CN112213697A - 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 - Google Patents
一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 Download PDFInfo
- Publication number
- CN112213697A CN112213697A CN202011071804.2A CN202011071804A CN112213697A CN 112213697 A CN112213697 A CN 112213697A CN 202011071804 A CN202011071804 A CN 202011071804A CN 112213697 A CN112213697 A CN 112213697A
- Authority
- CN
- China
- Prior art keywords
- signal
- radar
- signals
- interference
- recognition
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000001360 synchronised effect Effects 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 238000011160 research Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training 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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法,针对目前单个的分类器用于识别欺骗干扰信号难以有很高的精度的现状,通过贝叶斯决策理论对雷达欺骗干扰信号的特征进行决策级融合,由于提取的信号特征的离散性,直接运用贝叶斯融合会产生后验概率为零的错误判别,因此引入核密度估计方法对贝叶斯决策理论的特征融合算法进行改进,使其适用于雷达欺骗干扰识别。本发明对基于贝叶斯决策理论的特征融合算法适用于雷达欺骗干扰信号的识别方面进行了改进处理,提升了以往研究单个分类器的欺骗干扰识别准确率,该发明具有较好的通用性和实用性,相比现有技术在干噪比0dB时识别率能够超过90%。
Description
技术领域
本发明涉及雷达欺骗干扰识别技术领域,尤其涉及一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法。
背景技术
随着现代电子技术高速发展,电子干扰与抗干扰的较量愈演愈烈。作为威胁跟踪雷达的三种主要的欺骗式干扰技术,距离拖引干扰(RGPO)、速度拖引干扰(VGPO)和距离-速度同步拖引干扰(R-VGPO)通过让雷达系统接收到虚假错误的目标和信息,致使雷达无法有效检测出真实目标及其参数,从而使雷达无法正常发挥作用。因此,开展针对三种欺骗干扰的识别算法已经成为雷达对抗领域研究的热点,具有广阔的前景和价值。
经过前人的不断实验研究,已经发展出了成熟的特征提取和分类器的方法。而近些年来,信息融合作为一种新的研究方法,提升了以往单一的特征提取和分类器的识别精度,逐渐成为研究热点。到目前为止,基于贝叶斯决策理论的特征融合多应用于动作识别、目标跟踪、真假点迹判别、人脸识别等图像处理领域。
研究发现,基于贝叶斯决策理论的特征融合具有提供处理不确定性的连续概念的能力。因此能够在处理雷达欺骗干扰信号识别的领域发挥一定的作用。然而,直接对信号进行特征提取,求得的特征值分布是离散的,如果直接运用贝叶斯理论进行决策融合会出现后验概率为零而导致分类错误的问题。因此如何将基于贝叶斯决策理论的特征融合方法应用在雷达欺骗干扰识别上具有重要意义。
发明内容
根据上述内容,本发明的主要技术目的是提出一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法,通过引入核密度估计方法将贝叶斯理论适用于雷达欺骗干扰识别上,提升以往研究的欺骗干扰识别准确率,在干噪比0dB时识别率能够超过90%。
一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法,包括以下步骤:
步骤1,雷达接收信号建模;
步骤2,对所述接收信号进行双谱变换,之后通过对角切片进行降维处理,然后在多维度进行特征提取;
步骤3,运用朴素贝叶斯分类器进行决策级融合,通过核密度估计方法将贝叶斯决策理论适用到雷达欺骗干扰识别上;
步骤4,分两步识别得到更好的识别结果。
优选的,所述步骤1具体包括:
1a)所述雷达接收到的真实目标回波信号和欺骗干扰信号一共分类4类,分别是目标回波信号、距离拖引干扰信号、速度拖引干扰信号、距离-速度同步拖引干扰信号;
1b)对四类信号分别进行符合实际情况的仿真,包括参数设置以及噪声影响。
优选的,所述步骤2具体包括:
2a)采用以下公式对所仿真信号进行双谱变换,得到带有幅相特征的三维双谱变换图:
其中B(ω1,ω2)代表双谱变换后的三维数据,c3(k1,k2)为信号的三阶累积量;
2b)采用以下公式对双谱变换后的三维图进行对角切片,降成二维信号谱:
x(n)=B(ω1=ω2)
此公式表示为只保留三维信号在x=y平面上的二维信号;
2c)对处理后的二维信号提取以下特征值:
平均值、方差、均方根、盒维数、波形因子、峰值因子、峭度因子、裕度因子、信息熵。
优选的,所述步骤3具体包括:
3a)采用以下公式对不同信号的特征值所属类别的后验概率进行决策,决策过程为:
assign x∈yj
其中{y1,y2,…,ym}为每个信号种类的集合,x为每种信号求得的不同特征值的总集合,P(yj|x)代表第j类的后验概率,j∈[1,m];
3b)采用以下公式对n个分类器的识别概率进行决策级融合:
assign x∈yj
其中xi为n个分类器里面第i个分类器输出的结果向量;
3c)采用以下公式应用核密度估计使基于贝叶斯决策理论的特征融合适用于欺骗干扰识别:
assign x∈yj
优选的,所述步骤4具体包括:
4a)第一步融合分类,运用平均值、方差、均方根、盒维数这四种特征值将信号分为距离拖引干扰加上距离-速度同步拖引干扰的联合信号、目标回波信号、速度拖引干扰信号的三种类别;
4b)第二步融合分类,运用波形因子、峰值因子、峭度因子、裕度因子、信息熵这五种特征值将联合信号分类识别出距离拖引干扰信号和距离-速度同步拖引干扰信号两种类别;
4c)整合两步分类,得出总体的信号识别结果。
本发明通过核密度估计方法将贝叶斯理论适用到雷达欺骗干扰识别上,运用基于贝叶斯决策理论的特征融合方法用于雷达欺骗干扰识别,在相同参数设置,相同特征提取条件下,在识别率上有显著提升。现有的方法对欺骗干扰信号进行双谱特征提取放入分类器进行识别,在干噪比0dB时识别率能够达到80%,而本发明在干噪比0dB时识别率能够超过90%。
附图说明
图1是一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法的分步骤说明图;
图2是一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法的具体流程图。
具体实施方式
下面结合具体实施例对本发明作进一步解说。
实施例
参照图1-2,本发明提出的一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法,包括以下步骤:
(1)雷达接收信号建模
设雷达的发射信号为线性调频信号,其表达式为:
假设距离雷达R0远的位置有一个点目标,那么雷达接收机接收到的目标回波信号(RE)为:
其中Are为回波信号的振幅,c为光速,n(t)为高斯白噪声。
当数字射频存储干扰机(DRFM)在实施距离拖引干扰(RGPO)、速度拖引干扰(VGPO)或者距离-速度同步拖引干扰(R-VGPO)时,干扰信号和目标回波信号会进行相干合成,雷达接收到的合成信号为:
其中AR是距离拖引干扰信号的幅度,ΔtJ是干扰机接收、存储、处理和转发雷达信号所需要的固有延时,ΔtJ(t)为距离拖引干扰信号的调制延时,为干扰信号的初始相位,AV是速度拖引干扰信号的幅度,ΔfdJ(t)是速度拖引干扰信号的多普勒平移。ARV是距离-速度同步拖引干扰信号的幅度。
(2)对接收信号进行双谱变换,之后通过对角切片进行降维处理,然后在多维度进行特征提取双谱的定义为三阶累积量的二维傅里叶变换。假设随机过程a(n)的3阶累积量是绝对可和的,则双谱的公式为:
双谱通常是一个复函数,包含振幅和相位,因此它具有功率谱中没有的相位信息,可以从双谱中获得更多的特征信息。由于双谱的对称性,可以对其进行对角切片,从而减少计算量,提高计算速度。对角切片后的信号表达式为:
x(n)=B(ω1=ω2)
通过提取干扰信号的多维信息是复合干扰识别的必要条件,对处理后的二维信号提取以下特征值:平均值、方差、均方根、盒维数、波形因子、峰值因子、峭度因子、裕度因子、信息熵。
(3)运用朴素贝叶斯分类器进行决策级融合,通过核密度估计方法将贝叶斯决策理论适用到雷达欺骗干扰识别上,假设现在有一个类别集合C包含了m个种类,表示为C={y1,y2,…,ym},未知样本x由k维的实数组成,表示为x={a1,a2,…,an},其中根据最小错误率贝叶斯决策理论,如果将样本划分为第j类,在给定样本x的条件下,该类就是后验概率最大的模式类,决策过程表示为:
assign x∈yj
其中P(yj|x)代表第j类的后验概率,j∈[1,m]。
假设现在有n个分类器,对应不同干扰信号的特征的总维数n。分类器模型是相同的,且互相独立。xi代表第i个分类器输出结果的向量,表示为xi=[xi1,…,xij,…,xim]。那么现在基于贝叶斯决策理论的特征融合的目标是确定P(yj|x1,x2,…,xn),它可以用贝叶斯公式来求解:
则决策过程为:
assign x∈yj
由于提取的特征值分布是离散的,这就会导致在求解第j类的后验概率P(yj|xi)时可能会出现等于零的情况,从而造成分类错误。因此,引入核密度估计对算法进行了改进。通过求解离散变量的核密度估计,得到连续的概率密度,从而解决后验概率不存在的错误情况。核密度估计是使用平滑的峰值函数(‘核’)拟合观查到的数据点,从而对真实的概率分布曲线进行模拟。x1,x2,…,xn为独立同分布F的n个样本点,设其概率密度函数为f,核密度估计如下:
在决策融合的分类器训练阶段通过核密度估计对已知特征集x(n)求取概率密度估计函数在决策融合的分类器测试阶段,根据概率密度估计函数求得待测特征集x(n)中各个特征的后验概率,P(yj|xi),改进的决策过程为:
assign x∈yj
(4)分两步识别得到更好的识别结果
经过实验验证,平均值、方差、均方根和盒维数这四种特征对目标回波和速度拖引干扰的区分度很好,但是对距离拖引干扰和距离-速度同步拖引干扰的区分度不高。而波形因子、峰值因子、峭度因子、裕度因子和信息熵这五种特征对距离拖引干扰和距离-速度同步拖引干扰具有较好的区分程度。因此采用分两步识别:
第一步融合分类,运用平均值、方差、均方根、盒维数这四种特征值将信号分为距离拖引干扰加上距离-速度同步拖引干扰的联合信号、目标回波信号、速度拖引干扰信号,三种类别;
第二步融合分类,运用波形因子、峰值因子、峭度因子、裕度因子、信息熵这五种特征值将第一步分不开的联合信号分类识别出距离拖引干扰信号和距离-速度同步拖引干扰信号两种类别。
整合两步分类,得出总体的信号识别结果。
综上所述,通过特征融合的方法提高雷达欺骗干扰信号的识别精度。首先将雷达接收到的目标真实回波信号,干扰信号和噪声信号作为信号源,然后对信号进行双谱变换抑制噪声干扰,同时保留特征信息,再进行降维操作提高运算速度,对降维后的二维信息谱提取特征。最后,运用核密度估计对融合算法做出改进,相比现有技术在干噪比0dB时识别率能够超过90%。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法,其特征在于,包括以下步骤:
步骤1,雷达接收信号建模;
步骤2,对所述接收信号进行双谱变换,之后通过对角切片进行降维处理,然后在多维度进行特征提取;
步骤3,运用朴素贝叶斯分类器进行决策级融合,通过核密度估计方法将贝叶斯决策理论适用到雷达欺骗干扰识别上;
步骤4,分两步识别得到更好的识别结果。
2.根据权利要求1所述的一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法,其特征在于,所述步骤1具体包括:
1a)所述雷达接收到的真实目标回波信号和欺骗干扰信号一共分类4类,分别是目标回波信号、距离拖引干扰信号、速度拖引干扰信号、距离-速度同步拖引干扰信号;
1b)对四类信号分别进行符合实际情况的仿真,包括参数设置以及噪声影响。
4.根据权利要求3所述的一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法,其特征在于,所述步骤3具体包括:
3a)采用以下公式对不同信号的特征值所属类别的后验概率进行决策,决策过程为:
assign x∈yj
其中{y1,y2,…,ym}为每个信号种类的集合,x为每种信号求得的不同特征值的总集合,P(yj|x)代表第j类的后验概率,j∈[1,m];
3b)采用以下公式对n个分类器的识别概率进行决策级融合:
assign x∈yj
其中xi为n个分类器里面第i个分类器输出的结果向量;
3c)采用以下公式应用核密度估计使基于贝叶斯决策理论的特征融合适用于欺骗干扰识别:
assign x∈yj
5.根据权利要求4所述的一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法,其特征在于,所述步骤4具体包括:
4a)第一步融合分类,运用平均值、方差、均方根、盒维数这四种特征值将信号分为距离拖引干扰加上距离-速度同步拖引干扰的联合信号、目标回波信号、速度拖引干扰信号的三种类别;
4b)第二步融合分类,运用波形因子、峰值因子、峭度因子、裕度因子、信息熵这五种特征值将联合信号分类识别出距离拖引干扰信号和距离-速度同步拖引干扰信号两种类别;
4c)整合两步分类,得出总体的信号识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011071804.2A CN112213697B (zh) | 2020-10-09 | 2020-10-09 | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011071804.2A CN112213697B (zh) | 2020-10-09 | 2020-10-09 | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112213697A true CN112213697A (zh) | 2021-01-12 |
CN112213697B CN112213697B (zh) | 2024-03-08 |
Family
ID=74052887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011071804.2A Active CN112213697B (zh) | 2020-10-09 | 2020-10-09 | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112213697B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112904300A (zh) * | 2021-03-23 | 2021-06-04 | 杭州电子科技大学 | 基于双分支网络和特征融合的雷达欺骗干扰识别方法 |
CN115118364A (zh) * | 2022-08-02 | 2022-09-27 | 三峡智控科技有限公司 | 一种5g信号异系统干扰分析及预警的方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103760530A (zh) * | 2014-01-15 | 2014-04-30 | 西安电子科技大学 | 基于信号锥的雷达压制式干扰和欺骗式干扰识别方法 |
US20140354464A1 (en) * | 2013-05-20 | 2014-12-04 | Faran Awais Butt | Radar deception jamming prevention using bi-static and mono-static radars |
US20160033622A1 (en) * | 2012-09-11 | 2016-02-04 | U.S. Army Research Laboratory Attn: Rdrl-Loc-I | Method and apparatus for cognitive nonlinear radar |
CN108919192A (zh) * | 2018-05-02 | 2018-11-30 | 浙江工业大学 | 一种基于贝叶斯压缩感知的雷达信号测量方法 |
CN110275158A (zh) * | 2018-03-15 | 2019-09-24 | 南京理工大学 | 基于贝叶斯压缩感知的宽带雷达回波信号参数估计方法 |
CN111090079A (zh) * | 2019-12-24 | 2020-05-01 | 中国航天科工集团八五一一研究所 | 基于无源传感器协同的雷达组网辐射间隔优化控制方法 |
-
2020
- 2020-10-09 CN CN202011071804.2A patent/CN112213697B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160033622A1 (en) * | 2012-09-11 | 2016-02-04 | U.S. Army Research Laboratory Attn: Rdrl-Loc-I | Method and apparatus for cognitive nonlinear radar |
US20140354464A1 (en) * | 2013-05-20 | 2014-12-04 | Faran Awais Butt | Radar deception jamming prevention using bi-static and mono-static radars |
CN103760530A (zh) * | 2014-01-15 | 2014-04-30 | 西安电子科技大学 | 基于信号锥的雷达压制式干扰和欺骗式干扰识别方法 |
CN110275158A (zh) * | 2018-03-15 | 2019-09-24 | 南京理工大学 | 基于贝叶斯压缩感知的宽带雷达回波信号参数估计方法 |
CN108919192A (zh) * | 2018-05-02 | 2018-11-30 | 浙江工业大学 | 一种基于贝叶斯压缩感知的雷达信号测量方法 |
CN111090079A (zh) * | 2019-12-24 | 2020-05-01 | 中国航天科工集团八五一一研究所 | 基于无源传感器协同的雷达组网辐射间隔优化控制方法 |
Non-Patent Citations (9)
Title |
---|
H. YAMAGUCHI ETAL.: "Non-coherent radar signal detection based on Bayesian theory", PROC.INT.CONF.RADAR, 30 September 2008 (2008-09-30) * |
HONGPING ZHOU: "Feature Fusion Based on Bayesian Decision Theory for Radar Deception jamming Recognition", IEEE ACCESS, 28 January 2021 (2021-01-28) * |
LI M ETAL.: "Multi-target Joint Detection, Tracking and Classification Based on Generalized Bayesian Risk using Radar and ESM sensors", ARXIV PREPRINT ARXIV * |
X.ZHOU ETAL.: "Multi-fusion tracking algorithm based on Bayesian decision", COMPUT. KNOWL. TECHNOL., vol. 12, no. 21 * |
