CN112711977A - 一种简捷的雷达辐射源个体高精度深度识别仪 - Google Patents

一种简捷的雷达辐射源个体高精度深度识别仪 Download PDF

Info

Publication number
CN112711977A
CN112711977A CN202011271285.4A CN202011271285A CN112711977A CN 112711977 A CN112711977 A CN 112711977A CN 202011271285 A CN202011271285 A CN 202011271285A CN 112711977 A CN112711977 A CN 112711977A
Authority
CN
China
Prior art keywords
radiation source
radar radiation
data
source individual
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.)
Pending
Application number
CN202011271285.4A
Other languages
English (en)
Inventor
刘兴高
王君
王文海
唐莽
苏建忠
袁健全
张泽银
曾德国
任桢
孔玉
张志猛
陈歆炜
张正辉
徐传刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202011271285.4A priority Critical patent/CN112711977A/zh
Publication of CN112711977A publication Critical patent/CN112711977A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种简捷的雷达辐射源个体高精度深度识别仪，包括雷达信号接收器、数据库、一种简捷的雷达辐射源个体高精度深度识别功能模块以及结果显示模块。一种简捷的雷达辐射源个体高精度深度识别功能模块包括数据预处理模块、雷达辐射源个体识别网络结构模块、雷达辐射源个体识别模型训练模块以及雷达辐射源个体识别辨识模块。本发明克服了传统方法未能结合全局平均池化与最大池化的优点，以及在强标签下对应雷达辐射源个体类别时会造成过拟合的问题，设计了简捷的雷达辐射源个体识别网络结构，实现了对于雷达辐射源个体的高精度识别。

Description

一种简捷的雷达辐射源个体高精度深度识别仪
技术领域
本发明涉及雷达辐射源信号识别领域、深度学习特征提取领域，尤其是一种简捷的雷达辐射源个体高精度深度识别仪。
背景技术
雷达辐射源个体识别技术是电子信息研究领域的重要研究内容，其技术水平对整个雷达对策系统的发展起着至关重要的作用。雷达辐射源个体识别是指通过特殊接收器截取目标辐射源信号，提取特征参数，然后对雷达辐射源个体的类型进行识别。随着现代雷达技术的飞速发展，电磁环境变得越来越复杂和高度交错，并且信号强度很高，每秒达到数百万个脉冲，高度复杂的电磁环境给有效识别雷达辐射源个体带来了诸多困难。
传统雷达辐射源识别方法存在以下两个问题：(1)仅考虑到全局平均池化或者最大池化，未能结合二者各自的优点；(2)在强标签对应下会造成过拟合，从而影响有效的聚类，进而导致识别精度不高。
发明内容
针对目前雷达辐射源个体识别未能结合全局平均池化与最大池化各自的优点，在强标签对应下造成过拟合的问题，本发明提供了一种简捷的雷达辐射源个体高精度深度识别仪。本发明设计了简捷的雷达辐射源个体识别网络结构，能够高精度的识别雷达辐射源个体的类别，对于实现复杂电磁环境下的雷达辐射源个体精准识别模型的快速设计具有十分重大的意义。
本发明的目的是通过以下技术方案实现的：一种简捷的雷达辐射源个体高精度深度识别仪，包括雷达信号接收器、数据库、一种简捷的雷达辐射源个体高精度深度识别功能模块以及结果显示模块。所述雷达信号接收器对雷达辐射源个体数据进行采集，并将数据储存到所述的数据库中，数据库中包含历史雷达辐射源个体数据为一种简捷的雷达辐射源个体高精度深度识别功能模块提供数据支持。一种简捷的雷达辐射源个体高精度深度识别功能模块识别得到的结果将通过结果显示模块输出显示。所述的一种简捷的雷达辐射源个体高精度深度识别功能模块，包括数据预处理模块、雷达辐射源个体识别网络结构模块、雷达辐射源个体识别模型训练模块以及雷达辐射源个体识别辨识模块。
数据预处理模块，用以进行雷达辐射源个体数据进行预处理，采用如下过程完成：
(1.1)从数据库中采集n个雷达辐射源个体数据样本对(X,Y)，Y为X＝(x1,x2,…,xd)所对应的标签，d为一个雷达辐射源个体数据的特征维度。
(1.2)对原始数据样本X＝(x1,x2,…,xd)进行进一步处理，得到数据
Figure BDA00027777366200000210
Figure BDA0002777736620000021
其中mean(X)表示对X＝(x1,x2,…,xd)按每个特征维度取平均值，std(X)表示对X＝(x1,x2,…,xd)按每个特征维度取标准差。
(1.3)再继续将数据进行处理，得到统一到[0,1]区间的数据X*:
Figure BDA0002777736620000022
其中min表示对
Figure BDA0002777736620000023
按每个特征维度取最小的数值，max表示对
Figure BDA0002777736620000024
按每个特征维度取最大的数值。
(1.4)对于非图像类型的数据，将其补零并拼接成大小为
Figure BDA0002777736620000025
的图像数据，
Figure BDA0002777736620000026
表示向上取整，补零的个数为
Figure BDA0002777736620000027
(1.5)将得到的类图像在通道方向上复制2次，得到三通道类图像，将图像缩放到224×224大小，这样得到最终雷达类图像矩阵的形状为224×224×3。
雷达辐射源个体识别网络结构模块，用于提取雷达辐射源个体的特征，以进行后续的分类识别，由如下几个重要部分构成：
(2.1)经过深度学习经典的Resnet网络提取雷达类图像的深度特征，再经过下面的处理G得到全局特征：
Figure BDA0002777736620000028
其中fk为Resnet网络输出的特征图，[a0,a1,…,an]为特征图上的像素点。bk＝1，就是平均池化采样，若bk＝∞，就是最大池化采样。取bk＝2，即可有效地结合平均池化采样和最大池化采样的优点，从而有效地提高输出特征的丰富性。
(2.2)接着经过一个全连接层对应雷达辐射源个体的类别，从而计算损失。
雷达辐射源个体识别模型训练模块，对上述雷达辐射源个体识别网络在雷达辐射源个体数据集上进行训练，采用如下过程完成：
(3.1)使用损失函数对网络继续训练：
Figure BDA0002777736620000029
其中N代表类别数，pi代表预测成i的概率，y代表预测值。
对于qi而言，传统方法一般当y＝i时，令qi＝1；当y≠i时，令qi＝0。然而全连接层输出的得分经过Softmax函数后，得到的概率向量很难做到在对应类别上概率为1，而在其他类别上概率为0。而是在对应类别上达不到概率1，在非对应类别也有非0概率。如果强行拟合会造成网络对训练集的过拟合，这会影响到有效的聚类。于是创新性地采用如下的处理方式：
Figure BDA0002777736620000031
其中ε取0.1，N为雷达辐射源个体类别数。这样对应类别的编码值从1变成略小于1，而在非对应类别上的编码值从0变成为一个较小的值，形如
Figure BDA0002777736620000032
从而允许网络以很小的概率在训练集中将对应类别错误地识别为其他类别。这样的操作可以有效减小网络对训练集的过拟合，从而提高测试精度。
(3.2)采用的学习率LR：
Figure BDA0002777736620000033
其中lr为基础学习率，epoch为当前训练轮次。
(3.3)在训练至损失函数值loss收敛时，选取最优网络参数，得到简捷的雷达辐射源个体高精度深度识别最优模型Fopt。
雷达辐射源个体识别辨识模块，用以对新采集得到的雷达辐射源个体数据进行分类辨识。采用如下过程完成：
(4.1)新采集到的雷达辐射源个体数据样本Xt＝(x′1,x′2,…,x′d)，d为雷达辐射源个体数据的特征维度。
(4.2)对采集到的数据进行进一步的处理，得到数据
Figure BDA0002777736620000034
Figure BDA0002777736620000035
其中，mean(Xt)表示对Xt＝(x′1,x′2,…,x′d)按每个特征维度取平均值，std(Xt)表示对Xt＝(x′1,x′2,…,x′d)按每个特征维度取标准差。
(4.3)再继续将数据进行处理，得到统一到[0,1]区间的数据
Figure BDA0002777736620000036
Figure BDA0002777736620000041
其中min表示对
Figure BDA0002777736620000042
按每个特征维度取最小的数值，max表示对
Figure BDA0002777736620000043
按每个特征维度取最大的数值。
(4.4)对于非图像类型的数据，将其补零并拼接成大小为
Figure BDA0002777736620000044
的图像数据，
Figure BDA0002777736620000045
表示向上取整，补零的个数为
Figure BDA0002777736620000046
(4.5)将
Figure BDA0002777736620000047
在通道方向上复制2次，得到三通道类图像，将图像缩放到224×224大小，这样得到最终雷达类图像矩阵的形状为224×224×3。
(4.6)将预处理后的数据作为预测输入，经过简捷的雷达辐射源个体高精度深度识别最优模型Fopt，得到预测类别结果：
Figure BDA0002777736620000048
其中，Fopt为训练好的简捷的雷达辐射源个体高精度深度识别最优模型，
Figure BDA0002777736620000049
为预测得到的雷达辐射源个体类别。
雷达辐射源个体识别辨识模块得到的结果将通过结果显示模块输出显示。
本发明的技术构思为：本发明对采集到的雷达辐射源个体数据进行预处理，并设计了一种简捷的雷达辐射源个体高精度深度识别网络，结合了全局平均池化和最大池化各自的优点，克服了在强标签对应下会造成过拟合，从而影响有效的聚类的缺点，进而建立了一种简捷的雷达辐射源个体高精度深度识别仪。
本发明的有益效果主要表现在：1、考虑到全局平均池化和最大池化各有优点，从而创造性地综合二者的优点，实现了对于雷达辐射源个体特征的高效提取利用，从而提高了识别精度；2、考虑到在强标签对应下会造成过拟合，从而影响有效的聚类，进而降低识别精度，创新性地提出了允许网络以很小的概率在训练集中将对应类别错误识别为其他类别，这样的操作可以有效减小网络对训练集的过拟合，从而提高了识别的准确性；
具体实施方式
发明的目的是通过以下技术方案实现的：一种简捷的雷达辐射源个体高精度深度识别仪，包括雷达信号接收器、数据库、一种简捷的雷达辐射源个体高精度深度识别功能模块以及结果显示模块。所述雷达信号接收器对雷达辐射源个体数据进行采集，并将数据储存到所述的数据库中，数据库中包含历史雷达辐射源个体数据为一种简捷的雷达辐射源个体高精度深度识别功能模块提供数据支持。一种简捷的雷达辐射源个体高精度深度识别功能模块识别得到的结果将通过结果显示模块输出显示。所述的一种简捷的雷达辐射源个体高精度深度识别功能模块，包括数据预处理模块、雷达辐射源个体识别网络结构模块、雷达辐射源个体识别模型训练模块以及雷达辐射源个体识别辨识模块。
数据预处理模块，用以对雷达辐射源个体数据进行预处理，采用如下过程完成：
(1.1)从数据库中采集n个雷达辐射源个体数据样本对(X,Y)，Y为X＝(x1,x2,…,xd)所对应的标签，d为一个雷达辐射源个体数据的特征维度。
(1.2)对原始数据样本X＝(x1,x2,…,xd)进行进一步处理，得到数据
Figure BDA0002777736620000051
Figure BDA0002777736620000052
其中mean(X)表示对X＝(x1,x2,…,xd)按每个特征维度取平均值，std(X)表示对X＝(x1,x2,…,xd)按每个特征维度取标准差。
(1.3)再继续将数据进行处理，得到统一到[0,1]区间的数据
Figure BDA0002777736620000053
Figure BDA0002777736620000054
其中min表示对
Figure BDA00027777366200000510
按每个特征维度取最小的数值，max表示对
Figure BDA0002777736620000055
按每个特征维度取最大的数值。
(1.4)对于非图像类型的数据，将其补零并拼接成大小为
Figure BDA0002777736620000056
的图像数据，
Figure BDA0002777736620000057
表示向上取整，补零的个数为
Figure BDA0002777736620000058
(1.5)将得到的类图像在通道方向上复制2次，得到三通道类图像，将图像缩放到224×224大小，这样得到最终雷达类图像矩阵的形状为224×224×3。
雷达辐射源个体识别网络结构模块，用于提取雷达辐射源个体的特征，以进行后续的分类识别，由如下几个重要部分构成：
(2.1)经过深度学习经典的Resnet网络提取雷达类图像的深度特征，再经过下面的处理G得到全局特征：
Figure BDA0002777736620000059
其中fk为Resnet网络输出的特征图，[a0,a1,…,an]为特征图上的像素点。bk＝1，就是平均池化采样，若bk＝∞，就是最大池化采样。取bk＝2，即可有效地结合平均池化采样和最大池化采样各自的优点，从而有效地提高输出特征的丰富性。
实验结果表明，相较于平均池化，结合二者各自的优点之后，宏平均精度和微平均精度分别提高了5.6％和1.6％；相较于最大池化，结合二者各自的优点之后，宏平均精度和微平均精度分别提高了7.7％和1.4％。
(2.2)接着经过一个全连接层对应雷达辐射源个体的类别，从而计算损失。
雷达辐射源个体识别模型训练模块，对上述雷达辐射源个体识别网络在雷达辐射源个体数据集上进行训练，采用如下过程完成：
(3.1)使用损失函数对网络继续训练：
Figure BDA0002777736620000061
其中N代表类别数，pi代表预测成i的概率，y代表预测值。
对于qi而言，传统方法一般当y＝i时，令qi＝1；当y≠i时，令qi＝0。然而全连接层输出的得分经过Softmax函数后，得到的概率向量很难做到在对应类别上概率为1，而在其他类别上概率为0。而是在对应类别上达不到概率1，在非对应类别也有非0概率。如果强行拟合会造成网络对训练集的过拟合，这会影响到有效的聚类。于是创新性地采用如下的处理方式：
Figure BDA0002777736620000062
其中ε取0.1，N为雷达辐射源个体类别数。这样对应类别的编码值从1变成略小于1，而在非对应类别上的编码值从0变成为一个较小的值，形如
Figure BDA0002777736620000063
从而允许网络以很小的概率在训练集中将对应类别错误地识别为其他类别。这样的操作可以有效减小网络对训练集的过拟合，从而提高测试精度。
(3.2)采用的学习率LR：
Figure BDA0002777736620000064
其中lr为基础学习率，epoch为当前训练轮次。
(3.3)在训练至损失函数值loss收敛时，选取最优网络参数，得到简捷的雷达辐射源个体高精度深度识别最优模型Fopt。
雷达辐射源个体识别辨识模块，用以对新采集得到的雷达辐射源个体数据进行分类辨识。采用如下过程完成：
(4.1)新采集到的雷达辐射源个体数据样本Xt＝(x′1,x′2,…,x′d)，d为雷达辐射源个体数据的特征维度。
(4.2)对采集到的数据进行进一步的处理，得到数据
Figure BDA0002777736620000071
Figure BDA0002777736620000072
其中，mean(Xt)表示对Xt＝(x′1,x′2,…,x′d)按每个特征维度取平均值，std(Xt)表示对Xt＝(x′1,x′2,…,x′d)按每个特征维度取标准差。
(4.3)再继续将数据进行处理，得到统一到[0,1]区间的数据
Figure BDA0002777736620000073
Figure BDA0002777736620000074
其中min表示对
Figure BDA0002777736620000075
按每个特征维度取最小的数值，max表示对
Figure BDA0002777736620000076
按每个特征维度取最大的数值。
(4.4)对于非图像类型的数据，将其补零并拼接成大小为
Figure BDA0002777736620000077
的图像数据，
Figure BDA0002777736620000078
表示向上取整，补零的个数为
Figure BDA0002777736620000079
(4.5)将
Figure BDA00027777366200000710
在通道方向上复制2次，得到三通道类图像，将图像缩放到224×224大小，这样得到最终雷达类图像矩阵的形状为224×224×3。
(4.6)将预处理后的数据作为预测输入，经过简捷的雷达辐射源个体高精度深度识别最优模型Fopt，得到预测类别结果：
Figure BDA00027777366200000711
其中，Fopt为训练好的简捷的雷达辐射源个体高精度深度识别最优模型，
Figure BDA00027777366200000712
为预测得到的雷达辐射源个体类别。
雷达辐射源个体识别辨识模块得到的结果将通过结果显示模块输出显示。
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (5)

1.一种简捷的雷达辐射源个体高精度深度识别仪，包括雷达信号接收器、数据库、一种简捷的雷达辐射源个体高精度深度识别功能模块以及结果显示模块。所述雷达信号接收器对雷达辐射源个体数据进行采集，并将数据储存到所述的数据库中。数据库中包含历史雷达辐射源个体数据为简捷的雷达辐射源个体高精度深度识别功能模块提供数据支持。简捷的雷达辐射源个体高精度深度识别功能模块识别得到的结果将通过结果显示模块输出显示。所述的简捷的雷达辐射源个体高精度深度识别功能模块，包括数据预处理模块、雷达辐射源个体识别网络结构模块、雷达辐射源个体识别模型训练模块以及雷达辐射源个体识别辨识模块。所述数据预处理模块对雷达辐射源个体数据进行预处理，雷达辐射源个体识别网络结构模块提取雷达辐射源个体的特征以进行后续的分类识别，雷达辐射源个体识别模型训练模块对雷达辐射源个体识别网络在雷达辐射源个体数据集上进行训练，雷达辐射源个体识别辨识模块对新采集得到的雷达辐射源个体数据进行分类辨识。
2.根据权利要求1所述一种简捷的雷达辐射源个体高精度深度识别仪，其特征在于，所述数据预处理模块，用以对雷达辐射源个体数据进行预处理，采用如下过程完成：
(1.1)从数据库中采集n个雷达辐射源个体数据样本对(X,Y)，Y为X＝(x1,x2,…,xd)所对应的标签，d为一个雷达辐射源个体数据的特征维度。
(1.2)对原始数据样本X＝(x1,x2,…,xd)进行进一步处理，得到数据
Figure FDA0002777736610000017
Figure FDA0002777736610000011
其中mean(X)表示对X＝(x1,x2,…,xd)按每个特征维度取平均值，std(X)表示对X＝(x1,x2,…,xd)按每个特征维度取标准差。
(1.3)再继续将数据进行处理，得到统一到[0,1]区间的数据X*:
Figure FDA0002777736610000012
其中min表示对
Figure FDA0002777736610000018
按每个特征维度取最小的数值，max表示对
Figure FDA0002777736610000013
按每个特征维度取最大的数值。
(1.4)对于非图像类型的数据，将其补零并拼接成大小为
Figure FDA0002777736610000014
的图像数据，
Figure FDA0002777736610000015
表示向上取整，补零的个数为
Figure FDA0002777736610000016
(1.5)将得到的类图像在通道方向上复制2次，得到三通道类图像，将图像缩放到224×224大小，这样得到最终雷达类图像矩阵的形状为224×224×3。
3.根据权利要求1所述一种简捷的雷达辐射源个体高精度深度识别仪，其特征在于，所述雷达辐射源个体识别网络结构模块，用于提取雷达辐射源个体的特征，以进行后续的分类识别，由如下几个重要部分构成：
(2.1)经过深度学习经典的Resnet网络提取雷达类图像的深度特征，再经过下面的处理G得到全局特征：
Figure FDA0002777736610000021
其中fk为Resnet网络输出的特征图，[a0,a1,…,an]为特征图上的像素点。bk＝1，就是平均池化采样，若bk＝∞，就是最大池化采样。取bk＝2，即可有效地结合平均池化采样和最大池化采样的优点，从而有效地提高输出特征的丰富性。
(2.2)接着经过一个全连接层对应雷达辐射源个体的类别，从而计算损失。
4.根据权利要求1所述一种简捷的雷达辐射源个体高精度深度识别仪，其特征在于，所述雷达辐射源个体识别模型训练模块，对上述雷达辐射源个体识别网络在雷达辐射源个体数据集上进行训练，采用如下过程完成：
(3.1)使用损失函数对网络继续训练：
Figure FDA0002777736610000022
其中N代表类别数，pi代表预测成i的概率，y代表预测值。
对于qi而言，传统方法一般当y＝i时，令qi＝1；当y≠i时，令qi＝0。然而全连接层输出的得分经过Softmax函数后，得到的概率向量很难做到在对应类别上概率为1，而在其他类别上概率为0。而是在对应类别上达不到概率1，在非对应类别也有非0概率。如果强行拟合会造成网络对训练集的过拟合，这会影响到有效的聚类。于是创新性地采用如下的处理方式：
Figure FDA0002777736610000023
其中ε取0.1，N为雷达辐射源个体类别数。这样对应类别的编码值从1变成略小于1，而在非对应类别上的编码值从0变成为一个较小的值，形如
Figure FDA0002777736610000024
从而允许网络以很小的概率在训练集中将对应类别错误地识别为其他类别。这样的操作可以有效减小网络对训练集的过拟合，从而提高测试精度。
(3.2)采用的学习率LR：
Figure FDA0002777736610000031
其中lr为基础学习率，epoch为当前训练轮次。
(3.3)在训练至损失函数值loss收敛时，选取最优网络参数，得到简捷的雷达辐射源个体高精度深度识别最优模型Fopt。
5.根据权利要求1所述一种简捷的雷达辐射源个体高精度深度识别仪，其特征在于，所述雷达辐射源个体识别辨识模块，用以对新采集得到的雷达辐射源个体数据进行分类辨识。采用如下过程完成：
(4.1)新采集到的雷达辐射源个体数据样本Xt＝(x′1,x′2,…,x′d)，d为雷达辐射源个体数据的特征维度。
(4.2)对采集到的数据进行进一步的处理，得到数据
Figure FDA0002777736610000032
Figure FDA0002777736610000033
其中，mean(Xt)表示对Xt＝(x′1,x′2,…,x′d)按每个特征维度取平均值，std(Xt)表示对Xt＝(x′1,x′2,…,x′d)按每个特征维度取标准差。
(4.3)再继续将数据进行处理，得到统一到[0,1]区间的数据
Figure FDA0002777736610000034
Figure FDA0002777736610000035
其中min表示对
Figure FDA0002777736610000036
按每个特征维度取最小的数值，max表示对
Figure FDA0002777736610000037
按每个特征维度取最大的数值。
(4.4)对于非图像类型的数据，将其补零并拼接成大小为
Figure FDA0002777736610000038
的图像数据，
Figure FDA0002777736610000039
表示向上取整，补零的个数为
Figure FDA00027777366100000310
(4.5)将
Figure FDA00027777366100000311
在通道方向上复制2次，得到三通道类图像，将图像缩放到224×224大小，这样得到最终雷达类图像矩阵的形状为224×224×3。
(4.6)将预处理后的数据作为预测输入，经过简捷的雷达辐射源个体高精度深度识别最优模型Fopt，得到预测类别结果：
Figure FDA0002777736610000041
其中，Fopt为训练好的简捷的雷达辐射源个体高精度深度识别最优模型，
Figure FDA0002777736610000042
为预测得到的雷达辐射源个体类别。
CN202011271285.4A 2020-11-13 2020-11-13 一种简捷的雷达辐射源个体高精度深度识别仪 Pending CN112711977A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011271285.4A CN112711977A (zh) 2020-11-13 2020-11-13 一种简捷的雷达辐射源个体高精度深度识别仪

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011271285.4A CN112711977A (zh) 2020-11-13 2020-11-13 一种简捷的雷达辐射源个体高精度深度识别仪

Publications (1)

Publication Number Publication Date
CN112711977A true CN112711977A (zh) 2021-04-27

Family

ID=75543204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011271285.4A Pending CN112711977A (zh) 2020-11-13 2020-11-13 一种简捷的雷达辐射源个体高精度深度识别仪

Country Status (1)

Country Link
CN (1) CN112711977A (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111123232A (zh) * 2019-11-11 2020-05-08 浙江大学 一种具有任务适应性的雷达个体识别系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111123232A (zh) * 2019-11-11 2020-05-08 浙江大学 一种具有任务适应性的雷达个体识别系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
古有志: "《基于深度学习的雷达辐射源个体识别技术研究》", 《万方学位论文库》 *

Similar Documents

Publication Publication Date Title
CN108520780B (zh) 一种基于迁移学习的医学数据处理和系统
CN111222434A (zh) 基于局部二值模式和深度学习的合成人脸图像取证方法
CN111275688A (zh) 基于注意力机制的上下文特征融合筛选的小目标检测方法
CN109190626A (zh) 一种基于深度学习的多路径特征融合的语义分割方法
CN108764312B (zh) 基于ds优化多指标大坝缺陷图像检测方法
CN113157678B (zh) 一种多源异构数据关联方法
CN112712102A (zh) 可同时识别已知和未知雷达辐射源个体的识别仪
CN106022251A (zh) 基于视觉共生矩阵序列的异常双人交互行为识别方法
CN111476307A (zh) 一种基于深度领域适应的锂电池表面缺陷检测方法
CN115131580B (zh) 基于注意力机制的空间目标小样本识别方法
CN117516937A (zh) 基于多模态特征融合增强的滚动轴承未知故障检测方法
CN114332473A (zh) 目标检测方法、装置、计算机设备、存储介质及程序产品
CN110781828A (zh) 一种基于微表情的疲劳状态检测方法
CN112270285A (zh) 一种基于稀疏表示和胶囊网络的sar图像变化检测方法
CN117611576A (zh) 一种基于图文融合对比学习预测方法
CN111144462A (zh) 一种雷达信号的未知个体识别方法及装置
Shi et al. A recognition method of learning behaviour in English online classroom based on feature data mining
CN113177511A (zh) 基于多数据流的旋转边框智能感知目标检测方法
CN117893737A (zh) 基于YOLOv5-LED的水母识别分类方法
Tariq et al. Sign language localization: Learning to eliminate language dialects
CN109241315A (zh) 一种基于深度学习的快速人脸检索方法
CN112711977A (zh) 一种简捷的雷达辐射源个体高精度深度识别仪
CN113434669A (zh) 一种基于序列标记策略的自然语言关系抽取方法
CN112711978A (zh) 高置信度快速雷达辐射源个体识别仪
CN111985193A (zh) 题目自动标注分类的方法和系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210427