CN111401298A - 一种小样本条件下认知传感网对未确知威胁的识别方法 - Google Patents
一种小样本条件下认知传感网对未确知威胁的识别方法 Download PDFInfo
- Publication number
- CN111401298A CN111401298A CN202010257963.5A CN202010257963A CN111401298A CN 111401298 A CN111401298 A CN 111401298A CN 202010257963 A CN202010257963 A CN 202010257963A CN 111401298 A CN111401298 A CN 111401298A
- Authority
- CN
- China
- Prior art keywords
- bootstrap
- sensor network
- sample
- samples
- condition
- 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
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 230000008447 perception Effects 0.000 claims abstract description 5
- 230000005855 radiation Effects 0.000 claims description 16
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 3
- 230000002411 adverse Effects 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种小样本条件下认知传感网对未确知威胁的识别方法，属于电子对抗技术领域，通过认知传感网电子对抗侦察系统对未确知威胁进行自主识别，基于Bootstrap方法获取未确知威胁原始信息充分统计量，实现小样本条件下的目标信号特征信息提取及整定，通过Bootstrap假设检验对感知节点的弱分类器进行SVM参数择优，对未确知威胁进行小样本条件下的分类识别，通过骨干节点组成的强分类器对分类识别信息进行相似性性能度量，最终实现未确知威胁自主识别，本发明所提方法降低了自适应威胁和小样本环境对电子对抗侦察系统的不利影响，提高了电子对抗侦察系统在小样本条件下的未确知威胁感知识别能力和分布式侦察资源的利用效率。
Description
技术领域
本发明属于电子对抗技术领域，尤其是认知电子战技术领域，具体涉及一种小样本条件下认知传感网对未确知威胁的识别方法。
背景技术
电子对抗也被称为电子战，其主要内容包括电子对抗侦察、电子进攻、电子防御等。电子对抗侦察是电子对抗实施的前提和基础，通常用于战略战术电子情报搜集，辐射源目标精确识别、测向及定位，战时可用于战场监视及打击引导，而威胁识别则是电子对抗侦察的核心内容之一。在现代电子对抗环境中，电子侦察系统所面临的信号环境不断恶化，信号密度急剧增加，导致信号在时域上极度拥挤，在频域上重叠。新体制雷达不断涌现，信号抗干扰能力不断加强，辐射源信号波形日益复杂，信号分选和识别所利用的信号规律性被破坏，使电子侦察系统的识别能力受到极大影响。精确制导武器的大量使用使得辐射源环境的潜在威胁性，在数量上和严重性上日益增大。因此，雷达截获系统必须快速、可靠地进行信号处理，对辐射源环境做出准确的判断。同时，为提高雷达自身的识别能力，隐身和抗干扰等方面的能力，许多信号波形更加复杂的新体制雷达不断地研制和投入使用，众多的雷达体制也增加了信号识别难度。这就迫切需要现有的电子侦察系统识别辐射源信号的能力不断增强，以便有效地识别出新体制雷达，从而清楚地了解敌方的武器装备情况并根据轻重缓急分配功率，实施有效干扰。
尽管认知技术在电子对抗领域得到不断应用，但以机器学习为核心能力的认知方法通常需要大量的有效信号样本为前提才能取得较好效果，但在电子对抗过程中，电子对抗侦察系统受战术使用和技术条件限制在短时间内往往仅能截获少量有效样本信息，尤其是对自适应雷达信息系统等未确知威胁，通常只能在小样本条件下进行识别，严重影响认知效果。如何在小样本条件下对未确知威胁进行自主认知，成为目前认知电子战尤其是电子对抗侦察亟待解决的问题。
发明内容
本发明的目的，就是针对上述问题，提供一种小样本条件下认知传感网对未确知威胁的识别方法。
本发明的技术方案为：
步骤一、传感节点基于预置侦察策略对复杂电磁环境进行威胁感知，并将预分选生成的未确知威胁集{TDWi U}发送至电子对抗侦察认知引擎；
