CN111693945B - 脉间调制方式识别方法、系统、计算机设备及存储介质 - Google Patents
脉间调制方式识别方法、系统、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111693945B CN111693945B CN202010565241.6A CN202010565241A CN111693945B CN 111693945 B CN111693945 B CN 111693945B CN 202010565241 A CN202010565241 A CN 202010565241A CN 111693945 B CN111693945 B CN 111693945B
- Authority
- CN
- China
- Prior art keywords
- modulation
- chain code
- modulation mode
- pulse
- code values
- 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
- 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
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种脉间调制方式识别方法、系统、计算机设备及存储介质,其包括:将接收到的未知雷达信号的到达时间序列转换为二维图像数据,并进行初步筛选及参数优化;对初步筛选后的到达时间序列采用密度聚类算法完成雷达信号的分选;对聚类分选后的结果进行图像中链码及拐点转化,实现对雷达信号调制方式识别。本发明通过对获取二维图像数据进行检测、滤波、聚类、识别方法,提升分选精度,解决复杂脉间调制方式的识别难题。
Description
技术领域
本发明涉及一种信号识别技术领域,特别是关于一种基于序列拐点链码值的脉间调制方式识别方法、系统、计算机设备及存储介质。
背景技术
不同平台获取雷达信号交叠严重,环境内辐射源数量多,同时包括常规、参差、抖动、正弦、滑变等多种复杂调制方式,以及功率变化、测量误差、脉冲丢失、相对运动等因素影响现有分选算法较难实现分选,无法有效的对脉间信号进行识别及参数估计。因此,急需能够适应复杂电磁环境,对多种工作状态、多种体制及复杂调制方式的雷达信号进行分选识别的方法。
常用辐射源识别手段包括脉内信息获取、直方图法、脉冲重复间隔变换法及神经网络法等。利用脉内调制信息,但脉冲持续时间短,难以准确提取;利用典型的累积差值(CDIF)和序列差值(SDIF)等直方图法,但在脉冲数量较多时,对丢失的脉冲很敏感,并且谐波抑制很差;脉冲重复间隔变换算法,可以很好的避免谐波问题,对参差等类型具有较好的分析效果,但是该方法缺少抑制谐波能力,使得抖动和滑变等变化复杂的信号序列无法分选;采用神经网络进行信号分离,其数学描述是多变量的非线性方程组,模型较为复杂,运算速度较慢。
发明内容
针对上述问题,本发明的目的是提供一种脉间调制方式识别方法、系统、计算机设备及存储介质,其能有效提高分选精度,解决复杂脉间调制方式的识别难题。
为实现上述目的,本发明采取以下技术方案:一种脉间调制方式识别方法,其包括以下步骤:将接收到的未知雷达信号的到达时间序列转换为二维图像数据,并进行初步筛选及参数优化;对初步筛选后的到达时间序列采用密度聚类算法完成雷达信号的分选;对聚类分选后的结果进行图像中链码及拐点转化,实现对雷达信号调制方式识别。
进一步,所述雷达信号调制方式识别方法为:将密度聚类分选后的结果根据其线条的不同走势方向求解其链码值;对链码值进行直方图处理,并将链码值的直方图按照升序进行排列,则可得到重新编排后的归一化链码值的直方图,实现对不同的调制方式进行初步区分;结合拐点间线段长度及归一化链码值构建决策树,对常见的调制方式进行识别;结合现有人工智能技术,对未知调制类型信号及脉冲丢失频繁类型信号进行识别。
进一步,所述拐点间线段长度获取方法为:(1)拐点值由链码值进行确定,当链码之间的差值大于1时,则称之为拐点;(2)对于拐点太过密集的区域进行弯曲度计算,将弯曲度小于预先设定阈值的点作为伪拐点消除;(3)求解相邻两拐点之间的距离。
进一步,建立调制方式决策树,对常见的调制方式完成不同调制方式识别:对所求链码值进行归一化直方图处理,根据归一化情况确定a类、b类和c类调制方式;对b类链码进行拐点求解,消除伪拐点后,对相邻两拐点之间的距离进行求解,当相邻线段的值相等时,则判断为三角波调制,当相邻线段的值不相等时,则判断为滑变调制;根据c类链码值分布情况,当链码值均匀变化且在预先设定值相对集中时为正弦调制,链码值随机变化且均匀分布时为抖动,否则为未知调制方式。
进一步,根据所述归一化情况将调制方式区分为三类:a.链码值在1或2个相邻值内分布集中,其他链码值很少,为常规调制、参差调制;b.链码值在3或4个值内分布集中,其他链码值很少,为三角波或滑变调制;c.链码值在3或4个值内分布集中,其他链码值仍有分布,为正弦调制、抖动调制或其他调制方式。
