CN111597873A - 一种基于支持向量数据描述的超短波威胁信号感知方法 - Google Patents
一种基于支持向量数据描述的超短波威胁信号感知方法 Download PDFInfo
- Publication number
- CN111597873A CN111597873A CN202010230505.2A CN202010230505A CN111597873A CN 111597873 A CN111597873 A CN 111597873A CN 202010230505 A CN202010230505 A CN 202010230505A CN 111597873 A CN111597873 A CN 111597873A
- Authority
- CN
- China
- Prior art keywords
- signal
- time
- support vector
- frequency
- threat
- 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
- 239000013598 vector Substances 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000513 principal component analysis Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 40
- 238000004891 communication Methods 0.000 claims description 29
- 230000009467 reduction Effects 0.000 claims description 29
- 230000008447 perception Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims 1
- 230000001902 propagating effect Effects 0.000 claims 1
- 238000013139 quantization Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000013604 expression vector Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于支持向量数据描述的超短波威胁信号感知方法，该方法主要由信号采集、时频分析、数据降维、支持向量数据描述模型训练和在线威胁感知等模块组成。主要步骤为：利用射频板卡采集空间中我方信号；根据短时傅里叶变化理论对基带复数信号进行时频分析生成时频谱图，并构建我方信号时频谱图数据库；根据图像预处理技术和主成分分析理论将时频谱图转化为低维度特征向量；训练支持向量数据描述模型构建能够囊括所有目标样本的最小超球体，落入超球体内部的样本则判定我方信号，而位于超球面外的样本则被判定为潜在威胁信号。本发明只需利用我方信号数据库，构建非威胁信号的支持向量数据描述模型，有效解决威胁信号的开集问题。
Description
技术领域
本发明涉及认知无线电中的频谱感知技术，更确切地说，本发明主要涉及一种基于支持向量数据描述的超短波威胁信号感知方法，属于认知无线电频谱感知的前沿技术。
背景技术
超短波通信是利用频率区间为30MHz～300MHz的无线电波传输信息的通信方式，主要依靠地波传播和空间视距传播。超短波通信装备辐射距离通常可达几千米至十几千米，具有通信频段宽、通信容量大的特点，被广泛应用于电视、调频广播、移动通信、雷达探测、军事通信等领域。
随着电磁环境的日益复杂，超短波频段通信安全威胁也趋于多元化，超短波通信系统容易受到敌方的侦查、测向和干扰，尤其是具有破坏性的压制干扰；此外，非法占用超短波频段信道的通信设备，也会对我方正常通信造成一定威胁；在某一区域内出现敌方超短波频段通信信号，则间接说明非己方单位在该区域的电磁波活动乃至军事行动，对我方军事力量构成潜在的威胁。面对大量形式各异的威胁信号，传统的依靠人为处理方法早已不堪重负，从而需要实现对潜在威胁信号的智能感知，以减轻认知与响应压力。检测和预警威胁我方正常超短波通信信号，使指战员对超短波频段的安全状况有一个全面的了解，对复杂多变的威胁信号做出快速响应，为电子对抗、通信抗干扰提供信息支援；通过感知敌方通信信号，探测海上和空中威胁平台，在较远距离上探测发现敌威胁目标信号，为我水面编队可能遭遇的空中或海上威胁提供早期超视距预警尤为重要。
目前在电子战场景下频谱感知技术主要集中在干扰检测与识别、非协作通信信号调制方式识别和对特定信号识别，主流的频谱感知方法有能量检测法、匹配滤波法和循环平稳检测法等，能量检测法对噪声适应能力有限，匹配滤波法需要知道被检测信号的先验信息，循环平稳检测法计算复杂度较高，并且这些常规方法难以检测大量形式各异的威胁信号；近年出现了基于深度学习的频谱感知方法，深度神经网络需要大量训练数据优化模型参数，而威胁信号数据获得代价昂贵，并且威胁信号日新月异，其数据集属于一个典型的开集，构建一个较为完备的威胁信号数据库具有很大难度，因此基于深度学习方法目前大多针对特定调制方式信号的频谱感知。
针对现有技术的不足，本发明要解决在威胁信号开集背景下的感知模型构建问题，其特点在于只需依赖我方通信信号数据库，训练非威胁信号的支持向量描述模型，所提出的方法能有效解决威胁信号的开集问题，适用于超短波频段威胁信号的智能感知，具有适应性强、运算时性等特点。
发明内容
针对日益复杂的电磁环境和多元化的威胁信号形式，本发明主要提出一种超短波频段威胁信号的智能感知方法，其主要特点是通过构建我方超短波通信信号完备的特征数据库，并利用该数据库训练一个二分类模型判定未知信号是否来自我方通信设备，反之也可通过该模型感知潜在威胁信号的存在。
为了实现上述目的，本发明所述的基于支持向量数据描述的超短波威胁信号感知方法包括：信号采集(00)、时频分析(01)、数据降维(02)、支持向量数据描述模型训练(03)和未知信号的威胁测试(04)组成。其中，信号采集以硬件形式存在，时频分析、数据降维和支持向量数据描述模型训练以软件形式存在。
所述的信号采集模块(00)输入为训练阶段空间中传播的我方信号x(n)，输出端采集复数信号xI(n)+j*xQ(n)连接时频分析模块的输入端，信号采集模块用来去掉空间传输超短波信号的载频成分，并转化为基带复数信号进行数字信号处理。
所述的时频分析模块(01)输入端为信号采集模块(00)输出的复数信号xI(n)+j*xQ(n)，输出端时频谱图F(r,g,b)连接数据降维模块的输入端，时频分析模块用于将时域波形信号转化为具有时域和频域双重特性的频谱图，我方信号时频谱图用于构建我方信号的数据库。
所述的数据降维模块(02)输入端为时频分析模块(01)输出的时频分析谱图F(r,g,b)，输出端F1:K连接支持向量数据描述模型训练模块(03)，数据降维模块用于将时频谱图转化为向量化表示的低维度特征，降低模型训练的复杂度。
所述的支持向量数据描述模型训练模块(03)输入端为数据降维模块(02)的输出F1:K，输出端为支持向量数据描述模型，用于计算支持向量数据描述模型参数C,
所述的未知信号的威胁判定测试模块(04)第一输入端x′(n)为空间中未知类别超短波信号，第二输入端支持向量数据描述模型(03)参数C,
输出端为威胁信号感知结果。
进一步地，所述的时频分析模块(01)由短时傅里叶分析模块(010)和时频谱图转化模块(011)组成，短时傅里叶分析模块(010)输入端连接采集复数信号xI(n)+j*xQ(n)，输出端X(f,m)作为时频谱图转化模块(011)输入，用于对基带复数信号时频分析。时频谱图转化模块(011)输入端连接短时傅里叶分析模块(010)输出X(f,m)，用于生成基带复数信号RGB时频谱图F(r,g,b)。
进一步地，数据降维模块(02)由RGB时频谱图灰度化模块(020)、灰度图降维预处理模块(021)和主成分降维分析算法(022)组成，时频谱图灰度化模块(020)输入端连接时频分析模块(01)输出RGB时频谱图F(r,g,b)，输出端连接灰度图降维预处理模块(021)输入G(x,y)，用于将高分辨率RGB时频谱图转化为低分辨率灰度图。灰度图降维预处理模块(021)输入端连接时频谱图灰度化模块(020)输出G(x,y)，输出端连接主成分降维分析算法(022)输入端输入G1:M，用于去均值和向量化灰度图。主成分降维分析算法(022)输入端连接灰度图降维预处理模块(021)输出G1:M，输出端F1:K连接所述的支持向量数据描述模型训练模块(03)，该模块用于将高维度的RGB时频谱图转化为低维度的特征表达向量。
