CN112597820A - 一种基于雷达信号分选的目标聚类方法 - Google Patents
一种基于雷达信号分选的目标聚类方法 Download PDFInfo
- Publication number
- CN112597820A CN112597820A CN202011434766.2A CN202011434766A CN112597820A CN 112597820 A CN112597820 A CN 112597820A CN 202011434766 A CN202011434766 A CN 202011434766A CN 112597820 A CN112597820 A CN 112597820A
- Authority
- CN
- China
- Prior art keywords
- radar signal
- cluster
- clustering
- iteration
- signal data
- 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 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 230000008707 rearrangement Effects 0.000 claims abstract description 7
- 238000003064 k means clustering Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims description 5
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 230000004927 fusion Effects 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101100521097 Caenorhabditis elegans pri-1 gene Proteins 0.000 description 1
- 101100353170 Caenorhabditis elegans pri-2 gene Proteins 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 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
- G06F2218/08—Feature extraction
-
- 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
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于雷达信号分选的目标聚类方法,旨在解决现有技术中雷达信号的目标聚类易受到杂波、观测精度、目标源空间位置等影响的技术问题。其包括:获取雷达信号分选结果;根据雷达信号参数剔除雷达信号分选结果中的杂波信号;对无杂波的雷达信号分选结果进行数据重排预处理,获得有序的雷达信号数据序列;基于K均值聚类算法对雷达信号数据序列进行目标聚类,获得雷达目标聚类结果。本发明实时的处理复杂环境下的雷达信号分选结果,获得准确可靠的雷达目标聚类结果。
Description
技术领域
本发明涉及一种基于雷达信号分选的目标聚类方法,属于雷达多目标聚类技术领域。
背景技术
雷达多目标融合系统需要接收各个雷达传感器送来的多源目标信息并进行实时融合处理,获得综合目标特征信息。这些多源目标信息的数据量大且具有多种形式,在处理时首先需要对其进行转换,以提取共同特征参数,然后对特征参数相似的目标完成关联、融合处理。
在多雷达传感器侦测多种辐射源目标时,由于不同雷达具有不同的数据采集时间、通信时延以及测量精度,所以在一段时间内采集到的辐射源目标信息,包括载频、脉宽、重复周期、方位等多种参数,会在一个高维空间中以簇的形式呈现出来。理想情况下,各个簇会集中于各个观测目标的周围,以实际目标所在位置为簇的中心,并以一定的密度分布于目标四周。但是,在实际情况下,由于杂波和其他干扰的影响、不同雷达的测量精度影响以及多个目标源的空间聚集程度不同,会导致簇呈现不同的分布情况。当目标辐射源数量较多且位置较近时,会使得不同的目标在融合处理过程中被判为同一目标,加之不同雷达的测量精度不同,进一步导致了观测数据的弥散程度提升,严重影响融合效果。
发明内容
为了解决现有技术中雷达信号的目标聚类易受到杂波、观测精度、目标源空间位置等影响的问题,本发明提出了一种基于雷达信号分选的目标聚类方法,对雷达信号分选结果进行剔除杂波处理,然后利用K均值聚类算法进行目标聚类,并利用簇内误差进行迭代收敛判断,获取准确、可靠的目标聚类结果。
为解决上述技术问题,本发明采用了如下技术手段:
本发明提出了一种基于雷达信号分选的目标聚类方法,包括如下步骤:
获取雷达信号分选结果;
根据雷达信号参数剔除雷达信号分选结果中的杂波信号,获得无杂波的雷达信号分选结果;
对无杂波的雷达信号分选结果进行数据重排预处理,获得有序的雷达信号数据序列;
基于K均值聚类算法对雷达信号数据序列进行目标聚类,获得雷达目标聚类结果。
进一步的,所述雷达信号参数包括雷达信号的载频、重复间隔、脉宽和幅度。
进一步的,所述无杂波的雷达信号分选结果中包括多个雷达信号数据,每个雷达信号数据采用载频、脉宽、重复间隔的三维参数进行聚类分析;
雷达信号数据的表达式如下:
xi={RFi,PWi,PRIi}T (1)
其中,xi表示无杂波的雷达信号分选结果中的第i个雷达信号数据,RFi表示第i个雷达信号数据的载频,PWi表示第i个雷达信号数据的脉宽,PRIi表示第i个雷达信号数据的重复周期,i=1,2,…,M,M为无杂波的雷达信号分选结果中雷达信号数据的总数。
进一步的,剔除杂波信号的具体操作如下:
获取雷达侦察/干扰设备针对每个雷达信号参数的取值范围;
遍历雷达信号分选结果中的每个雷达信号分选,将每个雷达信号分选的每个雷达信号参数数值依次与对应的取值范围比较;
当雷达信号分选的任意一个雷达信号参数数值超过对应的取值范围,则认为该雷达信号分选为杂波信号;
将所有杂波信号从雷达信号分选结果中剔除,获得无杂波的雷达信号分选结果。
获得雷达目标聚类结果的方法包括如下步骤:
根据雷达信号数据序列初始化雷达信号数据的聚类分组和每个聚类分组的聚类中心;
遍历雷达信号数据序列中的所有雷达信号数据,根据每个雷达信号数据到每个聚类中心的欧式距离迭代更新聚类分组和对应的聚类中心;
获取满足聚类迭代终止条件的聚类分组,作为雷达目标聚类结果。
进一步的,对雷达信号数据序列进行目标聚类的具体操作如下:
(1)初始化聚类迭代次数l=0和簇数k,k∈[1,K],K为最大簇数;
(2)按顺序提取雷达信号数据序列中的雷达信号数据,将雷达信号数据序列等分为k个簇,并计算每个簇的簇中心:
其中,表示第l次迭代中第j个簇的簇中心,表示第l次迭代中第j个簇的第n个雷达信号数据,表示第l次迭代中的第j个簇,Nj为第j个簇中雷达信号数据的个数,n=1,2,…,Nj,j=1,2,…,k,l=1,2,…,L,L为最大迭代次数;
(3)令l=l+1,计算雷达信号数据序列中的每个雷达信号数据到第l次迭代中的每个簇中心的欧式距离:
(6)根据更新后的簇和簇中心计算更新后的簇的簇内误差:
(7)判断聚类迭代次数和簇内误差是否满足聚类迭代终止条件;
(8)当聚类迭代次数和簇内误差满足聚类迭代终止条件时,终止迭代,输出更新后的簇集合,否则,重复步骤(3)~(7)。
采用以上技术手段后可以获得以下优势:
本发明提出了一种基于雷达信号分选的目标聚类方法,对雷达信号分选后的数据进行杂波信号剔除处理,能够减小杂波信号对目标聚类的影响,对无杂波的雷达信号分选结果进行数据重排,从而完成初始聚类分组和初始质心的选择,有利于提高后续聚类算法的效率和效果,此外,本发明利用簇内误差的差值来进行迭代收敛判断,能够获得局部最优解,确保最终的聚类结果的准确性。
本发明采用无监督的学习算法,不需要先验信息,目标聚类速度快、效果好,能够准确识别不同目标,本发明可以实时的处理复杂环境下的雷达信号分选结果,获得准确可靠的雷达目标聚类结果,有利于提高多源目标数据融合的效果。
附图说明
图1为本发明一种基于雷达信号分选的目标聚类方法的步骤流程图。
图2为本发明实施例中目标聚类方法的流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明:
本发明提出了一种基于雷达信号分选的目标聚类方法,如图1、2所示,具体包括如下步骤:
步骤1、获取雷达信号分选结果。通过多个雷达传感器侦测多种辐射源目标,获得雷达信号脉冲流,然后利用PRI直方图进行雷达信号分选,获得最终的雷达信号分选结果。
步骤2、根据雷达信号参数剔除雷达信号分选结果中的杂波信号,获得无杂波的雷达信号分选结果,其中,雷达信号参数包括雷达信号的载频、重复间隔、脉宽和幅度等参数。
步骤3、对无杂波的雷达信号分选结果进行数据重排预处理,获得有序的雷达信号数据序列。
步骤4、基于K均值聚类算法对雷达信号数据序列进行目标聚类,获得雷达目标聚类结果。
本发明实施例中,雷达信号分选结果中包括多个雷达信号分选,每个雷达信号分选中都含有雷达信号参数数值,因此步骤2的具体操作如下:
根据雷达侦察/干扰设备的设备性能设置每个雷达信号参数的取值范围,获取雷达侦察/干扰设备针对每个雷达信号参数的取值范围。
遍历雷达信号分选结果中的每个雷达信号分选,将每个雷达信号分选的每个雷达信号参数数值依次与对应的取值范围比较。
当雷达信号分选的任意一个雷达信号参数数值超过对应的取值范围,则认为该雷达信号分选为杂波信号;只有所有雷达信号参数数值都落在取值范围内的雷达信号分选才会进行后续的聚类分许中。
将所有杂波信号从雷达信号分选结果中剔除,获得无杂波的雷达信号分选结果。
无杂波的雷达信号分选结果中包括多个雷达信号数据,每个雷达信号数据是一个1×m维特征矢量,m表示观测目标的参数维度,雷达信号数据的目标参数可以包括载频、脉宽、重复周期、方位、多普勒等,在本发明实施例中,采用载频、脉宽、重复周期三维参数来进行雷达信号数据聚类分析和运算,具体的,雷达信号数据的表达式如下:
xi={RFi,PWi,PRIi}T (7)
其中,xi表示无杂波的雷达信号分选结果中的第i个雷达信号数据,RFi表示第i个雷达信号数据的载频,PWi表示第i个雷达信号数据的脉宽,PRIi表示第i个雷达信号数据的重复周期,i=1,2,…,M,M为无杂波的雷达信号分选结果中雷达信号数据的总数。
本发明实施例中,步骤3的具体操作为:任选一个雷达信号参数作为主要排序参数,根据该雷达信号参数数值的大小,对无杂波的雷达信号分选结果进行数据重排预处理,获得有序的雷达信号数据序列。在重排过程中,还可以设置次要排序参数,当两个雷达信号分选的主要排序参数相同时,可以通过次要排序参数进行排序。本发明实施例中利用载频参数作为主要排序参数,由小到大的对无杂波的雷达信号分选结果进行重排。
步骤4具体包括如下步骤:
步骤401、根据雷达信号数据序列初始化雷达信号数据的聚类分组和每个聚类分组的聚类中心;
步骤402、遍历雷达信号数据序列中的所有雷达信号数据,根据每个雷达信号数据到每个聚类中心的欧式距离迭代更新聚类分组和对应的聚类中心;
步骤403、获取满足聚类迭代终止条件的聚类分组,作为雷达目标聚类结果。
本发明实施例中,对雷达信号数据序列进行目标聚类的具体操作如下:
(1)设置迭代终止阈值ε、最大迭代次数L和最大簇数K,其中,最大簇数一般为预估可能出现的最大雷达数量,依据实际情况选取;初始化聚类迭代次数l=0和簇数k,k∈[1,K],初始化簇数k对于聚类效果的好坏影响较大,在实际操作中,k的取值一般不大,本发明实施例中k=2。
(2)按顺序提取雷达信号数据序列中的雷达信号数据,将雷达信号数据序列等分为k个簇,每个簇中的雷达信号数据的数量一般相同;根据每个簇中的雷达信号数据计算每个簇的簇中心:
其中,表示第l次迭代中第j个簇的簇中心,表示第l次迭代中第j个簇的第n个雷达信号数据,表示第l次迭代中的第j个簇,Nj为第j个簇中雷达信号数据的个数,n=1,2,…,Nj,j=1,2,…,k,l=1,2,…,L。
合理的确定初始化的簇中心可以减少迭代次数,加快迭代收敛,提高目标聚类效率和聚类效果。
(3)令l=l+1,计算雷达信号数据序列中的每个雷达信号数据到第l次迭代中的每个簇中心的欧式距离:
其中,表示雷达信号序列中的第i个雷达信号数据xi到第l次迭代中第j个簇的簇中心的欧式距离,表示簇中心的载频,表示簇中心的脉宽,表示簇中心的重复周期;当选取更多为的目标参数来表示雷达信号数据、进行聚类运算的时候,可以同理推导出对应的欧式距离计算公式。
(6)根据更新后的簇和簇中心计算更新后的簇的簇内误差:
一般情况下,迭代聚类的终止准则是到达指定的最大迭代次数或者已经迭代收敛,但是由于K均值聚类算法的代价函数没有解析解,在运算过程中不能保证收敛到一个全局的最优解,所以本发明为了得到较好的迭代聚类效果,在实际执行时可迭代更新初始质心,并通过选取较小的误差平方和(SSE)来获取局部最优解,提高聚类效果。
(8)当聚类迭代次数和簇内误差满足聚类迭代终止条件时,终止迭代,输出更新后的簇集合,得到目标聚类结果;否则,重复步骤(3)~(7)。
下面通过一个具体的实验来验证本发明的效果:
在本发明实施例中,设迭代终止阈值ε为0.1,初始化簇数k=2,最大迭代次数L取4,最大簇数取4。
设雷达信号分选的场景中包括2个电子干扰设备和1个电子侦察设备,3个设备定时100ms输出信号,3路分选输出结果作为目标聚类分析方法的输入。
首先产生1个频率固定,固定信号频率为RF_1=9800MHz,固定信号重复间隔PRI_1=340us,脉宽为PW_1=10us。干扰设备1输出1个捷变信号,捷变信号频率为RF_2=10050MHz~10250MHz,固定信号重复间隔PRI_2=500us,脉宽为PW_2=13us。干扰设备2输出1个抖动信号,抖动信号频率为RF_3=12000MHz,抖动信号重复间隔PRI_3=600us~800us,脉宽为PW_3=15us。对输入信号杂波剔除,对剔除后的处理结果进行聚类分析。聚类分析结果表明,取迭代终止阈值ε为0.1,初始化簇数k=2,最大迭代次数L取4进行聚类分析,对多次分选结果进行聚类可以得到正确的雷达信号参数。
本发明能够实时的处理复杂环境下的雷达信号分选结果,获得准确可靠的雷达目标聚类结果,有利于提高多源目标数据融合的效果。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.一种基于雷达信号分选的目标聚类方法,其特征在于,包括如下步骤:
获取雷达信号分选结果;
根据雷达信号参数剔除雷达信号分选结果中的杂波信号,获得无杂波的雷达信号分选结果;
对无杂波的雷达信号分选结果进行数据重排预处理,获得有序的雷达信号数据序列;
基于K均值聚类算法对雷达信号数据序列进行目标聚类,获得雷达目标聚类结果。
2.根据权利要求1所述的一种基于雷达信号分选的目标聚类方法,其特征在于,所述雷达信号参数包括雷达信号的载频、重复间隔、脉宽和幅度。
3.根据权利要求1所述的一种基于雷达信号分选的目标聚类方法,其特征在于,所述无杂波的雷达信号分选结果中包括多个雷达信号数据,每个雷达信号数据采用载频、脉宽、重复间隔的三维参数进行聚类分析;
雷达信号数据的表达式如下:
xi={RFi,PWi,PRIi}T
其中,xi表示无杂波的雷达信号分选结果中的第i个雷达信号数据,RFi表示第i个雷达信号数据的载频,PWi表示第i个雷达信号数据的脉宽,PRIi表示第i个雷达信号数据的重复周期,i=1,2,…,M,M为无杂波的雷达信号分选结果中雷达信号数据的总数。
4.根据权利要求2所述的一种基于雷达信号分选的目标聚类方法,其特征在于,剔除杂波信号的具体操作如下:
获取雷达侦察/干扰设备针对每个雷达信号参数的取值范围;
遍历雷达信号分选结果中的每个雷达信号分选,将每个雷达信号分选的每个雷达信号参数数值依次与对应的取值范围比较;
当雷达信号分选的任意一个雷达信号参数数值超过对应的取值范围,则认为该雷达信号分选为杂波信号;
将所有杂波信号从雷达信号分选结果中剔除,获得无杂波的雷达信号分选结果。
5.根据权利要求1所述的一种基于雷达信号分选的目标聚类方法,其特征在于,获得雷达目标聚类结果的方法包括如下步骤:
根据雷达信号数据序列初始化雷达信号数据的聚类分组和每个聚类分组的聚类中心;
遍历雷达信号数据序列中的所有雷达信号数据,根据每个雷达信号数据到每个聚类中心的欧式距离迭代更新聚类分组和对应的聚类中心;
获取满足聚类迭代终止条件的聚类分组,作为雷达目标聚类结果。
6.根据权利要求3或5所述的一种基于雷达信号分选的目标聚类方法,其特征在于,对雷达信号数据序列进行目标聚类的具体操作如下:
(1)初始化聚类迭代次数l=0和簇数k,k∈[1,K],K为最大簇数;
(2)按顺序提取雷达信号数据序列中的雷达信号数据,将雷达信号数据序列等分为k个簇,并计算每个簇的簇中心:
其中,表示第l次迭代中第j个簇的簇中心,表示第l次迭代中第j个簇的第n个雷达信号数据,表示第l次迭代中的第j个簇,Nj为第j个簇中雷达信号数据的个数,n=1,2,…,Nj,j=1,2,…,k,l=1,2,…,L,L为最大迭代次数;
(3)令l=l+1,计算雷达信号数据序列中的每个雷达信号数据到第l次迭代中的每个簇中心的欧式距离:
(6)根据更新后的簇和簇中心计算更新后的簇的簇内误差:
(7)判断聚类迭代次数和簇内误差是否满足聚类迭代终止条件;
(8)当聚类迭代次数和簇内误差满足聚类迭代终止条件时,终止迭代,输出更新后的簇集合,否则,重复步骤(3)~(7)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011434766.2A CN112597820A (zh) | 2020-12-10 | 2020-12-10 | 一种基于雷达信号分选的目标聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011434766.2A CN112597820A (zh) | 2020-12-10 | 2020-12-10 | 一种基于雷达信号分选的目标聚类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112597820A true CN112597820A (zh) | 2021-04-02 |
Family
ID=75191674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011434766.2A Pending CN112597820A (zh) | 2020-12-10 | 2020-12-10 | 一种基于雷达信号分选的目标聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112597820A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128584A (zh) * | 2021-04-15 | 2021-07-16 | 北京理工大学 | 一种多功能雷达脉冲序列的模式级无监督分选方法 |
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 |
CN114841297A (zh) * | 2022-07-05 | 2022-08-02 | 成都戎星科技有限公司 | 一种基于dto分离的多星无源定位散点目标分类方法 |
CN115169421A (zh) * | 2022-09-06 | 2022-10-11 | 中国人民解放军海军工程大学 | 新体制雷达辐射源目标的行为意图认知系统 |
CN116089523A (zh) * | 2023-02-14 | 2023-05-09 | 黑龙江开源科技有限公司 | 基于低空雷达信息的大数据分析的处理系统 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110063164A1 (en) * | 2009-09-11 | 2011-03-17 | Mizutani Fumihiko | Weather radar apparatus and signal processing method thereof |
JP2011059024A (ja) * | 2009-09-11 | 2011-03-24 | Toshiba Corp | 干渉波検出装置、レーダ装置及び干渉波検出方法 |
CN103197280A (zh) * | 2013-04-02 | 2013-07-10 | 中国科学院计算技术研究所 | 一种基于射频信号强度的ap位置估计方法 |
KR20140075881A (ko) * | 2012-12-11 | 2014-06-20 | 한국전자통신연구원 | 표적 잔상 제거 방법 |
CN104900229A (zh) * | 2015-05-25 | 2015-09-09 | 桂林电子科技大学信息科技学院 | 一种语音信号混合特征参数的提取方法 |
CN105469114A (zh) * | 2015-11-25 | 2016-04-06 | 大连理工大学 | 一种提高K-means收敛速度的方法 |
KR20160048441A (ko) * | 2014-10-24 | 2016-05-04 | 주식회사 빅텍 | 수집 레이더 신호의 클러스터링 방법 |
CN107656245A (zh) * | 2017-08-22 | 2018-02-02 | 哈尔滨工程大学 | 一种将信息融合应用到雷达信号分选中的方法 |
JP2018021784A (ja) * | 2016-08-02 | 2018-02-08 | 日本無線株式会社 | レーダ干渉波除去装置、レーダ物標検出装置、レーダ干渉波除去プログラム及びレーダ干渉波除去方法 |
CN108802725A (zh) * | 2017-04-27 | 2018-11-13 | 南京理工大学 | 一种浅层穿透雷达合成孔径成像方法 |
CN108985157A (zh) * | 2018-06-07 | 2018-12-11 | 北京邮电大学 | 一种手势识别方法和装置 |
CN109408557A (zh) * | 2018-09-29 | 2019-03-01 | 东南大学 | 一种基于多重对应和K-means聚类的交通事故成因分析方法 |
CN109444840A (zh) * | 2018-12-04 | 2019-03-08 | 南京航空航天大学 | 一种基于机器学习的雷达杂波抑制方法 |
CN109613486A (zh) * | 2018-12-03 | 2019-04-12 | 中国人民解放军空军工程大学 | 一种基于核簇支持向量聚类的雷达信号分选方法 |
CN109683158A (zh) * | 2018-12-21 | 2019-04-26 | 西安电子工程研究所 | 基于干涉仪信息融合的雷达地面静止防空单元检测方法 |
CN110109060A (zh) * | 2019-03-27 | 2019-08-09 | 西安电子科技大学 | 一种基于深度学习网络的雷达辐射源信号分选方法及系统 |
JP2019200083A (ja) * | 2018-05-15 | 2019-11-21 | 株式会社デンソーテン | レーダ装置及び信号処理方法 |
CN110751121A (zh) * | 2019-10-28 | 2020-02-04 | 北京理工大学 | 基于聚类与sofm的无监督雷达信号分选方法 |
CN111830506A (zh) * | 2020-07-22 | 2020-10-27 | 江苏科技大学 | 一种基于K-means聚类算法的海面风速方法 |
CN112034426A (zh) * | 2020-08-27 | 2020-12-04 | 上海朱光亚战略科技研究院 | 雷达信号处理方法、装置、计算机设备和存储介质 |
-
2020
- 2020-12-10 CN CN202011434766.2A patent/CN112597820A/zh active Pending
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011059024A (ja) * | 2009-09-11 | 2011-03-24 | Toshiba Corp | 干渉波検出装置、レーダ装置及び干渉波検出方法 |
US20110063164A1 (en) * | 2009-09-11 | 2011-03-17 | Mizutani Fumihiko | Weather radar apparatus and signal processing method thereof |
KR20140075881A (ko) * | 2012-12-11 | 2014-06-20 | 한국전자통신연구원 | 표적 잔상 제거 방법 |
CN103197280A (zh) * | 2013-04-02 | 2013-07-10 | 中国科学院计算技术研究所 | 一种基于射频信号强度的ap位置估计方法 |
KR20160048441A (ko) * | 2014-10-24 | 2016-05-04 | 주식회사 빅텍 | 수집 레이더 신호의 클러스터링 방법 |
CN104900229A (zh) * | 2015-05-25 | 2015-09-09 | 桂林电子科技大学信息科技学院 | 一种语音信号混合特征参数的提取方法 |
CN105469114A (zh) * | 2015-11-25 | 2016-04-06 | 大连理工大学 | 一种提高K-means收敛速度的方法 |
JP2018021784A (ja) * | 2016-08-02 | 2018-02-08 | 日本無線株式会社 | レーダ干渉波除去装置、レーダ物標検出装置、レーダ干渉波除去プログラム及びレーダ干渉波除去方法 |
CN108802725A (zh) * | 2017-04-27 | 2018-11-13 | 南京理工大学 | 一种浅层穿透雷达合成孔径成像方法 |
CN107656245A (zh) * | 2017-08-22 | 2018-02-02 | 哈尔滨工程大学 | 一种将信息融合应用到雷达信号分选中的方法 |
JP2019200083A (ja) * | 2018-05-15 | 2019-11-21 | 株式会社デンソーテン | レーダ装置及び信号処理方法 |
CN108985157A (zh) * | 2018-06-07 | 2018-12-11 | 北京邮电大学 | 一种手势识别方法和装置 |
CN109408557A (zh) * | 2018-09-29 | 2019-03-01 | 东南大学 | 一种基于多重对应和K-means聚类的交通事故成因分析方法 |
CN109613486A (zh) * | 2018-12-03 | 2019-04-12 | 中国人民解放军空军工程大学 | 一种基于核簇支持向量聚类的雷达信号分选方法 |
CN109444840A (zh) * | 2018-12-04 | 2019-03-08 | 南京航空航天大学 | 一种基于机器学习的雷达杂波抑制方法 |
CN109683158A (zh) * | 2018-12-21 | 2019-04-26 | 西安电子工程研究所 | 基于干涉仪信息融合的雷达地面静止防空单元检测方法 |
CN110109060A (zh) * | 2019-03-27 | 2019-08-09 | 西安电子科技大学 | 一种基于深度学习网络的雷达辐射源信号分选方法及系统 |
CN110751121A (zh) * | 2019-10-28 | 2020-02-04 | 北京理工大学 | 基于聚类与sofm的无监督雷达信号分选方法 |
CN111830506A (zh) * | 2020-07-22 | 2020-10-27 | 江苏科技大学 | 一种基于K-means聚类算法的海面风速方法 |
CN112034426A (zh) * | 2020-08-27 | 2020-12-04 | 上海朱光亚战略科技研究院 | 雷达信号处理方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
S. CAO AND S. WANG: "Density-Based Fuzzy C-Means Multi-Center Re-Clustering Radar Signal Sorting Algorithm", 2018 EIGHTH INTERNATIONAL CONFERENCE ON INSTRUMENTATION & MEASUREMENT, COMPUTER, COMMUNICATION AND CONTROL (IMCCC), pages 1843 - 1848 * |
赵贵喜,刘永波,王岩,郑洪涛: "数据场和K-Means算法融合的雷达信号分选", 雷达科学与技术, vol. 14, no. 5, pages 517 - 525 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128584A (zh) * | 2021-04-15 | 2021-07-16 | 北京理工大学 | 一种多功能雷达脉冲序列的模式级无监督分选方法 |
CN113128584B (zh) * | 2021-04-15 | 2022-11-11 | 北京理工大学 | 一种多功能雷达脉冲序列的模式级无监督分选方法 |
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 |
CN114841297A (zh) * | 2022-07-05 | 2022-08-02 | 成都戎星科技有限公司 | 一种基于dto分离的多星无源定位散点目标分类方法 |
CN115169421A (zh) * | 2022-09-06 | 2022-10-11 | 中国人民解放军海军工程大学 | 新体制雷达辐射源目标的行为意图认知系统 |
CN116089523A (zh) * | 2023-02-14 | 2023-05-09 | 黑龙江开源科技有限公司 | 基于低空雷达信息的大数据分析的处理系统 |
CN116089523B (zh) * | 2023-02-14 | 2023-12-15 | 黑龙江开源科技有限公司 | 基于低空雷达信息的大数据分析的处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112597820A (zh) | 一种基于雷达信号分选的目标聚类方法 | |
CN108256436B (zh) | 一种基于联合分类的雷达hrrp目标识别方法 | |
CN106443598B (zh) | 基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法 | |
CN113156391A (zh) | 一种雷达信号多维特征智能分选方法 | |
CN111352087B (zh) | 基于dbscan的被动mimo雷达多目标定位方法 | |
CN112036239B (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
CN114019505A (zh) | 一种基于pri区间信息的雷达信号分选方法及系统 | |
CN111079859A (zh) | 一种无源多站多目标测向交叉定位与虚假点去除方法 | |
CN111401168B (zh) | 一种无人机的多层雷达特征提取与选择方法 | |
CN112213697B (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 | |
CN111273269B (zh) | 基于ipso-bp的频率分集阵列的雷达目标定位方法 | |
CN109061556B (zh) | 一种基于弹性网络的稀疏迭代波达角估计方法 | |
CN116953677A (zh) | 基于深度学习的声呐目标识别算法 | |
CN110033043B (zh) | 基于条件生成式对抗网络的雷达一维距离像拒判方法 | |
CN112990125B (zh) | 一种辐射源雷达属于目标平台的判别方法 | |
Arasaratnam et al. | Tracking the mode of operation of multi-function radars | |
CN108320302B (zh) | 基于随机超曲面的CBMeMBer多目标跟踪方法 | |
CN114371474A (zh) | 基于卷积降噪自编码器的雷达信号智能分选方法及系统 | |
US20230118390A1 (en) | Method and device for providing tracking data for recognizing the movement of persons and hands for controlling at least one function of a technical system, and sensor system | |
CN116304966A (zh) | 基于多源数据融合的航迹关联方法 | |
CN113109760B (zh) | 一种基于组稀疏的多线谱联合doa估计和聚类方法及系统 | |
CN110880012B (zh) | 多侦察平台脉间捷变雷达辐射源频率信息关联方法 | |
CN113390406A (zh) | 基于被动多传感器系统的多目标数据关联与定位方法 | |
CN111811515A (zh) | 一种基于高斯混合概率假设密度滤波器的多目标航迹提取方法 | |
Li et al. | Signals Deinterleaving for ES systems using Improved CFSFDP Algorithm |
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 |