CN113095354B - 基于辐射源特征子空间知识的未知雷达目标识别方法 - Google Patents
基于辐射源特征子空间知识的未知雷达目标识别方法 Download PDFInfo
- Publication number
- CN113095354B CN113095354B CN202110232660.2A CN202110232660A CN113095354B CN 113095354 B CN113095354 B CN 113095354B CN 202110232660 A CN202110232660 A CN 202110232660A CN 113095354 B CN113095354 B CN 113095354B
- Authority
- CN
- China
- Prior art keywords
- subspace
- radar target
- layer
- value
- zero
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (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辐射源特征子空间知识的未知雷达目标识别方法,属于雷达与人工智能领域,包括以下步骤:S1、采用已知雷达目标数据构建训练集,采用训练集对分类识别模型进行训练,得到训练完成的分类识别模型;S2、获取训练完成的分类识别模型对输入的雷达目标测试样本处理输出的高维特征向量,基于高维特征向量,构建中心矩阵,对中心矩阵进行奇异值分解,得到零值域子空间;S3、计算测试样本在值域子空间与零域子空间的投影的向量长度的比值,确定判决门限;S4、基于判决门限,判断新的待识别的雷达目标属于已知的雷达目标或未知的雷达目标;本发明解决了现有技术无法对雷达未知目标进行准确识别的问题。
Description
技术领域
本发明涉及雷达与人工智能领域,具体涉及一种基于辐射源特征子空间知识的未知雷达目标识别方法。
背景技术
典型雷达未知目标识别的方法:
A、基于目标聚类的方法:在获得雷达目标信号之后,对雷达数据进行预处理获得其特征数据,通过聚类的方法,在聚类空间中,将同属于一类的雷达目标信号聚集,不同类的雷达目标信号远离。
B、基于神经网络特征提取的方法:在获得雷达目标信号之后,对雷达数据进行预处理送入神经网络进行特征提取,获得高维向量。对高维向量进行分析,获得每一类雷达信号的特征数据,通过比较距离等相似度判决的方法区分已知与未知目标。
典型雷达未知目标识别方法存在的缺点
A、基于目标聚类的方法:目前雷达主要以多功能雷达为主,同一类雷达也会有不同工作模式,其信号特征也各不相同,对雷达数据进行预处理无法有效获得同一类雷达的典型特征数据。通过聚类的方法,在聚类空间中,也会将同一类雷达信号分成多类,无法达到聚类的目的。且该方法对目标数据量要求过大,在接收到较少数据时,聚类效果不明显。
B、基于神经网络特征提取的方法:该方法很大程度依赖于神经网络的构造,且需要对损失函数进行针对性的设计,对提取出来的特征向量也要通过降维等方法来确定判决门限,识别效果的好坏受到以上多方面的影响。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于辐射源特征子空间知识的未知雷达目标识别方法解决了现有技术无法对雷达未知目标进行准确识别的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于辐射源特征子空间知识的未知雷达目标识别方法,包括以下步骤:
S1、采用已知雷达目标数据构建训练集,采用训练集对分类识别模型进行训练,得到训练完成的分类识别模型;
S2、获取训练完成的分类识别模型对输入的雷达目标测试样本处理输出的高维特征向量,基于高维特征向量,构建中心矩阵,对中心矩阵进行奇异值分解,得到零值域子空间;
S3、计算测试样本在值域子空间与零域子空间的投影的向量长度的比值,确定判决门限;
S4、基于判决门限,判断新的待识别的雷达目标属于已知的雷达目标或未知的雷达目标。
进一步地,步骤S1中分类识别模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、第二全连接层、第三全连接层和softmax层;
所述输入层的数据维度为100*100*3;
所述第一卷积层、第二卷积层和第三卷积层的卷积核大小均为3*3,深度均为32;
所述第一卷积层、第二卷积层和第三卷积层用于在实施过程中均采用0填充方式,以步长为1不断地移动卷积核得到相应感受野的特征信息,并将特征信息进行组合;
所述第一池化层、第二池化层和第三池化层均为最大池化层,最大池化层的核尺寸为2*2;
所述第一池化层、第二池化层和第三池化层用于在实施过程中采用0填充的方式,以步长为2进行移动。
进一步地,步骤S1中训练完成的分类识别模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、第二全连接层和第三全连接层。
进一步地,第一全连接层、第二全连接层和第三全连接层的结构均为:每个输入节点分别与每一个输出节点连接,其具体表达式为:
其中,ci为第i个输出节点的值,n为输入节点的数量,wik为第k个输入节点和第i个输出节点的连接权重,ak为第k个输入节点的输入值,bi为第i个输出节点的偏置,σ()为激活函数。
进一步地,步骤S2中包括以下分步骤:
S21、采用训练完成的分类识别模型对每一个已知雷达目标测试样本进行处理,得到高维特征向量;
S22、记录所有已知雷达目标测试样本经训练完成的分类识别模型进行处理后的高维特征向量;
S23、计算步骤S22中每个高维特征向量的中心值;
S24、将每个中心值组成中心矩阵,对中心矩阵进行奇异值分解,得到零值域子空间。
进一步地,步骤S23的计算公式为:
其中,Bi为第i个高维特征向量的中心值,为第i个已知雷达目标的第j个测试样本对应的高维特征向量,K为每个已知雷达目标的测试样本数量,为实数域,n为训练完成的分类识别模型输出的高维特征向量的维度,m为已知雷达目标的种类数。
进一步地,步骤S24中计算零值域子空间的公式为:
SVD(D)=[U]∑[V]T=[U]∑[v1v2]T
D=(B1,B2,…,Bm)T D∈Rm×n∑∈Rm×nv1∈Rn×mv2∈Rn×(n-m)
其中,SVD()为奇异值分解函数,D为中心矩阵,U为m×m的矩阵,∑为m×n的矩阵,矩阵∑除了主对角线上的元素以外全为0,主对角线上的每个元素为奇异值,奇异值的大小从左上到右下依次减小,V为n×n的零值域子空间,v1为值域子空间,v2为零域子空间。
上述进一步方案的有益效果为:将通过分类识别模型获取到的已知辐射源目标测试样本的高维特征向量处理成可用于进行已知与未知辐射源目标识别的特征子空间的知识。解决了单纯依靠神经网络进行已知与未知辐射源目标识别时,需要设计网络结构与损失函数的缺点。
进一步地,步骤S24中计算零值域子空间的方法为:
A1、计算中心矩阵的转置矩阵DT与中心矩阵的乘积DTD;
A2、通过特征值方程对乘积DTD求特征值λ,其特征值方程为:
DTDx=λx
(DTD-λE)x=0
其中,E为单位矩阵;
A3、根据特征值λ,计算特征向量x,并对特征向量x进行单位化,得到零值域子空间V,零值域子空间V由值域子空间v1与零域子空间v2构成。
上述进一步方案的有益效果为:具体解决了如何将已知辐射源目标测试样本的高维特征向量所组成的中心矩阵处理为了辐射源的特征子空间的问题。
进一步地,步骤S3包括以下分步骤:
S31、将已知雷达的测试样本输入训练完成的分类识别模型,得到已知雷达对应的高维特征向量;
S32、将步骤S31中每一个高维特征向量投影至零值域子空间,并计算投影到值域子空间与零域子空间的向量的长度的比值,其计算公式为:
a∈R1×nv1∈Rn×mv2∈Rn×(n-m)
其中,ζ1为测试样本对应的比值,a为步骤S31中测试样本通过分类识别模型获得的高维特征向量,v1为值域子空间,v2为零域子空间,||||2为向量的二范数,n为训练完成的分类识别模型输出的高维特征向量的维度,m为已知雷达目标的种类数;
S33、统计已知雷达目标比值范围,确定判决门限。
上述进一步方案的有益效果为:将测试的雷达样本的高维特征向量映射到值域子空间与零域子空间得到映射后的向量,通过计算值域子空间与零域子空间的向量的长度的比值,得到了用于判决已知与未知雷达目标的判决门限。
进一步地,步骤S4包括以下分步骤:
S41、将新的待识别的雷达的数据输入训练完成的分类识别模型,得到该待识别的雷达对应的高维特征向量;
S42、将步骤S41中的高维特征向量投影至零值域子空间,并计算投影到值域子空间与零域子空间的向量的长度的比值,其计算公式为:
b∈R1×nv1∈Rn×mv2∈Rn×(n-m)
其中,ζ2为待识别的雷达数据对应的比值,b为步骤S41中待识别的雷达目标的数据通过分类识别模型获得的高维特征向量,v1为值域子空间,v2为零域子空间,||||2为向量的二范数;
S43、将计算所得的待识别的雷达目标的比值与判决门限比较,当比值大于判决门限时,待识别的雷达目标属于已知雷达目标,当比值小于等于判决门限时,待识别的雷达目标属于未知雷达目标。
上述进一步方案的有益效果为:针对分类识别模型所获得的高维特征向量的辐射源特征子空间,通过求解二范数的比值实现了对已知与未知雷达辐射源目标的识别。解决了需对神经网络的进行针对性改进与传统聚类方法无法通过对雷达辐射源目标进行有效聚类来识别未知雷达目标的缺点。
综上,本发明的有益效果为:本发明有效结合了人工智能领域与传统信号处理领域的技术,减少了单纯通过神经网络进行未知识别的计算量以及解决了需对神经网络的网络结构与损失函数进行针对性改进的缺点,并解决了传统聚类方法无法对于多功能雷达进行有效聚类的问题,提高了计算速度与识别准确率。
附图说明
图1为一种基于辐射源特征子空间知识的未知雷达目标识别方法的流程图;
图2为分类识别模型的结构图;
图3为输入节点与输出节点的连接关系图;
图4为一种基于辐射源特征子空间知识的未知雷达目标识别方法详细流程图;
图5为已知雷达目标与未知雷达目标的判决流程图;
图6为训练完成的分类识别模型识别准确率变化图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1和4所示,一种基于辐射源特征子空间知识的未知雷达目标识别方法,包括以下步骤:
S1、采用已知雷达目标数据构建训练集,将多功能雷达的每个雷达工作状态作为待分类的类别,采用训练集对分类识别模型进行训练,得到训练完成的分类识别模型;
训练模型时的输出层为softmax层,输入数据为雷达信号的PRI、PW、RF三个维度的信息,输出向量的维度为已知雷达的类别数。如图2所示,步骤S1中分类识别模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、第二全连接层、第三全连接层和softmax层;
所述输入层的数据维度为100*100*3;
所述第一卷积层、第二卷积层和第三卷积层的卷积核大小均为3*3,深度均为32,第一卷积层的输入数据维度为100*100*3,第一卷积层的输出数据维度为100*100*32;
所述第一卷积层、第二卷积层和第三卷积层用于在实施过程中均采用0填充方式,以步长为1不断地移动卷积核得到相应感受野的特征信息,并将特征信息进行组合;
所述第一池化层、第二池化层和第三池化层均为最大池化层,最大池化层的核尺寸为2*2,在卷积层后加入最大池化层用于加快速度并防止过拟合;
所述第一池化层、第二池化层和第三池化层用于在实施过程中采用0填充的方式,以步长为2进行移动,第一池化层的输出维度为50*50*32。
在分类识别模型训练完成后,对网络的输出层进行修改,选择softmax层的前一层的全连接层作为输出,此时获得的输出为经过神经网络特征提取后的高维特征向量。因此,步骤S1中训练完成的分类识别模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、第二全连接层和第三全连接层。
第一全连接层、第二全连接层和第三全连接层的结构均为:每个输入节点分别与每一个输出节点连接,如图3所示,其具体表达式为:
其中,ci为第i个输出节点的值,n为输入节点的数量,wik为第k个输入节点和第i个输出节点的连接权重,ak为第k个输入节点的输入值,bi为第i个输出节点的偏置,σ()为激活函数,通过σ()为激活函数去线性化处理,得到输出节点的值,激活函数σ()可以使用Relu,LeakRelu,Sigmoid,Tanh等函数。
构建好整个分类识别模型的结构后,采用反向传播不断更新分类识别模型中的卷积核、全连接层的权重和偏置等参数,同时为了防止模型过拟合,中间两层全连接层在训练时使用了Dropout的方式随机隐藏部分输出节点。
S2、获取训练完成的分类识别模型输出的高维特征向量,基于高维特征向量,构建中心矩阵,对中心矩阵进行奇异值分解,得到零值域子空间;
步骤S2中包括以下分步骤:
S21、采用训练完成的分类识别模型对每一个已知雷达目标训练样本进行处理,得到高维特征向量;
S22、记录所有已知雷达目标训练样本经训练完成的分类识别模型进行处理后的高维特征向量;
S23、计算步骤S22中每个高维特征向量的中心值;
步骤S23的计算公式为:
其中,Bi为第i个高维特征向量的中心值,为第i个已知雷达目标的第j个训练样本对应的高维特征向量,K为每个已知雷达目标的训练样本数量,为实数域,n为训练完成的分类识别模型输出的高维特征向量的维度,m为已知雷达目标的种类数。
S24、将每个中心值组成中心矩阵,对中心矩阵进行奇异值分解,得到零值域子空间。
步骤S24中计算零值域子空间的公式为:
SVD(D)=[U]∑[V]T=[U]∑[v1v2]T
D=(B1,B2,…,Bm)T D∈Rm×n∑∈Rm×nv1∈Rn×mv2∈Rn×(n-m)
其中,SVD()为奇异值分解函数,D为中心矩阵,U为m×m的矩阵,∑为m×n的矩阵,矩阵∑除了主对角线上的元素以外全为0,主对角线上的每个元素为奇异值,奇异值的大小从左上到右下依次减小,V为n×n的零值域子空间,v1为值域子空间,v2为零域子空间。
步骤S24中计算零值域子空间的方法为:
A1、计算中心矩阵的转置矩阵DT与中心矩阵的乘积DTD;
A2、通过特征值方程对乘积DTD求特征值λ,其特征值方程为:
DTDx=λx
(DTD-λE)x=0
其中,E为单位矩阵;
A3、根据特征值λ,计算特征向量x,并对特征向量x进行单位化,得到零值域子空间V,零值域子空间V由值域子空间v1与零域子空间v2构成。
S3、计算测试样本在值域子空间与零域子空间的投影的向量长度的比值,确定判决门限。
步骤S3包括以下分步骤:
S31、将已知雷达的测试样本输入训练完成的分类识别模型,得到已知雷达对应的高维特征向量;
S32、将步骤S31中每一个高维特征向量投影至零值域子空间,并计算投影到值域子空间与零域子空间的向量的长度的比值,其计算公式为:
a∈R1×nv1∈Rn×mv2∈Rn×(n-m)
其中,ζ1为测试样本对应的比值,a为步骤S31中测试样本通过分类识别模型获得的高维特征向量,v1为值域子空间,v2为零域子空间,||||2为向量的二范数,n为训练完成的分类识别模型输出的高维特征向量的维度,m为已知雷达目标的种类数;
S33、统计已知雷达目标比值范围,确定判决门限。
S4、基于判决门限,判断新的待识别的雷达目标属于已知的雷达目标或未知的雷达目标,如图5所示。
步骤S4包括以下分步骤:
S41、将新的待识别的雷达的数据输入训练完成的分类识别模型,得到该待识别的雷达对应的高维特征向量;
S42、将步骤S41中的高维特征向量投影至零值域子空间,并计算投影到值域子空间与零域子空间的向量的长度的比值,其计算公式为:
b∈R1×nv1∈Rn×mv2∈Rn×(n-m)
其中,ζ2为待识别的雷达数据对应的比值,b为步骤S41中待识别的雷达目标的数据通过分类识别模型获得的高维特征向量,v1为值域子空间,v2为零域子空间,||||2为向量的二范数;
S43、将计算所得的待识别的雷达目标的比值与判决门限比较,当比值大于判决门限时,待识别的雷达目标属于已知雷达目标,当比值小于等于判决门限时,待识别的雷达目标属于未知雷达目标。
图6为训练完成的分类识别模型识别准确率变化图。
本发明识别准确率统计如下:
表1
识别类别总数 | 已知类识别准确率(%) | 未知类识别准确率(%) |
已知类55种+未知类10种 | 99.7 | 98.3 |
Claims (9)
1.一种基于辐射源特征子空间知识的未知雷达目标识别方法,其特征在于,包括以下步骤:
S1、采用已知雷达目标数据构建训练集,采用训练集对分类识别模型进行训练,得到训练完成的分类识别模型;
S2、获取训练完成的分类识别模型对输入的雷达目标测试样本处理输出的高维特征向量,基于高维特征向量,构建中心矩阵,对中心矩阵进行奇异值分解,得到零值域子空间;
S3、计算测试样本在值域子空间与零域子空间的投影的向量长度的比值,确定判决门限;
所述步骤S3包括以下分步骤:
S31、将已知雷达的测试样本输入训练完成的分类识别模型,得到已知雷达对应的高维特征向量;
S32、将步骤S31中每一个高维特征向量投影至零值域子空间,并计算投影到值域子空间与零域子空间的向量的长度的比值,其计算公式为:
a∈R1×nv1∈Rn×mv2∈Rn×(n-m)
其中,ζ1为测试样本对应的比值,a为步骤S31中测试样本通过分类识别模型获得的高维特征向量,v1为值域子空间,v2为零域子空间,|| ||2为向量的二范数,n为训练完成的分类识别模型输出的高维特征向量的维度,m为已知雷达目标的种类数;
S33、统计已知雷达目标的比值范围,确定判决门限;
S4、基于判决门限,判断新的待识别的雷达目标属于已知的雷达目标或未知的雷达目标。
2.根据权利要求1所述的基于辐射源特征子空间知识的未知雷达目标识别方法,其特征在于,所述步骤S1中分类识别模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、第二全连接层、第三全连接层和softmax层;
所述输入层的数据维度为100*100*3;
所述第一卷积层、第二卷积层和第三卷积层的卷积核大小均为3*3,深度均为32;
所述第一卷积层、第二卷积层和第三卷积层用于在实施过程中均采用0填充方式,以步长为1不断地移动卷积核得到相应感受野的特征信息,并将特征信息进行组合;
所述第一池化层、第二池化层和第三池化层均为最大池化层,最大池化层的核尺寸为2*2;
所述第一池化层、第二池化层和第三池化层用于在实施过程中采用0填充的方式,以步长为2进行移动。
3.根据权利要求1所述的基于辐射源特征子空间知识的未知雷达目标识别方法,其特征在于,所述步骤S1中训练完成的分类识别模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、第二全连接层和第三全连接层。
5.根据权利要求1所述的基于辐射源特征子空间知识的未知雷达目标识别方法,其特征在于,所述步骤S2中包括以下分步骤:
S21、采用训练完成的分类识别模型对每一个已知雷达目标测试样本进行处理,得到高维特征向量;
S22、记录所有已知雷达目标测试样本经训练完成的分类识别模型进行处理后的高维特征向量;
S23、计算步骤S22中每个高维特征向量的中心值;
S24、将每个中心值组成中心矩阵,对中心矩阵进行奇异值分解,得到零值域子空间。
7.根据权利要求6所述的基于辐射源特征子空间知识的未知雷达目标识别方法,其特征在于,所述步骤S24中计算零值域子空间的公式为:
SVD(D)=[U]∑[V]T=[U]∑[v1v2]T
D=(B1,B2,...,Bm)T D∈Rm×n ∑∈Rm×nv1∈Rn×mv2∈Rn×(n-m)
其中,SVD()为奇异值分解函数,D为中心矩阵,U为m×m的矩阵,∑为m×n的矩阵,矩阵∑除了主对角线上的元素以外全为0,主对角线上的每个元素为奇异值,奇异值的大小从左上到右下依次减小,V为n×n的零值域子空间,v1为值域子空间,v2为零域子空间。
8.根据权利要求7所述的基于辐射源特征子空间知识的未知雷达目标识别方法,其特征在于,所述步骤S24中计算零值域子空间的方法为:
A1、计算中心矩阵的转置矩阵DT与中心矩阵的乘积DTD;
A2、通过特征值方程对乘积DTD求特征值λ,其特征值方程为:
DTDx=λx
(DTD-λE)x=0
其中,E为单位矩阵;
A3、根据特征值λ,计算特征向量x,并对特征向量x进行单位化,得到零值域子空间V,零值域子空间V由值域子空间v1与零域子空间v2构成。
9.根据权利要求1所述的基于辐射源特征子空间知识的未知雷达目标识别方法,其特征在于,所述步骤S4包括以下分步骤:
S41、将新的待识别的雷达的数据输入训练完成的分类识别模型,得到该待识别的雷达对应的高维特征向量;
S42、将步骤S41中的高维特征向量投影至零值域子空间,并计算投影到值域子空间与零域子空间的向量的长度的比值,其计算公式为:
b∈R1×nv1∈Rn×mv2∈Rn×(n-m)
其中,ζ2为待识别的雷达数据对应的比值,b为步骤S41中待识别的雷达目标的数据通过分类识别模型获得的高维特征向量,v1为值域子空间,v2为零域子空间,|| ||2为向量的二范数;
S43、将计算所得的待识别的雷达目标的比值与判决门限比较,当比值大于判决门限时,待识别的雷达目标属于已知雷达目标,当比值小于等于判决门限时,待识别的雷达目标属于未知雷达目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110232660.2A CN113095354B (zh) | 2021-03-03 | 2021-03-03 | 基于辐射源特征子空间知识的未知雷达目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110232660.2A CN113095354B (zh) | 2021-03-03 | 2021-03-03 | 基于辐射源特征子空间知识的未知雷达目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113095354A CN113095354A (zh) | 2021-07-09 |
CN113095354B true CN113095354B (zh) | 2022-04-29 |
Family
ID=76666178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110232660.2A Active CN113095354B (zh) | 2021-03-03 | 2021-03-03 | 基于辐射源特征子空间知识的未知雷达目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095354B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707549B (zh) * | 2022-04-02 | 2023-04-07 | 中国人民解放军战略支援部队航天工程大学 | 一种辐射源电磁频谱指纹特征标定及提取方法 |
CN114527462B (zh) * | 2022-04-22 | 2022-07-15 | 中国人民解放军国防科技大学 | 全息穿透成像雷达杂波抑制方法、装置、系统及介质 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101241181B (zh) * | 2008-03-12 | 2010-11-17 | 电子科技大学 | 非库属目标一维距离像判别方法 |
US8331699B2 (en) * | 2009-03-16 | 2012-12-11 | Siemens Medical Solutions Usa, Inc. | Hierarchical classifier for data classification |
US8396870B2 (en) * | 2009-06-25 | 2013-03-12 | University Of Tennessee Research Foundation | Method and apparatus for predicting object properties and events using similarity-based information retrieval and modeling |
CN102035610B (zh) * | 2010-12-15 | 2014-07-16 | 南京邮电大学 | 基于初始状态向量控制的全反馈神经网络盲检测方法 |
CN103873184B (zh) * | 2012-12-10 | 2018-04-27 | 中兴通讯股份有限公司 | 协作消除干扰的方法、装置及系统 |
CN103116764B (zh) * | 2013-03-02 | 2016-10-05 | 西安电子科技大学 | 一种基于多线性主元分析的大脑认知状态判定方法 |
CN106407913A (zh) * | 2016-08-31 | 2017-02-15 | 北京京航计算通讯研究所 | 一种基于投影算子与小波变换的掌纹识别方法 |
CN106650922B (zh) * | 2016-09-29 | 2019-05-03 | 清华大学 | 硬件神经网络转换方法、计算装置、软硬件协作系统 |
CN106821405B (zh) * | 2017-01-23 | 2019-12-06 | 深圳先进技术研究院 | 一种x光机的参数标定方法、装置及系统 |
CN108090412A (zh) * | 2017-11-17 | 2018-05-29 | 西北工业大学 | 一种基于深度学习的雷达辐射源类别识别方法 |
CN108169745A (zh) * | 2017-12-18 | 2018-06-15 | 电子科技大学 | 一种基于卷积神经网络的钻孔雷达目标识别方法 |
EP3746946A1 (en) * | 2018-01-31 | 2020-12-09 | ASML Netherlands B.V. | Method to label substrates based on process parameters |
CN108416290B (zh) * | 2018-03-06 | 2022-01-18 | 中国船舶重工集团公司第七二四研究所 | 基于残差深度学习的雷达信号特征提取方法 |
US20200143236A1 (en) * | 2018-11-04 | 2020-05-07 | Stephen D. Liang | Method, System, and Computer Program Product for Data Pre-Processing in Deep Learning |
CN109471074B (zh) * | 2018-11-09 | 2023-04-21 | 西安电子科技大学 | 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 |
CN109450499B (zh) * | 2018-12-13 | 2021-03-16 | 电子科技大学 | 一种基于导向矢量和空间功率估计的鲁棒波束形成方法 |
CN111125626B (zh) * | 2019-12-12 | 2022-11-25 | 东南大学 | 一种基于s型函数随机子空间识别的模型定阶方法 |
CN112183659B (zh) * | 2020-10-15 | 2023-04-07 | 电子科技大学 | 一种基于卷积神经网络的未知信号辐射源识别方法 |
-
2021
- 2021-03-03 CN CN202110232660.2A patent/CN113095354B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113095354A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN106599797B (zh) | 一种基于局部并行神经网络的红外人脸识别方法 | |
CN107844751B (zh) | 引导滤波长短记忆神经网络高光谱遥感图像的分类方法 | |
CN109934269B (zh) | 一种电磁信号的开集识别方法和装置 | |
CN113095354B (zh) | 基于辐射源特征子空间知识的未知雷达目标识别方法 | |
CN109902564B (zh) | 一种基于结构相似性稀疏自编码网络的异常事件检测方法 | |
CN110197205A (zh) | 一种多特征来源残差网络的图像识别方法 | |
Sabrol et al. | Fuzzy and neural network based tomato plant disease classification using natural outdoor images | |
CN112557034B (zh) | 一种基于pca_cnns的轴承故障诊断方法 | |
CN111046787A (zh) | 一种基于改进YOLO v3模型的行人检测方法 | |
CN109919241A (zh) | 基于概率模型和深度学习的高光谱未知类别目标检测方法 | |
CN110880369A (zh) | 基于径向基函数神经网络的气体标志物检测方法及应用 | |
CN113177587B (zh) | 基于主动学习和变分自编码器的广义零样本目标分类方法 | |
CN105721086B (zh) | 基于ukfnn的无线信道场景识别方法 | |
CN110503148B (zh) | 一种具有尺度不变性的点云对象识别方法 | |
CN115271063A (zh) | 基于特征原型投影的类间相似性知识蒸馏方法与模型 | |
CN114487129A (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
CN117590173A (zh) | 一种基于卷积神经网络的电缆局部放电模式识别方法 | |
CN114200245A (zh) | 一种配电网的线损异常识别模型的构建方法 | |
CN110673577B (zh) | 一种复杂化工生产过程的分布式监控与故障诊断方法 | |
CN115061094B (zh) | 一种基于神经网络与svm的雷达目标识别方法 | |
CN111914922A (zh) | 一种基于局部卷积和空洞卷积的高光谱图像分类方法 | |
CN111797979A (zh) | 基于lstm模型的振动传递系统 | |
CN115327504B (zh) | 一种基于测量条件参数的海杂波幅度分布无类型化预测方法 | |
CN116340846A (zh) | 一种弱监督下多示例多标签学习的混叠调制信号识别方法 |
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 |