CN112528774A - 一种复杂电磁环境下未知雷达信号智能分选系统及方法 - Google Patents
一种复杂电磁环境下未知雷达信号智能分选系统及方法 Download PDFInfo
- Publication number
- CN112528774A CN112528774A CN202011359966.6A CN202011359966A CN112528774A CN 112528774 A CN112528774 A CN 112528774A CN 202011359966 A CN202011359966 A CN 202011359966A CN 112528774 A CN112528774 A CN 112528774A
- Authority
- CN
- China
- Prior art keywords
- radar
- signal
- sorting
- signals
- pulse information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000006399 behavior Effects 0.000 claims abstract description 28
- 238000004088 simulation Methods 0.000 claims description 36
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 230000019771 cognition Effects 0.000 claims description 23
- 238000000926 separation method Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 13
- 239000002775 capsule Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 5
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000000717 retained effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种复杂电磁环境下未知雷达信号智能分选系统及方法,通过设计雷达信号脉内信息分选模块、雷达信号时频混叠分离模块、雷达信号脉间信息分选模块和雷达行为认知模块,形成雷达信号分选的流程闭环。本发明可应用在无人机、无人艇等的雷达系统进行信号识别分类和行为认知,解决了在复杂电磁环境下雷达信号分选系统分选效率低、分选时间长,环境适应性差,手段单一等问题,为基于机器学习的复杂电磁环境下未知雷达信号的认知奠定基础。
Description
技术领域
本发明属于雷达信号处理领域,涉及一种复杂电磁环境下未知雷达信号智能分选方法。
背景技术
雷达信号分选技术是雷达系统运用的关键技术之一,主要目的是在复杂电磁环境下快速准确的对未知雷达信号进行获取、识别、分选并对其行为进行认知。随着现代雷达体制和调制方式的不断发展,各种未知雷达信号不断产生,仅靠传统雷达信号分选方法难以满足高效快速分选的要求。同时,现在复杂的电磁环境对未知雷达信号的分选方法提出了严峻的挑战,如何提高雷达信号分选的效能,解决突发目标的快速准确识别问题将是未来雷达系统对抗与运用中重要的环节。
发明内容
本发明解决的技术问题是:为提升雷达信号分选系统的能力,针对雷达信号形式日益复杂、雷达信号脉冲数量繁多的问题,提出一种复杂电磁环境下未知雷达信号智能分选方法。
本发明解决技术的方案是:一种复杂电磁环境下未知雷达信号智能分选系统,包括:雷达信号脉内信息分选模块、雷达信号时频混叠分离模块、雷达信号脉间信息分选模块和雷达信号行为认知模块;
雷达信号脉内信息分选模块,利用雷达仿真信号样本搭建深度学习网络,利用雷达实测信号样本对搭建的深度学习网络进行优化,对雷达仿真信号样本以及待处理的未知雷达信号分别进行脉内信息特征聚类分析;
雷达信号时频混叠分离模块针对每类雷达信号的脉内信息聚类结果雷达信号奇异点分选,将存在时频混叠的雷达信号进行分离;
雷达信号脉间信息分选模块针对雷达信号时频混叠分离模块的结果,对具有相同脉内信息的雷达信号进行脉间信息分选,将雷达仿真信号样本、未知雷达信号分选后的特征发送至雷达信号行为认知模块;