进一步地，支持向量数据描述模型训练模块(03)由支持向量数据描述模型构建(030)、代价函数构建模块(031)、代价函数凸优化算法(032)松弛因子和核函数参数调整模块(033)和最优参数选择模块(034)组成，支持向量数据描述模型构建模块(030)第一输入端F1:K连接数据降维模块(02)输出，第二输入端Ci,
为松弛因子和核函数参数调整模块(033)输出，输出端J连接代价函数构建模块(031)输入，用于构建支持向量数据描述模型的优化目标函数。代价函数构建模块(031)输入端J连接支持向量数据描述模型(030)输出，输出端L连接代价函数凸优化算法(032)输入，用于构建拉格朗日相乘法下的代价函数。代价函数凸优化算法(032)输入端L连接代价函数构建模块(031)输出，输出拉格朗日因子
用于计算凸优化后的拉格朗日约束因子。最优参数选择模块(034)第一输入端F1:K为数据降维模块(02)输出，第二输入端{C1,...Ci}和
为松弛因子和核函数参数调整模块(033)输出，输出端C,
α1:N为未知信号的威胁判定测试模块(04)的第二输入端，用于选择最优的模型参数。
一种基于支持向量数据描述的超短波威胁信号感知方法，所述的方法包括如下步骤：
步骤S1：信号采集，调节我方通信设备工作在各种工作模式和多组通信频率，设置信号采集模块(00)接收增益和采样频率，采集实际场景下的我方超短波信号；
步骤S2：信号时频分析，设置时频分析模块(01)以合理的短时傅里叶分析窗长和相邻窗重叠度，计算短时傅里叶分析后复数信号的模，模值幅度对应于图像深度信息生成RGB时频谱图(011)；构建我方信号的时频谱图数据库；
步骤S3：数据降维，数据降维模块(02)利用图像预处理方法灰度化RGB时频谱图，然后基于主成分分析算法(022)对灰度化时频谱图降维处理，选择合理的特征向量维度；
步骤S4：训练支持向量数据描述模型，构建支持向量数据描述模型(030)，引入拉格朗日乘因子构建代价函数(031)，凸优化代价函数计算支持向量数据描述模型参数，改变松弛因子和核函数参数(033)再次凸优化计算参数，在众多组模型参数中选择最优参数值(034)。
步骤S5：威胁信号感知测试，实时测试阶段(04)将空间未知信号数字下变频、时频分析、数据降维，再根据支持向量数据描述模型判定未知信号是否为我方信号，否则判定为潜在威胁信号。
有益效果
与现有技术相比，本发明的有益效果为：
1、能够智能判别空间未知信号来自我方通信设备还是潜在威胁信号，本发明通过对信号时频分析和数据降维，提取能体现信号特征的低维向量，训练支持向量描述模型构建囊括所有我方通信信号特征向量的最小超球体，落入超球体外的信号则可判定为潜在威胁信号。
2、模型训练数据易获取。模型训练过程中不需要威胁信号作为训练数据，只需少部分有标签的威胁信号用于选取最优模型参数，即松弛因子和核函数参数。
3、模型适应和性迁移强。若在实际应用过程中我方超短波信号数据库在不断的扩充与完备，可以通过增量学习微调模型参数来做适应性调整，而不需要完全重新训练模型；本发明能够迁移到短波、微波或其他频段的威胁信号感知。
4、运算实时性强。降维后特征向量维度很低，在支持向量数据描述模型离线训练之后，判别模型在线测试阶段只需执行简单的距离计算操作即可得出感知结果，具有很强的计算实时性。
附图说明
图1为本发明提出的一种基于支持向量数据描述的超短波威胁信号感知方法原理框图。
图2为时频分析模块原理框图。
图3为数据降维模块原理框图。
图4为支持向量描述模型训练原理框图。
图5为降维后特征向量可视化图。
图6为识别率随松弛因子和核函数参数变化曲面图。
具体实施方式
为了使本发明的目的、技术方案及具体的实现方式更加明了，以下结合附图对本发明的具体实现步骤进一步详细说明。应当理解，此处所描述的具体实施案例仅用以解释本发明，并不用于限定本发明。
本发明基于支持向量数据描述的超短波威胁信号感知方法，实现了对形式各异超短波潜在威胁信号的智能感知。
图1展示了本发明提出的基于支持向量数据描述的超短波威胁信号感知方法原理框图，完成威胁信号感知包括如下具体步骤：
步骤S1：信号采集，我方超短波通信设备开机调节各种工作模式和多组通信频率，设置信号采集模块(00)接收增益和采样率，采集实际场景下的我方超短波通信信号。
步骤S2：信号时频分析(01)，构建我方超短波信号时频谱图数据库，包括以下子步骤：
子步骤S21：将采集的时域波形信号分帧处理，利用滑动窗口对基带复数信号进行短时傅里叶分析(010)，傅里叶分析输出为：
式中，w(.)为长度为N′的窗函数，k表示窗口的滑动，ωf＝2πf/N′表示频率f对应的离散频率，X(f,m)为第m帧信号频率为f的离散傅里叶变换系数，相邻窗函数有一定程度重叠。
子步骤S22：计算短时傅里叶分析后信号模值，模值幅度对应于图像深度信息转化成RGB时频谱图。
步骤S3：数据降维(02)，包括以下子步骤：
子步骤S31：双三次插值法(Bicubic interpolation)降低时频谱图分辨率，再消除图像色调和饱和度信息只保留亮度信息，将RGB时频谱图转化为灰度图(020)，灰度图像表示为：
G(x,y)＝0.2989*r+0.5870*g+0.1140*b
式中，r、g和b分别对应彩色图像的R、G、B分量。
子步骤S32：二维的灰度图数据转换为一维向量数据，
表示训练数据对应的灰度图向量，均值归一化(021)：
子步骤S33：对向量化训练数据
做主成分分析(Principal ComponentAnalysis,PCA)(022)，计算样本
的协方差矩阵GGT，对协方差矩阵做特征值分解：
GGTP＝λP
式中，λ为协方差矩阵特征值，P为特征值对应的特征向量，取出最大的K个特征值{λ1,λ1,...λK}所对应的特征向量，构建低维空间投影矩阵P＝{p1,p2,...pK}，计算低维特征向量：
F1:K＝G1:MP
降维后数据投影到二维平面可视化，如图5所示我方信号具有明显聚类特性，并且我方信号与威胁信号特征具有明显可分性。
步骤S4：训练支持向量数据描述模型(03)，包括以下子步骤：
子步骤S41:构建支持向量数据描述模型(030)，只用目标样本训练数据集(我方通信信号特征向量)
模型中引入松弛变量以避免过拟合现象，构建模型优化目标函数为：
约束条件为：
其中，
为希尔伯特空间的特征映射，径向R和a分别表示超球体半径和中心，松弛因子变量ξ可容许部分目标位于超球体外，模型中初始化设置松弛因子和径向基函数RBF宽度参数。
子步骤S42:构建代价函数(031)，引入拉格朗日乘因子α和β，构建代价函数为：
子步骤S43：凸优化代价函数计算支持向量数据描述模型参数(032)，代价函数L中R，a和ξ分别求偏微分，置零，得到:
偏微分置零后等式带入代价函数，有：
约束条件为：
求解可得拉格朗日乘因子α。
子步骤S44:改变松弛因子和核函数参数(033)继续执行子步骤S43计算凸优化后拉格朗日因子，直到遍历所有的松弛因子和径向基函数RBF宽度参数组合。
子步骤S45：在众多组模型参数中选择最优值(034)，利用我方通信信号特征向量测试数据和已掌握的威胁信号特征向量测试数据，通过判决函数得出测试结果，判决函数为：
式中，超球体半径为：
其中，xsv为边界支持向量，a为超球体中心。根据判决函数可将样本进行分类，若
则样本位于超球体内，判定信号为我方信号；若
则样本位于超球体外，检测到威胁信号。
识别结果混淆矩阵中TP(True Positive)表示目标被接收为目标，FN(FalseNegative)表示目标判定为非目标，FP(FalsePositive)表示非目标被判定为目标，TN(TrueNegative)表示非目标判定为非目标。识别率定义为样本识别正确的概率，即
图6为松弛因子和核函数参数随模型识别率的曲面图，识别率主要受径向基函数RBF宽度参数的影响，根据识别率准则选取最优模型参数。
步骤S5：在线威胁信号感知(04)，将空间未知信号数字下变频、时频分析、数据降维，根据支持向量数据描述模型判定未知信号是否为我方信号，否则为潜在威胁信号。结果显示当测试信号为威胁信号时判定为威胁信号的概率100％，测试信号为我方信号时只有1.5％概率误判为威胁信号，提出的方法能够非常准确的感知到威胁信号。
最后所应该说明的是：以上具体的实施步骤主要是用来说明本发明的具体实现过程，而非限制本发明的技术方案，尽管该部分针对具体的实现实例进行了详细的说明，该领域的技术人员都应该理解：依然可以对本发明进行修改或者等同替换，而不能脱离本发明的精神和范围的任何修改或者局部替换，其均应该涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于支持向量数据描述模型的超短波威胁信号感知方法，其特征在于：包括信号采集、时频分析、数据降维、信号数据库构建、支持向量数据描述模型训练和在线威胁信号感知；
所述的信号采集的输入为空间中传播的我方通信信号x(n)，输出端采集的复数信号xI(n)+j*xQ(n)连接时频分析模块的输入端；
所述的时频分析模块输入端为采集复数信号xI(n)+j*xQ(n)，输出端时频谱图F(r,g,b)连接数据降维模块的输入端，构建我方超短波通信信号的时频谱图数据库；
所述的数据降维模块输入端为信号时频谱图F(r,g,b)，输出端F1:K连接支持向量数据描述模型训练模块；
所述的支持向量数据描述模型训练模块输入端F1:K，输出支持向量数据描述模型参数C,
α1:N；
所述的在线威胁感知模块第一输入端x′(n)空间中未知类别信号，经过数字下变频、时频分析和数据降低维度转化为低维度特征向量F′1:K，第二输入端支持向量数据描述模型参数C,
α1:N，输出感知结果。
2.根据权利要求1所述的超短波威胁信号感知方法，其特征在于，包括如下步骤：
步骤S1：信号采集，我方通信设备发射信号，利用射频板卡数字下变频信号进行数据采集；
步骤S2：信号时频分析，构建我方信号时频谱图数据库；
步骤S3：数据降维，利用图像预处理方法灰度化RGB时频谱图，然后基于主成分分析理论降维处理；
步骤S4：训练支持向量数据描述模型，采用拉格朗日相乘法计算模型参数，再选择最优模型参数；
步骤S5：在线威胁信号感知。
3.根据权利要求2所述的超短波威胁信号感知方法，其特征在于，所述信号时频分析，包括如下步骤：
步骤S21：利用滑动窗口短时傅里叶分析复数基带信号，相邻窗函数有一定程度重叠；
步骤S22：计算短时傅里叶分析后信号模值，模值幅度对应于图像深度信息生成RGB时频谱图。
4.根据权利要求1或2所述的超短波威胁信号感知方法，其特征在于，所述信号数据库构建，将生成的时频谱图和对应信号类型标签一一对应，并以统一数据格式进行储存。
5.根据权利要求2所述的超短波威胁信号感知方法，其特征在于，所述用于RGB时频谱图降维方法，包括如下步骤：
步骤S31：双三次插值法(Bicubic interpolation)降低时频谱图分辨率，然后将低分辨率RGB时频谱图灰度化；
步骤S32：二维的灰度图数据转换为一维向量，去均值归一化；
步骤S33：对向量化数做主成分分析(Principal Component Analysis,PCA)，构建低维空间投影矩阵，投影计算低维特征向量。
6.根据权利要求1或4所述的超短波威胁信号感知方法，所述用于支持向量数据描述模型训练方法，其特征在于，包括如下步骤：
步骤S41：引入希尔伯特空间的特征映射、松弛因子变量，构建支持向量数据描述模型，确定模型优化目标函数和约束条件；
步骤S42：引入拉格朗日乘因子，构建代价函数；
步骤S43：凸优化代价函数，计算支持向量数据描述模型参数；
步骤S44:改变松弛因子和核函数参数再次凸优化后拉格朗日因子，直到遍历所有的松弛因子和核函数参数组合；
步骤S45：选择最优模型参数。
7.根据权利要求2所述的超短波威胁信号感知方法，其特征在于，所述在线威胁信号感知为数字下变频空间中未知信号；时频分析基带复信号，数据降维转换为低维特征向量；利用训练的支持向量数据描述模型，依据判定原则感知未知信号为我方信号或潜在威胁信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010230505.2A CN111597873B (zh) | 2020-03-27 | 2020-03-27 | 一种基于支持向量数据描述的超短波威胁信号感知方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010230505.2A CN111597873B (zh) | 2020-03-27 | 2020-03-27 | 一种基于支持向量数据描述的超短波威胁信号感知方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111597873A true CN111597873A (zh) | 2020-08-28 |
| CN111597873B CN111597873B (zh) | 2022-10-11 |
Family
