08 | 浙江大学 | 一种飞虫运动模型噪声项的确认方法 |
US20180241832A1 (en) * | 2016-01-21 | 2018-08-23 | Tencent Technology (Shenzhen) Company Limited | Information pushing method and apparatus |
CN106405339A (zh) * | 2016-11-11 | 2017-02-15 | 中国南方电网有限责任公司 | 基于高低频小波特征关联的输电线路故障原因辨识方法 |
US20180158093A1 (en) * | 2016-12-02 | 2018-06-07 | Realeyes Oü | Data processing methods for predictions of media content performance |
US20180374204A1 (en) * | 2017-06-22 | 2018-12-27 | Siemens Healthcare Gmbh | Method and Apparatus for Generating a Set of Processed Images |
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 |
CN109271926A (zh) * | 2018-09-14 | 2019-01-25 | 西安电子科技大学 | 基于gru深度卷积网络的智能辐射源识别方法 |
CN109523729A (zh) * | 2018-10-31 | 2019-03-26 | 天津大学 | 基于全建模的光纤周界安防入侵事件识别方法及识别器 |
CN110133599A (zh) * | 2019-01-08 | 2019-08-16 | 西安电子科技大学 | 基于长短时记忆模型的智能雷达辐射源信号分类方法 |
CN109934278A (zh) * | 2019-03-06 | 2019-06-25 | 宁夏医科大学 | 一种信息增益混合邻域粗糙集的高维度特征选择方法 |
CN109932699A (zh) * | 2019-03-15 | 2019-06-25 | 西安电子科技大学 | 一种雷达辐射源识别方法、装置、计算机设备和存储介质 |
Non-Patent Citations (6)
Title |
---|
WENBIN CHEN: "Radar emitter classification for large data set based on weighted-xgboost", 《IET RADAR, SONAR & NAVIGATION》 * |
YONGSHENG ZHAO, DEXIU HU*, YONGJUN ZHAO, ZHIXIN LIU: "Moving target localization in distributed MIMO radar with transmitter and receiver location uncertainties", 《CHINESE JOURNAL OF AERONAUTICS》 * |
ZEYI HUANG, ZHENGGUO XU⁎, XIAOJIE KE, WENHAI WANG, YOUXIAN SUN: "Remaining useful life prediction for an adaptive skew-Wiener process model", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
周志文: "雷达辐射源识别算法综述", 《电讯技术》 * |
李林等: "一种基于多分类器融合的雷达辐射源识别方法", 《数据采集与处理》 * |
赵鹏: "融合深度学习和语义树的草图识别方法", 《模式识别与人工智能》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111913156A (zh) * | 2020-08-05 | 2020-11-10 | 电子科技大学 | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 |
CN112130141A (zh) * | 2020-09-23 | 2020-12-25 | 中国人民解放军空军工程大学 | 一种采用前后端并行处理机制的机载雷达告警器及其数据处理方法 |
CN112130141B (zh) * | 2020-09-23 | 2023-09-29 | 中国人民解放军空军工程大学 | 一种采用前后端并行处理机制的机载雷达告警器及其数据处理方法 |
CN112308008A (zh) * | 2020-11-12 | 2021-02-02 | 电子科技大学 | 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 |
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 |
CN113449807A (zh) * | 2021-07-13 | 2021-09-28 | 电子科技大学 | 一种基于可靠性检验的新类别雷达信号创建方法 |
CN113449807B (zh) * | 2021-07-13 | 2022-06-14 | 电子科技大学 | 一种基于可靠性检验的新类别雷达信号创建方法 |
CN114915563A (zh) * | 2021-12-07 | 2022-08-16 | 天翼数字生活科技有限公司 | 一种网络流量预测方法和系统 |
CN114707549A (zh) * | 2022-04-02 | 2022-07-05 | 中国人民解放军战略支援部队航天工程大学 | 一种辐射源电磁频谱指纹特征标定及提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110988804B (zh) | 2022-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110988804B (zh) | 一种基于雷达脉冲序列的雷达辐射源个体识别系统 | |
CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
CN106355151B (zh) | 一种基于深度置信网络的三维sar图像目标识别方法 | |
CN108960138B (zh) | 一种基于卷积神经网络的设备认证特征识别方法 | |
CN111913156B (zh) | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 | |
CN109085469A (zh) | 一种用于识别电缆局部放电信号的信号类型的方法及系统 | |
CN108133232A (zh) | 一种基于统计字典学习的雷达高分辨距离像目标识别方法 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN112990334A (zh) | 基于改进原型网络的小样本sar图像目标识别方法 | |
CN112884059B (zh) | 一种融合先验知识的小样本雷达工作模式分类方法 | |
CN101598784B (zh) | 基于fa模型的强噪声背景下雷达距离像统计识别方法 | |
CN114169442B (zh) | 基于双原型网络的遥感图像小样本场景分类方法 | |
CN112966667B (zh) | 海面目标一维距离像降噪卷积神经网络识别方法 | |
CN111598167B (zh) | 基于图学习的小样本图像识别方法及系统 | |
CN111366820A (zh) | 局部放电信号的模式识别方法、装置、设备及存储介质 | |
CN111368648B (zh) | 雷达辐射源个体识别方法、装置、电子设备及其存储介质 | |
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 | |
CN114021458B (zh) | 基于并行原型网络的小样本雷达辐射源信号识别方法 | |
CN113486917B (zh) | 一种基于度量学习的雷达hrrp小样本目标识别方法 | |
CN109871907A (zh) | 基于sae-hmm模型的雷达目标高分辨率距离像识别方法 | |
CN109063750B (zh) | 基于cnn和svm决策融合的sar目标分类方法 | |
CN112489089B (zh) | 一种微型固定翼无人机机载地面运动目标识别与跟踪方法 | |
CN109902589A (zh) | 一种基于雷达一维距离像的目标识别方法及系统 | |
CN115809426A (zh) | 一种辐射源个体识别方法及系统 | |
CN110068799A (zh) | 一种稀疏邻域中心保持rcs序列特征提取方法 |
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 |