雷达信号行为认知模块将雷达仿真信号样本分选特征存储至雷达信号动态特征库,并将未知雷达信号分选特征与雷达信号动态特征库中特征进行比对,完成对未知雷达信号的行为认知。
优选的,所述的雷达信号脉内信息分选模块通过下述方式实现:
确定雷达信号,所述的雷达信号包括用于神经网络训练的雷达仿真信号样本,用于神经网络优化的雷达实测信号样本以及未知雷达信号;
对所述的雷达信号进行预处理,即对雷达信号特征提取和识别前的规范化处理;
通过预处理后的雷达仿真信号样本和雷达实测信号样本通过全卷积神经网络搭建深度特征空间;
根据搭建的深度特征空间对雷达仿真信号、未知雷达信号特征进行提取,得到雷达仿真信号脉内信息特征、未知雷达信号脉内信息特征;
对雷达仿真信号脉内信息特征、未知雷达信号脉内信息特征进行聚类分析,聚类结果发送至雷达信号时频混叠分离模块。
优选的,所述的聚类分析采用DBSCAN聚类方法。
优选的,所述雷达信号时频混叠分离模块通过搭建胶囊神经网络实现雷达信号奇异点分选。
优选的,所述的雷达信号脉间信息分选模块利用累积差值直方图方法对具有相同脉内信息的信号进行雷达脉间信息分选。
优选的,所述的动态特征库中存储雷达仿真信号分选特征,未知雷达信号分选特征经辨识后同样存储在动态特征库中用于后续认知。
一种复杂电磁环境下未知雷达信号智能分选方法,包括以下步骤:
(1)对雷达仿真信号进行特征提取,在神经网络中构建映射域对雷达仿真信号脉内信息进行特征提取,完成深度特征空间搭建;
(2)对雷达实测信号在搭建的深度特征空间中进行特征提取,对所述深度特征空间进行优化;针对每个雷达仿真信号作为待处理雷达信号分别执行如下处理:
(3)对待处理雷达信号使用优化后的深度特征空间进行特征提取及聚类分析,并对游离于聚类外的脉冲信号进行标记;
(4)对游离于雷达信号聚类结果外的奇异点进行基于胶囊神经网络的特征分选,将存在时频混叠的雷达信号进行分离;
(5)对具有相同脉内信息的雷达信号,利用脉间信息对每一簇特征进行累积差值直方图算法得到纯净的雷达信号脉冲特征,将脉内信息相同脉间信息不同的脉冲进一步区分,形成未知雷达信号分选结果;
(6)将所有雷达仿真信号处理后得到的分选结果存入动态特征库;
(7)对未知雷达信号按时间进行分段,将每一段雷达信号作为待处理信号重复(3)-(5)步骤,每段雷达信号处理后的分选结果与雷达动态特征库中的结果进行比对,根据比对结果完成雷达信号行为认知。
优选的,步骤(3)中的聚类分析采用DBSCAN聚类方法。
优选的,步骤(7)中未知雷达信号分选结果经辨识后同样存储在雷达动态特征库中用于后续未知雷达信号行为认知。
本发明与现有技术相比的有益效果是:
本发明可应用在无人机、无人艇等的雷达系统进行信号分选和行为认知,解决了在复杂电磁环境下雷达信号分选系统分选效率低、分选时间长,环境适应性差,手段单一等问题,为机器学习在复杂电磁环境下未知电磁信号的认知奠定基础。
(1)本发明实现了一种基于机器学习的复杂电磁环境下未知雷达信号分选方法,雷达信号脉内信息分选采用全卷积神经网络和DBSCAN聚类,雷达信号时频混叠分离采用胶囊神经网络,雷达信号行为认知采用强化学习的方法,所有雷达信号分选过程都是客观自动执行的,全面提高了雷达信号分选的质量和效率。
(2)本发明将使用雷达仿真信号进行深度神经网络构建,使用雷达实测信号进行深度神经网络更新。相比于现有方法直接训练神经网络相比,极大节约网络训练的时间和增加了网络的准确性。
(3)本发明在完成基于机器学习的雷达信号分选的同时,对雷达信号特征建立雷达信号动态特征库,不仅节约了雷达信号分选的时间,还具备雷达信号行为认知的能力。
附图说明
图1为本发明的系统结构图;
图2为本发明的雷达信号脉内信息分选模块结构图;
图3为本发明的雷达信号时频混叠分离模块的工作流程图;
图4为本发明的雷达信号脉间信息分选模块的工作流程图;
图5为本发明的雷达信号行为认知模块结构图;
图6为本发明的工作流程图。
具体实施方式
下面结合实施例对本发明作进一步阐述。
如图6所示,一种复杂电磁环境下未知雷达信号智能分选方法包括以下步骤:
(1)从雷达信号样本库中读取雷达仿真信号,雷达实测信号,未知雷达信号,分别对雷达信号进行预处理,即对雷达信号进行特征提取和识别前的规范化处理;
(2)利用预处理后的雷达仿真信号,在神经网络中构建映射域,搭建深度特征空间;
(3)利用预处理后的雷达实测信号对构建的深度特征空间进行更新及优化;
