CN111707995A - 一种基于有限穿越可视图的雷达天线扫描方式识别方法 - Google Patents
一种基于有限穿越可视图的雷达天线扫描方式识别方法 Download PDFInfo
- Publication number
- CN111707995A CN111707995A CN202010566006.0A CN202010566006A CN111707995A CN 111707995 A CN111707995 A CN 111707995A CN 202010566006 A CN202010566006 A CN 202010566006A CN 111707995 A CN111707995 A CN 111707995A
- Authority
- CN
- China
- Prior art keywords
- lpvg
- nodes
- scanning
- network
- scanning mode
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000000007 visual effect Effects 0.000 title claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000012567 pattern recognition method Methods 0.000 description 10
- 230000000737 periodic effect Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
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
- G01S7/40—Means for monitoring or calibrating
- G01S7/4004—Means for monitoring or calibrating of parts of a radar system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (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
本发明公开了一种基于有限穿越可视图的雷达天线扫描方式识别方法,涉及生活用品技术领域,包括以下步骤:提取LPVG网络特征参数;训练SVM分类并输入LPVG网络特征参数;确定LPVG网络特征参数与天线扫描方式的映射关系。通过提取LPVG网络特征参数以及训练SVM分类并输入LPVG网络特征参数和确定LPVG网络特征参数与天线扫描方式的映射关系,结合支持向量机分类器进行天线扫描方式识别,实现抗噪声能力强、网络连接紧密、长程连接多以及识别率高。
Description
技术领域
本发明涉及生活用品技术领域,具体来说,涉及一种基于有限穿越可视图的雷达天线扫描方式识别方法。
背景技术
认知电子战要求电子侦察系统能够对获取和拦截的未知雷达信息进行实时分析,评估其威胁程度。天线作为雷达的电磁能辐射装置,其扫描特性可以作为定位雷达的手段。更重要的是,对敌方天线扫描方式的准确识别,是识别雷达工作状态和评估雷达威胁的重要依据,这是因为搜索或跟踪目标时,雷达天线波束会采取不同的方式扫描指定空域。因此,提高天线扫描方式的识别准确率对提升电子战系统认知能力具有重要意义。
起初天线扫描方式(AST)识别依靠操作员经验,通过利用耳机和秒表完成。随着技术的发展,现代AST识别大多根据侦察接收机所截获信号的特征参数进行自动分类识别。例如,提取主瓣平坦比、主瓣峰值、振幅差等参数结合决策树分类器进行识别。当SNR为20dB时,识别准确率达到94%。然而决策树分类器需要依靠专家经验设定分类阈值,引入了人为误差。另外提出首先利用最大主瓣特征对机械扫描和电子扫描进行区分,而后利用峭度、主瓣个数、主瓣幅度差值等特征区分不同的机械扫描方式。当SNR为10dB时,识别准确率达到85%。此方法虽利用支持向量机分类避免了人为误差,但与上述相同,其特征值直接从信号中提取,无法较好地避免噪声的干扰。类似地,还有也聚焦于提出新的特征参数,通过增加特征维度来提高识别准确率,虽然取得了一定效果,但识别方法抗噪性能的提升不明显。因此,还有提出了利用图形信号处理方法识别天线扫描方式的新思路,通过图形特征描述时间序列相似性,利用BP神经网络和支持向量机等分类器进行识别。当SNR为8dB时,识别准确率达到93%。但该方法所使用的传统可视图模型易受噪声点隔断,且紧密性和长程连接性尚存问题,因此,目前主要包括三方面:
1)在复杂电磁环境下,噪声不可避免地会影响接收机侦收的PA-TOA序列。而识别又依赖于序列值起伏变化规律,因此需要尽可能削减噪声的影响;