进一步,针对未知调制类型信号,构建层次部件树,根据对象的特征进行类别的判断,方法如下:(1)利用已知归一化链码值将未知调制方式分为1,2,…,n种不同调制方式,形成第一层节点树;(2)利用已知求解的拐点及线段分布情况进一步区分为1,2,…,m种不同调制方式,形成第二层节点树;(3)利用链码值具体分布情况,确定不同的调制方式,将具有相同归一化链码值、拐点及线段、链码分布情况的调制方式归为一类,并记录到常见调制方式中进行识别。
进一步,针对雷达脉冲信号丢失频繁情况,采用基于相似性的智能调制方式识别方法进行识别,步骤如下:(1)分别分割残缺脉冲信号集合和已知脉冲调制方式集合,提取分块后部分的归一化链码值、拐点及线段、链码分布情况构建特征向量,构造描述分块调制方式的特征向量;(2)比对分割残缺脉冲信号集合和已知脉冲调制方式集合的特征向量,求取它们的相似度量值;(3)将已知调制方式的特征向量向缺脉冲信号的特征向量进行迁移,将残缺脉冲信号的分割子块对应已知调制方式的特征向量,并保留高于设定阈值的标记并标注,组合分割模块获取残缺信号调制方式类别,如果与已有调制方式相似则归为同类,否则标注为新型调制方式类别。
一种脉间调制方式识别系统,其包括初步处理模块、信号分选模块和识别模块;所述初步处理模块将接收到的未知雷达信号的到达时间序列转换为二维图像数据,并进行初步筛选及参数优化;所述信号分选模块对初步筛选后的到达时间序列采用密度聚类算法完成雷达信号的分选;所述识别模块对聚类分选后的结果进行图像中链码及拐点转化,实现对雷达信号调制方式识别。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一个或多个的方法。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述一个或多个的方法。
本发明由于采取以上技术方案,其具有以下优点:本发明通过对获取二维图像数据进行检测、滤波、聚类、识别方法,提升分选精度,解决复杂脉间调制方式的识别难题。
附图说明
图1是本发明脉间调制方式识别方法流程示意图;
图2是基于密度聚类的雷达信号分选方法示意图;
图3是本发明实施方式中八邻域链码示意图;
图4是本发明实施方式中链码方向及拐点形式说明;
图5是本发明实施方式中基于决策树的调制方式识别方法示意图;
图6是本发明实施方式中未知调制类型层次部件树示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。然而应当理解,附图的提供仅为了更好地理解本发明,它们不应该理解成对本发明的限制。
如图1所示,本发明提供一种基于序列拐点链码值的脉间调制方式识别方法,包括以下步骤:
S1、将接收到的未知雷达信号的到达时间序列转换为二维图像数据,并进行初步筛选及参数优化。
平台在接收到未知雷达信号到达时间序列后,根据脉冲重复间隔(PRI)规律变化的特点,利用“累积变换”的数学原理,运用平面变换及栅格变换将一维的时间脉冲序列转换为二维图像数据;
调节不同平面宽度值,依次出现不同调制信号对应的累积特征曲线,获取脉冲信号TOA二维变换后在平面上的分布特点;利用平面熵求解方法完成对二维变换宽度搜索,利用平面熵极小值确定特征曲线,消除倍频特征曲线、分频特征曲线,通过自动搜寻算法实现脉冲重复间隔(PRI)周期的初步筛选及参数优化。
S2、对初步筛选后的到达时间序列采用密度聚类算法完成雷达信号的分选。
具体方法为:
首先确定密度聚类的半径,分析到达时间序列分布密度聚类情况,如果其周围密度聚类半径内到达时间序列数目大于预先设定的阈值,则聚类;
同时对该半径邻域内的其他到达时间序列进行重复操作,如果邻域到达时间序列也满足上述要求,则继续聚类;
对所有经过初选后的到达时间序列重复以上步骤,获取全部满足聚类要求的序列点,完成雷达信号分选。
如图2所示,基于密度聚类雷达信号分选方法具体步骤如下:
S21、利用图像全域内点的距离计算求解变换点,确定基于密度聚类的半径,领域最少到达时间序列数目;
S22、从图像中任意选出一个点开始进行领域查询,并且判断其领域内的到达时间序列点数量是否等于或大于预先设定的最少到达时间序列数目。若达到条件,则对该点进行聚类,并进行标记,否则不对其进行聚类标记,如图2中的P1为聚类标记对象,Px、Py为非聚类标记对象;
S23、如果对象P1为聚类标记对象,则以P1为中心,寻找其密度聚类半径内是否有其他到达时间序列满足聚类要求,即对该聚类标记对象中的到达时间序列进行递归检查。
例如,取出密度聚类半径内一点q,如果q满足等于或大于指定的最少到达时间序列数目,则对q进行与P1同样的聚类标记,并且对q区域内的到达时间序列进行聚类处理;如果q不满足聚类要求,则仅仅将其标记,并且从列表中删除,如图2中,P2、P3、P4、P5均为核心对象,与P1存在相同的列表中;
S24、重复步骤S22和步骤S23,直至满足密度聚类条件的到达时间序尽可能的归到聚类中,如图2所示,同时找出那些不属于任何聚类的噪声点及其他雷达信号。
S3、对聚类分选后的结果进行图像中链码及拐点转化,实现对雷达信号调制方式识别。
具体方法为:
S31、将密度聚类分选后的结果根据其线条的不同走势方向求解其链码值;
聚类后的每个到达时间序列都可以由一串{0,1,…,7}中的元素组成的链码来近似描述,如图3所示。不同的方向存在不同的链码值,将聚类后的曲线以找到的第一个点作为轮廓的起始点,按照从上到下从左到右的顺序在图像中搜索,即可通过第一个点和后续两两相邻的到达时间序列唯一确定聚类分选后的特征曲线链码值,如图4所示,其决定的链码值方向依次为0-0-0-6-6-6-5-5-4-2-2-1-2-4-2。
S32、对链码值进行直方图处理,并将链码值的直方图按照升序进行排列,则可得到重新编排后的归一化链码值的直方图,实现对不同的调制方式进行初步区分。
利用归一化链码值的直方图的曲线特性,包括平移不变性、缩放不变性、旋转不变性,使得不同的调制情况的归一化链码直方图不同,而相同的调制方式由于其平移、缩放、旋转后属性不变,具有相同的归一化链码直方图,根据这一属性,项目利用归一化的链码值情况对不同的调制方式进行初步区分。
S33、结合拐点间线段长度及归一化链码值构建决策树,对常见的调制方式进行识别;
但仍然存在相同归一化链码直方图的情况,例如三角波调制及滑变调制,两种调制方式后信号均在3到4个链码值出有较为密集的值,而在其他链码值附近存在值较少,因此引入拐点及拐点间线段求解对其进行区分。
拐点间线段长度获取方法为:
(1)拐点值由链码值进行确定,当链码之间的差值大于1时,则称之为拐点,如图4所示,其中,起始点,1,2,…,8均为拐点。
(2)对于拐点太过密集的区域进行弯曲度计算,将弯曲度小于预先设定阈值的点作为伪拐点消除,在图4中,3、4及6、7中,选择4、7作为拐点,3、6作为伪拐点。
(3)完成拐点求解后,求解相邻两拐点之间的距离:当相邻线段的值相等时,则判断为三角波调制,当相邻线段的值不相等时,则判断为滑变调制。
建立调制方式决策树,对常见的调制方式完成不同调制方式识别,如图5所示。具体建立方法为:
S331、完成平面变换、滤波处理、链码求解、信号分选后,对所求链码值进行归一化直方图处理,根据归一化情况确定调制方式。
根据归一化情况可将调制方式区分为三类:
a.链码值在1或2个相邻值内分布集中,其他链码值很少,为常规调制、参差调制;
b.链码值在3或4个值内分布集中,其他链码值很少,为三角波或滑变调制;
c.链码值在3或4个值内分布集中,其他链码值仍有一定分布,为正弦调制、抖动调制或其他调制方式。
S332、对b类链码进行拐点求解,消除伪拐点后,对相邻两拐点之间的距离进行求解,当相邻线段的值相等时,则判断为三角波调制,当相邻线段的值不相等时,则判断为滑变调制。
S333、根据c类链码值分布情况,当链码值均匀变化且在预先设定值相对集中时为正弦调制,链码值随机变化且均匀分布时为抖动,否则为未知调制方式。
S34、结合现有人工智能技术,对未知调制类型信号及脉冲丢失频繁类型信号进行识别,以适应复杂电磁环境对雷达信号识别带来的影响。
针对未知调制类型信号,构建如图6所示的层次部件树,根据对象的特征进行类别的判断,并将人工智能中有关的学习、知识表示、推理等技术用于调制方式识别中,具体识别方法如下:
(1)利用已知归一化链码值将未知调制方式分为1,2,…,n种不同调制方式,形成第一层节点树;
(2)利用已知求解的拐点及线段分布情况进一步区分为1,2,…,m种不同调制方式,形成第二层节点树;
(3)利用链码值具体分布情况,确定不同的调制方式,将具有相同归一化链码值、拐点及线段、链码分布情况的调制方式归为一类,并可记录到图5的常见调制方式中,方便后续调制方式识别。
针对雷达脉冲信号丢失频繁情况,采用基于相似性的智能调制方式识别方法进行识别。其具体方法为确定调制类型间的归一化链码值、拐点及线段、链码分布情况等特征相似度量,将已有调制方式的特征相似度量与残缺脉冲信号的相似度量进行比对,统计之间的相似性实现调制方式识别。调制方式之间的相似度越高,它们之间也应该越为相近。该方法对于残缺脉冲信号能够有效提高其性能,增强其学习效果。
基于相似性的智能调制方式识别方法包括如下步骤:
(1)分别分割残缺脉冲信号集合和已知脉冲调制方式集合,提取分块后部分的归一化链码值、拐点及线段、链码分布等情况构建特征向量,构造描述分块调制方式的特征向量;
(2)比对分割残缺脉冲信号集合和已知脉冲调制方式集合的特征向量,求取它们的相似度量值;
(3)将已知调制方式的特征向量向缺脉冲信号的特征向量进行迁移,将残缺脉冲信号的分割子块对应已知调制方式的特征向量,并保留高于设定阈值的标记并标注,组合分割模块获取残缺信号调制方式类别,如果与已有调制方式相似则归为同类,否则标注为新型调制方式类别。
本发明还提供一种脉间调制方式识别系统,其包括初步处理模块、信号分选模块和识别模块;
初步处理模块将接收到的未知雷达信号的到达时间序列转换为二维图像数据,并进行初步筛选及参数优化;
信号分选模块对初步筛选后的到达时间序列采用密度聚类算法完成雷达信号的分选;
识别模块对聚类分选后的结果进行图像中链码及拐点转化,实现对雷达信号调制方式识别。
本发明还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述各实施例中的无接触活动区域识别方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述各实施例中的无接触活动区域识别方法。
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、系统、和计算机程序产品的流程图和方框图来描述的。应理解可由计算机程序指令实现流程图和方框图中的每一流程和方框、以及流程图和方框图中的流程和方框的结合。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 (8)
1.一种脉间调制方式识别方法,其特征在于包括以下步骤:
将接收到的未知雷达信号的到达时间序列转换为二维图像数据,并进行初步筛选及参数优化;
对初步筛选后的到达时间序列采用密度聚类算法完成雷达信号的分选;
对聚类分选后的结果进行图像中链码及拐点转化,实现对雷达信号调制方式识别;
所述雷达信号调制方式识别方法为:
将密度聚类分选后的结果根据其线条的不同走势方向求解其链码值;
对链码值进行直方图处理,并将链码值的直方图按照升序进行排列,则可得到重新编排后的归一化链码值的直方图,实现对不同的调制方式进行初步区分;
结合拐点间线段长度及归一化链码值构建决策树,对常见的调制方式进行识别;常见的调制方式包括常规调制、参差调制、三角波调制、滑变调制、正弦调制和抖动调制;
结合现有人工智能技术,对未知调制类型信号及脉冲丢失频繁类型信号进行识别。
2.如权利要求1所述脉间调制方式识别方法,其特征在于:所述拐点间线段长度获取方法为:
(1)拐点值由链码值进行确定,当链码之间的差值大于1时,则称之为拐点;
(2)对于拐点太过密集的区域进行弯曲度计算,将弯曲度小于预先设定阈值的点作为伪拐点消除;
(3)求解相邻两拐点之间的距离。
3.如权利要求1所述脉间调制方式识别方法,其特征在于,建立调制方式决策树,对常见的调制方式完成不同调制方式识别:
对所求链码值进行归一化直方图处理,根据归一化情况确定a类、b类和c类调制方式;
对b类链码进行拐点求解,消除伪拐点后,对相邻两拐点之间的距离进行求解,当相邻线段的值相等时,则判断为三角波调制,当相邻线段的值不相等时,则判断为滑变调制;
根据c类链码值分布情况,当链码值均匀变化且在预先设定值相对集中时为正弦调制,链码值随机变化且均匀分布时为抖动调制,否则为未知调制方式;
其中,a类调制方式为:链码值在1或2个相邻值内分布集中,其他链码值很少,为常规调制或参差调制;
b类调制方式为:链码值在3或4个值内分布集中,其他链码值很少,为三角波或滑变调制;
c类调制方式为:链码值在3或4个值内分布集中,其他链码值仍有一定分布,为正弦调制、抖动调制或未知调制方式。
4.如权利要求1所述脉间调制方式识别方法,其特征在于,针对未知调制类型信号,构建层次部件树,根据对象的特征进行类别的判断,方法如下:
(1)利用已知归一化链码值将未知调制方式分为1,2, …,n种不同调制方式,形成第一层节点树;
(2)利用已知求解的拐点及线段分布情况进一步区分为1,2,…,m种不同调制方式,形成第二层节点树;
(3)利用链码值具体分布情况,确定不同的调制方式,将具有相同归一化链码值、拐点及线段、链码分布情况的调制方式归为一类,并记录到常见调制方式中进行识别。
5.如权利要求1所述脉间调制方式识别方法,其特征在于,针对雷达脉冲信号丢失频繁情况,采用基于相似性的智能调制方式识别方法进行识别,步骤如下:
(1)分别分割残缺脉冲信号集合和已知脉冲调制方式集合,提取分块后部分的归一化链码值、拐点及线段、链码分布情况构建特征向量,构造描述分块调制方式的特征向量;
(2)比对分割残缺脉冲信号集合和已知脉冲调制方式集合的特征向量,求取它们的相似度量值;
(3)将已知调制方式的特征向量向缺脉冲信号的特征向量进行迁移,将残缺脉冲信号的分割子块对应已知调制方式的特征向量,并保留高于设定阈值的标记并标注,组合分割模块获取残缺信号调制方式类别,如果与已有调制方式相似则归为同类,否则标注为新型调制方式类别。
6.一种脉间调制方式识别系统,其特征在于包括:初步处理模块、信号分选模块和识别模块;
所述初步处理模块将接收到的未知雷达信号的到达时间序列转换为二维图像数据,并进行初步筛选及参数优化;
所述信号分选模块对初步筛选后的到达时间序列采用密度聚类算法完成雷达信号的分选;
所述识别模块对聚类分选后的结果进行图像中链码及拐点转化,实现对雷达信号调制方式识别;
所述雷达信号调制方式识别方法为:
将密度聚类分选后的结果根据其线条的不同走势方向求解其链码值;
对链码值进行直方图处理,并将链码值的直方图按照升序进行排列,则可得到重新编排后的归一化链码值的直方图,实现对不同的调制方式进行初步区分;
结合拐点间线段长度及归一化链码值构建决策树,对常见的调制方式进行识别;常见的调制方式包括常规调制、参差调制、三角波调制、滑变调制、正弦调制和抖动调制;
结合现有人工智能技术,对未知调制类型信号及脉冲丢失频繁类型信号进行识别。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-5所述方法中的任一方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5所述方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010565241.6A CN111693945B (zh) | 2020-06-19 | 2020-06-19 | 脉间调制方式识别方法、系统、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010565241.6A CN111693945B (zh) | 2020-06-19 | 2020-06-19 | 脉间调制方式识别方法、系统、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111693945A CN111693945A (zh) | 2020-09-22 |
CN111693945B true CN111693945B (zh) | 2023-05-09 |
Family
ID=72482177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010565241.6A Active CN111693945B (zh) | 2020-06-19 | 2020-06-19 | 脉间调制方式识别方法、系统、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111693945B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156391B (zh) * | 2021-04-25 | 2022-08-05 | 电子科技大学 | 一种雷达信号多维特征智能分选方法 |
CN113255751B (zh) * | 2021-05-17 | 2022-11-11 | 北京理工大学 | 一种基于时间序列分割的多功能雷达状态序列聚类方法 |
CN114584212B (zh) * | 2022-04-15 | 2023-12-08 | 中国电子科技集团公司第三十四研究所 | 一种特征相似度分析的调制格式与光信噪比监测方法 |
CN114595732B (zh) * | 2022-05-10 | 2022-07-29 | 西安晟昕科技发展有限公司 | 基于深度聚类的雷达辐射源分选方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005055363A (ja) * | 2003-08-06 | 2005-03-03 | Mitsubishi Electric Corp | レーダパラメータ最適化装置 |
CN105277923A (zh) * | 2015-11-20 | 2016-01-27 | 清华大学 | 一种单通道雷达信号分选方法 |
CN107843876A (zh) * | 2017-09-14 | 2018-03-27 | 福建雷神网盾电子科技有限公司 | 一种雷达脉冲重频的分选方法及设备 |
CN109683143A (zh) * | 2019-03-07 | 2019-04-26 | 西安电子科技大学 | 雷达信号分选方法、装置、计算机设备及可存储介质 |
CN110764063A (zh) * | 2019-10-15 | 2020-02-07 | 哈尔滨工程大学 | 一种基于sdif与pri变换法结合的雷达信号分选方法 |
-
2020
- 2020-06-19 CN CN202010565241.6A patent/CN111693945B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005055363A (ja) * | 2003-08-06 | 2005-03-03 | Mitsubishi Electric Corp | レーダパラメータ最適化装置 |
CN105277923A (zh) * | 2015-11-20 | 2016-01-27 | 清华大学 | 一种单通道雷达信号分选方法 |
CN107843876A (zh) * | 2017-09-14 | 2018-03-27 | 福建雷神网盾电子科技有限公司 | 一种雷达脉冲重频的分选方法及设备 |
CN109683143A (zh) * | 2019-03-07 | 2019-04-26 | 西安电子科技大学 | 雷达信号分选方法、装置、计算机设备及可存储介质 |
CN110764063A (zh) * | 2019-10-15 | 2020-02-07 | 哈尔滨工程大学 | 一种基于sdif与pri变换法结合的雷达信号分选方法 |
Non-Patent Citations (1)
Title |
---|
张怡霄 等.基于聚类和时序相关的重点雷达信号快速识别.系统工程与电子技术.2020,第42卷(第42期),597-602. * |
Also Published As
Publication number | Publication date |
---|---|
CN111693945A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111693945B (zh) | 脉间调制方式识别方法、系统、计算机设备及存储介质 | |
CN112036074B (zh) | 一种高脉冲密度环境下雷达信号分选方法及系统 | |
Li et al. | Automatic pavement crack detection by multi-scale image fusion | |
Amhaz et al. | Automatic crack detection on two-dimensional pavement images: An algorithm based on minimal path selection | |
D'Elia et al. | A tree-structured Markov random field model for Bayesian image segmentation | |
Lalitha et al. | A survey on image segmentation through clustering algorithm | |
Fernandes et al. | Pavement pathologies classification using graph-based features | |
CN103559724A (zh) | 一种高粘连度细胞环境下的多细胞同步跟踪方法 | |
CN111091101B (zh) | 基于一步法的高精度行人检测方法、系统、装置 | |
CN111104398B (zh) | 针对智能船舶近似重复记录的检测方法、消除方法 | |
CN104867137A (zh) | 一种基于改进ransac算法的图像配准方法 | |
CN106600965B (zh) | 基于尖锐度的交通流早晚高峰时段自动识别方法 | |
Santos et al. | Counting vehicle with high-precision in brazilian roads using yolov3 and deep sort | |
Rios et al. | Comparison of the yolov3 and ssd mobilenet v2 algorithms for identifying objects in images from an indoor robotics dataset | |
Wang et al. | Application of an Improved U-Net Neural Network on Fracture Segmentation from Outcrop Images | |
Nguyen et al. | A robust approach for road pavement defects detection and classification | |
Xie et al. | A four-stage product appearance defect detection method with small samples | |
CN113128584A (zh) | 一种多功能雷达脉冲序列的模式级无监督分选方法 | |
Khare et al. | Keyframe extraction using binary robust invariant scalable keypoint features | |
Akther et al. | Detection of Vehicle's Number Plate at Nighttime using Iterative Threshold Segmentation (ITS) Algorithm | |
CN109951409B (zh) | 一种确定调制信号类别的方法及系统 | |
CN109471106B (zh) | 结合聚类分析和边界跟踪法的sar海洋内波条纹识别方法 | |
Bao et al. | Influence of boundary extraction operators on boundary shape classification algorithms based on complex networks | |
CN110852355B (zh) | 一种基于knn的标签数据分类方法 | |
Morales et al. | Transition regions detection from satellite images based on evolutionary region growing segmentation |
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 |