CN112731309B - 一种基于双线性高效神经网络的有源干扰识别方法 - Google Patents
一种基于双线性高效神经网络的有源干扰识别方法 Download PDFInfo
- Publication number
- CN112731309B CN112731309B CN202110011684.5A CN202110011684A CN112731309B CN 112731309 B CN112731309 B CN 112731309B CN 202110011684 A CN202110011684 A CN 202110011684A CN 112731309 B CN112731309 B CN 112731309B
- Authority
- CN
- China
- Prior art keywords
- bilinear
- interference
- matrix
- layer
- convolution
- 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
- 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
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达干扰信号识别技术领域,具体涉及一种基于双线性高效神经网络的有源干扰识别方法。本发明针对现有干扰信号在低干噪比下识别难度大、依靠先验知识的问题,设计了更智能化的干扰识别方法。本发明通过对多种干扰信号进行建模分析,从信号时频图像的角度,采用双线性高效神经网络进行识别,在低干噪比下依然能获得很高的准确率。仿真实验证明了双线性高效神经网络用来识别干扰信号的有效性,相对于人工提取特征的传统方式,精度更高、更为简便。本发明无需干扰信号特征的先验知识,在低干噪比下具有一定的鲁棒性,突破了现有的雷达有源干扰识别方法的应用局限。
Description
技术领域
本发明属于雷达干扰信号识别技术领域,具体涉及一种基于双线性高效神经网络的有源干扰识别方法。
背景技术
借助数字射频存储(Digital Radio Frequency Memory,DRFM)对雷达信号的精确复制与再现,现代有源干扰更多以相干干扰的模式展现,其对回波信号的识别有很强的迷惑作用,显著降低了雷达的工作性能和探测效率,为雷达抗干扰技术的发展带来新的挑战。
抗干扰措施的选取,需要在确定干扰类型的基础上进行。传统基于DRFM的雷达有源干扰类型的识别依赖事先累计的工作经验,并且通过人工识别,存在工作效率低下且正确率因人而定、自主化及智能化程度不强等缺点。同时,随着模式识别、机器学习等分类识别技术的飞速发展,特别是近年来重新兴起的深度学习理论,都为干扰识别提供了更多的启发。在复杂的电磁环境中,研究有源干扰类型的自动识别,能够很大程度上减少人为因素的缺点,提高干扰识别率,减轻雷达工作人员的负担,为雷达抗干扰打下很好的基础。
通过对现有技术文献的检索发现,刘明骞等在《西安交通大学学报》(2019,53(10):103-108+121)上发表的“多类型的雷达有源干扰感知新方法”通过对干扰信号进行变分模态分解,计算得到的固有模态分量相应的矩形积分双谱及其Renyi熵,通过随机森林的方式得到干扰类型分类,但是只讨论了干噪比在0dB以上的情况,对低干噪比下模型性能的分析不足;阮怀林等在《探测与控制学报》(2018,40(04):62-67)上发表的“基于栈式稀疏自编码器的有源欺骗干扰识别”中对雷达接收信号进行时频分析,经过特征降维送入自编码器进行特征提取,虽然有较高的识别率,但是讨论的干扰类型局限,且没有对网络进行深度挖掘。
已有文献检索结果表明,雷达有源干扰主要通过人工提取浅层特征方法进行识别,虽然有些作用域能取得一定结果,但是对于多数浅层特征可分性较差,且研究人员需要丰富的先验知识;仅少量文献利用深度学习理论,但大都局限在同一类型干扰信号,且未对模型进行深入研究。因此提出了一种低干噪比环境下的有源干扰识别方法,其具体方法是将干扰信号转换为二维时频图像,通过双线性高效神经网络进行干扰信号特征提取、分类识别,解决了现有雷达干扰信号识别智能化不足且在低干噪比下准确率较低的技术问题。
发明内容
本发明的目的在于提供一种基于双线性高效神经网络的有源干扰识别方法。
本发明的目的通过如下技术方案来实现:包括以下步骤:
步骤1:获取包含干扰信号和雷达回波信号的输入信号s(t);s(t)=J(t)+n(t);J(t)表示电子干扰或回波信号;n(t)表示高斯白噪声输入信号;
步骤2:对输入信号在不同干噪比下进行时频变换,得到不同干噪比下的时频图像X(t,ω)
其中,ω表示频率;符号*代表共轭;u和τ是两个积分时间变量;g(u)为时域平滑窗;h(τ)为频域窗;
步骤3:对所有时频图像进行预处理,取每一种干噪比下的部分时频图像构建训练集,其余时频图像组成测试集;对训练集中的时频图像进行标注;
步骤4:将训练集输入至双线性高效网络进行训练;
所述的双线性高效网络包括EfficientNet-B3、空间注意力机制、全局平均池化模块层、全连接层和softmax函数分类层,损失函数设定为交叉熵函数;
步骤4.1:将EfficientNet-B3在ImageNet数据集上进行预训练,并删去EfficientNet-B3的全连接层;
步骤4.2:将训练集中的时频图像输入到EfficientNet-B3中,在EfficientNet-B3的批量归一化层进行特征提取,得到特征矩阵F;
步骤4.3:将特征矩阵F输入到空间注意力机制中,得到矩阵M;将矩阵M与F相乘得到特征矩阵F1;
M=σ(f7×7([AvgPool(F);MaxPool(F)]));
其中,σ为sigmoid型激活函数;f7×7为7×7的传统卷积操作;AvgPool(F)为全局平均池化操作,MaxPool(F)为全局最大池化操作,H表示特征矩阵F的行;W表示特征矩阵F的列;F(i,j)代表特征矩阵F中位于第i行、第j列的元素;
步骤4.4:计算特征矩阵F1中每一个元素F1(i,j)的双线性特征B(i,j),得到矩阵B;
B(i,j)=F1(i,j)F1 T(i,j);
步骤4.5:将矩阵B输入到全局平均池化模块层中,得到AvgPool(B);将AvgPool(B)输入至全连接层中得到双线性特征bk;
bk=FC(AvgPool(B))
其中,FC代表全连接层操作;k代表双线性特征经过全连接层后的特征变量数;
步骤4.6:将双线性特征bk输入至softmax函数分类层中,利用softmax函数得到每个干扰信号类别最终的输出概率;
其中,K表示输出网络节点的个数;
步骤5:将测试集输入至训练好的双线性高效网络中,得到输入信号的干扰识别结果。
本发明还可以包括:
所述的步骤4中EfficientNet-B3由16个移动翻转瓶颈卷积模块、2个卷积层、1个全局平均池化层和1个分类层构成;移动翻转瓶颈卷积模块对输入的时频图像进行1×1的逐点卷积并根据扩展比例改变输出通道维度,再进行k×k的深度卷积;当引入压缩与激发操作,移动翻转瓶颈卷积会在深度卷积后进行,以1×1的逐点卷积结尾恢复原通道维度,接着进行连接失活和输入的跳越连接,让模型具有随机的深度。
所述的步骤4中在全连接层增加系数为0.5的dropout层,减少网络拟合。
本发明的有益效果在于:
本发明针对现有干扰信号在低干噪比下识别难度大、依靠先验知识的问题,设计了更智能化的干扰识别方法。本发明对多种干扰信号进行建模分析,从信号时频图像的角度,采用双线性高效神经网络进行识别,在低干噪比下依然能获得很高的准确率。仿真实验证明了双线性高效神经网络用来识别干扰信号的有效性,相对于人工提取特征的传统方式,精度更高、更为简便。本发明无需干扰信号特征的先验知识,在低干噪比下具有一定的鲁棒性,突破了现有的雷达有源干扰识别方法的应用局限。
附图说明
图1本发明的总体流程图。
图2本发明中双线性高效网络的结构示意图。
图3本发明中双线性高效网络对测试数据的总体识别概率混淆矩阵图。
图4本发明中测试数据与干噪比的关系曲线图。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明属于雷达干扰信号识别领域。本发明设计了一种基于双线性高效神经网络的有源干扰识别方法,将一维干扰信号经过时频变换转化成时频图像,在EfficientNet-B3的网络基础上,融合了注意力机制和特征双路提取,利用深度学习网络进行高效分类识别。此发明无需干扰信号特征的先验知识,在低干噪比下具有一定的鲁棒性,突破了现有的雷达有源干扰识别方法的应用局限。
本发明的目的是这样实现的:主要包括如下步骤:
步骤一,建立雷达干扰信号数学模型。
仿真生成雷达干扰信号和回波信号,包括雷达回波信号、压制类干扰、灵巧噪声类干扰、多假目标类干扰等。输入信号模型为:s(t)=J(t)+n(t),其中t表示时间,s(t)表示输入信号,J(t)表示电子干扰或回波信号,n(t)表示高斯白噪声。
步骤二,进行干扰信号时频变换及预处理。
(1)使用平滑伪Wigner-Ville分布(Smoothed and Pseudo Wigner-Villedistribution,简称SPWVD)算法对干扰信号在不同干噪比下进行时频变换,将干扰信号转换为二维时频图像X(t,ω)。其中ω代表频率,*代表共轭,u和τ是两个积分时间变量,g(u)为时域平滑窗,h(τ)为频域窗。
(2)每种信号在每个干噪比下生成若干张时频图像,其中训练集、验证集、测试集保持一定比例,每种样本均设立标签值。
(3)对时频域图像进行预处理,调整图像尺寸,并通过裁剪、平移、归一化等进行在线数据增强,增强模型泛化能力。
步骤三,采用双线性高效网络作为特征提取和分类。
(1)将EfficientNet-B3在ImageNet数据集上进行预训练,删去全连接层,将输入的时频图像在批量归一化层进行特征提取,得到特征矩阵F。即F=Effi(X(t,ω)),其中Effi代表EfficientNet-B3的特征提取操作。EfficientNet-B3由16个移动翻转瓶颈卷积模块、2个卷积层、1个全局平均池化层和1个分类层构成。移动翻转瓶颈卷积对输入进行1×1的逐点卷积并根据扩展比例改变输出通道维度,再进行k×k的深度卷积。当引入压缩与激发操作,移动翻转瓶颈卷积会在深度卷积后进行,以1×1的逐点卷积结尾恢复原通道维度,接着进行连接失活和输入的跳越连接,让模型具有随机的深度。
(2)将特征矩阵F送入空间注意力机制,将经过注意力机制的输出矩阵M与F相乘得到特征矩阵F1。空间注意力通过计算特征F的全局最大池化和全局平均池化两张特征图,将特征值进行合并,然后用一个7×7的传统卷积处理一次,最后使用激活函数激活的方式得到输出矩阵M。即M=σ(f7×7([AvgPool(F);MaxPool(F)]));F1=M×F。其中σ为sigmoid型激活函数,f7×7为7×7的传统卷积操作,AvgPool(F)为全局平均池化操作,计算方式为MaxPool(F)为全局最大池化操作,计算方式为其中H、W分别表示特征矩阵F的行、列,i,j代表两个变量,F(i,j)代表特征矩阵F上的点。
(3)将每个位置提取到的特征矩阵F1和自身的转置操作通过矩阵外积的方式进行双线性汇合得到双线性特征,即B(i,j)=F1(i,j)F1 T(i,j)。其中B(i,j)表示每一个位置的双线性特征,F1(i,j)代表特征矩阵F1上的点,T表示转置操作。
(4)将提取到的双线性特征B(i,j)进行全局平均池化得AvgPool(B),即连接全连接层后得到特征bk,即bk=FC(AvgPool(B)),其中FC代表全连接层操作,k代表双线性特征经过全连接层后的特征变量数。利用softmax函数得到每个干扰信号类别最终的输出概率。softmax函数计算方式如下:其中K表示输出网络节点的个数。同时,为了减少网络拟合,在全连接层增加系数为0.5的dropout层。
步骤四,将训练集送入网络进行训练,并用验证集进行模型超参数的选择。
(1)网络训练时采用预训练模型和微调机制。首先,利用迁移学习获得预训练好的基网络模型参数,保持基网络参数处于冻结状态,仅训练添加的自定义网络层,训练过程中利用定义好的损失函数优化网络中参数的取值,使网络模型在训练数据集上的损失函数达到一个较小值,其中损失函数设定为交叉熵函数。然后,迭代训练若干步后解冻基网络,采用Adam优化器对分类模型的梯度下降算法进行深度优化,来微调整个网络。
(2)使用学习率优化和早停法进行超参数的选择,促使算法收敛,避免模型过拟合。初始化学习速率为一定值α,并设置经过若干次迭代后验证集的损失值不再下降时,学习率减少的动作被触发,即新的学习率设定为α1=κ×α,其中0<κ<1;监测验证集的准确率,当经历若干次网络迭代指标没有改进时,立即停止训练实现模型早停。
(3)根据网络学习结果,训练时保存验证集损失最小的模型结果。
步骤五,将已保存的最佳模型结果用于测试集的测试,进行干扰信号在不同干噪比下的识别效果评估。
与现有技术相比,本发明针对现有干扰信号在低干噪比下识别难度大、依靠先验知识的问题,设计了更智能化的干扰识别方法。对多种干扰信号进行建模分析,从信号时频图像的角度,采用双线性高效神经网络进行识别,在低干噪比下依然能获得很高的准确率。仿真实验证明了双线性高效神经网络用来识别干扰信号的有效性,相对于人工提取特征的传统方式,精度更高、更为简便。
建立8种信号的数据集,在-12dB、-10dB、-8dB、-6dB、-4dB、-2dB、-0dB、2dB、4dB共9种干噪比下分别生成140张时频图像,其中训练集、验证集、测试集的比例为5:1:1,每种样本均设立对应标签值。
在图3所示的混淆矩阵中,1代表噪声调幅干扰,2代表切片干扰,3代表回波信号,4代表噪声调频干扰,5代表间歇采样转发干扰,6代表噪声卷积灵巧干扰,7代表方波卷积灵巧干扰,8代表频谱弥散干扰。
在图4所示的数据与干噪比曲线中,本发明所设计的双线性高效网络方法记作B-EfficientNet,基于普通高效网络方法记作EfficientNet,基于残差网络方法记作Resnet。在同一干噪比下分别对比三类方法对雷达干扰信号的识别性能曲线,体现了本发明所设计的方法相对于传统深度学习方法具有较大优势,与只使用普通高效网络方法相比,由于注意力机制和双路网络带来的模型优化,对特征进行更加准确的提取,获得更高的准确率。
从仿真图中可以看出本发明所设计的基于双路高效神经网络方法拥有较高的识别率,整体测试集的识别率达到98.25%,且在低干噪比下依然能保持稳定的识别性能。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于双线性高效神经网络的有源干扰识别方法,其特征在于,包括以下步骤:
步骤1:获取包含干扰信号和雷达回波信号的输入信号s(t);s(t)=J(t)+n(t);J(t)表示电子干扰或回波信号;n(t)表示高斯白噪声输入信号;
步骤2:对输入信号在不同干噪比下进行时频变换,得到不同干噪比下的时频图像X(t,ω)
其中,ω表示频率;符号*代表共轭;u和τ是两个积分时间变量;g(u)为时域平滑窗;h(τ)为频域窗;
步骤3:对所有时频图像进行预处理,取每一种干噪比下的部分时频图像构建训练集,其余时频图像组成测试集;对训练集中的时频图像进行标注;
步骤4:将训练集输入至双线性高效网络进行训练;
所述的双线性高效网络包括EfficientNet-B3、空间注意力机制、全局平均池化模块层、全连接层和softmax函数分类层,损失函数设定为交叉熵函数;
所述EfficientNet-B3由16个移动翻转瓶颈卷积模块、2个卷积层、1个全局平均池化层和1个分类层构成;移动翻转瓶颈卷积模块对输入的时频图像进行1×1的逐点卷积并根据扩展比例改变输出通道维度,再进行k×k的深度卷积;当引入压缩与激发操作,移动翻转瓶颈卷积会在深度卷积后进行,以1×1的逐点卷积结尾恢复原通道维度,接着进行连接失活和输入的跳越连接,让模型具有随机的深度;
步骤4.1:将EfficientNet-B3在ImageNet数据集上进行预训练,并删去EfficientNet-B3的全连接层;
步骤4.2:将训练集中的时频图像输入到EfficientNet-B3中,在EfficientNet-B3的批量归一化层进行特征提取,得到特征矩阵F;
步骤4.3:将特征矩阵F输入到空间注意力机制中,得到矩阵M;将矩阵M与F相乘得到特征矩阵F1;
M=σ(f7×7([AvgPool(F);MaxPool(F)]));
其中,σ为sigmoid型激活函数;f7×7为7×7的传统卷积操作;AvgPool(F)为全局平均池化操作,MaxPool(F)为全局最大池化操作,H表示特征矩阵F的行;W表示特征矩阵F的列;F(i,j)代表特征矩阵F中位于第i行、第j列的元素;
步骤4.4:计算特征矩阵F1中每一个元素F1(i,j)的双线性特征B(i,j),得到矩阵B;
B(i,j)=F1(i,j)F1 T(i,j);
步骤4.5:将矩阵B输入到全局平均池化模块层中,得到AvgPool(B);将AvgPool(B)输入至全连接层中得到双线性特征bk;
bk=FC(AvgPool(B))
其中,FC代表全连接层操作;k代表双线性特征经过全连接层后的特征变量数;
步骤4.6:将双线性特征bk输入至softmax函数分类层中,利用softmax函数得到每个干扰信号类别最终的输出概率;
其中,K表示输出网络节点的个数;
步骤5:将测试集输入至训练好的双线性高效网络中,得到输入信号的干扰识别结果。
2.根据权利要求1所述的一种基于双线性高效神经网络的有源干扰识别方法,其特征在于:所述的步骤4中在全连接层增加系数为0.5的dropout层,减少网络拟合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110011684.5A CN112731309B (zh) | 2021-01-06 | 2021-01-06 | 一种基于双线性高效神经网络的有源干扰识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110011684.5A CN112731309B (zh) | 2021-01-06 | 2021-01-06 | 一种基于双线性高效神经网络的有源干扰识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112731309A CN112731309A (zh) | 2021-04-30 |
CN112731309B true CN112731309B (zh) | 2022-09-02 |
Family
ID=75590667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110011684.5A Active CN112731309B (zh) | 2021-01-06 | 2021-01-06 | 一种基于双线性高效神经网络的有源干扰识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112731309B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435247B (zh) * | 2021-05-18 | 2023-06-23 | 西安电子科技大学 | 一种通信干扰智能识别方法、系统及终端 |
CN113326757A (zh) * | 2021-05-25 | 2021-08-31 | 哈尔滨工程大学 | 基于卷积神经网络的频率合成器类型识别方法 |
CN113759320A (zh) * | 2021-07-07 | 2021-12-07 | 中国人民解放军国防科技大学 | 基于递归图和深度学习的雷达有源干扰信号识别方法 |
CN113552855B (zh) * | 2021-07-23 | 2023-06-06 | 重庆英科铸数网络科技有限公司 | 工业设备动态阈值设定方法、装置、电子设备及存储介质 |
CN113726350B (zh) * | 2021-08-09 | 2022-11-01 | 哈尔滨工程大学 | 一种基于深度神经网络的强相关自干扰对消方法 |
CN113920320A (zh) * | 2021-08-27 | 2022-01-11 | 北京临近空间飞行器系统工程研究所 | 一种面向典型有源干扰的雷达图像目标检测系统 |
CN113962151B (zh) * | 2021-10-21 | 2024-04-26 | 中国人民解放军空军航空大学 | 基于深度卷积迁移学习的距离假目标智能识别方法 |
CN114118142A (zh) * | 2021-11-05 | 2022-03-01 | 西安晟昕科技发展有限公司 | 一种雷达脉内调制类型的识别方法 |
CN114818777B (zh) * | 2022-03-18 | 2023-07-21 | 北京遥感设备研究所 | 有源角度欺骗干扰识别模型的训练方法及装置 |
CN115563485A (zh) * | 2022-09-14 | 2023-01-03 | 电子科技大学 | 一种基于深度学习的低复杂度干扰识别方法 |
CN115494455B (zh) * | 2022-11-18 | 2023-05-19 | 湖南赛能环测科技有限公司 | 一种自适应风雷达信号抗干扰处理方法 |
CN116482618B (zh) * | 2023-06-21 | 2023-09-19 | 西安电子科技大学 | 基于多损失特征自校准网络的雷达有源干扰识别方法 |
CN117233706B (zh) * | 2023-11-16 | 2024-02-06 | 西安电子科技大学 | 一种基于多层通道注意力机制的雷达有源干扰识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU4259789A (en) * | 1988-10-07 | 1990-07-05 | Hughes Aircraft Company | Ultra-high speed two dimensional coordinate transform processor |
US5008677A (en) * | 1976-07-13 | 1991-04-16 | Thomson-Csf | Anti-jamming device for a radar provided with a reflector antenna |
CN107462873A (zh) * | 2017-07-03 | 2017-12-12 | 上海无线电设备研究所 | 一种雷达干扰快速识别方法 |
CN110175560A (zh) * | 2019-05-24 | 2019-08-27 | 哈尔滨工程大学 | 一种雷达信号脉内调制识别方法 |
CN111427018A (zh) * | 2020-04-22 | 2020-07-17 | 安徽华可智能科技有限公司 | 一种雷达干扰装备干扰效果评估方法 |
CN111736125A (zh) * | 2020-04-02 | 2020-10-02 | 杭州电子科技大学 | 基于注意力机制和双向堆叠循环神经网络的雷达目标识别方法 |
CN111983569A (zh) * | 2020-08-17 | 2020-11-24 | 西安电子科技大学 | 基于神经网络的雷达干扰抑制方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11783566B2 (en) * | 2008-02-27 | 2023-10-10 | Tsvi Achler | Feedback systems and methods for recognizing patterns |
US20160071003A1 (en) * | 2014-09-10 | 2016-03-10 | Qualcomm Incorporated | Multilayer Perceptron for Dual SIM Dual Active Interference Cancellation |
CN108830157B (zh) * | 2018-05-15 | 2021-01-22 | 华北电力大学(保定) | 基于注意力机制和3d卷积神经网络的人体行为识别方法 |
CN111476346B (zh) * | 2020-02-28 | 2022-11-29 | 之江实验室 | 一种基于牛顿共轭梯度法的深度学习网络架构 |
-
2021
- 2021-01-06 CN CN202110011684.5A patent/CN112731309B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5008677A (en) * | 1976-07-13 | 1991-04-16 | Thomson-Csf | Anti-jamming device for a radar provided with a reflector antenna |
AU4259789A (en) * | 1988-10-07 | 1990-07-05 | Hughes Aircraft Company | Ultra-high speed two dimensional coordinate transform processor |
CN107462873A (zh) * | 2017-07-03 | 2017-12-12 | 上海无线电设备研究所 | 一种雷达干扰快速识别方法 |
CN110175560A (zh) * | 2019-05-24 | 2019-08-27 | 哈尔滨工程大学 | 一种雷达信号脉内调制识别方法 |
CN111736125A (zh) * | 2020-04-02 | 2020-10-02 | 杭州电子科技大学 | 基于注意力机制和双向堆叠循环神经网络的雷达目标识别方法 |
CN111427018A (zh) * | 2020-04-22 | 2020-07-17 | 安徽华可智能科技有限公司 | 一种雷达干扰装备干扰效果评估方法 |
CN111983569A (zh) * | 2020-08-17 | 2020-11-24 | 西安电子科技大学 | 基于神经网络的雷达干扰抑制方法 |
Non-Patent Citations (4)
Title |
---|
"An Efficient Cooperative Spectrum Sensing Algorithm Based on BP Neural Network";Yi Chen 等;《2014 International Conference on Wireless Communication and Sensor Network》;20141231;第297-301页 * |
"Finite-time stabilization of stochastic neural networks with time-varying delay via impulsive control";Tao Chen 等;《2020 IEEE International Conference on Power, Intelligent Computing and Systems (ICPICS)》;20200730;第441-446页 * |
"基于深度学习的有源欺骗干扰特征级识别方法研究";刘慧敏;《中国优秀硕士论文全文数据库》;20200215;全文 * |
"基于神经网络的大规模模拟电路故障检测系统";吴欣 等;《计算机测量与控制》;20041125;第1049-1051页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112731309A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731309B (zh) | 一种基于双线性高效神经网络的有源干扰识别方法 | |
CN111160176B (zh) | 基于融合特征的一维卷积神经网络地面雷达目标分类方法 | |
CN111126386A (zh) | 场景文本识别中基于对抗学习的序列领域适应方法 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN106529428A (zh) | 基于深度学习的水下目标识别方法 | |
CN105117736B (zh) | 基于稀疏深度堆栈网络的极化sar图像分类方法 | |
CN104732244A (zh) | 基于小波变换、多策略pso和svm集成的遥感图像分类方法 | |
CN114157539B (zh) | 一种数据知识双驱动的调制智能识别方法 | |
CN111898432A (zh) | 一种基于改进YOLOv3算法的行人检测系统及方法 | |
CN110929842B (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
CN104463194A (zh) | 一种人车分类方法及装置 | |
CN103077408B (zh) | 基于小波神经网络的海底声纳图像转换为声学底质类别方法 | |
CN110084126A (zh) | 一种基于Xgboost的卫星通信干扰样式识别方法 | |
CN101414378B (zh) | 特征维数可选的图像信息隐藏盲检测方法 | |
CN113780242A (zh) | 一种基于模型迁移学习的跨场景水声目标分类方法 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN114488069A (zh) | 基于图神经网络的雷达高分辨率距离像识别方法 | |
CN112836788B (zh) | 一种用于干扰类型识别的低功耗深度学习网络方法 | |
CN109543748A (zh) | 一种基于多模型融合的水果识别方法 | |
CN117054754A (zh) | 一种基于目标检测模型的快速射电暴信号搜寻方法 | |
CN117131436A (zh) | 面向开放环境的辐射源个体识别方法 | |
CN116243248A (zh) | 基于多标签分类网络的多分量干扰信号识别方法 | |
CN115329821A (zh) | 一种基于配对编码网络和对比学习的舰船噪声识别方法 | |
CN115272865A (zh) | 一种基于自适应激活函数和注意力机制的目标检测方法 | |
Pan et al. | Specific radar emitter identification using 1D-CBAM-ResNet |
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 |