2)是PA-TOA序列的宏观趋势没有得到有效利用,仅注重各主瓣附近的微观特征而忽略主瓣与主瓣间的宏观趋势是不合理的;
3)识别方法的改进仅通过提升特征维数收效甚微,需要采用新模型从不同角度对PA-TOA序列进行描述,以提高识别准确率。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种基于有限穿越可视图的雷达天线扫描方式识别方法,以克服现有相关技术所存在的上述技术问题。
本发明的技术方案是这样实现的:
一种基于有限穿越可视图的雷达天线扫描方式识别方法,包括以下步骤:
步骤S1,提取LPVG(limited penetrable visibility graph,有限穿越可视图模型)网络特征参数;
步骤S2,训练SVM(Support Vector Machine,支持向量机分类器)分类并输入LPVG网络特征参数;
步骤S3,确定LPVG网络特征参数与天线扫描方式的映射关系,其中分类函数表示为:
其中,SV为支持向量,ai为拉格朗日乘子,k(xi,x)为核函数,xi、yi为具体类别中的支持向量,b为阈值。
其中,所述提取LPVG网络特征参数包括平均度、聚集系数、信息熵和复杂程度。
其中,所述平均度当节点数固定时,平均度越大,表明网络中连线越多,其节点i通过di条边与di个节点相连,则di称为节点i的度;
其中,所述聚集系数当节点数固定时,聚集系数越大,网络协调性越好,越容易渗透,此时网络中单个节点的毁坏不会对整体产生较大影响,其节点i通过di条边与di个节点相连,则di个节点间最多可能存在di(di―1)/2条边,设di个节点间实际存在的连边数量为Di,则对于节点i的聚类系数表示为:
其中,所述信息熵用于表示系统的无序程度或混乱程度,信息熵越大说明系统不确定性越大,对于存在N个节点的LPVG网络,信息熵表示为:
对信息熵进行归一化,表示为:
其中,Emax为信息熵理论最大值,此时所有节点互相连接,Emin为信息熵理论最小值,此时所有节点仅与相邻两点互相连接,两者表示如下:
其中,所述复杂程度通过LPVG矩阵特征值来表示网络复杂性的参数,可以体现二值化图形边缘的数量。对于存在N个节点的LPVG网络,复杂程度表示为:
R=4rnorm(1―rnorm)
其中,rnorm为归一化矩阵最大特征值,表示为:
其中,进一步包括将数据点定义为网络节点,定义有限穿越视距M,规定若网络中的两节点相连,当且仅当与节点对应的两个直方条之间的连线被位于其间的其他直方条截断次数m≤M时,认为两节点有限穿越可视,其数据点之间满足可视性规则的连线定义为网络连边,可视性准则表示为:
其中,(ta,xa)和(tb,xb)为时间序列中任意两点a和b的坐标值;(tc,xc)为a和b之间的任意一点c的坐标值;ta、tb和tc满足ta<tc<tb。
本发明的有益效果:
本发明基于有限穿越可视图的雷达天线扫描方式识别方法,通过提取LPVG网络特征参数以及训练SVM分类并输入LPVG网络特征参数和确定LPVG网络特征参数与天线扫描方式的映射关系,而通过提取LPVG网络特征参数,增加了网络连边数量,提升了网络连接的紧密型,更好地保留了周期序列规则的几何结构,利于周期序列与非周期序列的区分;另外具有更多的长程连接,保留了时间序列宏观波动趋势,有利于微观相似但宏观有差异的序列区分;此外增强了小范围网络连线穿越能力,使网络不易受噪声点隔断,利于提升在低信噪比情况下特征参数区分度,再结合支持向量机分类器进行天线扫描方式识别,实现抗噪声能力强、网络连接紧密、长程连接多以及识别率高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于有限穿越可视图的雷达天线扫描方式识别方法的流程示意图;
图2是根据本发明实施例的一种基于有限穿越可视图的雷达天线扫描方式识别方法的圆周扫描示意图;
图3是根据本发明实施例的一种基于有限穿越可视图的雷达天线扫描方式识别方法的圆周扫描主瓣PA-TOA图;
图4是根据本发明实施例的一种基于有限穿越可视图的雷达天线扫描方式识别方法的扇形扫描示意图;
图5是根据本发明实施例的一种基于有限穿越可视图的雷达天线扫描方式识别方法的扇形扫描主瓣PA-TOA图;
图6是根据本发明实施例的一种基于有限穿越可视图的雷达天线扫描方式识别方法的螺旋扫描示意图;
图7是根据本发明实施例的一种基于有限穿越可视图的雷达天线扫描方式识别方法的螺旋扫描主瓣PA-TOA图;
图8是根据本发明实施例的一种基于有限穿越可视图的雷达天线扫描方式识别方法的光栅扫描示意图;
图9是根据本发明实施例的一种基于有限穿越可视图的雷达天线扫描方式识别方法的光栅扫描主瓣PA-TOA图;
图10是根据本发明实施例的一种基于有限穿越可视图的雷达天线扫描方式识别方法的圆锥扫描示意图;
图11是根据本发明实施例的一种基于有限穿越可视图的雷达天线扫描方式识别方法的圆锥扫描主瓣PA-TOA图;
图12是根据本发明实施例的一种基于有限穿越可视图的雷达天线扫描方式识别方法的机电混合扫描主瓣PA-TOA图;
图13是根据本发明实施例的一种基于有限穿越可视图的雷达天线扫描方式识别方法的二维电子扫描主瓣PA-TOA图;
图14是根据本发明实施例的一种基于有限穿越可视图的雷达天线扫描方式识别方法的有限穿越可视图矩阵二值化图像,图中(a)圆周;(b)扇形;(c)螺旋;(d)光栅;(e)圆锥;(f)机电混扫;(g)二维电扫;
图15是根据本发明实施例的一种基于有限穿越可视图的雷达天线扫描方式识别方法的机械扫描与相控阵扫描方式识别结果;
图16是根据本发明实施例的一种基于有限穿越可视图的雷达天线扫描方式识别方法的不同机械扫描方式识别结果。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明的实施例,提供了一种基于有限穿越可视图的雷达天线扫描方式识别方法。
如图1所示,根据本发明实施例的基于有限穿越可视图的雷达天线扫描方式识别方法,包括以下步骤:
提取LPVG网络特征参数;
训练SVM分类并输入LPVG网络特征参数;
确定LPVG网络特征参数与天线扫描方式的映射关系,其中分类函数表示为:
其中,SV为支持向量,ai为拉格朗日乘子,k(xi,x)为核函数,xi、yi为具体类别中的支持向量,b为阈值。
其中,所述提取LPVG网络特征参数包括平均度、聚集系数、信息熵和复杂程度。
其中,所述平均度当节点数固定时,平均度越大,表明网络中连线越多,其节点i通过di条边与di个节点相连,则di称为节点i的度;
其中,所述聚集系数当节点数固定时,聚集系数越大,网络协调性越好,越容易渗透,此时网络中单个节点的毁坏不会对整体产生较大影响,其节点i通过di条边与di个节点相连,则di个节点间最多可能存在di(di―1)/2条边,设di个节点间实际存在的连边数量为Di,则对于节点i的聚类系数表示为:
其中,所述信息熵用于表示系统的无序程度或混乱程度,信息熵越大说明系统不确定性越大,对于存在N个节点的LPVG网络,信息熵表示为:
对信息熵进行归一化,表示为:
其中,Emax为信息熵理论最大值,此时所有节点互相连接,Emin为信息熵理论最小值,此时所有节点仅与相邻两点互相连接(首尾节点只与相邻一点互相连接),两者表示如下:
其中,所述复杂程度通过LPVG矩阵特征值来表示网络复杂性的参数,可以体现二值化图形边缘的数量。对于存在N个节点的LPVG网络,复杂程度表示为:
R=4rnorm(1―rnorm)
其中,rnorm为归一化矩阵最大特征值,表示为:
其中,进一步包括将数据点定义为网络节点,定义有限穿越视距M,规定若网络中的两节点相连,当且仅当与节点对应的两个直方条之间的连线被位于其间的其他直方条截断次数m≤M时,认为两节点有限穿越可视,其数据点之间满足可视性规则的连线定义为网络连边,可视性准则表示为:
其中,(ta,xa)和(tb,xb)为时间序列中任意两点a和b的坐标值;(tc,xc)为a和b之间的任意一点c的坐标值;ta、tb和tc满足ta<tc<tb。
借助于上述技术方案,通过提取LPVG网络特征参数以及训练SVM分类并输入LPVG网络特征参数和确定LPVG网络特征参数与天线扫描方式的映射关系,而通过提取LPVG网络特征参数,增加了网络连边数量,提升了网络连接的紧密型,更好地保留了周期序列规则的几何结构,利于周期序列与非周期序列的区分;另外具有更多的长程连接,保留了时间序列宏观波动趋势,有利于微观相似但宏观有差异的序列区分;此外增强了小范围网络连线穿越能力,使网络不易受噪声点隔断,利于提升在低信噪比情况下特征参数区分度,再结合支持向量机分类器进行天线扫描方式识别,实现抗噪声能力强、网络连接紧密、长程连接多以及识别率高。
另外,圆周扫描、扇形扫描、螺旋扫描、光栅扫描、圆锥扫描和相控阵扫描是6种常见天线扫描方式。在不同扫描方式下,截获的脉冲信号幅度(pulse amplitude,PA)特性随脉冲到达时间(time of arrival,TOA)的变化规律也各不相同,具体的:
1)圆周扫描:
如图2-图3所示,圆周扫描是一种经典的天线机械扫描方式,可以提供方位角和距离信息,常用于远程搜索雷达或跟踪雷达的搜索模式。由于圆扫不提供仰角信息,因此搜索时需要宽仰角覆盖。同时为了提高方位分辨力,常采用窄方位波束。圆扫时,侦收到的脉冲幅度表示为:
其中,Ap为波束工作截获点上的脉冲幅度标准值;F(θi)为圆周扫描水平波束增益函数值;TC为圆周扫描周期;Ci为截获圆周扫描脉冲的系统稳定系数。
2)扇形扫描:
如图4-图5所示,扇形扫描与圆周扫描类似,不同的是扇形扫描仅对特定角度范围进行扫描,可以满足快速扫描的要求。扇形扫描包括单向扇形扫描和双向扇形扫描两种类型。以单向扇扫为例,侦收到的脉冲幅度表示为:
其中,Ap为波束工作截获点上的脉冲幅度标准值;F(θj)为扇形扫描水平波束增益函数值;Tsf为扇形扫描周期;Ta为波束到达极限位置的回扫时间间隔;Ci为截获扇形扫描脉冲的系统稳定系数。
3)螺旋扫描:
如图6-图7所示,螺旋扫描同样是搜索状态常用的雷达扫描方式之一。螺旋扫描在方位上进行圆周快速扫描,同时仰角缓慢上升,当仰角到达顶点后迅速降到起点重新开始扫描。根据工作方式可知,螺旋扫描可以同时提供方位信息和仰角信息。螺旋扫描时侦收到的信号功率表示为:
其中,Pt为雷达辐射功率;Gr为雷达在接收机方向的发射天线增益;Gr为接收机天线增益;λ为雷达信号波长;Rr为雷达与接收机的距离;θ为雷达波束与Y轴的夹角;为雷达波束与XOY平面的夹角;r为辐射源与侦察设备之间的距离。由于信号功率为信号幅度的平方,易知信号幅度。螺旋扫描信号幅度的变化规律取决于角度θ、和螺旋扫描周期的关系。
4)光栅扫描:
如图8-图9所示,光栅扫描以平行线覆盖一个角度区域进行逐行扫描,可同时提供方位信息和仰角信息,具有方位上快扫、仰角上慢扫的特点。光栅扫描时侦收到的信号功率与式3相同。以光栅扫描时方位角θ∈(0°,90°),仰角为例,式3中θ、可表示为:
其中,v为光栅扫描速率;L为光栅扫描行的长度;r为雷达与接收机之间的距离。
5)圆锥扫描:
如图10-图11所示,圆锥扫描通常用于目标跟踪,侦收到的信号幅度与雷达、接收机相对位置密切相关。当接收机位于圆锥体中心时,侦收到的信号幅度类似于圆周扫描,此时信号幅度最大。当接收机位于圆锥体内其他位置时,信号幅度将受半径限制。锥扫时,侦收到的脉冲幅度表示为:
其中,Ap为波束工作截获点上的脉冲幅度标准值;F(θh)为圆锥扫描水平波束增益函数值;Tsb为圆锥扫描周期;Ch为截获圆锥扫描脉冲的系统稳定系数。
6)相控阵扫描:
如图12-图13所示,相控阵雷达通过控制天线各辐射单元的馈电相位,使波束指向快速变化。相控阵扫描与机械扫描不同,其信号幅度为离散值无法通过统一的表达式进行描述。相控阵扫描规律体现为位于法线方向附近相邻波束之间的波束幅度跃度较小,随着扫描方位角θ的增大,波束跃度按1/cosθ增大。同时,由于相控阵扫描的灵活性,可以对重点跟踪目标或重点搜索方向上发射多个重复周期的雷达信号,即增加天线波束对该方向的驻留时间,实现所谓的“烧穿”。
由线列阵组成的相控阵雷达仅具有二维扫描功能,即仅提供方位角信息。若要实现三维扫描,需进行机电混合扫描(也可称为一维电扫)或二维电扫。机电混合扫描作为一种折中方法,利用相控阵仰角扫描和圆周方位扫描的组合进行目标搜索、跟踪和测量,此时方位角θ均匀变化、仰角φ随机变化。二维电扫通过对阵列进行扩展实现三维信息的获取,此时方位角θ和仰角φ都随机变化。
另外,如图14所示,更好地提取LPVG网络特征,将网络转化为LPVG矩阵。构造矩阵的规则为:若在点a和点b之间存在连线,则矩阵的第a行第b列为1,否则为0。图中展示了SNR=10,M=1时不同天线扫描方式对应LPVG矩阵的二值化图像。
LPVG网络模型作为图形信号处理方法具有尺度变化特征不变的特点,可直接提取时间长度和采样率不一致的信号序列特征,无需进行预处理。不同的是,LPVG还具有以下优点:一是增加了网络连边数量,提升了网络连接的紧密型,更好地保留了周期序列规则的几何结构。有利于周期序列与非周期序列的区分,例如图中e和图中g。二是具有更多的长程连接,保留了时间序列宏观波动趋势。有利于微观相似但宏观有差异的序列区分,例如图中a和图中c。三是增强了小范围网络连线穿越能力,使网络不易受噪声点隔断。有利于提升在低信噪比情况下特征参数区分度,例如图中a和图中b。
另外,在一个实施例中,如图15-图16所示,
1)机械扫描与相控阵扫描方式识别:
第一组实验为机械扫描、机电混合扫描和二维电扫的识别。在不同SNR情况下分别进行50次蒙特卡洛仿真后识别结果如图15。本文方法对于机械扫描、机电混合扫描和二维电扫的识别准确率随着SNR增加而增加,当SNR为5dB时,识别准确率达到86%;8dB时,识别准确率达到91%;10dB时,识别准确率达到92%;20dB时,识别准确率达到98%。可实现兼具LPVG方法对噪声点穿越能力强、网络连接紧密、长程连接多和SVM不引入人为误差的优点,识别效果较好,如表1所示,对机械扫描与相控阵扫描方式识别结果(SNR≥5):
表1
表1为SNR在5dB及以上机械扫描、机电混合扫描和二维电扫的识别结果。每类扫描方式识别结果包括SNR为5dB、10dB、15dB、20dB、25dB和30dB时测试集样本各10组,共60组。机械扫描包括圆周扫描、扇形扫描、螺旋扫描、光栅扫描和圆锥扫描。由表可知,本文方法对机械扫描、机电混合扫描和二维电扫的平均识别准确率均超过91%。对机电混合扫描的识别效果相对较差,因为机电混合扫描兼具机械扫描和二维电扫的特点,易与其他两者出现识别混叠。