ID=72188624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010230505.2A Active CN111597873B (zh) | 2020-03-27 | 2020-03-27 | 一种基于支持向量数据描述的超短波威胁信号感知方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111597873B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112067938A (zh) * | 2020-09-30 | 2020-12-11 | 国网冀北电力有限公司计量中心 | 居民用电采集装置、居民用电负荷识别方法及识别装置 |
| CN114358064A (zh) * | 2021-12-23 | 2022-04-15 | 中国人民解放军海军工程大学 | 一种基于深度支持向量数据描述的干扰检测装置及方法 |
| CN115022010A (zh) * | 2022-05-30 | 2022-09-06 | 南京尤尼泰信息科技有限公司 | 一种ntp客户端智能抗欺骗方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160107742A (ko) * | 2015-03-05 | 2016-09-19 | 국방과학연구소 | Svm기반 레이더 스캔형태 인식방법 및 장치 |
| CN109444831A (zh) * | 2018-09-06 | 2019-03-08 | 中国人民解放军战略支援部队航天工程大学 | 一种基于迁移学习的雷达干扰决策方法 |
| CN110245595A (zh) * | 2019-06-05 | 2019-09-17 | 重庆邮电大学 | 基于时频谱图和二维主成分分析的机械轴承故障诊断方法 |
| KR20190132899A (ko) * | 2018-05-21 | 2019-11-29 | 엔비노드 주식회사 | 함정용 전자파 정밀 분석 시스템 및 방법 |
| CN110866887A (zh) * | 2019-11-04 | 2020-03-06 | 深圳市唯特视科技有限公司 | 一种基于多传感器的目标态势融合感知方法和系统 |
-
2020
- 2020-03-27 CN CN202010230505.2A patent/CN111597873B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160107742A (ko) * | 2015-03-05 | 2016-09-19 | 국방과학연구소 | Svm기반 레이더 스캔형태 인식방법 및 장치 |
| KR20190132899A (ko) * | 2018-05-21 | 2019-11-29 | 엔비노드 주식회사 | 함정용 전자파 정밀 분석 시스템 및 방법 |
| CN109444831A (zh) * | 2018-09-06 | 2019-03-08 | 中国人民解放军战略支援部队航天工程大学 | 一种基于迁移学习的雷达干扰决策方法 |
| CN110245595A (zh) * | 2019-06-05 | 2019-09-17 | 重庆邮电大学 | 基于时频谱图和二维主成分分析的机械轴承故障诊断方法 |
| CN110866887A (zh) * | 2019-11-04 | 2020-03-06 | 深圳市唯特视科技有限公司 | 一种基于多传感器的目标态势融合感知方法和系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112067938A (zh) * | 2020-09-30 | 2020-12-11 | 国网冀北电力有限公司计量中心 | 居民用电采集装置、居民用电负荷识别方法及识别装置 |
| CN114358064A (zh) * | 2021-12-23 | 2022-04-15 | 中国人民解放军海军工程大学 | 一种基于深度支持向量数据描述的干扰检测装置及方法 |
| CN114358064B (zh) * | 2021-12-23 | 2022-06-21 | 中国人民解放军海军工程大学 | 一种基于深度支持向量数据描述的干扰检测装置及方法 |
| CN115022010A (zh) * | 2022-05-30 | 2022-09-06 | 南京尤尼泰信息科技有限公司 | 一种ntp客户端智能抗欺骗方法及系统 |