所述未确知威胁集{TDWi U}，是节点基于电子侦察先验信息预分选出的已知威胁集的补集；{TDWi U}包含未确知威胁目标的{pdwj}i等原始信息；
所述{pdwj}i为预分选目标Xi的第j个脉冲描述字，同一脉冲描述字pdwj可以同时被分选到多个符合预置预分选标准的未确知目标TDWi U中；所述未确知威胁目标的原始信息，至少包括脉冲到达时间TOA、到达方向DOA、频率RF、脉宽τ、脉冲幅度PA、脉冲重复间隔PRI以及各参数的容差等。
步骤二、认知引擎对未确知威胁集{TDWi U}进行去冲突检验，依次检验其预分选辐射源是否存在；如第i个预分选辐射源TDWi U检验存在，则将其列入待识别目标清单
并转入训练阶段；将未确知威胁列入待识别目标清单
时，须将时敏目标作为待识别的高优先级目标列入待识别目标清单。
步骤三、根据待识别目标清单
建立待识别目标状态及电磁行为特征模型；对有效样本数未达到阈值η的未确知威胁目标，基于Bootstrap方法获取原始信息充分统计量，在小样本条件下提取并整定目标信号特征信息；传感节点基于无监督方法训练认知引擎，将学习到的特征信息写入知识库，并转入识别阶段；
所述小样本条件下基于Bootstrap方法提取并整定特征信息的步骤为：
(1)对于待识别目标Xi，建立样本集Xi，t＝{x0，x1，…，xT-1}，所述样本集共包含T个样本xt，其中t＝0，1，…，T-1；
(2)对样本进行特征信息整定，令
为特征参数；对
进行Bootstrap重抽样，得到Bootstrap样本
令
得到xt的Bootstrap样本
(3)基于Bootstrap样本
计算得到特征参数
的Bootstrap估计伯
(4)重复步骤(2)、步骤(3)Ⅳ次，得到
(5)提取Bootstrap特征参数
的方差
以
的方差
作为样本特征参数
的特征估计，
进一步，所述阈值η通常取不小于5的整数；步骤(2)中获取Bootstrap样本的步骤为：自原始样本
按放回抽样的方法，抽取容量为T的样本
其中，
所述步骤(3)中||a||≤1；所述步骤(4)须相继独立的抽取Ⅳ个容量为T的Bootstrap样本，Ⅳ通常取不小于1000的整数。
步骤四、感知节点基于SVM支持向量机建立弱分类器，并通过Bootstrap假设检验进行SVM参数择优，对未确知威胁进行小样本条件下的分类识别；
其中，对感知节点的弱分类器进行SVM参数择优的步骤为：
(1)对弱分类器的SVM参数θ，其特征样本为x＝{X1，…，XN}，对样本x进行Bootstrap重抽样得到x*；
(2)计算Bootstrap统计
其中，
为基于Bootstrap重抽样x*得到的SVM参数θ的估计；
为
的方差的估计；
(3)重复步骤(1)、步骤(2)N次，得到Bootstrap统计
(4)对
进行升序排列，得到
(5)检验假设H0：θ≤θ0，备择假设H1：θ＞θ0，检验的显著水平为α；当
时拒绝假设H0，θ为优选参数，其中α＝(Ⅳ+1-M)(Ⅳ+1)-1。
进一步，所述步骤(3)须相继独立的抽取Ⅳ个容量为T的Bootstrap样本，Ⅳ通常取不小于2000的整数；步骤(5)中检验的显著水平α通常取0.05。
步骤五、认知传感网通过骨干节点将各感知节点建立的弱分类器组成强分类器，对分类识别信息进行相似性性能度量，并输出识别结果。
本发明的优点在于：
本发明所提方法通过认知传感网电子对抗侦察系统对未确知威胁进行自主识别，基于Bootstrap方法获取未确知威胁原始信息充分统计量，实现小样本条件下的目标信号特征信息提取及整定，通过Bootstrap假设检验对感知节点的弱分类器进行SVM参数择优，对未确知威胁进行小样本条件下的分类识别，通过骨干节点组成的强分类器对分类识别信息进行相似性性能度量，最终实现未确知威胁自主识别，降低了自适应威胁和小样本环境对电子对抗侦察系统的不利影响，提高了电子对抗侦察系统在小样本条件下的未确知威胁感知识别能力和分布式侦察资源的利用效率。
附图说明
图1为本发明提出的一种小样本条件下认知传感网对未确知威胁的识别方法实施步骤流程图。
具体实施方式
本发明是一种小样本条件下认知传感网对未确知威胁的识别方法，实施步骤如图1所示。下面结合实施例对本发明进行详细的描述：
实施例
在战场复杂电磁环境中，以专用电子侦察平台为骨干节点，以无人机等小型平台为感知节点，构建一种典型的具备电子对抗侦察能力的认知传感网Het-CSNs。认知传感网的电子对抗侦察目标主要包括传统雷达等已知威胁，自适应雷达电子信息系统等未确知威胁。
认知传感网电子对抗侦察体系架构由分布式软件定义可重构电子侦察设备、电子对抗侦察应用程序、电子对抗侦察认知引擎、侦察资源动态管理模块以及中间件等组成；其中骨干节点构成核心网，各类感知节点之间各自构成接入网，各接入网可通过相应的骨干节点接入核心网，骨干节点与感知节点相比具有更强的信号感知能力和认知能力，同时骨干节点还具备侦察资源动态管理能力，基于电子对抗侦察任务驱动管理调度相应接入网中的感知节点。
所述分布式软件定义可重构电子侦察设备是认知传感网电子对抗侦察体系的硬件层，分布式部署在认知传感网的传感节点上，由天线、数字接收机、数字处理机、传输设备等组成；侦收辐射源脉冲信号、测量威胁信号参数，如脉冲到达时间TOA、到达方向DOA、频率RF、脉宽τ、脉冲重复间隔PRI以及各参数的容差等，生成脉冲描述字PDW，进行信号预分选；
所述电子对抗侦察应用程序是认知传感网电子对抗侦察体系的应用软件层，可根据不同的对抗目标(如雷达对抗)、不同的应用场景(如电子对抗支援侦察、抵近侦察、威胁告警等)灵活部署在电子战飞机、水面舰艇、无人机等异构平台上，由威胁信号特征提取模块、威胁信号分选模块、目标状态及行为特征识别模块、威胁自主识别模块、无源定位模块组成；
所述电子对抗侦察认知引擎是异构认知传感网电子对抗侦察体系的核心，可以根据不同的任务需求(如雷达对抗、通信对抗等)，灵活部署在异构认知传感网传感节点上，由推理机、学习机和知识库组成；
学习机基于推理机输出的结果和知识库中预先加载的电子侦察先验知识以及电子侦察行动反馈结果进行初步决策判断；若符合电子侦察情报标准，则识别结果形成新的知识并对知识库进行扩充；否则，骨干节点侦察资源动态管理模块进行侦察策略优化，形成侦察策略优化指令并分发至相应传感节点；分布式软件定义可重构电子侦察设备可以根据电子对抗侦察认知引擎的学习推理结果对电子侦察设备的功能(如告警侦察、无源定位等)和参数(如频率、脉宽、重频、容差等)进行在线软件定义和动态重构；传感节点完成电子对抗侦察资源优化重组后继续执行威胁目标感知，直至识别结果符合情报标准。
具体实施步骤包括：
步骤一、传感节点基于预置侦察策略对复杂电磁环境进行威胁感知，并将预分选生成的未确知威胁集{TDWi U}发送至电子对抗侦察认知引擎；
所述未确知威胁集{TDWi U}，是节点基于电子侦察先验信息预分选出的已知威胁集的补集；{TDWi U}包含未确知威胁目标的{pdwj}i等原始信息；
进一步，所述{pdwj}i为预分选目标Xi的第j个脉冲描述字，同一脉冲描述字pdwj可以同时被分选到多个符合预置预分选标准的未确知目标TDWi U中；未确知威胁目标的原始信息，至少包括脉冲到达时间TOA、到达方向DOA、频率RF、脉宽τ、脉冲幅度PA、脉冲重复间隔PRI以及各参数的容差等。
步骤二、认知引擎对未确知威胁集{TDWi U}进行去冲突检验，依次检验其预分选辐射源是否存在；
如第i个预分选辐射源TDWi U检验存在，则将其列入待识别目标清单
并转入训练阶段；如第i个预分选辐射源TDWi U检验不存在，则返回对第i+1个预分选辐射源
的检验；
进一步，将未确知威胁列入待识别目标清单
时，须将战斗机火控雷达辐射源、导弹末制导雷达辐射源等时敏目标作为待识别的高优先级目标列入待识别目标清单。
步骤三、根据待识别目标清单
建立待识别目标状态及电磁行为特征模型；对有效样本数未达到阈值η的未确知威胁目标，基于Bootstrap方法获取原始信息充分统计量，在小样本条件下提取并整定目标信号特征信息；传感节点基于无监督方法训练认知引擎，将学习到的特征信息写入知识库，并转入识别阶段；
进一步，小样本条件下基于Bootstrap方法提取并整定特征信息的步骤为：
(1)对于待识别目标Xi，建立样本集Xi，t＝{x0，x1，…，xT-1}，所述样本集共包含T个样本xt，其中t＝0，1，…，T-1；
(2)对样本进行特征信息整定，令
为特征参数；对
进行Bootstrap重抽样，得到Bootstrap样本
令
得到xt的Bootstrap样本
(3)基于Bootstrap样本
计算得到特征参数
的Bootstrap估计值
(4)重复步骤(2)、步骤(3)Ⅳ次，得到
(5)提取Bootstrap特征参数
的方差
以
的方差
作为样本特征参数
的特征估计，
进一步，所述阈值η通常取不小于5的整数；
进一步，所述步骤(2)中获取Bootstrap样本的步骤为：自原始样本
按放回抽样的方法，抽取容量为T的样本
其中，
进一步，所述步骤(3)中||a||≤1；
进一步，所述步骤(4)须相继独立的抽取Ⅳ个容量为T的Bootstrap样本，Ⅳ通常取不小于1000的整数。
步骤四、感知节点基于SVM支持向量机建立弱分类器，并通过Bootstrap假设检验进行SVM参数择优，对未确知威胁进行小样本条件下的分类识别；