2)不同机械扫描方式识别:
第二组实验为不同类型机械扫描的识别。在不同SNR情况下分别进行50次蒙特卡洛仿真后识别结果如图16。对于不同类型机械扫描的识别准确率随着SNR增加而增加,当SNR为5dB时,识别准确率达到84%;8dB时,识别准确率达到94%;10dB时,识别准确率达到95%;20dB时,识别准确率达到97%。如表2所示,不同机械扫描方式识别结果(SNR≥5)
表2
其表2为SNR在5dB及以上不同类型机械扫描的识别结果。由表可知,本文方法对不同类型机械扫描的平均识别准确率均超过91%。错误的分类集中在圆周扫描和螺旋扫描之间,原因是二者工作原理存在较强的相关性,导致特征值区分度较低。相比之下方法对扇形扫描和圆锥扫描的识别率较高。
借助于上述方案,基于LPVG的雷达扫描方式识别方法。在对圆周扫描、扇形扫描、螺旋扫描、光栅扫描、圆锥扫描和相控阵扫描(包含机电混扫和二维电扫)6类雷达扫描方式进行分析的基础上,鉴于LPVG对噪声点穿越能力强、网络连接紧密、长程连接多的优点,将PA-TOA序列转化为LPVG网络并提取特征参数,最后利用SVM分类器进行天线扫描方式识别。仿真结果表明,本文方法可以较好地对6类雷达扫描方式进行分类识别。当SNR为5dB时,机械扫描、机电混合扫描和二维电扫识别准确率达到86%,不同类型机械扫描识别准确率达到84%;当信噪比为5dB及以上时,平均识别准确率不低于91%。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
2.根据权利要求1所述的基于有限穿越可视图的雷达天线扫描方式识别方法,其特征在于,所述提取LPVG网络特征参数包括平均度、聚集系数、信息熵和复杂程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010566006.0A CN111707995A (zh) | 2020-06-19 | 2020-06-19 | 一种基于有限穿越可视图的雷达天线扫描方式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010566006.0A CN111707995A (zh) | 2020-06-19 | 2020-06-19 | 一种基于有限穿越可视图的雷达天线扫描方式识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111707995A true CN111707995A (zh) | 2020-09-25 |
Family
ID=72541267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010566006.0A Pending CN111707995A (zh) | 2020-06-19 | 2020-06-19 | 一种基于有限穿越可视图的雷达天线扫描方式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111707995A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112380928A (zh) * | 2020-10-30 | 2021-02-19 | 浙江工业大学 | 基于圆系有限穿越可视图建网的调制信号分类方法及系统 |
CN113985395A (zh) * | 2021-10-26 | 2022-01-28 | 北京环境特性研究所 | 一种雷达引导光电伺服转台搜索目标的方法及系统 |
CN114578293A (zh) * | 2022-02-28 | 2022-06-03 | 中国人民解放军国防科技大学 | 一种利用截获信号幅度值的电扫雷达信号识别方法 |
CN115034261A (zh) * | 2022-05-26 | 2022-09-09 | 云南财经大学 | 雷达辐射源信号脉间特征提取方法、设备及存储介质 |
-
2020
- 2020-06-19 CN CN202010566006.0A patent/CN111707995A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112380928A (zh) * | 2020-10-30 | 2021-02-19 | 浙江工业大学 | 基于圆系有限穿越可视图建网的调制信号分类方法及系统 |
CN112380928B (zh) * | 2020-10-30 | 2024-04-02 | 浙江工业大学 | 基于圆系有限穿越可视图建网的调制信号分类方法及系统 |
CN113985395A (zh) * | 2021-10-26 | 2022-01-28 | 北京环境特性研究所 | 一种雷达引导光电伺服转台搜索目标的方法及系统 |
CN114578293A (zh) * | 2022-02-28 | 2022-06-03 | 中国人民解放军国防科技大学 | 一种利用截获信号幅度值的电扫雷达信号识别方法 |
CN115034261A (zh) * | 2022-05-26 | 2022-09-09 | 云南财经大学 | 雷达辐射源信号脉间特征提取方法、设备及存储介质 |
CN115034261B (zh) * | 2022-05-26 | 2023-08-22 | 云南财经大学 | 雷达辐射源信号脉间特征提取方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111707995A (zh) | 一种基于有限穿越可视图的雷达天线扫描方式识别方法 | |
Cheng et al. | Robust waveform and filter bank design of polarimetric radar | |
CN104898113B (zh) | 一种多输入多输出雷达波形设计方法 | |
CN106707255B (zh) | 一种相控阵雷达仿真系统及方法 | |
CN112068119B (zh) | 一种被动雷达导引头对雷达和诱饵干扰的识别方法 | |
CN107561509B (zh) | 一种机载毫米波雷达电力线检测方法 | |
CN110764059B (zh) | 一种收发垂直波束三坐标相控阵雷达方法 | |
CN109143230A (zh) | 一种应用于s波段穿墙雷达的二维波达方向估计方法 | |
Pengcheng et al. | Radar group target recognition based on HRRPs and weighted mean shift clustering | |
CN113933834B (zh) | 圆柱扫描微波成像方法 | |
Wan et al. | Radar antenna scan pattern intelligent recognition using visibility graph | |
CN113671485A (zh) | 基于admm的米波面阵雷达二维doa估计方法 | |
CN109001690B (zh) | 基于馈电网络的时域空间域结合的雷达目标检测方法 | |
Songtao et al. | Automatic radar antenna scan type recognition based onlimited penetrable visibility graph | |
Wang et al. | Task scheduling for multi-target ISAR imaging in radar network | |
CN108845298B (zh) | 基于杂波映射的自适应波束形成方法 | |
CN113359196A (zh) | 基于子空间法和dbf的多目标生命体征探测方法 | |
Zhang et al. | Radar operation mode recognition via multifeature residual-and-shrinkage convnet | |
CN116539643B (zh) | 一种使用雷达识别煤岩数据的方法及系统 | |
CN116520274B (zh) | 一种用于煤岩识别三维高精度预探的识别雷达系统 | |
Li et al. | Time Domain Attention Mechanism Based Multi-Functional Radar Working Mode Recognition | |
Han et al. | A New Method for Detecting Radar Target Electromagnetic Spectrum Shift | |
CN112363106B (zh) | 基于量子粒子群的信号子空间波达方向检测方法及系统 | |
Pengfei et al. | Anti-swarm UAV radar system based on detection data fusion | |
Wang et al. | An ISAR Autofocus Imaging Algorithm Based on FCN and Transfer Learning |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200925 |