CN113221944A - 一种紫外光协作多传感器数据融合无人机敌我识别方法 - Google Patents
一种紫外光协作多传感器数据融合无人机敌我识别方法 Download PDFInfo
- Publication number
- CN113221944A CN113221944A CN202110358990.6A CN202110358990A CN113221944A CN 113221944 A CN113221944 A CN 113221944A CN 202110358990 A CN202110358990 A CN 202110358990A CN 113221944 A CN113221944 A CN 113221944A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- target
- neural network
- ultraviolet light
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000004927 fusion Effects 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 230000004044 response Effects 0.000 claims description 26
- 230000005855 radiation Effects 0.000 claims description 8
- 238000000825 ultraviolet detection Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/257—Belief theory, e.g. Dempster-Shafer
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种紫外光协作多传感器数据融合无人机敌我识别方法，首先将雷达传感器、紫外光探测传感器、ESM传感器得到的无人机目标特征信息分为训练组和测试组，通过训练组训练BP神经网络，通过测试组验证BP神经网络的正确性；其次，输入无人机目标特征信息后，BP神经网络自动将无人机目标属性进行分类，利用IFF系统和BP神经网络得出目标识别概率；然后，使用D‑S证据理论判断无人机目标属性并分配相应的权重值；最后，将各传感器及IFF系统得出的权重值进行融合，统一敌我识别属性，得出识别结果。本发明采用多传感器数据融合进行敌我识别，使获得的目标信息具有更高的分辨性和参考性，从而得到更准确的识别结果。
Description
技术领域
本发明属于敌我识别技术领域，具体涉及一种紫外光协作多传感器数据融合无人机敌我识别方法。
背景技术
随着科学技术的发展，现代战争已经转为信息化战争。信息战具有突发性、快速性、海陆空一体化、持续时间短等特点，作战环境非常复杂，敌我双方均需采用伪装、隐蔽、欺骗和干扰等手段和技术来进行识别和反识别的较量。
敌我识别(Identification Friend or Foe，IFF)是通过各种可以利用的技术和手段，结合通用或专用的平台装备，在作战所需的时空范围内，对目标的敌我属性进行判别和确认。敌我识别技术随着现代作战武器的更新而不断发展，目标敌我识别属性的识别方法也随之持续更新，对于目标敌我识别属性可以分为两大类：非协同式敌我识别和协同式敌我识别。非协同式敌我识别主要是采用各类分布式传感器，如雷达，红外搜索等进行综合识别，其主要特点在于没有询问-应答的信号交互过程，不需要被识别目标的配合。协同式敌我识别必须依赖目标的配合才能获取目标敌我属性信息，即通过询问-应答的方式进行目标的敌我识别。但是近年来，单一的敌我识别系统已经不能很好的应用到军事场景中，越来越多的敌我识别系统是将协同式与非协同式两类敌我识别系统结合使用。
当前的敌我识别系统存在如混扰、窜扰及可靠性差等问题，识别效能低，尤其是它对敌方实施欺骗干扰、压制干扰的对抗能力弱，系统的天线在无人机会由于安装位置不妥而使应答信号受遮蔽。而采用数据融合进行目标敌我识别能提高敌我识别系统的抗破译、防欺骗和反干扰能力，提高了在密集多目标背景下的敌我识别能力，并且具有可靠性、抗干扰性、可增大敌我识别系统的信息利用率，增强系统灵敏度等优点。
目前，已有的敌我识别系统中通常使用无线电的方式进行信息传输，但是考虑到传统无线电通信由于安全和机动灵活等方面的缺点，很可能在强电磁干扰情况下导致通信链路的损坏，进而无法完成敌我识别，针对此，有必要使用一种更高鲁棒性的辅助信息通信手段进行信息的交互。“日盲”段紫外光兼顾背景噪声小、抗电磁干扰能力强、低窃听等优点，具有显著的潜在军事应用。由于特殊的信息传输原理，紫外光通信可以应用于“电磁静默”环境内各个部队的调度、演习和战役的指挥等局面，在多种极端环境下，可结合常规传统通信方式实现通信。紫外光通信在日后必将成为未来战场上一种安全通信的有效手段。
发明内容
本发明的目的是提供一种紫外光协作多传感器数据融合无人机敌我识别方法，提高复杂战争环境下无人机目标属性识别的可靠性、敌我识别系统中的信息利用率以及无人机蜂群内部信息传递的有效性。本方法利用多传感器数据融合借助抗电磁干扰能力强的无线紫外光来协作无人机蜂群进行敌我识别和信息交互，具体操作为使用雷达、电子支援措施(Electronic Support Measures，ESM)，紫外探测数据及IFF系统，应用数据融合，BP神经网络等新技术，保障在复杂战争环境中无人机目标属性识别系统的灵敏度，从而得到更加精确的识别结果。
为了实现上述目的，本发明所才采取的技术方案为：
一种紫外光协作多传感器数据融合无人机敌我识别方法，具体按照以下步骤实施：
步骤1，将雷达传感器、紫外光探测传感器、ESM传感器得到的无人机目标特征信息分类为训练组和测试组，通过训练组训练BP神经网络，训练成功后得到成熟的BP神经网络，通过测试组验证BP神经网络的正确性；
步骤2，输入无人机目标特征信息后，BP神经网络自动将无人机目标属性进行分类，通过大量数据测试利用IFF系统和BP神经网络得出目标识别概率；
步骤3，利用BP神经网络训练结果和IFF系统得到各传感器的目标识别概率，使用D-S证据理论判断无人机目标属性并分配相应的权重值；
步骤4，将雷达传感器、紫外光探测传感器、ESM传感器以及IFF系统得出的权重值进行融合，统一敌我识别属性，得出识别结果。
进一步地，所述步骤1的具体做法为：
通过将雷达传感器、紫外光探测传感器、ESM传感器得到的无人机目标的特征信息分为训练组和测试组，将训练组的信息组合为样本集，其中包括输入样本和输出样本，并对它们进行归一化处理；样本集确认成功后，即可初步构建BP神经网络，选用3层BP神经网络，即输入层、隐层和输出层，BP神经网络构建完成后给各个传感器平均分配权重值，通过设置网络最大收敛次数、收敛误差、显示间隔等训练参数，经过不断训练，直至训练为成熟的BP神经网络，最终通过测试组来验证BP神经网络的正确性。
进一步地，所述步骤2的具体做法为：
雷达传感器对获得的目标航迹和距离信息对BP神经网络进行训练，得到无人机目标型号，从而判断得到敌我属性；紫外光探测传感器对获得的外形轮廓及辐射分布特性得到无人机目标型号，从而得出目标敌我属性；ESM传感器通过获得的无人机目标的雷达信号中个体特征完成对目标辐射源型号的识别，从而判断出敌我属性；
IFF询问-应答系统使用紫外光信号发送电子口令获取无人机的特征信息，无人机上搭载紫外光收发装置可作为询问器和应答器，通过判断无人机应答的特征信息得出无人机目标的敌我属性，IFF询问-应答系统具体判断步骤如下：
对无人机目标通过紫外光发射装置发送预定询问信号；
无人机目标的信息接收机接收到询问信号后，立即发送包含自身编号的特征信息应答信号；
若未接收到应答信息，则初步判断为敌机；若接收到应答信号，则根据应答信息中的目标无人机特征信息进行判断无人机目标的敌我属性；
利用大量的数据进行测试，使BP神经网络和IFF系统起到领域专家的作用，可以近似得出无人机目标敌我属性的基本概率赋值。
进一步地，所述步骤3具体做法为：
利用BP神经网络和IFF系统得到各传感器的目标识别概率，使用D-S证据理论进行权值分配，D-S组合规则约定如下：
1)目标类别应具有最大的基本可信数，并大于设定阈值；
2)目标类别基本可信数与其他类别的基本可信数的差值必须大于设定阈值，即表示每一证据对不同类别的支持程度应有足够大的差异；
3)不确定性概率必须小于设定阈值，即对目标类别的无知程度或证据的不确定性不能太大；
4)目标类别的基本可信数必须大于不确定性概率值，即对目标知道很少时，不能对其分类。
进一步地，所述步骤4的具体做法为：
将雷达传感器、紫外光探测传感器、ESM传感器、IFF系统得到的权重值进行融合，分析比较将权重值占比较大的传感器得到的无人机目标属性确定为最终的识别结果。
与现有技术相比，本发明的有益效果是：
1)敌我识别是无人机蜂群作战系统的第一道防线，由于战场环境中存在电磁干扰和电子对抗，本发明采用了抗电磁干扰能力强的无线紫外光来协作无人机蜂群进行敌我识别和信息交互，因此可减少己方无人机有可能出现应答信号丢失的情况，从而打消对目标属性的误判。本发明采用多机载传感器进行敌我识别，在确认己方无人机之后，通过无线紫外光进行隐秘信息交互，保障无人机蜂群内信息传递的有效性。
2)本发明所使用的传感器中，雷达、IFF询问-应答系统能在远距离情况下进行识别。ESM、紫外光探测可在有电子干扰的情况或“电磁静默”环境下进行识别。因此采用多传感器数据融合进行敌我识别，可利用各传感器的优点进行数据的互补，使获得的目标信息具有更高的分辨性和参考性，还可以增加敌我识别系统的信息利用率，提高系统的灵敏度，加强系统对目标识别的可靠性，从而得到更准确的识别结果。
附图说明
图1是本发明一种紫外光协作多传感器数据融合无人机敌我识别方法技术框图；
图2是本发明一种紫外光协作多传感器数据融合无人机敌我识别方法的BP神经网络示意图；
图3是本发明一种紫外光协作多传感器数据融合无人机敌我识别方法的IFF系统敌我识别目标属性判断流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
一种紫外光协作多传感器数据融合无人机敌我识别方法技术框图如图1所示，其中雷达传感器主要获取目标航迹信息、距离信息等，紫外光探测传感器可获取目标外形轮廓及辐射分布特性，其与雷达传感器主要完成目标的型号识别，根据型号推导出敌我属性。ESM传感器可以通过获得的雷达信号中的个体特征，完成对辐射源的识别。IFF询问-应答系统使用紫外光发射装置对无人机目标发射预定询问信号，无人机目标收到询问信号后解码并进行应答，紫外光信号收信机侦收无人机目标的应答信号，根据应答信息初步进行敌我属性判断。
一种紫外光协作多传感器数据融合无人机敌我识别方法，具体按照以下步骤实施：
步骤1，将雷达传感器、紫外光探测传感器、ESM传感器得到的无人机目标特征信息分类为训练组和测试组，通过训练组训练BP神经网络，训练成功后得到成熟的BP神经网络，通过测试组验证BP神经网络的正确性。具体做法为：
通过将雷达传感器、紫外光探测传感器、ESM传感器得到的无人机目标的外形轮廓，型号等特征信息分为训练组和测试组，将训练组的信息组合为样本集，其中包括输入样本和输出样本，并对它们进行归一化处理；样本集确认成功后，即可初步构建BP神经网络，选用3层BP神经网络，即输入层、隐层和输出层，BP神经网络构建完成后给各个传感器平均分配权重值，通过设置网络最大收敛次数、收敛误差、显示间隔等训练参数，经过不断训练，直至训练为成熟的BP神经网络，最终通过测试组来验证BP神经网络的正确性。
步骤2，输入无人机目标特征信息后，BP神经网络自动将无人机目标属性进行分类，通过大量数据测试利用IFF系统和BP神经网络得出目标识别概率。具体做法为：
雷达传感器对获得的目标航迹和距离等信息对BP神经网络进行训练，得到无人机目标型号，从而判断得到敌我属性；紫外光探测传感器对获得的外形轮廓及辐射分布特性得到无人机目标型号，从而得出目标敌我属性；ESM传感器通过获得的无人机目标的雷达信号中个体特征完成对目标辐射源型号的识别，从而判断出敌我属性；
IFF询问-应答系统使用紫外光信号发送电子口令获取无人机的特征信息，无人机上搭载紫外光收发装置可作为询问器和应答器，通过判断无人机应答的特征信息得出无人机目标的敌我属性，IFF询问-应答系统具体的识别流程图如图3所示，具体判断步骤如下：
对无人机目标通过紫外光发射装置发送预定询问信号；
无人机目标的信息接收机接收到询问信号后，立即发送包含自身编号的特征信息应答信号；
若未接收到应答信息，则初步判断为敌机；若接收到应答信号，则根据应答信息中的目标无人机特征信息进行判断无人机目标的敌我属性；
利用大量的数据进行测试，使BP神经网络和IFF系统起到领域专家的作用，可以近似得出无人机目标敌我属性的基本概率赋值。
步骤3，利用BP神经网络训练结果和IFF系统得到各传感器的目标识别概率，使用D-S证据理论判断无人机目标属性并分配相应的权重值，D-S组合规则约定如下：
1)目标类别应具有最大的基本可信数，并大于设定阈值；
2)目标类别基本可信数与其他类别的基本可信数的差值必须大于设定阈值，即表示每一证据对不同类别的支持程度应有足够大的差异；
3)不确定性概率必须小于设定阈值，即对目标类别的无知程度或证据的不确定性不能太大；
4)目标类别的基本可信数必须大于不确定性概率值，即对目标知道很少时，不能对其分类。
步骤4，将雷达传感器、紫外光探测传感器、ESM传感器以及IFF系统得出的权重值进行融合，得出识别结果。具体做法为：
将雷达传感器、紫外光探测传感器、ESM传感器、IFF系统得到的权重值进行融合，分析比较将权重值占比较大的传感器得到的无人机目标属性确定为最终的识别结果。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。
Claims (5)
1.一种紫外光协作多传感器数据融合无人机敌我识别方法，其特征在于，具体按照以下步骤实施：
步骤1，将雷达传感器、紫外光探测传感器、ESM传感器得到的无人机目标特征信息分类为训练组和测试组，通过训练组训练BP神经网络，训练成功后得到成熟的BP神经网络，通过测试组验证BP神经网络的正确性；
步骤2，输入无人机目标特征信息后，BP神经网络自动将无人机目标属性进行分类，通过大量数据测试利用IFF系统和BP神经网络得出目标识别概率；
步骤3，利用BP神经网络训练结果和IFF系统得到各传感器的目标识别概率，使用D-S证据理论判断无人机目标属性并分配相应的权重值；
步骤4，将雷达传感器、紫外光探测传感器、ESM传感器以及IFF系统得出的权重值进行融合，统一敌我识别属性，得出识别结果。
2.根据权利要求1所述的一种紫外光协作多传感器数据融合无人机敌我识别方法，其特征在于，所述步骤1的具体做法为：
通过将雷达传感器、紫外光探测传感器、ESM传感器得到的无人机目标的特征信息分为训练组和测试组，将训练组的信息组合为样本集，其中包括输入样本和输出样本，并对它们进行归一化处理；样本集确认成功后，即可初步构建BP神经网络，选用3层BP神经网络，即输入层、隐层和输出层，BP神经网络构建完成后给各个传感器平均分配权重值，通过设置网络最大收敛次数、收敛误差、显示间隔等训练参数，经过不断训练，直至训练为成熟的BP神经网络，最终通过测试组来验证BP神经网络的正确性。
3.根据权利要求1所述的一种紫外光协作多传感器数据融合无人机敌我识别方法，其特征在于，所述步骤2的具体做法为：
雷达传感器对获得的目标航迹和距离信息对BP神经网络进行训练，得到无人机目标型号，从而判断得到敌我属性；紫外光探测传感器对获得的外形轮廓及辐射分布特性得到无人机目标型号，从而得出目标敌我属性；ESM传感器通过获得的无人机目标的雷达信号中个体特征完成对目标辐射源型号的识别，从而判断出敌我属性；
IFF询问-应答系统使用紫外光信号发送电子口令获取无人机的特征信息，无人机上搭载紫外光收发装置可作为询问器和应答器，通过判断无人机应答的特征信息得出无人机目标的敌我属性，IFF询问-应答系统具体判断步骤如下：
对无人机目标通过紫外光发射装置发送预定询问信号；
无人机目标的信息接收机接收到询问信号后，立即发送包含自身编号的特征信息应答信号；
若未接收到应答信息，则初步判断为敌机；若接收到应答信号，则根据应答信息中的目标无人机特征信息进行判断无人机目标的敌我属性；
利用大量的数据进行测试，使BP神经网络和IFF系统起到领域专家的作用，可以近似得出无人机目标敌我属性的基本概率赋值。
4.根据权利要求1所述的一种紫外光协作多传感器数据融合无人机敌我识别方法，其特征在于，所述步骤3具体做法为：
利用BP神经网络和IFF系统得到各传感器的目标识别概率，使用D-S证据理论进行权值分配，D-S组合规则约定如下：
1)目标类别应具有最大的基本可信数，并大于设定阈值；
2)目标类别基本可信数与其他类别的基本可信数的差值必须大于设定阈值，即表示每一证据对不同类别的支持程度应有足够大的差异；
3)不确定性概率必须小于设定阈值，即对目标类别的无知程度或证据的不确定性不能太大；
4)目标类别的基本可信数必须大于不确定性概率值，即对目标知道很少时，不能对其分类。
5.根据权利要求1所述的一种紫外光协作多传感器数据融合无人机敌我识别方法，其特征在于，所述步骤4的具体做法为：
将雷达传感器、紫外光探测传感器、ESM传感器、IFF系统得到的权重值进行融合，分析比较将权重值占比较大的传感器得到的无人机目标属性确定为最终的识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110358990.6A CN113221944B (zh) | 2021-04-02 | 2021-04-02 | 一种紫外光协作多传感器数据融合无人机敌我识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110358990.6A CN113221944B (zh) | 2021-04-02 | 2021-04-02 | 一种紫外光协作多传感器数据融合无人机敌我识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113221944A true CN113221944A (zh) | 2021-08-06 |
| CN113221944B CN113221944B (zh) | 2024-04-26 |
Family
ID=77086312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110358990.6A Active CN113221944B (zh) | 2021-04-02 | 2021-04-02 | 一种紫外光协作多传感器数据融合无人机敌我识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113221944B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115840223A (zh) * | 2023-02-15 | 2023-03-24 | 成都熵泱科技有限公司 | 一种可识别目标属性的无人机探测系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0385600A2 (en) * | 1989-02-10 | 1990-09-05 | Cardion, Inc. | System for tracking an aircraft over an area |
| CN105631484A (zh) * | 2016-03-10 | 2016-06-01 | 江苏信息职业技术学院 | 基于等价型模糊神经网络电子对抗辐射源识别方法 |
| CN107622275A (zh) * | 2017-08-21 | 2018-01-23 | 西安电子科技大学 | 一种基于证据合成的信息融合目标识别方法 |
| CN110866887A (zh) * | 2019-11-04 | 2020-03-06 | 深圳市唯特视科技有限公司 | 一种基于多传感器的目标态势融合感知方法和系统 |
| US10907940B1 (en) * | 2017-12-12 | 2021-02-02 | Xidrone Systems, Inc. | Deterrent for unmanned aerial systems using data mining and/or machine learning for improved target detection and classification |
-
2021
- 2021-04-02 CN CN202110358990.6A patent/CN113221944B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0385600A2 (en) * | 1989-02-10 | 1990-09-05 | Cardion, Inc. | System for tracking an aircraft over an area |
| CN105631484A (zh) * | 2016-03-10 | 2016-06-01 | 江苏信息职业技术学院 | 基于等价型模糊神经网络电子对抗辐射源识别方法 |
| CN107622275A (zh) * | 2017-08-21 | 2018-01-23 | 西安电子科技大学 | 一种基于证据合成的信息融合目标识别方法 |
| US10907940B1 (en) * | 2017-12-12 | 2021-02-02 | Xidrone Systems, Inc. | Deterrent for unmanned aerial systems using data mining and/or machine learning for improved target detection and classification |
| CN110866887A (zh) * | 2019-11-04 | 2020-03-06 | 深圳市唯特视科技有限公司 | 一种基于多传感器的目标态势融合感知方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 薛晶;景占荣;羊彦;戚鹏;: "基于DS算法的雷达目标识别方法研究", 计算机测量与控制, no. 02 * |
| 高杨;李东生;雍爱霞;: "基于组合权重的目标识别系统威胁评估", 火力与指挥控制, no. 05 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115840223A (zh) * | 2023-02-15 | 2023-03-24 | 成都熵泱科技有限公司 | 一种可识别目标属性的无人机探测系统及方法 |
| CN115840223B (zh) * | 2023-02-15 | 2023-05-09 | 成都熵泱科技有限公司 | 一种可识别目标属性的无人机探测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113221944B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ying et al. | Detecting ADS-B spoofing attacks using deep neural networks | |
| Obod et al. | Comparative Analysis of Noise Immunity Systems Identification Friend or Foe | |
| Jansen et al. | Crowd-GPS-Sec: Leveraging crowdsourcing to detect and localize GPS spoofing attacks | |
| CN112651181B (zh) | 一种基于零和博弈的雷达对抗策略建模与仿真方法 | |
| CN108089167B (zh) | 一种合成孔径雷达跨脉冲干扰信号检测方法 | |
| Svyd et al. | Method of increasing the identification friend or foe systems information security | |
| CN103412291B (zh) | 一种基于二次雷达目标多路径效应抑制技术的实现方法 | |
| US20190020404A1 (en) | Utilization of National Cellular Infrastructure for UAV Command and Control | |
| CN110414061B (zh) | 建立飞机平台系统对地攻击生存能力概率模型的方法 | |
| KR102253057B1 (ko) | 유인 및 무인 전투체계 협동교전 모의 장치 및 그 모의 장치의 교전 모의 방법 | |
| CN107944597B (zh) | 一种面对先进无源探测系统的编队雷达资源管理方法 | |
| CN109981212B (zh) | 一种基于数据链检测及反制的低慢小防控系统及方法 | |
| CN110719136A (zh) | 无人机干扰欺骗系统和无人机防御系统 | |
| CN112000133B (zh) | 低空飞行器/飞手的识别系统、反制系统及识别方法 | |
| CN105718753A (zh) | 一种装备试验电磁环境的矩阵描述与逼真性评估方法 | |
| Liu et al. | Synchronization-free GPS spoofing detection with crowdsourced air traffic control data | |
| Svyd et al. | Optimizing the request signals detection of aircraft secondary radar system transponders | |
| CN113221944A (zh) | 一种紫外光协作多传感器数据融合无人机敌我识别方法 | |
| CN111739242A (zh) | 一种敌我识别系统及识别方法 | |
| CN115567353A (zh) | 一种面向雷达组网系统的干扰多波束调度和干扰功率联合优化方法 | |
| Dang et al. | Transfer learning based GPS spoofing detection for cellular-connected UAVs | |
| CN116299424B (zh) | 一种无人机识别系统及方法 | |
| CN108287341A (zh) | 一种低空目标探测方法及其系统、电子设备 | |
| Mu et al. | Non-cooperative UAV detection with adaptive sampling of remote signal | |
| CN114662392A (zh) | 基于深度学习的雷达防空侦察效能评估方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240301 Address after: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Applicant after: Shenzhen Hongyue Information Technology Co.,Ltd. Country or region after: China Address before: 710048 No. 5 Jinhua South Road, Shaanxi, Xi'an Applicant before: XI'AN University OF TECHNOLOGY Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240324 Address after: 062550 south side of Jinhua Road, Renqiu Economic Development Zone, Cangzhou City, Hebei Province Applicant after: Hebei Yihang Aerospace Technology Co.,Ltd. Country or region after: China Address before: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Applicant before: Shenzhen Hongyue Information Technology Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |