CN112990125A - 一种辐射源雷达属于目标平台的判别方法 - Google Patents

一种辐射源雷达属于目标平台的判别方法 Download PDF

Info

Publication number
CN112990125A
CN112990125A CN202110451725.2A CN202110451725A CN112990125A CN 112990125 A CN112990125 A CN 112990125A CN 202110451725 A CN202110451725 A CN 202110451725A CN 112990125 A CN112990125 A CN 112990125A
Authority
CN
China
Prior art keywords
radar
database
radiation source
intercepted
target platform
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
Application number
CN202110451725.2A
Other languages
English (en)
Other versions
CN112990125B (zh
Inventor
孟祥豪
段永胜
王鸣宇
安永旺
毛毅
张坤峰
杨俭
甘桂华
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202110451725.2A priority Critical patent/CN112990125B/zh
Publication of CN112990125A publication Critical patent/CN112990125A/zh
Application granted granted Critical
Publication of CN112990125B publication Critical patent/CN112990125B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明给出了一种辐射源雷达属于目标平台的判别方法，包括：计算每个截获辐射源属于数据库中每个雷达的每个特征参数的隶属度；进行归一化处理；计算每个截获辐射源属于数据库中各个雷达的熵权；从每个截获辐射源属于数据库中各个雷达的熵权中选取最大熵权作为对应截获辐射源属于数据库中对应雷达的可信度并构建截获辐射源和雷达的可信度矩阵；从数据库中获取与截获辐射源属于数据库中所有雷达均关联的目标平台以及对应的置信度；构建雷达和目标平台的置信度矩阵；将可信度矩阵与置信度矩阵相乘；选取最大相乘结果值对应的平台作为各个截获辐射源属于数据库中对应雷达所属的目标平台。本发明大大提高了辐射源平台目标的判别准确性以及判别效率。

Description

一种辐射源雷达属于目标平台的判别方法
技术领域
本发明属于信号处理技术领域，具体涉及一种辐射源雷达属于目标平台的判别方法。
背景技术
在军事行动中，利用雷达辐射源信号参数信息对其所属的平台目标进行判别是雷达对抗情报处理的关键环节，面对日益复杂的电磁环境和迅猛发展的雷达技术，原有的利用单一雷达辐射源特征参数对其所属平台目标进行判别的技术，往往难以实现高准确率的平台判别，很难满足作战决策对电子情报的需求。研究雷达辐射源与目标平台之间潜在的关联规则和知识，进而通过单一平台中的多部同时工作的组网雷达信号参数，实现对此平台的高准确率型号判别，是雷达对抗情报分析中迫切需要解决的问题，具有重要的研究价值。
现有技术是提取目标平台配属辐射源的特征参数信息，利用熵权描述雷达辐射源配备目标平台的规律；采用决策的方法，以辐射源识别结果为属性对目标平台进行决策。但存在如下不足：
1、未考虑雷达辐射源信号参数所对应的雷达型号识别不确定性；
2、局部关联决策矩阵中各元素r jk 的赋值依赖于剪裁矩阵中的a jk ，而a jk 的取值仅依赖于辐射源配置知识库，且用精确的0，1表示，未考虑辐射源配属在不同类型的平台上的概率；
3、需依次计算辐射源对所有型号平台的置信度，工作量大，识别效率低。
发明内容
本发明的目的在于提供一种辐射源雷达属于目标平台的判别方法，该判别方法解决了辐射源特征参数、雷达库中特征参数模糊的技术问题，大大提高了辐射源平台目标的判别准确性以及判别效率。
为了达到上述目的，本发明采用如下技术方案实现：
一种辐射源雷达属于目标平台的判别方法，所述判别方法包括如下步骤：
步骤一、获取多个截获辐射源的特征参数值并计算每个截获辐射源属于数据库中每个雷达的每个特征参数的隶属度；
步骤二、对每个截获辐射源属于数据库中每个雷达的各个特征参数的隶属度进行归一化处理；
步骤三、根据归一化处理后的特征参数的隶属度，计算每个截获辐射源属于数据库中各个雷达的熵权；
步骤四、从每个截获辐射源属于数据库中各个雷达的熵权中选取最大熵权作为对应截获辐射源属于数据库中对应雷达的可信度并构建截获辐射源和雷达的可信度矩阵；
步骤五、从数据库中获取与截获辐射源属于数据库中所有雷达均关联的目标平台以及对应的置信度；
步骤六、根据截获辐射源属于数据库中各个雷达对应关联的目标平台的置信度，构建雷达和目标平台的置信度矩阵；
步骤七、将截获辐射源和雷达的可信度矩阵与雷达和目标平台的置信度矩阵相乘；
步骤八、选取最大相乘结果值对应的平台作为各个截获辐射源属于数据库中对应雷达所属的目标平台。
进一步的，步骤一中，所述特征参数包括载频RF、脉宽PW、脉冲重复间隔PRI和脉内调制信息MOP。
进一步的，步骤一中，当截获辐射源的特征参数为区间型特征变量时，则每个截获辐射源属于数据库中每个雷达的每个特征参数的隶属度为：
Figure 100002_DEST_PATH_IMAGE001
；
Figure 10187DEST_PATH_IMAGE002
；
Figure 100002_DEST_PATH_IMAGE003
；
Figure 299086DEST_PATH_IMAGE004
；
Figure 100002_DEST_PATH_IMAGE005
；
其中，r l ij 为第l个截获辐射源属于数据库中第i个雷达的第j个特征参数的隶属度；x为第l个截获辐射源第j个特征参数在 [min l,j ,max l,j ]区间内的随机值；Ex ij模和En ij模分别为数据库中第i个雷达第j个特征参数的已知期望和已知熵；Ex l,j 和En l,j 分别为第l个辐射源第j个特征参数的当前期望和当前熵；x l,j,v 为第l个辐射源第v个点的第j个特征参数值，l=1，2，3，... ，L，i=1，2，3，... ，n，j=1，2，3，... ，m，v=1，2，…，N k ，L、n、m和N k 分别为截获辐射源数量、雷达数量、特征参数数量和脉冲个数。
进一步的，步骤一中，当截获辐射源的特征参数为离散型变量时，则每个截获辐射源属于数据库中每个雷达的各个特征参数的隶属度为：
Figure 494706DEST_PATH_IMAGE006
；
其中，r l ij 为第l个截获辐射源属于数据库中第i个雷达的第j个特征参数的隶属度；Ex l,j,p 为第l个截获辐射源属于数据库中第i个雷达的第j个特征参数的期望评语值，l=1，2，3，... ，L，i=1，2，3，... ，n，j=1，2，3，... ，m，p=1，2，…，P，L、n、m和P分别为截获辐射源数量、雷达数量、特征参数数量和期望评语数量。
进一步的，步骤二中，按照如下公式进行归一化处理：
Figure 100002_DEST_PATH_IMAGE007
；
其中，p l ij 为第l个截获辐射源属于数据库中第i个雷达的第j个特征参数的隶属度归一化处理后的值；r l ij 为第l个截获辐射源属于数据库中第i个雷达的第j个特征参数的隶属度。
进一步的，步骤三中，所述每个截获辐射源属于数据库中各个雷达的熵权为：
Figure 628884DEST_PATH_IMAGE008
；
Figure 100002_DEST_PATH_IMAGE009
；
其中，w l i 为第l个截获辐射源属于数据库中第i个雷达的熵权；H l i 为第l个截获辐射源属于数据库中第i个雷达的信息熵。
进一步的，步骤四中，所述每个截获辐射源属于数据库中对应雷达的可信度和可信度矩阵分别为：
Figure 417894DEST_PATH_IMAGE010
；
Figure 100002_DEST_PATH_IMAGE011
；
其中，w l h 为第l个截获辐射源属于数据库中第h个雷达的可信度；W为截获辐射源的可信度矩阵，h=1，2，3，... ，H，H为所有截获辐射源属于数据库中雷达数量，H等于L。
进一步的，步骤五中，所述从数据库中获取与截获辐射源属于数据库中所有雷达均关联的目标平台以及对应的置信度的具体过程为：
步骤51、设置截获辐射源属于数据库中雷达序号h的初始值为1，目标平台集的目标平台数初始值为数据库中目标平台数；
步骤52、从数据库中统计出第h个雷达出现的次数以及第h个雷达在目标平台集中各个目标平台出现的次数；
步骤53、根据第h个雷达出现的次数与第h个雷达在目标平台集中各个目标平台出现的次数，计算第h个雷达对目标平台集中各个目标平台的置信度；
步骤54、判断置信度是否大于等于阈值，如是，则保留置信度对应的目标平台在目标平台集中，进入步骤55；如否，则从目标平台集中删除置信度对应的目标平台；并将删除后的目标平台集赋给目标平台集，进入步骤55；
步骤55、判断h是否小于H，如是，则令h=h+1，返回步骤52；如否，则进入步骤六。
进一步的，步骤53中，所述置信度为：
Figure 425164DEST_PATH_IMAGE012
；
其中，
Figure 100002_DEST_PATH_IMAGE013
为截获辐射源属于数据库中第h个雷达R h 对与截获辐射源属于数据库中所有雷达均关联的第s个目标平台T s 的置信度；
Figure 809878DEST_PATH_IMAGE014
为数据库中截获辐射源属于数据库中第h个雷达R h 在与截获辐射源属于数据库中所有雷达均关联的第s个目标平台T s 的次数；num（R h ）为数据库中截获辐射源属于数据库中第h个雷达R h 出现的次数，s=1，2，3，...，S，S为与截获辐射源属于数据库中所有雷达均关联的目标平台数。
进一步的，步骤六中，所述雷达和目标平台的置信度矩阵为：
Figure 100002_DEST_PATH_IMAGE015
；
其中，Q为截获辐射源雷达和目标平台的置信度矩阵。
本发明的有益效果：
本发明根据截获辐射源的特征参数值，得到每个截获辐射源属于数据库中每个雷达的每个特征参数的隶属度并进行归一化处理；并根据归一化处理后的特征参数的隶属度，计算每个截获辐射源属于数据库中各个雷达的熵权；同时从每个截获辐射源属于数据库中各个雷达的熵权中选取最大熵权作为对应截获辐射源属于数据库中对应雷达的可信度并构建截获辐射源和雷达的可信度矩阵；从数据库中获取与截获辐射源属于数据库中所有雷达均关联的目标平台以及对应的置信度；根据截获辐射源属于数据库中各个雷达对应关联的目标平台的置信度，构建雷达和目标平台的置信度矩阵；将截获辐射源和雷达的可信度矩阵与雷达和目标平台的置信度矩阵相乘；选取最大相乘结果值对应的平台作为各个截获辐射源属于数据库中对应雷达所属的目标平台，在辐射源型号识别阶段，解决了侦测到的辐射源特征参数模糊性、不完整性问题，大大提高了辐射源识别的准确性；本发明在截获辐射源、目标平台关联阶段，通过设置阙值，在每个截获辐射源与目标平台关联过程中，排除与截获辐射源关联较小的目标平台，逐步减少需要判别的目标平台数，大大增加了关联的效率；本发明综合了截获辐射源型号识别的可信度以及各雷达到截获辐射源的置信度对平台目标进行判别，提高了截获辐射源所属平台判别的精确度以及判别效率。
附图说明
图1为本发明的辐射源雷达属于目标平台的判别方法流程示意图；
图2为定性测评的云发生示意图。
具体实施方式
以下结合附图对本发明的具体实施方式作出详细说明。
本实施例给出了一种辐射源雷达属于目标平台的判别方法，参考图1，该判别方法包括如下步骤：
S1、获取多个截获辐射源的特征参数值并计算每个截获辐射源属于数据库中每个雷达的每个特征参数的隶属度。
通过侦察截获到多个未知型号的雷达辐射源目标信号，根据它们的脉冲到达时间，可以得出它们位置相近，再通过比较它们的来波方位角，初步判定这些雷达配属于同一作战平台。它们的特征参数如下：载频RF、脉宽PW、重频间隔PRI和脉内调制信息MOP。
通过将侦察得到的截获辐射源的特征参数跟数据（雷达）库中每个雷达的特征参数进行比对，得到截获辐射源每个特征参数相对于模板雷达的确定度(即隶属度)。这些指标中既有区间型变量，又有离散型变量，因此我们使用不同的方式建模。
（1）区间型变量
当截获辐射源的特征参数为区间型特征变量时，则每个截获辐射源属于数据库中每个雷达的每个特征参数的隶属度为：
Figure 45949DEST_PATH_IMAGE001
；
Figure 216031DEST_PATH_IMAGE002
；
Figure 971366DEST_PATH_IMAGE003
；
Figure 594108DEST_PATH_IMAGE004
；
Figure 211034DEST_PATH_IMAGE005
；
其中，r l ij 为第l个截获辐射源属于数据库中第i个雷达的第j个特征参数的隶属度；x为第l个截获辐射源第j个特征参数在 [min l,j ,max l,j ]区间内的随机值；Ex ij模和En ij模分别为数据库中第i个雷达第j个特征参数的已知期望和已知熵；Ex l,j 和En l,j 分别为第l个辐射源第j个特征参数的当前期望和当前熵；x l,j,v 为第l个辐射源第v个点的第j个特征参数值，l=1，2，3，... ，L，i=1，2，3，... ，n，j=1，2，3，... ，m，v=1，2，…，N k ，L、n、m和N k 分别为截获辐射源数量、雷达数量、特征参数数量和脉冲个数。
（2）离散型变量
对于离散型的指标变量脉内调制信息MOP，在以往的很多研究中计算其隶属度时只考虑调制方式是否匹配两种情况，并简单的用0和1来描述，忽略了调制方式的匹配程度，只考虑了两种极端的情况。可采用评语来描述这种模糊性，将评语置于连续的语言值标尺上，并且每个评语值都用云模型来实现，构成一个定性评判的云发生器，参考图2所示。
当截获辐射源的特征参数为离散型变量时，则每个截获辐射源属于数据库中每个雷达的各个特征参数的隶属度为：
Figure 986355DEST_PATH_IMAGE006
；
其中，r l ij 为第l个截获辐射源属于数据库中第i个雷达的第j个特征参数的隶属度；Ex l,j,p 为第l个截获辐射源属于数据库中第i个雷达的第j个特征参数的期望评语值，l=1，2，3，... ，L，i=1，2，3，... ，n，j=1，2，3，... ，m，p=1，2，…，P，L、n、m和P分别为截获辐射源数量、雷达数量、特征参数数量和期望评语数量。P优选为7，如下表所示：
表1
Figure DEST_PATH_IMAGE017
S2、对每个截获辐射源属于数据库中每个雷达的各个特征参数的隶属度进行归一化处理。
按照如下公式进行归一化处理：
Figure 584695DEST_PATH_IMAGE018
；
其中，p l ij 为第l个截获辐射源属于数据库中第i个雷达的第j个特征参数的隶属度归一化处理后的值；r l ij 为第l个截获辐射源属于数据库中第i个雷达的第j个特征参数的隶属度。
S3、根据归一化处理后的特征参数的隶属度，计算每个截获辐射源属于数据库中各个雷达的熵权。
每个截获辐射源属于数据库中各个雷达的熵权为：
Figure DEST_PATH_IMAGE019
；
Figure 429154DEST_PATH_IMAGE020
；
其中， w l i 为第l个截获辐射源属于数据库中第i个雷达的熵权；H l i 为第l个截获辐射源属于数据库中第i个雷达的信息熵。
S4、从每个截获辐射源属于数据库中各个雷达的熵权中选取最大熵权作为对应截获辐射源属于数据库中对应雷达的可信度并构建截获辐射源和雷达的可信度矩阵。
每个截获辐射源属于数据库中对应雷达的可信度和可信度矩阵分别为：
Figure DEST_PATH_IMAGE021
；
Figure 7028DEST_PATH_IMAGE022
；
其中，w l h 为第l个截获辐射源属于数据库中第h个雷达的可信度；W为截获辐射源的可信度矩阵，h=1，2，3，... ，H，H为所有截获辐射源属于数据库中雷达数量，H等于L。
S5、从数据库中获取与截获辐射源属于数据库中所有雷达均关联的目标平台以及对应的置信度。
本实施例中，从数据库中获取与截获辐射源属于数据库中所有雷达均关联的目标平台以及对应的置信度的具体过程为：
步骤51、设置截获辐射源属于数据库中雷达序号h的初始值为1，目标平台集的目标平台数初始值为数据库中目标平台数；
步骤52、从数据库中统计出第h个雷达出现的次数以及第h个雷达在目标平台集中各个目标平台出现的次数；
步骤53、根据第h个雷达出现的次数与第h个雷达在目标平台集中各个目标平台出现的次数，计算第h个雷达对目标平台集中各个目标平台的置信度；
步骤54、判断置信度是否大于等于阈值，如是，则保留置信度对应的目标平台在目标平台集中，进入步骤55；如否，则从目标平台集中删除置信度对应的目标平台；并将删除后的目标平台集赋给目标平台集，进入步骤55；
步骤55、判断h是否小于H，如是，则令h=h+1，返回步骤52；如否，则进入步骤六。
步骤53中，置信度为：
Figure DEST_PATH_IMAGE023
；
其中，
Figure 135390DEST_PATH_IMAGE024
为截获辐射源属于数据库中第h个雷达R h 对与截获辐射源属于数据库中所有雷达均关联的第s个目标平台T s 的置信度；
Figure DEST_PATH_IMAGE025
为数据库中截获辐射源属于数据库中第h个雷达R h 在与截获辐射源属于数据库中所有雷达均关联的第s个目标平台T s 的次数；num（R h ）为数据库中截获辐射源属于数据库中第h个雷达R h 出现的次数，s=1，2，3，...，S，S为与截获辐射源属于数据库中所有雷达均关联的目标平台数。
S6、根据截获辐射源属于数据库中各个雷达对应关联的目标平台的置信度，构建雷达和目标平台的置信度矩阵。
本实施例的雷达和目标平台的置信度矩阵为：
Figure 452102DEST_PATH_IMAGE026
；
其中，Q为截获辐射源雷达和目标平台的置信度矩阵。
S7、将截获辐射源和雷达的可信度矩阵与雷达和目标平台的置信度矩阵相乘。
S8、选取最大相乘结果值对应的平台作为各个截获辐射源属于数据库中对应雷达所属的目标平台。
本实施例根据截获辐射源的特征参数值，得到每个截获辐射源属于数据库中每个雷达的每个特征参数的隶属度并进行归一化处理；并根据归一化处理后的特征参数的隶属度，计算每个截获辐射源属于数据库中各个雷达的熵权；同时从每个截获辐射源属于数据库中各个雷达的熵权中选取最大熵权作为对应截获辐射源属于数据库中对应雷达的可信度并构建截获辐射源和雷达的可信度矩阵；从数据库中获取与截获辐射源属于数据库中所有雷达均关联的目标平台以及对应的置信度；根据截获辐射源属于数据库中各个雷达对应关联的目标平台的置信度，构建雷达和目标平台的置信度矩阵；将截获辐射源和雷达的可信度矩阵与雷达和目标平台的置信度矩阵相乘；选取最大相乘结果值对应的平台作为各个截获辐射源属于数据库中对应雷达所属的目标平台，在辐射源型号识别阶段，解决了侦测到的辐射源特征参数模糊性、不完整性问题，大大提高了辐射源识别的准确性；本实施例在截获辐射源、目标平台关联阶段，通过设置阙值，在每个截获辐射源与目标平台关联过程中，排除与截获辐射源关联较小的目标平台，逐步减少需要判别的目标平台数，大大增加了关联的效率；本实施例综合了截获辐射源型号识别的可信度以及各雷达到截获辐射源的置信度对平台目标进行判别，提高了截获辐射源所属平台判别的精确度以及判别效率。
以上实施方式仅用以说明本发明实施例的技术方案而非限制，尽管参照以上较佳实施方式对本发明实施例进行了详细说明，本领域的普通技术人员应当理解，可以对本发明实施例的技术方案进行修改或等同替换都不应脱离本发明实施例的技术方案的精神和范围。

Claims (10)

1.一种辐射源雷达属于目标平台的判别方法，其特征在于，所述判别方法包括如下步骤：
步骤一、获取多个截获辐射源的特征参数值并计算每个截获辐射源属于数据库中每个雷达的每个特征参数的隶属度；
步骤二、对每个截获辐射源属于数据库中每个雷达的各个特征参数的隶属度进行归一化处理；
步骤三、根据归一化处理后的特征参数的隶属度，计算每个截获辐射源属于数据库中各个雷达的熵权；
步骤四、从每个截获辐射源属于数据库中各个雷达的熵权中选取最大熵权作为对应截获辐射源属于数据库中对应雷达的可信度并构建截获辐射源和雷达的可信度矩阵；
步骤五、从数据库中获取与截获辐射源属于数据库中所有雷达均关联的目标平台以及对应的置信度；
步骤六、根据截获辐射源属于数据库中各个雷达对应关联的目标平台的置信度，构建雷达和目标平台的置信度矩阵；
步骤七、将截获辐射源和雷达的可信度矩阵与雷达和目标平台的置信度矩阵相乘；
步骤八、选取最大相乘结果值对应的平台作为各个截获辐射源属于数据库中对应雷达所属的目标平台。
2.根据权利要求1所述的判别方法，其特征在于，步骤一中，所述特征参数包括载频RF、脉宽PW、脉冲重复间隔PRI和脉内调制信息MOP。
3.根据权利要求1所述的判别方法，其特征在于，步骤一中，当截获辐射源的特征参数为区间型特征变量时，则每个截获辐射源属于数据库中每个雷达的每个特征参数的隶属度为：
Figure DEST_PATH_IMAGE001
；
Figure 138897DEST_PATH_IMAGE002
；
Figure DEST_PATH_IMAGE003
；
Figure 977409DEST_PATH_IMAGE004
；
Figure DEST_PATH_IMAGE005
；
其中，r l ij 为第l个截获辐射源属于数据库中第i个雷达的第j个特征参数的隶属度；x为第l个截获辐射源第j个特征参数在 [min l,j ,max l,j ]区间内的随机值；Ex ij模和En ij模分别为数据库中第i个雷达第j个特征参数的已知期望和已知熵；Ex l,j 和En l,j 分别为第l个辐射源第j个特征参数的当前期望和当前熵；x l,j,v 为第l个辐射源第v个点的第j个特征参数值，l=1，2，3，... ，L，i=1，2，3，... ，n，j=1，2，3，... ，m，v=1，2，…，N k ，L、n、m和N k 分别为截获辐射源数量、雷达数量、特征参数数量和脉冲个数。
4.根据权利要求1所述的判别方法，其特征在于，步骤一中，当截获辐射源的特征参数为离散型变量时，则每个截获辐射源属于数据库中每个雷达的各个特征参数的隶属度为：
Figure 383245DEST_PATH_IMAGE006
；
其中，r l ij 为第l个截获辐射源属于数据库中第i个雷达的第j个特征参数的隶属度；Ex l,j,p 为第l个截获辐射源属于数据库中第i个雷达的第j个特征参数的期望评语值，l=1，2，3，... ，L，i=1，2，3，... ，n，j=1，2，3，... ，m，p=1，2，…，P，L、n、m和P分别为截获辐射源数量、雷达数量、特征参数数量和期望评语数量。
5.根据权利要求3或4所述的判别方法，其特征在于，步骤二中，按照如下公式进行归一化处理：
Figure DEST_PATH_IMAGE007
；
其中，p l ij 为第l个截获辐射源属于数据库中第i个雷达的第j个特征参数的隶属度归一化处理后的值；r l ij 为第l个截获辐射源属于数据库中第i个雷达的第j个特征参数的隶属度。
6.根据权利要求5所述的判别方法，其特征在于，步骤三中，所述每个截获辐射源属于数据库中各个雷达的熵权为：
Figure 106350DEST_PATH_IMAGE008
；
Figure DEST_PATH_IMAGE009
；
其中，w l i 为第l个截获辐射源属于数据库中第i个雷达的熵权；H l i 为第l个截获辐射源属于数据库中第i个雷达的信息熵。
7.根据权利要求6所述的判别方法，其特征在于，步骤四中，所述每个截获辐射源属于数据库中对应雷达的可信度和可信度矩阵分别为：
Figure 812400DEST_PATH_IMAGE010
；
Figure DEST_PATH_IMAGE011
；
其中，w l h 为第l个截获辐射源属于数据库中第h个雷达的可信度；W为截获辐射源的可信度矩阵，h=1，2，3，...，H，H为所有截获辐射源属于数据库中雷达数量，H等于L。
8.根据权利要求7所述的判别方法，其特征在于，步骤五中，所述从数据库中获取与截获辐射源属于数据库中所有雷达均关联的目标平台以及对应的置信度的具体过程为：
步骤51、设置截获辐射源属于数据库中雷达序号h的初始值为1，目标平台集的目标平台数初始值为数据库中目标平台数；
步骤52、从数据库中统计出第h个雷达出现的次数以及第h个雷达在目标平台集中各个目标平台出现的次数；
步骤53、根据第h个雷达出现的次数与第h个雷达在目标平台集中各个目标平台出现的次数，计算第h个雷达对目标平台集中各个目标平台的置信度；
步骤54、判断置信度是否大于等于阈值，如是，则保留置信度对应的目标平台在目标平台集中，进入步骤55；如否，则从目标平台集中删除置信度对应的目标平台；并将删除后的目标平台集赋给目标平台集，进入步骤55；
步骤55、判断h是否小于H，如是，则令h=h+1，返回步骤52；如否，则进入步骤六。
9.根据权利要求8所述的判别方法，其特征在于，步骤53中，所述置信度为：
Figure 759497DEST_PATH_IMAGE012
；
其中，
Figure DEST_PATH_IMAGE013
为截获辐射源属于数据库中第h个雷达R h 对与截获辐射源属于数据库中所有雷达均关联的第s个目标平台T s 的置信度；
Figure 246104DEST_PATH_IMAGE014
为数据库中截获辐射源属于数据库中第h个雷达R h 在与截获辐射源属于数据库中所有雷达均关联的第s个目标平台T s 的次数；num（R h ）为数据库中截获辐射源属于数据库中第h个雷达R h 出现的次数，s=1，2，3，...，S，S为与截获辐射源属于数据库中所有雷达均关联的目标平台数。
10.根据权利要求9所述的判别方法，其特征在于，步骤六中，所述雷达和目标平台的置信度矩阵为：
Figure DEST_PATH_IMAGE015
；
其中，Q为截获辐射源雷达和目标平台的置信度矩阵。
CN202110451725.2A 2021-04-26 2021-04-26 一种辐射源雷达属于目标平台的判别方法 Active CN112990125B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110451725.2A CN112990125B (zh) 2021-04-26 2021-04-26 一种辐射源雷达属于目标平台的判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110451725.2A CN112990125B (zh) 2021-04-26 2021-04-26 一种辐射源雷达属于目标平台的判别方法

Publications (2)

Publication Number Publication Date
CN112990125A true CN112990125A (zh) 2021-06-18
CN112990125B CN112990125B (zh) 2021-07-30

Family

ID=76340218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110451725.2A Active CN112990125B (zh) 2021-04-26 2021-04-26 一种辐射源雷达属于目标平台的判别方法

Country Status (1)

Country Link
CN (1) CN112990125B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113836793A (zh) * 2021-09-03 2021-12-24 成都众享天地网络科技有限公司 一种基于关联准则的电磁环境态势感知预测方法
CN116359849A (zh) * 2023-06-01 2023-06-30 中国人民解放军国防科技大学 一种无源侦收截获的运动雷达目标关联方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170099200A1 (en) * 2015-10-06 2017-04-06 Evolv Technologies, Inc. Platform for Gathering Real-Time Analysis
CN106934237A (zh) * 2017-03-09 2017-07-07 上海交通大学 雷达抗干扰效能评估可信性度量实现方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170099200A1 (en) * 2015-10-06 2017-04-06 Evolv Technologies, Inc. Platform for Gathering Real-Time Analysis
CN106934237A (zh) * 2017-03-09 2017-07-07 上海交通大学 雷达抗干扰效能评估可信性度量实现方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高建明等: "基于信息熵的目标平台识别方法", 《计算机应用与软件》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113836793A (zh) * 2021-09-03 2021-12-24 成都众享天地网络科技有限公司 一种基于关联准则的电磁环境态势感知预测方法
CN116359849A (zh) * 2023-06-01 2023-06-30 中国人民解放军国防科技大学 一种无源侦收截获的运动雷达目标关联方法和系统
CN116359849B (zh) * 2023-06-01 2023-08-04 中国人民解放军国防科技大学 一种无源侦收截获的运动雷达目标关联方法和系统

Also Published As

Publication number Publication date
CN112990125B (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
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
CN108509935B (zh) 一种基于随机森林算法的雷达工作模式识别方法
CN113156391B (zh) 一种雷达信号多维特征智能分选方法
CN109508000A (zh) 异构多传感器多目标跟踪方法
Dudczyk et al. Specific emitter identification based on graphical representation of the distribution of radar signal parameters
CN112990125B (zh) 一种辐射源雷达属于目标平台的判别方法
CN111444790B (zh) 一种对多功能雷达工作模式序列的脉冲级智能识别方法
CN111079859B (zh) 一种无源多站多目标测向交叉定位与虚假点去除方法
Matuszewski et al. Neural network application for emitter identification
Cain et al. Convolutional neural networks for radar emitter classification
CN113721219B (zh) 一种基于多参数聚类的雷达信号分选方法和系统
CN110598738B (zh) 一种基于空间信息的分布式聚类方法
Matuszewski Radar signal identification using a neural network and pattern recognition methods
CN111126134A (zh) 基于非指纹信号消除器的雷达辐射源深度学习识别方法
CN113759323B (zh) 基于改进K-Means联合卷积自编码器的信号分选方法及装置
CN112597820A (zh) 一种基于雷达信号分选的目标聚类方法
CN112036239A (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
CN112949383A (zh) 一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法
CN115761534A (zh) 一种空中背景下红外无人机小目标检测及跟踪方法
Tian et al. Performance evaluation of deception against synthetic aperture radar based on multifeature fusion
CN103076595B (zh) 一种多元离散雷达辐射源信号的异常类型识别方法
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
CN114296067A (zh) 基于lstm模型的脉冲多普勒雷达低慢小目标识别方法
Jin et al. Radar emitter identification based on EPSD-DFN
Wang et al. FCM algorithm and index CS for the signal sorting of radiant points

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