CN112069987B - 一种基于统计流形寻优降维的干扰类型自动识别方法 - Google Patents
一种基于统计流形寻优降维的干扰类型自动识别方法 Download PDFInfo
- Publication number
- CN112069987B CN112069987B CN202010919093.3A CN202010919093A CN112069987B CN 112069987 B CN112069987 B CN 112069987B CN 202010919093 A CN202010919093 A CN 202010919093A CN 112069987 B CN112069987 B CN 112069987B
- Authority
- CN
- China
- Prior art keywords
- interference
- space
- dimensional manifold
- manifold space
- signal
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
本发明公开了一种基于统计流形寻优降维的干扰类型自动识别方法。首先,利用到达角、载频、脉宽、到达时间、幅度等脉冲描述字构造干扰信号空时频统计特征集合;然后,利用噪声调幅、噪声调频、复制转发、梳状谱等干扰样式先验信息构造多维流形空间;最后,将干扰类型识别问题转化为流形上的信息几何估计问题,并通过多维流形空间信号分量和噪声分量分离等技术手段,降维估计高分离度的干扰信号多维流形空间,作为高置信度干扰信号分类识别的依据。
Description
技术领域
本发明涉及电子对抗技术领域。
背景技术
对干扰类型的精准实时判别是认知化干扰抑制的基本前提。实时干扰类型识别方法虽然具备良好的工程应用潜力和一定鲁棒性,但是在应对辐射样式灵活多变的新体制干扰设备时可能存在如下缺陷:首先,通过对干扰源侦收信号进行多维度时频分析可从不同角度定义大量特征参量,特征参量的扩张一方面将极大的复杂化识别处理流程,另一方面也将在一定程度上降低识别流程的鲁棒性;其次,该方法中所采纳的硬判决方式难以自动兼容未知的新型复杂干扰样式。从干扰样式/类型识别的角度出发,前述各种时频参量重要性不一,也即其所能提供的鉴别能力不同。如何有效的自动凝练各参量提供的鉴别能力和鉴别角度是干扰认知领域一个难题。
本发明利用信息几何(Information Geometry)给出面向干扰样式自动识别的干扰特征参量降维分类方法。
发明内容
本发明提出了一种基于统计流形寻优降维的干扰类型自动识别方法,能够提升雷达系统在复杂电磁环境下的电磁环境综合感知能力,为自适应抗干扰雷达系统辅助性决策提供关键信息支撑。
实现本发明的技术解决方案为:从信息几何的角度出发,利用观测干扰信号有限维的奇异值特征矢量自动凝练干扰信号观察样本蕴含的多维流形空间特征,实现干扰信号观察样本空时频特征的降维提取,即以有标签干扰实测数据作为训练样本,通过多维流形空间信号分量U和噪声分量Λ降维分离等技术手段,迭代估计干扰信号空时频统计特征f(x)和多维流形空间g(x),实现高置信度干扰信号分类识别。具体步骤如下:
步骤1:利用脉冲描述字初始化干扰信号空时频统计特征f(x),x为干扰信号样本,为干扰信号描述字构成的观察样本集合;同时,利用干扰样式先验信息初始化多维流形空间g(y),其中y为干扰信号样本,为干扰类型集合;
步骤2:从观测样本集合中选n个样本,对于每个样本(xi,yi)估计干扰信号空时频特征的分布PX(xi),并更新干扰信号空时频统计特征:
其中,Δ为常数;
步骤3:从观测样本集合中选n个样本,利用观测干扰信号样本(xi,yi)估计多维流形空间特征分布PY(yi),并更新典型干扰类型多维流形空间:
其中,Δ为常数;
步骤5:基于归一化干扰类型多维流形空间估计结果,构造干扰几何流形空间相关矩阵:
步骤6:利用干扰几何流形空间相关矩阵,采用SVD方式降维提取干扰多维流形空间信号分量U和噪声分量Λ:
[U Λ]=eig(Φ);
步骤7:利用信号分量和噪声分量,重构干扰多维流形空间:
本发明从信息几何(Information Geometry)角度出发,利用干扰信号在多维流形空间的低冗余、高分离度特征,构建了基于统计流形寻优降维的干扰类型自动识别方法,从本质上解决因干扰参数交叠和复杂体制干扰源样式随机变化所带来的干扰类型分类识别困难,提高雷达对复杂电磁环境的综合感知能力,为雷达抗干扰提供关键信息支撑,具备良好的工程应用潜力。
下面结合附图对本发明做进一步详细的描述。
附图说明
图1为一种基于统计流形寻优降维的干扰类型自动识别方法摘要附图;
具体实施方式
下面结合附图和具体实施方式对本发明做更进一步的具体说明。
本发明提出了一种基于统计流形寻优降维的干扰类型自动识别方法,利用电子侦察与分析模块输出的各脉冲特征参数与已知干扰类型的先验信息构造多维流形空间;基于多维度统计量和干扰类型在多维流形空间上的匹配关系,迭代估计干扰信号空时频统计特征和多维流形空间。然后基于干扰类型多维流形空间估计结果,构造干扰几何流形空间相关矩阵,并采用SVD方式降维提取干扰多维流形空间信号分量和噪声分量,重构干扰多维流形空间。最后利用降维凝练的低冗余干扰多维流形空间,完成干扰信号类型的识别。如图1所示,本发明实施例步骤如下:
步骤1:利用到达角、载频、脉宽、到达时间、幅度等脉冲描述字初始化干扰信号空时频统计特征f(x),x为干扰信号样本,为干扰信号描述字构成的观察样本集合;同时,利用典型噪声调幅、噪声调频、复制转发、梳状谱等干扰样式先验信息初始化多维流形空间g(y),y为干扰信号样本,为干扰类型集合。
步骤2:从观测样本集合中选n个样本,对于每个样本(xi,yi)估计干扰信号空时频特征的分布PX(xi),并更新干扰信号空时频统计特征
其中,Δ为常数。
步骤3:从观测样本集合中选n个样本,利用观测干扰信号样本(xi,yi)估计多维流形空间特征分布PY(yi),并更新典型干扰类型多维流形空间
其中,Δ为常数。
步骤5:基于归一化干扰类型多维流形空间估计结果,构造干扰几何流形空间相关矩阵
步骤6:利用干扰几何流形空间相关矩阵,采用SVD方式降维提取干扰多维流形空间信号分量和噪声分量U和Λ
[U Λ]=eig(Φ)
步骤7:利用信号分量和噪声分量,重构干扰多维流形空间
Claims (1)
1.一种基于统计流形寻优降维的干扰类型自动识别方法,其特征在于:
步骤1:利用脉冲描述字初始化干扰信号空时频统计特征f(x),x为干扰信号样本,为干扰信号描述字构成的观察样本集合;同时,利用干扰样式先验信息初始化多维流形空间g(y),其中y为干扰信号样本,为干扰类型集合;
步骤2:从观测样本集合中选n个样本,对于每个样本(xi,yi)估计干扰信号空时频特征的分布PX(xi),并更新干扰信号空时频统计特征:
其中,Δ为常数;
步骤3:从观测样本集合中选n个样本,利用观测干扰信号样本(xi,yi)估计多维流形空间特征分布PY(yi),并更新典型干扰类型多维流形空间:
其中,Δ为常数;