其中，对感知节点的弱分类器进行SVM参数择优的步骤为：
(1)对弱分类器的SVM参数θ，其特征样本为x＝{X1，…，XN}，对样本x进行Bootstrap重抽样得到x*；
(2)计算Bootstrap统计
其中，
为基于Bootstrap重抽样x*得到的SVM参数θ的估计；
为
的方差的估计；
(3)重复步骤(1)、步骤(2)Ⅳ次，得到Bootstrap统计
(4)对
进行升序排列，得到
(5)检验假设H0：θ≤θ0，备择假设H1：θ＞θ0，检验的显著水平为α；当
时拒绝假设H0，θ为优选参数，其中α＝(Ⅳ+1-M)(Ⅳ+1)-1。
进一步，所述步骤(3)须相继独立的抽取Ⅳ个容量为T的Bootstrap样本，Ⅳ通常取不小于2000的整数；步骤(5)中检验的显著水平α通常取0.05。
步骤五、认知传感网通过骨干节点将各感知节点建立的弱分类器组成强分类器，基于侦察资源动态管理模块建立支持自适应投票权值更新的联合决策机制，对分类识别信息进行相似性性能度量，形成识别目标清单，输出分类识别结果。
需要说明的是，此实施例仅用于说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种小样本条件下认知传感网对未确知威胁的识别方法，其特征在于：
步骤一、传感节点基于预置侦察策略对复杂电磁环境进行威胁感知，并将预分选生成的未确知威胁集{TDWi U}发送至电子对抗侦察认知引擎；
步骤二、认知引擎对未确知威胁集{TDWi U}进行去冲突检验，依次检验未确知威胁集中的预分选辐射源是否存在；如第i个预分选辐射源TDWi U检验存在，则将其列入待识别目标清单
并转入训练阶段；
步骤三、根据待识别目标清单
建立目标状态及电磁行为特征模型；对有效样本数未达到阈值η的目标，基于Bootstrap方法获取原始信息充分统计量，在小样本条件下提取并整定目标信号特征信息；传感节点基于无监督方法训练认知引擎，将学习到的特征信息写入知识库，并转入识别阶段；
步骤四、感知节点基于SVM支持向量机建立弱分类器，并通过Bootstrap假设检验进行SVM参数择优，对未确知威胁进行小样本条件下的分类识别；
步骤五、认知传感网通过骨干节点将各感知节点建立的弱分类器组成强分类器，对分类识别信息进行相似性性能度量，并输出识别结果。
2.根据权利要求1所述一种小样本条件下认知传感网对未确知威胁的识别方法，其特征在于：
步骤一所述未确知威胁集{TDWi U}，是节点基于电子侦察先验信息预分选出的已知威胁集的补集；{TDWi U}包含未确知威胁目标的{pdwj}i等原始信息。
3.根据权利要求1所述一种小样本条件下认知传感网对未确知威胁的识别方法，其特征在于：
所述步骤二将未确知威胁列入待识别目标清单
时，须将时敏目标作为待识别的高优先级目标列入待识别目标清单。
4.根据权利要求1所述一种小样本条件下认知传感网对未确知威胁的识别方法，其特征在于：
所述步骤三中，当有效样本数小于阈值η时，小样本条件下基于Bootstrap方法提取并整定特征信息的步骤为：
(1)对于待识别目标Xi，建立样本集Xi，t＝{x0，x1，…，xT-1}，所述样本集共包含T个样本xt，其中t＝0，1，…，T-1；
(2)对样本进行特征信息整定，令
为特征参数；对
进行Bootstrap重抽样，得到Bootstrap样本
令
得到xt的Bootstrap样本
(3)基于Bootstrap样本
计算得到特征参数
的Bootstrap估计值
(4)重复步骤(2)、步骤(3)N次，得到
(5)提取Bootstrap特征参数
的方差
以
的方差
作为样本特征参数
的特征估计，
5.根据权利要求1所述一种小样本条件下认知传感网对未确知威胁的识别方法，其特征在于：
所述步骤四中，对感知节点的弱分类器进行SVM参数择优的步骤为：
(1)对弱分类器的SVM参数θ，其特征样本为s＝{S1，…，SN}，对样本s进行Bootstrap重抽样得到s*；
(2)计算Bootstrap统计
其中，
为基于Bootstrap重抽样s*得到的SVM参数θ的估计；
为
的方差的估计；
(3)重复步骤(1)、步骤(2)N次，得到Bootstrap统计
(4)对
进行升序排列，得到
(5)检验假设H0：θ≤θ0，备择假设H1：θ＞θ0，检验的显著水平为α；当
时拒绝假设H0，θ为优选参数，其中α＝(N+1-M)(N+1)-1。
6.根据权利要求2所述认知传感网对未确知威胁的识别方法，其特征在于：
所述{pdwj}i为预分选目标Xi的第j个脉冲描述字，同一脉冲描述字pdwj可以同时被分选到多个符合预置预分选标准的未确知目标TDWi U中；所述未确知威胁目标的原始信息，至少应包括脉冲到达时间TOA、到达方向DOA、频率RF、脉宽τ、脉冲幅度PA、脉冲重复间隔PRI以及各参数的容差等。
7.根据权利要求4所述认知传感网对未确知威胁的识别方法，其特征在于：
所述阈值η通常取不小于5的整数；所述步骤(2)中获取Bootstrap样本的步骤为：自原始样本
按放回抽样的方法，抽取容量为T的样本
其中，
1≤i，j≤T；所述步骤(3)中||a||≤1；所述步骤(4)须相继独立的抽取N个容量为T的Bootstrap样本，N通常取不小于1000的整数。
8.根据权利要求5所述认知传感网对未确知威胁的识别方法，其特征在于：
所述步骤(3)须相继独立的抽取N个容量为T的Bootstrap样本，N通常取不小于2000的整数；所述步骤(5)中检验的显著水平α通常取0.05。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010257963.5A CN111401298A (zh) | 2020-04-03 | 2020-04-03 | 一种小样本条件下认知传感网对未确知威胁的识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010257963.5A CN111401298A (zh) | 2020-04-03 | 2020-04-03 | 一种小样本条件下认知传感网对未确知威胁的识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111401298A true CN111401298A (zh) | 2020-07-10 |
Family
ID=71431459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010257963.5A Pending CN111401298A (zh) | 2020-04-03 | 2020-04-03 | 一种小样本条件下认知传感网对未确知威胁的识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111401298A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7034738B1 (en) * | 2003-12-05 | 2006-04-25 | Itt Manufacturing Enterprises, Inc. | Method of radar pattern recognition by sorting signals into data clusters |
| US7397415B1 (en) * | 2006-02-02 | 2008-07-08 | Itt Manufacturing Enterprises, Inc. | System and method for detecting and de-interleaving radar emitters |
| CN104869096A (zh) * | 2015-04-30 | 2015-08-26 | 南京信息职业技术学院 | 基于Bootstrap的BPSK信号盲处理结果可信性检验方法 |
| CN109490838A (zh) * | 2018-09-20 | 2019-03-19 | 中国人民解放军战略支援部队航天工程大学 | 一种面向数据库残缺的雷达辐射源识别方法 |
| CN109886116A (zh) * | 2019-01-21 | 2019-06-14 | 中国人民解放军战略支援部队信息工程大学 | 基于ads-b的辐射源个体识别方法及装置 |
| CN110244271A (zh) * | 2019-05-17 | 2019-09-17 | 中国人民解放军战略支援部队信息工程大学 | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 |
| CN110764064A (zh) * | 2019-11-08 | 2020-02-07 | 哈尔滨工业大学 | 基于深度卷积神经网络集成的雷达干扰信号识别方法 |
| CN110879989A (zh) * | 2019-11-22 | 2020-03-13 | 四川九洲电器集团有限责任公司 | 基于小样本机器学习模型的ads-b信号目标识别方法 |
-
2020
- 2020-04-03 CN CN202010257963.5A patent/CN111401298A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7034738B1 (en) * | 2003-12-05 | 2006-04-25 | Itt Manufacturing Enterprises, Inc. | Method of radar pattern recognition by sorting signals into data clusters |
| US7397415B1 (en) * | 2006-02-02 | 2008-07-08 | Itt Manufacturing Enterprises, Inc. | System and method for detecting and de-interleaving radar emitters |
| CN104869096A (zh) * | 2015-04-30 | 2015-08-26 | 南京信息职业技术学院 | 基于Bootstrap的BPSK信号盲处理结果可信性检验方法 |
| CN109490838A (zh) * | 2018-09-20 | 2019-03-19 | 中国人民解放军战略支援部队航天工程大学 | 一种面向数据库残缺的雷达辐射源识别方法 |
| CN109886116A (zh) * | 2019-01-21 | 2019-06-14 | 中国人民解放军战略支援部队信息工程大学 | 基于ads-b的辐射源个体识别方法及装置 |
| CN110244271A (zh) * | 2019-05-17 | 2019-09-17 | 中国人民解放军战略支援部队信息工程大学 | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 |
| CN110764064A (zh) * | 2019-11-08 | 2020-02-07 | 哈尔滨工业大学 | 基于深度卷积神经网络集成的雷达干扰信号识别方法 |
| CN110879989A (zh) * | 2019-11-22 | 2020-03-13 | 四川九洲电器集团有限责任公司 | 基于小样本机器学习模型的ads-b信号目标识别方法 |
Non-Patent Citations (10)
| Title |
|---|
| LEE-URBAN S, TREWHITT E, BIEDER I, ET AL.: "The Cognitive Reasoning and Representation Architecture (CORA) is a flexible hybrid approach", PROCEEDINGS OF THE THIRD ANNUAL CONFERENCE ON ADVANCES IN COGNITIVE SYSTEMS POSTER COLLECTION., 31 December 2015 (2015-12-31) * |
| MUHARREM ARIK; OZGUR BARIS AKAN: "Enabling cognition on Electronic CounterMeasure systems against next-generation radars", MILCOM 2015 - 2015 IEEE MILITARY COMMUNICATIONS CONFERENCE, 17 December 2015 (2015-12-17) * |
| 倪丛云;黄华;: "认知电子战系统组成及其关键技术研究", 舰船电子对抗, no. 03, 25 June 2013 (2013-06-25) * |
| 张蔚;潘宜霞;: "基于支持向量机的未知雷达用途识别技术", 电子信息对抗技术, no. 03, 15 May 2017 (2017-05-15) * |
| 朱永成;潘继飞;金天祥;沈家煌;刘鑫;: "基于小样本脉冲序列匹配的重点雷达目标快速识别", 火力与指挥控制, no. 05, 15 May 2018 (2018-05-15) * |
| 李岩;高梅国;崔双洋;: "认知雷达对抗中的未知雷达状态识别方法", 太赫兹科学与电子信息学报, no. 02, 28 April 2018 (2018-04-28) * |
| 李林;姬红兵;: "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, no. 03, 15 May 2010 (2010-05-15) * |
| 王沙飞, 鲍雁飞, 李岩: "认知电子战体系结构与技术", 中国科学（信息科学）, vol. 48, no. 12, 22 February 2019 (2019-02-22) * |
| 王理德, 陈高平: "模式识别技术在雷达侦察信号分类识别中的应用", 火控雷达技术, no. 02, 30 June 2004 (2004-06-30) * |
| 许学;张玉平;陈建;: "基于小子样Bootstrap法的雷达辐射源特征分选稳定性分析", 成都电子机械高等专科学校学报, no. 02, 25 June 2011 (2011-06-25) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Classification of small UAVs based on auxiliary classifier Wasserstein GANs | |
| CN108280395B (zh) | 一种对低小慢无人机飞控信号的高效识别方法 | |
| CN108732543B (zh) | 一种基于射频隐身的机载组网雷达辐射参数联合优化方法 | |
| CN111490848B (zh) | 一种基于异构认知传感网的电子对抗侦察系统 | |
| CN111476288A (zh) | 一种认知传感网对未确知威胁电磁行为智能感知方法 | |
| CN106791696B (zh) | 无线视频监控系统及其图像传输方法和装置 | |
| Li et al. | Jamming detection and classification in OFDM-based UAVs via feature-and spectrogram-tailored machine learning | |
| CN111783020A (zh) | 一种多维特征的战场实体目标分群方法及系统 | |
| CN110969186B (zh) | 基于通道检测的面向无线信号识别的对抗攻击防御方法与装置 | |
| CN113253251A (zh) | 目标速度未知时的fda-mimo雷达检测方法与系统 | |
| CN115567353A (zh) | 一种面向雷达组网系统的干扰多波束调度和干扰功率联合优化方法 | |
| Zhang et al. | Performance analysis of deep reinforcement learning-based intelligent cooperative jamming method confronting multi-functional networked radar | |
| CN111401298A (zh) | 一种小样本条件下认知传感网对未确知威胁的识别方法 | |
| Shubin et al. | Efficiency evaluation for radar signal processing on the basis of spectral-semantic model | |
| CN111796266A (zh) | 一种匀加速运动目标rd平面检测前跟踪方法 | |
| CN110031807A (zh) | 一种基于无模型强化学习的多阶段灵巧噪声干扰方法 | |
| Nguyen et al. | A parallel neural network-based scheme for radar emitter recognition | |
| CN113420791B (zh) | 边缘网络设备接入控制方法、装置及终端设备 | |
| CN112464549B (zh) | 对抗单位的动态分配方法 | |
| CN107589409A (zh) | 一种分置天线mimo雷达分布式低通信量检测融合方法 | |
| CN114118158A (zh) | 反黑盒探测攻击的稳健电磁信号调制类型识别方法 | |
| Schwoegler et al. | On the application of multiple hypothesis tracking to the cyber domain | |
| CN113221944A (zh) | 一种紫外光协作多传感器数据融合无人机敌我识别方法 | |
| Ren et al. | A novel threat sensing architecture for heterogeneous cognitive sensor networks | |
| CN114384476B (zh) | 一种基于干扰策略引导的自适应干扰信号生成方法 |
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 |