(4)将经过预处理的雷达仿真信号和未知雷达信号分别送入优化后的深度特征空间,对雷达信号进行特征提取,分别对其雷达信号提取的特征进行聚类分析;
(5)雷达聚类分析结果中如果存在奇异点,说明雷达信号脉冲存在时频混叠,需要使用胶囊神经网络对其进行时频混叠信号的分离;如果不存在奇异点,则跳到下一步;
(6)判断雷达脉内信息是否相同,如果雷达信号脉内信息相同,则需要对雷达信号脉间信息进行分选,如果雷达信号脉内信息不同,则跳到下一步;
(7)对雷达信号行为进行认知,首先使用雷达仿真信号构建雷达动态特征库,然后对未知雷达信号进行认知,如果雷达信号不存在脉间信息分选,则直接对雷达信号分段重复步骤(1)至步骤(5),并将雷达信号特征放入雷达动态特征库;如果雷达信号存在脉间信息分选,则将雷达信号分段重复步骤(1)至步骤(5),再进行累积差值直方图分选至完成雷达信号行为认知,则立即结束雷达信号分选。
如图1所示,雷达信号智能分选平台是一种复杂电磁环境下未知雷达信号的智能分选系统,包括雷达信号脉内信息分选模块、雷达信号时频混叠分离模块、雷达信号脉间信息分选模块和雷达信号行为认知模块四个部分。
雷达信号脉内信息分选模块的雷达信号样本库中存储若干雷达仿真信号样本、雷达实测信号样本和未知雷达信号样本。雷达信号预处理模块分别使用整体归一化、不定长补零等方式对雷达信号进行预处理。雷达信号深度特征空间模块是在雷达信号分选前首先对特征进行学习,将复杂冗长的脉冲信号以简单有效的特征来代替。有效的特征需要包含脉冲信号完整的必要信息,只是一种对雷达信号的高效表示形式。将预处理后的雷达仿真信号进行标签添加并对雷达信号进行深度特征空间训练,搭建全卷积(FCN)深度特征空间网络,用预处理后的雷达实测信号对构建的FCN深度特征空间进行更新和优化。雷达信号特征提取模块直接对训练好的FCN深度特征空间进行特征提取以为未知雷达特征DBSCAN聚类分析做好准备。使用训练好的FCN深度特征空间对未知雷达脉冲特征进行映射并在特征维通过DBSCAN聚类的方式对雷达脉冲分类,可以将未知雷达脉冲脉内特征一致的信号聚到同一类,完成不需考虑脉内信息和脉冲混叠情况下完成初步未知雷达信号分选。雷达信号特征分析模块是对DBSCAN聚类分析结果进行分析,雷达信号通过脉内特征相同被分到相同的类别中,时频混叠信号则是以离散点的形式在聚类平面上,也存在一些同一类被化为两类雷达信号的情况。
雷达信号时频混叠分离模块主要实现对未知雷达信号通过脉内信息进行特征分选出现的异常点进一步识别与分离。异常点主要是出现次数较少的新类别脉冲,因信道噪声产生较大畸变的信号或者由多种已知脉冲混合产生的脉冲。对于这些不属于已知聚类结果的样本点,需要使用胶囊神经网络的机器学习方法对奇异点进行分析。首先对雷达信号奇异点分选,将聚类中的纯净无混叠脉冲提取出来并在每一簇上贴上标签,作为胶囊神经网络训练的样本,训练胶囊神经网络结构;然后时频混叠雷达信号分离,将所有雷达脉冲中除了聚类中心的全部样本送入胶囊神经网络进行识别,得到每个样本的构成并将它们归入相应的簇中。同一雷达的脉冲串中每个单独脉冲的脉内信息相同,使用该簇中其他脉冲生成混叠处的脉冲并从实际脉冲中减去这些脉冲分量,验证剩余成分分量。若能量足够小,则认为是噪声可以忽略;相反,认为存在未识别脉冲分量将其保留。将所有脉冲完成分离后产生新的脉冲集合,将新分离的脉冲经过训练好的神经网络映射到相应的特征维上与原聚类核心点进行重新聚类,完成对时频混叠信号的分离。
雷达信号脉间信息分选模块主要是使用累积差值直方图(CDIF)进行基于脉冲重复频率的分选。因为前面过程已经完成基于脉内信息和时频混叠信号的分选,雷达脉冲包含的脉冲数量大大减少,所以采用累积差值直方图算法也可以有良好的分选效果。首先计算相邻时间间隔TOA,形成第一级差值直方图,确定门限;然后从最小脉冲间隔开始,将第一级差值直方图与二倍差值直方图进行比较,如果两个值都超过检测门限,则以这个间隔作为PRI进行序列搜索。序列搜索成功则从采样脉冲中去除,并对剩余脉冲形成信道CDIF直方图,该过程重复直到没有足够脉冲形成脉冲间隔;序列搜索不成功则将下一个符合条件的脉冲作为PRI进行序列搜索;序列中没有符合条件的脉冲间隔则计算下一个差值直方图并与前一级累加重复以上步骤。
雷达信号行为认知模块是针对现代雷达可以根据环境快速改变工作的雷达信号形式,采用对某一未知雷达信号的接收并对其进行雷达信号分选处理,将接收到的未知雷达信号的特征与雷达信号动态特征库中特征进行比对,依靠强化学习方法对雷达信号在某一段时间内的行为进行认知。
如图2所示,雷达信号脉内信息分选模块包括雷达信号样本库、雷达信号特征提取和雷达信号特征分析三部分,主要完成对具有不同脉内信息的雷达脉冲进行分选。雷达信号样本库中包含雷达仿真信号样本、雷达实测信号样本和未知雷达信号样本,分别为雷达信号特征提取中的全卷积神经网络的构建、全卷积神经网络参数的更新和全卷积神经网络的训练提供样本。雷达信号特征提取主要是对输入的雷达信号样本进行预处理并进行全卷积神经网络的设计。雷达信号特征分析主要是对全卷积神经网络提取的特征进行雷达聚类分析。
如图3所示,雷达信号时频混叠分离模块主要是对聚类分析结果中的奇异点进行分析。首先将接收到雷达信号脉内信号分选聚类结果中纯净无混叠脉冲提取出来;然后根据无混叠脉冲样本生成混叠脉冲样本送给CapsNet网络进行训练;最后将分离出的新脉冲集合与雷达聚类核心点一起重新进行雷达聚类,产生分选结果。
如图4所示,雷达信号脉间信息分选模块的处理流程如下:首先接收时频分离的雷达脉冲信号;然后计算TOA差值和门限值;每一级间隔直方图值与检测门限比较;最后进行PRI序列搜素,重复以上步骤直至雷达信号分选结束。
如图5所示,雷达行为认知模块包括雷达信号行为分析和雷达信号动态特征库两部分,主要实现对分选后的未知雷达信号进行行为认知。雷达信号行为分析主要是建立强化学习网络对一段时间内收集到的某一雷达信号进行雷达信号分选并与雷达信号动态特征库中特征进行比对。雷达动态特征库将收集到的雷达信号特征进行汇总,为后续未知雷达信号行为认知奠定基础。
本发明未详细说明内容属于本领域技术人员的公知常识。
Claims (9)
1.一种复杂电磁环境下未知雷达信号智能分选系统,其特征在于包括:雷达信号脉内信息分选模块、雷达信号时频混叠分离模块、雷达信号脉间信息分选模块和雷达信号行为认知模块;
雷达信号脉内信息分选模块,利用雷达仿真信号样本搭建深度学习网络,利用雷达实测信号样本对搭建的深度学习网络进行优化,对雷达仿真信号样本以及待处理的未知雷达信号分别进行脉内信息特征聚类分析;
雷达信号时频混叠分离模块针对每类雷达信号的脉内信息聚类结果雷达信号奇异点分选,将存在时频混叠的雷达信号进行分离;
雷达信号脉间信息分选模块针对雷达信号时频混叠分离模块的结果,对具有相同脉内信息的雷达信号进行脉间信息分选,将雷达仿真信号样本、未知雷达信号分选后的特征发送至雷达信号行为认知模块;
雷达信号行为认知模块将雷达仿真信号样本分选特征存储至雷达信号动态特征库,并将未知雷达信号分选特征与雷达信号动态特征库中特征进行比对,完成对未知雷达信号的行为认知。
2.根据权利要求1所述的系统,其特征在于:所述的雷达信号脉内信息分选模块通过下述方式实现:
确定雷达信号,所述的雷达信号包括用于神经网络训练的雷达仿真信号样本,用于神经网络优化的雷达实测信号样本以及未知雷达信号;
对所述的雷达信号进行预处理,即对雷达信号特征提取和识别前的规范化处理;
通过预处理后的雷达仿真信号样本和雷达实测信号样本通过全卷积神经网络搭建深度特征空间;
根据搭建的深度特征空间对雷达仿真信号、未知雷达信号特征进行提取,得到雷达仿真信号脉内信息特征、未知雷达信号脉内信息特征;
对雷达仿真信号脉内信息特征、未知雷达信号脉内信息特征进行聚类分析,聚类结果发送至雷达信号时频混叠分离模块。
3.根据权利要求2所述的系统,其特征在于:所述的聚类分析采用DBSCAN聚类方法。
4.根据权利要求1所述的系统,其特征在于:所述雷达信号时频混叠分离模块通过搭建胶囊神经网络实现雷达信号奇异点分选。
5.根据权利要求1所述的系统,其特征在于:所述的雷达信号脉间信息分选模块利用累积差值直方图方法对具有相同脉内信息的信号进行雷达脉间信息分选。
6.根据权利要求1所述的系统,其特征在于:所述的动态特征库中存储雷达仿真信号分选特征,未知雷达信号分选特征经辨识后同样存储在动态特征库中用于后续认知。
7.一种复杂电磁环境下未知雷达信号智能分选方法,其特征在于包括以下步骤:
(1)对雷达仿真信号进行特征提取,在神经网络中构建映射域对雷达仿真信号脉内信息进行特征提取,完成深度特征空间搭建;
(2)对雷达实测信号在搭建的深度特征空间中进行特征提取,对所述深度特征空间进行优化;针对每个雷达仿真信号作为待处理雷达信号分别执行如下处理:
(3)对待处理雷达信号使用优化后的深度特征空间进行特征提取及聚类分析,并对游离于聚类外的脉冲信号进行标记;
(4)对游离于雷达信号聚类结果外的奇异点进行基于胶囊神经网络的特征分选,将存在时频混叠的雷达信号进行分离;
(5)对具有相同脉内信息的雷达信号,利用脉间信息对每一簇特征进行累积差值直方图算法得到纯净的雷达信号脉冲特征,将脉内信息相同脉间信息不同的脉冲进一步区分,形成未知雷达信号分选结果;
(6)将所有雷达仿真信号处理后得到的分选结果存入动态特征库;
(7)对未知雷达信号按时间进行分段,将每一段雷达信号作为待处理信号重复(3)-(5)步骤,每段雷达信号处理后的分选结果与雷达动态特征库中的结果进行比对,根据比对结果完成雷达信号行为认知。
8.根据权利要求7所述的方法,其特征在于:步骤(3)中的聚类分析采用DBSCAN聚类方法。
9.根据权利要求7所述的方法,其特征在于:步骤(7)中未知雷达信号分选结果经辨识后同样存储在雷达动态特征库中用于后续未知雷达信号行为认知。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011359966.6A CN112528774B (zh) | 2020-11-27 | 2020-11-27 | 一种复杂电磁环境下未知雷达信号智能分选系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011359966.6A CN112528774B (zh) | 2020-11-27 | 2020-11-27 | 一种复杂电磁环境下未知雷达信号智能分选系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112528774A true CN112528774A (zh) | 2021-03-19 |
CN112528774B CN112528774B (zh) | 2024-05-03 |
Family
ID=74994333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011359966.6A Active CN112528774B (zh) | 2020-11-27 | 2020-11-27 | 一种复杂电磁环境下未知雷达信号智能分选系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528774B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156391A (zh) * | 2021-04-25 | 2021-07-23 | 电子科技大学 | 一种雷达信号多维特征智能分选方法 |
CN114114199A (zh) * | 2022-01-27 | 2022-03-01 | 北京宏锐星通科技有限公司 | 对合成孔径雷达信号参数的分选方法及分选装置 |
CN115390037A (zh) * | 2022-09-06 | 2022-11-25 | 中国人民解放军海军工程大学 | 多类别、未知雷达辐射源脉冲信号分选系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110426685A (zh) * | 2019-08-28 | 2019-11-08 | 北方通用电子集团有限公司 | 一种针对未知雷达信号的分选方法 |
CN110618399A (zh) * | 2019-08-26 | 2019-12-27 | 西安空间无线电技术研究所 | 一种天基雷达电磁频谱环境认知系统及干扰对抗方法 |
CN111476288A (zh) * | 2020-04-03 | 2020-07-31 | 中国人民解放军海军航空大学 | 一种认知传感网对未确知威胁电磁行为智能感知方法 |
-
2020
- 2020-11-27 CN CN202011359966.6A patent/CN112528774B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110618399A (zh) * | 2019-08-26 | 2019-12-27 | 西安空间无线电技术研究所 | 一种天基雷达电磁频谱环境认知系统及干扰对抗方法 |
CN110426685A (zh) * | 2019-08-28 | 2019-11-08 | 北方通用电子集团有限公司 | 一种针对未知雷达信号的分选方法 |
CN111476288A (zh) * | 2020-04-03 | 2020-07-31 | 中国人民解放军海军航空大学 | 一种认知传感网对未确知威胁电磁行为智能感知方法 |
Non-Patent Citations (1)
Title |
---|
沈家煌;黄建冲;朱永成;: "一种折叠聚类的威胁雷达信号识别方法", 电光与控制, no. 07 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156391A (zh) * | 2021-04-25 | 2021-07-23 | 电子科技大学 | 一种雷达信号多维特征智能分选方法 |
CN114114199A (zh) * | 2022-01-27 | 2022-03-01 | 北京宏锐星通科技有限公司 | 对合成孔径雷达信号参数的分选方法及分选装置 |
CN115390037A (zh) * | 2022-09-06 | 2022-11-25 | 中国人民解放军海军工程大学 | 多类别、未知雷达辐射源脉冲信号分选系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112528774B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112528774B (zh) | 一种复杂电磁环境下未知雷达信号智能分选系统及方法 | |
CN111913156B (zh) | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 | |
CN111428631B (zh) | 无人机飞控信号可视化识别分选方法 | |
CN111506599A (zh) | 基于规则匹配和深度学习的工控设备识别方法及系统 | |
CN107798351B (zh) | 一种基于深度学习神经网络的身份识别方法和系统 | |
CN106650605A (zh) | 一种基于机器学习的Morse信号自动检测译码方法 | |
CN110133714A (zh) | 一种基于深度学习的微震信号分类辨识方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN110929842B (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
CN110764152B (zh) | 一种无人机快速检测与识别的装置及方法 | |
CN105743756A (zh) | WiFi系统中基于adaboost算法的帧检测方法 | |
CN116340533B (zh) | 一种基于知识图谱的星载电磁频谱大数据智能处理系统 | |
CN111783738A (zh) | 一种通信辐射源异常运动轨迹检测方法 | |
CN113536955B (zh) | 一种可持续学习的信号调制类型识别方法 | |
CN110321930A (zh) | 一种基于循环神经网络的非法广播信号分类方法 | |
CN115809426A (zh) | 一种辐射源个体识别方法及系统 | |
CN112016539B (zh) | 信号识别方法、装置、电子设备与存储介质 | |
CN109271902A (zh) | 复杂背景下基于时域经验模态分解的红外弱小目标检测方法 | |
CN112134634B (zh) | 基于随机森林算法的频谱感知方法、系统及介质 | |
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 | |
Govalkar et al. | Siamese Network based Pulse and Signal Attribute Identification | |
CN112014821A (zh) | 一种基于雷达宽带特征的未知车辆目标识别方法 | |
CN113095175B (zh) | 一种基于数传电台射频特征的低空无人机识别方法 | |
CN112163569B (zh) | 信号检测方法、装置、电子设备与存储介质 | |
CN117272044A (zh) | 一种地质勘测用特征库构建方法 |
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 |