步骤5:基于归一化干扰类型多维流形空间估计结果,构造干扰几何流形空间相关矩阵:
步骤6:利用干扰几何流形空间相关矩阵,采用SVD方式降维提取干扰多维流形空间信号分量U和噪声分量Λ:
[U Λ]=eig(Φ);
步骤7:利用信号分量和噪声分量,重构干扰多维流形空间:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010919093.3A CN112069987B (zh) | 2020-09-04 | 2020-09-04 | 一种基于统计流形寻优降维的干扰类型自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010919093.3A CN112069987B (zh) | 2020-09-04 | 2020-09-04 | 一种基于统计流形寻优降维的干扰类型自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112069987A CN112069987A (zh) | 2020-12-11 |
CN112069987B true CN112069987B (zh) | 2023-04-18 |
Family
ID=73665067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010919093.3A Active CN112069987B (zh) | 2020-09-04 | 2020-09-04 | 一种基于统计流形寻优降维的干扰类型自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069987B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628481A (zh) * | 2023-07-21 | 2023-08-22 | 江西红声技术有限公司 | 电子对抗信源识别方法、系统、计算机及可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108919203B (zh) * | 2018-05-21 | 2022-04-22 | 西安电子科技大学 | 一种雷达有源干扰的识别方法及系统 |
CN110084126B (zh) * | 2019-03-29 | 2022-01-28 | 西安电子科技大学 | 一种基于Xgboost的卫星通信干扰样式识别方法 |
CN110426680B (zh) * | 2019-07-20 | 2022-05-24 | 中国船舶重工集团公司第七二四研究所 | 一种基于干扰信号时频及相关系数多维特征联合分类方法 |
-
2020
- 2020-09-04 CN CN202010919093.3A patent/CN112069987B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112069987A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197209B (zh) | 一种基于多特征融合的辐射源识别方法 | |
CN111582320B (zh) | 一种基于半监督学习的动态个体识别方法 | |
Deng et al. | Radio frequency fingerprint extraction based on multidimension permutation entropy | |
Zhang et al. | WiFi-based cross-domain gesture recognition via modified prototypical networks | |
CN111050315B (zh) | 一种基于多核双路网络的无线发射机识别方法 | |
Ghadimi et al. | Deep learning-based approach for low probability of intercept radar signal detection and classification | |
CN113014524B (zh) | 一种基于深度学习的数字信号调制识别方法 | |
CN110929842B (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
CN111160317B (zh) | 微弱信号盲提取方法 | |
Zhang et al. | Modulated autocorrelation convolution networks for automatic modulation classification based on small sample set | |
Li | A new robust signal recognition approach based on holder cloud features under varying SNR environment | |
CN111222442A (zh) | 一种电磁信号分类方法和装置 | |
CN112735460A (zh) | 基于时频掩蔽值估计的波束成形方法及系统 | |
CN111680737A (zh) | 差异性信噪比条件下的雷达辐射源个体识别方法 | |
CN114595732A (zh) | 基于深度聚类的雷达辐射源分选方法 | |
CN111310719B (zh) | 一种未知辐射源个体识别及检测的方法 | |
CN112069987B (zh) | 一种基于统计流形寻优降维的干扰类型自动识别方法 | |
CN115982613A (zh) | 一种基于改进卷积神经网络的信号调制识别系统及方法 | |
Ghasemzadeh et al. | GGCNN: an efficiency-maximizing gated graph convolutional neural network architecture for automatic modulation identification | |
CN108108666B (zh) | 一种基于小波分析和时频单源检测的混合矩阵估计方法 | |
CN114024808A (zh) | 基于深度学习的调制信号识别方法及系统 | |
CN116243248A (zh) | 基于多标签分类网络的多分量干扰信号识别方法 | |
CN114519372B (zh) | 基于支持向量机的一维距离像目标识别方法 | |
CN115276857A (zh) | 基于Cholesky分解和卷积神经网络相结合的全盲频谱检测方法 | |
CN115204237A (zh) | 一种基于Swin-Transformer的短波协议信号自动识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |