CN111507297B - 一种基于度量信息矩阵的雷达信号识别方法及系统 - Google Patents
一种基于度量信息矩阵的雷达信号识别方法及系统 Download PDFInfo
- Publication number
- CN111507297B CN111507297B CN202010330258.3A CN202010330258A CN111507297B CN 111507297 B CN111507297 B CN 111507297B CN 202010330258 A CN202010330258 A CN 202010330258A CN 111507297 B CN111507297 B CN 111507297B
- Authority
- CN
- China
- Prior art keywords
- information matrix
- radar
- radiation source
- data corresponding
- radar radiation
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/22—Source localisation; Inverse modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供的技术方案实现了一种基于度量信息矩阵的雷达信号识别方法及系统,包括,获取雷达辐射源描述字对应的数据,并对雷达辐射源描述字对应的数据进行归一化处理;对归一化处理后的雷达辐射源描述字对应的数据进行度量信息矩阵集合的计算,得到由雷达辐射源描述字对应的数据构成的度量信息矩阵集合,提取度量信息矩阵集合特征,并对提取的度量信息矩阵集合特征进行升维处理得到特征数据集;采用多尺度卷积神经网络从所述特征数据集中提取雷达辐射源的特征,并进行雷达信号识别。本发明采用的多尺度序列化度量信息矩阵有效的提取了雷达信号的几何特征,对雷达信号处理技术领域具有重要的实际应用价值。
Description
技术领域
本发明涉及信号识别技术领域,具体涉及一种基于度量信息矩阵的雷达信号识别方法及系统。
背景技术
度量信息矩阵理论是度量测度几何领域的一个重要研究对象,可以用来刻画度量空间的不同尺度的几何结构,随着Gromov-Hausdorff度量的引入,该领域在相关应用领域取得了快速的发展,如直觉模糊集理论、模糊决策等。
雷达辐射源识别是指利用雷达描述字识别雷达辐射源的型号,如美国AN/SPY-1和日本OPS-28等。由于雷达接收机所处的环境中,存在着各种背景噪声,以及各种非合作辐射源的低截获概率设计、频率跳变等模式存在,使得侦测的雷达辐射源描述字往往存在着各种各样的误差,这给雷达辐射源识别带来很大的困难。现有的雷达辐射源识别方法有很多,基于模板匹配法的雷达信号识别算法,基于随机森林的雷达信号识别算法,基于时频分析的雷达信号识别方法,基于深度神经网络的算法等。这些方法一定程度上解决了雷达辐射源识别的问题,但是,在对复杂体制雷达、低信噪比环境中,识别的精度并不理想。由于过度依赖人工特征的设计提取,并且模型通常不具备旋转不变性(一维时对应置换不变性)和平移不变性,使得模型的鲁棒性较差。此外,通常采用深度神经网络识别的方法中,由于数据维度较低,使得模型容易出现过拟合等问题,导致模型的能力受限。
发明内容
为了解决现有技术中所存在的雷达辐射源识别精度不高,识别算法模型鲁棒性低的问题,本发明提供一种基于度量信息矩阵的雷达信号识别方法及系统
包括:
获取雷达辐射源描述字对应的数据,并对所述雷达辐射源描述字对应的数据进行归一化处理;
对归一化处理后的雷达辐射源描述字对应的数据进行度量信息矩阵集合的计算,得到由雷达辐射源描述字对应的数据构成的度量信息矩阵集合,提取度量信息矩阵集合特征,并对提取的度量信息矩阵集合特征进行升维处理得到特征数据集;
采用多尺度卷积神经网络从所述特征数据集中提取所述雷达辐射源的特征,并进行雷达信号识别。
优选的,所述对归一化处理后的雷达描述字对应的数据进行度量信息矩阵集合的计算,得到由雷达辐射源描述字对应的数据构成的度量信息矩阵集合,提取度量信息矩阵特征,包括:
基于雷达描述字对应的数据的个数确定阶数n,并进行信息度量矩阵的计算,得到n×n维的信息度量矩阵集合,其中,雷达描述字对应的数据的个数>n>1;
对于阶数n在取值范围内的不同取值,得到的不同尺度度量信息矩阵集;
从所述不同尺度度量信息矩阵集中提取度量信息矩阵特征。
优选的,所述度量信息度量矩阵按下式计算:
式中,xi、xj为不同的雷达辐射源描述字;Mn×n为n×n维的信息度量矩阵集合;n为度量信息矩阵的阶数,取正整数。
优选的,所述对提取的度量信息矩阵集合特征进行处理,生成维度更高的特征数据集,包括:
对提取的度量信息矩阵集合进行序列化对齐与获取的雷达辐射源描述字对应的数据进行数据拼接,生成高维度的特征数据集。
优选的,所述采用多尺度卷积神经网络从所述新特征数据集中提取所述雷达辐射源描述字数据的特征,并进行雷达辐射源识别,包括:
将所述特征数据集输入到所述多尺度卷积神经网络中;
所述多尺度卷积神经网络采用多个支路的卷积神经网络结构,每个支路选择不同的卷积核,从所述特征数据集中提取特征作为所述雷达辐射源描述字对应数据的特征,并对所述提取的特征进行粘合处理;
将所述粘合处理后的特征采用逻辑回归进行雷达辐射源分类识别。
优选的,所述雷达辐射源描述字包括:脉宽最大值、脉宽最小值、脉宽均值、重复间隔最大值、重复间隔最小值、重复间隔均值、载频最大值、载频最小值、载频均值。
优选的,所述对所述雷达辐射源描述字对应的数据进行归一化处理,包括:
分别对所述雷达辐射源描述字对应的数据采用归一化公式进行归一化处理;
优选的,所述归一化公式如下式所示:
式中,y表示归一化后的雷达辐射源描述字的脉宽/重复间隔/载频;ymin、ymax分别表示雷达辐射源描述字的脉宽/重复间隔/载频的最小和最大值。
一种基于度量信息矩阵的雷达信号识别系统,包括:
第一数据处理模块,用于获取雷达辐射源描述字对应的数据,并对所述雷达辐射源描述字对应的数据进行归一化处理;
第二数据处理模块,用于对归一化处理后的雷达辐射源描述字对应的数据进行度量信息矩阵集合的计算,得到由雷达辐射源描述字对应的数据构成的度量信息矩阵集合,提取度量信息矩阵集合特征,并对提取的度量信息矩阵集合特征进行升维处理得到特征数据集;
识别模块,采用多尺度卷积神经网络从所述特征数据集中提取所述雷达辐射源的特征,并进行雷达辐射源识别。
优选的,所述第二数据处理模块包括:
度量矩阵计算子模块,基于雷达描述字对应的数据的个数确定阶数n,并进行信息度量矩阵的计算,得到n×n维的信息度量矩阵集合,其中,雷达描述字对应的数据的个数>n>1;
集合构建子模块,用于对于阶数n在取值范围内的不同取值,得到的不同尺度度量信息矩阵集;
特征提取子模块,用于从所述不同尺度度量信息矩阵集中提取度量信息矩阵特征。
与现有技术相比,本发明的有益效果为:
本发明提供获取雷达辐射源描述字对应的数据,并对所述雷达辐射源描述字对应的数据进行归一化处理;对归一化处理后的雷达辐射源描述字对应的数据进行度量信息矩阵集合的计算,得到由雷达辐射源描述字对应的数据构成的度量信息矩阵集合,提取度量信息矩阵集合特征,并对提取的度量信息矩阵集合特征进行升维处理得到特征数据集;采用多尺度卷积神经网络从所述特征数据集中提取所述雷达辐射源的特征,并进行雷达信号识别。本发明提取的度量信息矩阵具有旋转不变性和平移不变性,并且不同的阶数的度量信息矩阵集对应不同尺度的雷达辐射源几何特征,能够提高模型的鲁棒性;
本发明提供的技术方案将提取的数据的几何特征有效的提升了数据的维度,通过与原始数据进行拼接融合,增加了数据的维度对数据进行了增强,能够有效提高雷达辐射源识别精度。
附图说明
图1为本发明的基于度量信息矩阵的雷达信号识别方法流程图;
图2为本发明的实施例中的雷达识别方法流程图;
图3为本发明的基于度量信息矩阵的雷达信号识别系统示意图。
具体实施方式
为了更好地理解本发明,下面结合说明书附图和实例对本发明的内容做进一步的说明。
本发明为解决其技术问题,采用基于度量信息矩阵的方法提取不同尺度的具有旋转不变形和平移不变形的雷达信号的几何特征,实现对数据进行维度提升和数据增强,进一步利用多尺度卷积神经网络,提取雷达辐射源描述字数据的全局和局部特征,实现雷达辐射源的分类识别,具体技术方案为:
一种基于度量信息矩阵的雷达信号识别方法,如图1所示,主要步骤包括:
步骤1、获取雷达辐射源描述字对应的数据,并对所述雷达辐射源描述字对应的数据进行归一化处理;
步骤2、对归一化处理后的雷达辐射源描述字对应的数据进行度量信息矩阵集合的计算,得到由雷达辐射源描述字对应的数据构成的度量信息矩阵集合,提取度量信息矩阵集合特征,并对提取的度量信息矩阵集合特征进行升维处理得到特征数据集;
步骤3、采用多尺度卷积神经网络从所述特征数据集中提取所述雷达辐射源的特征,并进行雷达信号识别。
针对雷达辐射源描述字数据,利用多尺度度量信息矩阵特征提取方法提取数据的多尺度几何特征信息度量矩阵集,然后进行数据特征序列化对齐和融合拼接,利用多尺度卷积神经网络进行矩阵局部和全局特征的提取,并进行分类,输出雷达辐射源的型号。
步骤1、获取雷达辐射源描述字对应的数据,并对所述雷达辐射源描述字对应的数据进行归一化处理,具体操作如下:
1)对雷达辐射源描述字脉宽、重复间隔和载频进行数据进行归一化处理;
雷达描述字的描述有着不同的定义,这里采用脉宽最大值、脉宽最小值、脉宽均值、重复间隔最大值、重复间隔最小值、重复间隔均值、载频最大值、载频最小值、载频均值组成的9维雷达描述字。由于雷达辐射源描述字脉宽、重复间隔和载频具有不同的尺度和不同的量纲,需要分别对三大参数进行归一化预处理,统一数据尺度和数量级。
步骤2、对归一化处理后的雷达辐射源描述字对应的数据进行度量信息矩阵集合的计算,得到由雷达辐射源描述字对应的数据构成的度量信息矩阵集合,提取度量信息矩阵集合特征,并对提取的度量信息矩阵集合特征进行升维处理得到特征数据集,具体包括:
2)对1)中归一化后的雷达辐射源描述字进行度量信息矩阵集合的计算,提取雷达辐射源描述字的不同尺度的几何特征;
对归一化后的雷达辐射源描述字数据提取数据的几何信息特征,度量信息矩阵是衡量矩阵内部几何特征的一个量,具有旋转不变性和平移不变形,不同尺度的度量信息矩阵阶数不同,并且矩阵集合的元素个数也不同。
3)对提取的度量信息矩阵集合特征进行序列化对齐,并与原始数据进行数据融合拼接,生成维度更高的新特征数据;
对于阶数为n的度量信息矩阵集合,有C9 n个元素,每个元素为一个n×n矩阵,对于n从1遍历到9,得到的9个度量信息矩阵集合,其中元素大小不一,数量个数不同,数据的维度得到了很大的提升,同时数据的结构变得负责,与原始数据进行融合的过程中,需要对数据进行拉伸拼接处理。
步骤3、采用多尺度卷积神经网络从所述特征数据集中提取所述雷达辐射源的特征,并进行雷达信号识别,具体包括:
4)采用多尺度卷积神经网络提取雷达辐射源描述字数据的局部特征和全局特征,并完成雷达信号的分类;
多尺度卷积神经网络的设计采用多个支路的卷积神经网络结构设计,每个支路选择不同的卷积核,分别为7、3和1,提取不同尺度的特征,对全局特征和局部特征进行拼接,进入下一层进行分类识别。
实施例2:
本发明的思路如图2所示:
(1)多阶数度量信息度量矩阵特征提取;
(2)特征融合拼接;
(3)多尺度卷积神经网络特征提取和分类。
(1)多阶数度量信息度量矩阵特征提取,具体如下:
对雷达辐射源描述字脉宽、重复间隔和载频进行数据进行归一化处理时,分别对脉宽、重复间隔和载频进行单独归一化处理;
选择不同的阶数n进行度量信息矩阵的计算,其中,9≥n≥1,得到n×n维的信息度量矩阵集合;
对于n阶度量信息矩阵计算方式为,选择雷达辐射源描述字任意的n个元素,
式中,jk:角标;xj:雷达辐射源描述字。
计算欧式度量信息矩阵
对于不同的阶数n,得到的不同尺度度量信息矩阵集,集合的个数为C9 n;
在上述3中,一共存在C9 n种选择,则得到对应不同的阶数n,得到的不同尺度度量信息矩阵集,集合的个数为C9 n。
针对不同个数的度量信息矩阵集合和不同大小的维数的矩阵类型,对特征数据进行拉伸拼接,生成维度一致的特征数据集;
(2)特征融合拼接,具体如下:
对于阶数为n的度量信息矩阵集合,有C9 n个元素,每个元素为一个n×n矩阵,对于n从1遍历到9,得到的9个度量信息矩阵集合,其中元素大小不一,数量个数不同,不能直接作为神经网络的输入,需要对数据进行拉伸融合粘结处理,生成一维的输入向量。
(3)多尺度卷积神经网络特征提取和分类,具体如下:
多尺度卷积神经网络利用较小的卷积核实现信号局部波动特征、细微特性提取,利用较大的卷积核感受野较大特性提取信号的全局分布特征、型号固有特征。
多尺度卷积神经网络的设计采用多个支路的卷积神经网络结构设计,每个支路选择不同的卷积核,分别设计为7、3和1,提取不同尺度的特征,并对全局特征和局部特征进行拼接,为下一层的全连接层和分类模块提供卷积特征输入。
实施例3:
一种基于多阶数序列化度量信息矩阵的雷达信号识别方法,其步骤包络:
1)对雷达辐射源描述字脉宽、重复间隔和载频,例如某型号雷达辐射源描述字为
radar=(5100,5000,5050,1100,1000,1050,0.8,0.6,0.5),
进行数据按照参数类型分别进行归一化处理,得到归一化后的
将n从1遍历到9得到所有度量信息度量矩阵。
3)对提取的度量信息矩阵集合特征与原始数据进行数据融合拼接,生成新的维度更高的特征数据。
对得到的所有度量信息矩阵集合和原始数据进行数据的融合拼接,生成一维的增强后的高维数据,为下面的神经网络输入提供数据和特征输入。
4)采用多尺度卷积神经网络对输入的融合拼接后的一维数据利用尺度较小的卷积核进行局部特征提取,利用卷积核较大的卷积提取数据的全局特征,将提取到的不同尺度的特征进行拉伸拼接融合处理,输入到后续分类层完成雷达辐射源的分类;
采用多路多尺度卷积神经网络结构,对提取的度量信息矩阵特征进行进一步特征提取,利用不同尺度的卷积核提取不同尺度的特征,对提取的不同尺度的特征进行一维拉伸,并对其按照计算顺序进行拼接粘合,输入到分类模块进行雷达辐射源分类识别。
实施例2:
基于同一发明构思,本发明还提供了一种基于度量信息矩阵的雷达信号识别系统,如图3所示,包括:
第一数据处理模块,用于获取雷达辐射源描述字对应的数据,并对所述雷达辐射源描述字对应的数据进行归一化处理;
第二数据处理模块,用于对归一化处理后的雷达辐射源描述字对应的数据进行度量信息矩阵集合的计算,提取度量信息矩阵集合特征,并对提取的度量信息矩阵集合特征进行升维处理得到特征数据集;
识别模块,采用多尺度卷积神经网络从所述特征数据集中提取所述雷达辐射源的特征,并进行雷达辐射源识别。
所述第二数据处理模块包括:
度量矩阵计算子模块,基于雷达描述字对应的数据的个数确定阶数n,并进行信息度量矩阵的计算,得到n×n维的信息度量矩阵集合,其中,雷达描述字对应的数据的个数>n>1;
集合构建子模块,用于对于阶数n在取值范围内的不同取值,得到的不同尺度度量信息矩阵集;
特征提取子模块,用于从所述不同尺度度量信息矩阵集中提取度量信息矩阵特征。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (7)
1.一种基于度量信息矩阵的雷达信号识别方法,其特征在于,包括:
获取雷达辐射源描述字对应的数据,并对所述雷达辐射源描述字对应的数据进行归一化处理;
对归一化处理后的雷达辐射源描述字对应的数据进行度量信息矩阵集合的计算,得到由雷达辐射源描述字对应的数据构成的度量信息矩阵集合,提取度量信息矩阵集合特征,并对提取的度量信息矩阵集合特征进行升维处理得到特征数据集;
采用多尺度卷积神经网络从所述特征数据集中提取所述雷达辐射源描述字数据的特征,并进行雷达信号识别;
所述对归一化处理后的雷达描述字对应的数据进行度量信息矩阵集合的计算,得到由雷达辐射源描述字对应的数据构成的度量信息矩阵集合,提取度量信息矩阵特征,包括:
基于雷达描述字对应的数据的个数确定阶数n,并进行信息度量矩阵的计算,得到n×n维的信息度量矩阵集合,其中,雷达描述字对应的数据的个数>n>1;
对于阶数n在取值范围内的不同取值,得到的不同尺度度量信息矩阵集;
从所述不同尺度度量信息矩阵集中提取度量信息矩阵特征;
所述度量信息矩阵按下式计算:
式中,xi、xj为不同的雷达辐射源描述字;Mn×n为n×n维的信息度量矩阵集合;n为度量信息矩阵的阶数,取正整数。
2.如权利要求1所述的雷达信号识别方法,其特征在于,所述对提取的度量信息矩阵集合特征进行升维处理得到特征数据集,包括:
对提取的度量信息矩阵集合进行序列化对齐与获取的雷达辐射源描述字对应的数据进行数据拼接,生成高维度的特征数据集。
3.如权利要求1所述的雷达信号识别方法,其特征在于,所述采用多尺度卷积神经网络从所述特征数据集中提取所述雷达辐射源描述字数据的特征,并进行雷达信号识别,包括:
将所述特征数据集输入到所述多尺度卷积神经网络中;
所述多尺度卷积神经网络采用多个支路的卷积神经网络结构,每个支路选择不同的卷积核,从所述特征数据集中提取特征作为所述雷达辐射源描述字对应数据的特征,并对所述提取的特征进行粘合处理;
将所述粘合处理后的特征采用逻辑回归进行雷达信号分类识别。
4.如权利要求1所述的雷达信号识别方法,其特征在于,所述雷达辐射源描述字包括:脉宽最大值、脉宽最小值、脉宽均值、重复间隔最大值、重复间隔最小值、重复间隔均值、载频最大值、载频最小值、载频均值。
5.如权利要求4所述的雷达信号识别方法,其特征在于,所述对所述雷达辐射源描述字对应的数据进行归一化处理,包括:
分别对所述雷达辐射源描述字对应的数据采用归一化公式进行归一化处理。
7.一种基于度量信息矩阵的雷达信号识别系统,其特征在于,包括:
第一数据处理模块,用于获取雷达辐射源描述字对应的数据,并对所述雷达辐射源描述字对应的数据进行归一化处理;
第二数据处理模块,用于对归一化处理后的雷达辐射源描述字对应的数据进行度量信息矩阵集合的计算,得到由雷达辐射源描述字对应的数据构成的度量信息矩阵集合,提取度量信息矩阵集合特征,并对提取的度量信息矩阵集合特征进行升维处理得到特征数据集;
识别模块,采用多尺度卷积神经网络从所述特征数据集中提取所述雷达辐射源的特征,并进行雷达辐射源识别;
所述第二数据处理模块包括:
度量矩阵计算子模块,基于雷达描述字对应的数据的个数确定阶数n,并进行信息度量矩阵的计算,得到n×n维的信息度量矩阵集合,其中,雷达描述字对应的数据的个数>n>1;
集合构建子模块,用于对于阶数n在取值范围内的不同取值,得到的不同尺度度量信息矩阵集;
特征提取子模块,用于从所述不同尺度度量信息矩阵集中提取度量信息矩阵特征;
所述度量信息矩阵按下式计算:
式中,xi、xj为不同的雷达辐射源描述字;Mn×n为n×n维的信息度量矩阵集合;n为度量信息矩阵的阶数,取正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010330258.3A CN111507297B (zh) | 2020-04-24 | 2020-04-24 | 一种基于度量信息矩阵的雷达信号识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010330258.3A CN111507297B (zh) | 2020-04-24 | 2020-04-24 | 一种基于度量信息矩阵的雷达信号识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111507297A CN111507297A (zh) | 2020-08-07 |
CN111507297B true CN111507297B (zh) | 2020-12-29 |
Family
ID=71876377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010330258.3A Active CN111507297B (zh) | 2020-04-24 | 2020-04-24 | 一种基于度量信息矩阵的雷达信号识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507297B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183279B (zh) * | 2020-09-21 | 2022-06-10 | 中国人民解放军国防科技大学 | 基于iq图特征的通信辐射源个体识别方法 |
CN112418307B (zh) * | 2020-11-20 | 2022-08-09 | 中国电子科技集团公司第二十九研究所 | 一种结合深度学习和集成学习的辐射源个体识别方法 |
CN113962335B (zh) * | 2021-12-22 | 2022-04-12 | 北京恒信启华信息技术股份有限公司 | 一种可灵活配置的数据全过程处理方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102540164B (zh) * | 2012-01-04 | 2013-05-01 | 中国电子科技集团公司第二十八研究所 | 一种基于增量式学习的雷达辐射源分类建模方法 |
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 |
CN106407903A (zh) * | 2016-08-31 | 2017-02-15 | 四川瞳知科技有限公司 | 基于多尺度卷积神经网络的实时人体异常行为识别方法 |
US10852419B2 (en) * | 2017-10-20 | 2020-12-01 | Texas Instruments Incorporated | System and method for camera radar fusion |
CN110321390A (zh) * | 2019-06-04 | 2019-10-11 | 上海电力学院 | 基于有监督和无监督算法结合的负荷曲线数据可视化方法 |
-
2020
- 2020-04-24 CN CN202010330258.3A patent/CN111507297B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111507297A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Van Der Maaten | Accelerating t-SNE using tree-based algorithms | |
CN111507297B (zh) | 一种基于度量信息矩阵的雷达信号识别方法及系统 | |
Singh et al. | Svm-bdt pnn and fourier moment technique for classification of leaf shape | |
US9619733B2 (en) | Method for generating a hierarchical structured pattern based descriptor and method and device for recognizing object using the same | |
Ali et al. | A hybrid geometric spatial image representation for scene classification | |
JP2015506026A (ja) | 画像分類 | |
CN112884059B (zh) | 一种融合先验知识的小样本雷达工作模式分类方法 | |
CN105551022B (zh) | 一种基于形状交互矩阵的图像错误匹配检验方法 | |
CN111008224B (zh) | 一种基于深度多任务表示学习的时间序列分类和检索方法 | |
CN108846338A (zh) | 基于面向对象随机森林的极化特征选择及分类方法 | |
Pickup et al. | Euclidean-distance-based canonical forms for non-rigid 3D shape retrieval | |
CN110188225A (zh) | 一种基于排序学习和多元损失的图像检索方法 | |
Wang et al. | Fast self-supervised clustering with anchor graph | |
CN111753119A (zh) | 一种图像搜索方法、装置、电子设备及存储介质 | |
CN106250918B (zh) | 一种基于改进的推土距离的混合高斯模型匹配方法 | |
Li et al. | Indexing and mining large-scale neuron databases using maximum inner product search | |
Zhang et al. | Second-and high-order graph matching for correspondence problems | |
CA3033201A1 (en) | Large scale social graph segmentation | |
Weng et al. | Online supervised sketching hashing for large-scale image retrieval | |
Bai et al. | Softly combining an ensemble of classifiers learned from a single convolutional neural network for scene categorization | |
CN115984671A (zh) | 模型在线更新方法、装置、电子设备及可读存储介质 | |
CN106485286B (zh) | 一种基于局部敏感判别的矩阵分类模型 | |
Li et al. | Maximum inner product search for morphological retrieval of large-scale neuron data | |
CN115587297A (zh) | 构建图像识别模型和图像识别的方法、装置、设备及介质 | |
Akhtar et al. | Big data mining based on computational intelligence and fuzzy clustering |
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 |