| CN115022010B (zh) * | 2022-05-30 | 2023-12-15 | 南京尤尼泰信息科技有限公司 | 一种ntp客户端智能抗欺骗方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111597873B (zh) | 2022-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111597873B (zh) | 一种基于支持向量数据描述的超短波威胁信号感知方法 | |
| CN103091679B (zh) | 水下运动目标识别方法 | |
| CN112087774B (zh) | 一种基于残差神经网络的通信辐射源个体识别方法 | |
| Ristea et al. | Estimating the magnitude and phase of automotive radar signals under multiple interference sources with fully convolutional networks | |
| Huang et al. | Radar waveform recognition based on multiple autocorrelation images | |
| CN114239657A (zh) | 一种基于复值干涉神经网络的时序信号识别方法 | |
| CN115828085A (zh) | 联合迁移学习和监督学习的电磁谱辐射源智能识别方法 | |
| CN113780521B (zh) | 一种基于深度学习的辐射源个体识别方法 | |
| CN113723200B (zh) | 一种非平稳信号的时频谱结构特征提取方法 | |
| CN107526064A (zh) | 基于二维特征的自适应lfm信号参数估计方法 | |
| CN115600101B (zh) | 一种基于先验知识的无人机信号智能检测方法及装置 | |
| Kim et al. | GPR image enhancement based on frequency shifting and histogram dissimilarity | |
| KR20000016287A (ko) | 고차 상관 및 다수의 입력 정보 융합을 위한 다항식 필터 | |
| CN115345216A (zh) | 一种融合先验信息的fmcw雷达干扰消除方法 | |
| CN116010798A (zh) | 一种基于YOLOv5的复杂典型通信信号快速识别分类方法 | |
| CN113281729B (zh) | 一种基于多帧空间谱联合处理的目标自动检测方法及系统 | |
| CN114814773A (zh) | 基于光学模数转换系统的目标成像与识别方法与系统 | |
| Tan et al. | Dynamic open set specific emitter identification via multi‐channel reconstructive discriminant network | |
| Yu et al. | A new method for radar emitter individual identification based on VMD and multi-image feature combination | |
| CN117914378B (zh) | 一种5g直放站信号处理方法及系统 | |
| CN112051557B (zh) | 一种基于时频特征量化分析的有源干扰在线认知方法 | |
| CN117997690B (zh) | 一种类对比学习式水声信号调制识别系统及识别方法 | |
| JP2806814B2 (ja) | 目標自動検出方式 | |
| CN116500618B (zh) | 一种高频超视距雷达测距与模糊环境成像的实现方法 | |
| Li et al. | A Deep Convolutional Network for Multi-Type Signal Detection in Spectrogram |
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 |