史忠亚等: "基于双域特征的雷达欺骗干扰样式识别方法", 火力与指挥控制, vol. 43, no. 1, 31 January 2018 (2018-01-31) * |
李建勋;唐斌;吕强;: "双谱特征提取在欺骗式干扰方式识别中的应用", 电子科技大学学报, no. 03 * |
李艳莉;田晓;韦顺军;: "雷达欺骗干扰特征提取与综合感知方法综述", 电讯技术, no. 04 * |
杨兴宇;阮怀林;: "基于双谱分析的雷达有源欺骗干扰识别", 探测与控制学报, no. 02 * |
黄大通等: "多维信息联合的多基地雷达欺骗干扰抑制技术", 信号处理, vol. 35, no. 8 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112904300A (zh) * | 2021-03-23 | 2021-06-04 | 杭州电子科技大学 | 基于双分支网络和特征融合的雷达欺骗干扰识别方法 |
CN112904300B (zh) * | 2021-03-23 | 2024-01-09 | 杭州电子科技大学 | 基于双分支网络和特征融合的雷达欺骗干扰识别方法 |
CN115118364A (zh) * | 2022-08-02 | 2022-09-27 | 三峡智控科技有限公司 | 一种5g信号异系统干扰分析及预警的方法及系统 |
CN115118364B (zh) * | 2022-08-02 | 2022-12-13 | 三峡智控科技有限公司 | 一种5g信号异系统干扰分析及预警的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112213697B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109597043B (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
CN111680737B (zh) | 差异性信噪比条件下的雷达辐射源个体识别方法 | |
CN110501683B (zh) | 一种基于四维数据特征的海陆杂波分类方法 | |
CN111175718A (zh) | 联合时频域的地面雷达自动目标识别方法及系统 | |
CN112213697A (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
CN113673312B (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
CN115061113B (zh) | 用于雷达的目标检测模型训练方法、装置及存储介质 | |
CN112597820A (zh) | 一种基于雷达信号分选的目标聚类方法 | |
WO2021135390A1 (zh) | 适用于单脉冲的lfm雷达工作模式实时分类方法及装置 | |
CN111707998B (zh) | 一种基于连通区域特征的海面漂浮小目标检测方法 | |
CN113962151A (zh) | 基于深度卷积迁移学习的距离假目标智能识别方法 | |
CN111401168A (zh) | 一种无人机的多层雷达特征提取与选择方法 | |
Sinha et al. | Estimation of Doppler profile using multiparameter cost function method | |
CN115980689A (zh) | 基于点云检测的辐射源信号分选方法、装置、设备及介质 | |
CN115932770A (zh) | 雷达辐射源个体精准智能识别方法、系统、设备及终端 | |
CN112213698B (zh) | 一种基于稀疏表示分类的欺骗干扰识别方法 | |
Tian et al. | Multiresolution jamming recognition with few-shot learning | |
Wang et al. | Contrast of contextual Fisher vectors for ship detection in SAR images | |
CN112666528A (zh) | 一种基于卷积神经网络的多站雷达系统干扰鉴别方法 | |
CN110880012A (zh) | 多侦察平台脉间捷变雷达辐射源频率信息关联方法 | |
Yang et al. | Human Intrusion Detection System using mm Wave Radar | |
CN113534132B (zh) | 一种自适应无人机波达方向估计方法 | |
CN115061094B (zh) | 一种基于神经网络与svm的雷达目标识别方法 | |
CN116520256B (zh) | 一种基于深度学习的机载预警雷达干扰识别方法和装置 | |
Cao et al. | An approach for high resolution radar target recognition based on BP neural network |
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 |