CN113283526B - 基于辐射源定位的预警方法、计算机设备及可读存储介质 - Google Patents

基于辐射源定位的预警方法、计算机设备及可读存储介质 Download PDF

Info

Publication number
CN113283526B
CN113283526B CN202110629812.2A CN202110629812A CN113283526B CN 113283526 B CN113283526 B CN 113283526B CN 202110629812 A CN202110629812 A CN 202110629812A CN 113283526 B CN113283526 B CN 113283526B
Authority
CN
China
Prior art keywords
radiation source
electromagnetic
early warning
capacity distribution
distribution map
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
Application number
CN202110629812.2A
Other languages
English (en)
Other versions
CN113283526A (zh
Inventor
罗元剑
于翔
熊键
谌振华
敖庆
高原
邓宗平
李培林
秦旭珩
宿丁
邹本振
蒋少强
宋家锦
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.)
CETC 29 Research Institute
Original Assignee
CETC 29 Research Institute
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 CETC 29 Research Institute filed Critical CETC 29 Research Institute
Priority to CN202110629812.2A priority Critical patent/CN113283526B/zh
Publication of CN113283526A publication Critical patent/CN113283526A/zh
Application granted granted Critical
Publication of CN113283526B publication Critical patent/CN113283526B/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
    • 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
    • G06F18/21—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)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于辐射源定位的预警方法，包括：获取辐射源的电磁能力分布图；将所述电磁能力分布图输入模型，其中，所述模型是使用多组训练数据训练出来，所述多组数据的每一组训练数据均包括辐射源的电磁能力分布图和用来标识辐射源位置信息的标识信息；获取所述模型的输出信息，其中，所述输出信息包括所述电磁能力分布图中的辐射源的位置信息；根据所述位置信息判断所述辐射源的是否在预警范围内，若所述辐射源处于预警范围内，生成警告信息。利用本方法可以简单快速的测得辐射源的位置，根据辐射源是否进入预警范围，快速的为操作人员提供警告信息，方便操作人员在后续作业处理中及时给出具体的指令操作，提高安全性。

Description

基于辐射源定位的预警方法、计算机设备及可读存储介质
技术领域
本发明属于通信定位领域，特别涉及一种基于辐射源定位的预警方法。
背景技术
现有的辐射源定位方法，通常是接收机从截获的辐射源信号中提取出有关辐射源位置的一个或多个参数，如到达时间(TOA)、到达角(AOA)等，再根据TOA、AOA等参数建立定位方程式或者相应的代价函数来估计出辐射源的位置，如时差定位、测向交叉定位等。
以测向交叉定位为例，设目标的位置为(xt,yt)，共有N个观测站，坐标分别为(xi,yi),i＝1,2,...,N，每个站测得的目标角度为θi,i＝1,2,...,N。
根据几何关系，建立定位表达式：
Figure BDA0003103253770000011
公式转变为：
(xt-xi)sinθi-(yt-yi)cosθi＝0,i＝1,2,...,N
采用矩阵表示为：
Figure BDA0003103253770000012
其中δN表示测量误差：
Figure BDA0003103253770000013
Figure BDA0003103253770000014
采用最小二乘方法，求解上述方程，得到：
Figure BDA0003103253770000021
然而这类辐射源定位方法参数测量复杂，且定位效果取决于参数测量的准确性。
发明内容
本发明的目的在于提供一种基于辐射源定位的预警方法，为辐射源定位提供一种新思路，利用辐射源在物理空间中的电磁能量分布的物理特性，结合深度学习方法，直接对电磁能量分布数据进行分类计算，把定位问题转化为机器学习中的分类问题。
本发明目的通过下述技术方案来实现：
一种基于辐射源定位的预警方法，包括：
获取辐射源的电磁能力分布图；
将所述电磁能力分布图输入模型，其中，所述模型是使用多组训练数据训练出来，所述多组数据的每一组训练数据均包括辐射源的电磁能力分布图和用来标识辐射源位置信息的标识信息；
获取所述模型的输出信息，其中，所述输出信息包括所述电磁能力分布图中的辐射源的位置信息；
根据所述位置信息判断所述辐射源的是否在预警范围内，若所述辐射源处于预警范围内，则生成警告信息。利用本方法可以简单快速的测得辐射源的位置，根据辐射源是否进入预警范围，快速的为操作人员提供警告信息，方便操作人员在后续作业处理中及时给出具体的指令操作，提高安全性。
作为优选的技术方案，获取辐射源的电磁能力分布图，包括
在所述辐射源周围放置至少两个用于获取所述辐射源电磁信号的接收机，所述接收机在同一时刻获取所述辐射源的电磁信号数据，并将所述电磁信号数据转化为所述辐射源的电磁能力分布图。
作为优选的技术方案，所述接收机在获取所述辐射源的电磁信号数据后，对所述辐射源的电磁信号数据做最大值保持，并获取电磁信号数据的幅度值，根据幅度值绘制电磁能力分布图。
作为优选的技术方案，所述模型使用多组训练数据训练出来，包括：
将测试空间划分成i个网格区域，i为大于1的整数；
获取所述辐射源在不同网格区域中的(电磁能力分布图、位置信息)的样本数据；
对所述样本数据进行处理，并形成训练数据；
建立神经网络，通过训练数据学习从辐射源的位置信息到电磁能力分布图的映射关系。辐射源定位精度取决于网格剖分的大小，网格剖分越细，定位精度越高，可以根据实际情况对划分网格以满足需要，适用范围广泛。
作为优选的技术方案，位于同一网格区域的辐射源，其样本数据中：
辐射源具有m个波束指向，记作F＝(F1，F2，…，Fm)；
辐射源还具有n种辐射能量，记作Q＝(Q1，Q2，…，Qn)；
其中，辐射源的波束指向信息F和辐射能量信息Q构成样本数据，记作T＝{F、Q}，m和n均为大于1的整数。该方法只需要测量辐射源的频率值与幅度值，无需精确的参数测量结果，简化现有辐射源定位方法参数测量过程。
作为优选的技术方案，所述神经网络为深度卷积神经网络。
作为优选的技术方案，所述深度卷积神经网络包括至少一层卷积层。
作为优选的技术方案，所述深度卷积神经网络包括至少一层子采样层。
本发明还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述基于辐射源定位的预警方法的步骤。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于辐射源定位的预警方法的步骤。
本发明的有益效果：
本方法利用辐射源在物理空间中的电磁能量分布的物理特性，结合深度学习方法，直接对电磁能量分布的数据进行分类计算，把定位问题转化为机器学习中的分类问题。并且，该方法只需要测量辐射源的频率值与幅度值，无需精确的参数测量结果，简化现有辐射源定位方法参数测量过程。另外，辐射源定位精度取决于网格剖分的大小，网格剖分越细，定位精度越高，可以根据实际情况对划分网格以满足需要，适用范围广泛。利用本方法可以简单快速的测得辐射源的位置，根据辐射源是否进入预警范围，快速的为操作人员提供警告信息，方便操作人员在后续作业处理中及时给出具体的指令操作。
前述本发明主方案及其各进一步选择方案可以自由组合以形成多个方案，均为本发明可采用并要求保护的方案；且本发明，(各非冲突选择)选择之间以及和其他选择之间也可以自由组合。本领域技术人员在了解本发明方案后根据现有技术和公知常识可明了有多种组合，均为本发明所要保护的技术方案，在此不做穷举。
附图说明
图1是本发明实施例一的基于辐射源定位的预警方法流程图。
具体实施方式
下列非限制性实施例用于说明本发明。
实施例1：
参考图1所示，为一种基于辐射源定位的预警方法，包括：
获取辐射源的电磁能力分布图；
将所述电磁能力分布图输入模型，其中，所述模型是使用多组训练数据训练出来，所述多组数据的每一组训练数据均包括辐射源的电磁能力分布图和用来标识辐射源位置信息的标识信息；
获取所述模型的输出信息，其中，所述输出信息包括所述电磁能力分布图中的辐射源的位置信息；
根据所述位置信息判断所述辐射源的是否在预警范围内，若所述辐射源处于预警范围内，则控制器生成警告信息，还可以对辐射源进行驱逐、打击或干扰。
需要注意的是，在本实施例中，所列的步骤，本实施例对其执行顺序不做限制。
本方法利用辐射源在物理空间中的电磁能量分布的物理特性，结合训练模型，把定位问题转化为机器学习中的分类问题，利用本方法可以简单快速的测得辐射源的位置，与传统辐射源定位技术相比，简化辐射源定位方法参数测量过程。本方法通过辐射源的位置信息，判断辐射源是否进入预警范围，快速的为操作人员提供警告信息，方便操作人员在后续作业处理中及时给出具体的指令操作，指令操作可以是驱逐、击落、信号干扰等。这里需要说明的是，带有辐射源的目标物体可以是无人机、飞机、雷达探测设备等一些非我方已知的或者对于我方安全有影响的设备或物体。
为方便本领域技术人员理解实施本方案，本方案对上述步骤进行具体举例说明，但是需要注意的是，其他能够实现本方案步骤的实施方式依然属于本方案的保护范围。
具体的说，上述提到的“获取辐射源的电磁能力分布图”，包括：
在所述辐射源周围放置至少两个用于获取所述辐射源电磁信号的接收机，所述接收机在同一时刻获取所述辐射源的电磁信号数据，并将所述电磁信号数据转化为所述辐射源的电磁能力分布图。
其中，所述接收机在获取所述辐射源的电磁信号数据后，对所述辐射源的电磁信号数据做最大值保持，并获取电磁信号数据的幅度值，根据幅度值绘制电磁能力分布图。
另外，上述提到的“模型使用多组训练数据训练出来”，包括：
将测试空间划分成i个网格区域，i为大于1的整数，其中，网格大小可根据定位精度要求进行动态设置；
获取所述辐射源在不同网格区域中的(电磁能力分布图、位置信息)的样本数据；其中，辐射源所在的网格区域就是辐射源的位置信息，将位置信息作为模型的标识信息，把辐射源的电磁能力分布图作为模型的输入数据；
对所述样本数据进行处理，并形成训练数据，在数据采集过程中，在不改变辐射源网格区域的情况下，可改变该辐射源的功率大小或波束指向，形成同一类样本数据。更换辐射源所在的网格区域，重复上述步骤，可形成多类样本数据，多类样本数据形成训练数据；
建立神经网络，通过训练数据学习从辐射源的位置信息到电磁能力分布图的映射关系。
上述步骤展开来说：位于同一网格区域的辐射源，其样本数据中：
辐射源具有m个波束指向，记作F＝(F1，F2，…，Fm)；
辐射源还具有n种辐射能量，记作Q＝(Q1，Q2，…，Qn)；
其中，辐射源的波束指向信息F和辐射能量信息Q构成样本数据，记作T＝{F、Q}，m和n均为大于1的整数。
作为优选的实施方式，所述神经网络为深度卷积神经网络，所述深度卷积神经网络包括至少一层卷积层，所述深度卷积神经网络包括至少一层子采样层。以至少2个卷积层和2个子采样层为例，其中卷积过程为：用一个可训练的滤波器fx去卷积一个输入的二维数据，然后加一个偏置bx，得到卷积层cx。子采样过程包括：每邻域四个数据求和变为一个数据，然后通过标量wx+1加权，再增加偏置bx+1，然后通过一个sigmoid激活函数，产生一个大概缩小四倍的特征映射图sx+1。
本实施例对100km乘100km的物理空间开展仿真验证，具体如下：
将物理空间划分为1km乘1km大小的网格，网格数量为100乘100。
电磁能力分布仿真计算采用无线电传播扩展损耗方程：
LS＝32+20log(d)+20log(f)
其中LS＝扩展损耗(单位：dB)，d＝链路距离(单位：km)，f＝辐射源频率(单位：MHz)。
每组仿真验证的样本种类数为5，即把辐射源分别放置在5个不同的网格点，每一类数据在不改变辐射源网格点信息的情况下，通过改变辐射源的能量(10种能量)和波束指向(36种指向)，得到360乘5张电磁能力分布图。随机地把每一类数据按照6:2:2的比例分为训练集、验证集、测试集。
仿真验证共4组，主要区别为模型的输入数据。其中，第一组仿真验证的输入数据为100乘100像素点的电磁能力分布图。第二组仿真验证的输入数据为第一组数据的部分截取，为60乘60像素点的电磁能力分布图。第三组仿真验证数据在第二组的基础上，添加了随机噪声。第四组仿真验证数据在为第三组数据的部分截取，为30乘30像素点的电磁能量分布图。
试验结果：
Figure BDA0003103253770000061
本发明还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述基于辐射源定位的预警方法的步骤。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于辐射源定位的预警方法的步骤。
本方法利用辐射源在物理空间中的电磁能量分布的物理特性，结合深度学习方法，直接对电磁能量分布的数据进行分类计算，把定位问题转化为机器学习中的分类问题。并且，该方法只需要测量辐射源的频率值与幅度值，无需精确的参数测量结果，简化现有辐射源定位方法参数测量过程。另外，辐射源定位精度取决于网格剖分的大小，网格剖分越细，定位精度越高，可以根据实际情况对划分网格以满足需要，适用范围广泛。利用本方法可以简单快速的测得辐射源的位置，根据辐射源是否进入预警范围，快速的为操作人员提供警告信息，方便操作人员在后续作业处理中及时给出具体的指令操作。
前述本发明基本例及其各进一步选择例可以自由组合以形成多个实施例，均为本发明可采用并要求保护的实施例。本发明方案中，各选择例，与其他任何基本例和选择例都可以进行任意组合。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于辐射源定位的预警方法，其特征在于，包括：
获取辐射源的电磁能力分布图；
将所述电磁能力分布图输入模型，其中，所述模型是使用多组训练数据训练出来，所述多组训练数据的每一组训练数据均包括辐射源的电磁能力分布图和用来标识辐射源位置信息的标识信息；
所述模型使用多组训练数据训练出来，包括：
将测试空间划分成i个网格区域，i为大于1的整数；
获取所述辐射源在不同网格区域中电磁能力分布图和位置信息的样本数据；
对所述样本数据进行处理，并形成训练数据；
建立神经网络，通过训练数据学习从辐射源的位置信息到电磁能力分布图的映射关系；
位于同一网格区域的辐射源，其样本数据中：
辐射源具有m个波束指向，记作F＝(F1，F2，…，Fm)；
辐射源还具有n种辐射能量，记作Q＝(Q1，Q2，…，Qn)；
其中，辐射源的波束指向信息F和辐射能量信息Q构成样本数据，记作T＝{F、Q}，m和n均为大于1的整数；
获取所述模型的输出信息，其中，所述输出信息包括所述电磁能力分布图中的辐射源的位置信息；
根据所述位置信息判断所述辐射源是否在预警范围内，若所述辐射源处于预警范围内，生成警告信息。
2.如权利要求1所述的一种基于辐射源定位的预警方法，其特征在于，获取辐射源的电磁能力分布图，包括：
在所述辐射源周围放置至少两个用于获取所述辐射源电磁信号的接收机，所述接收机在同一时刻获取所述辐射源的电磁信号数据，并将所述电磁信号数据转化为所述辐射源的电磁能力分布图。
3.如权利要求2所述的一种基于辐射源定位的预警方法，其特征在于，
所述接收机在获取所述辐射源的电磁信号数据后，对所述辐射源的电磁信号数据做最大值保持，并获取电磁信号数据的幅度值，根据幅度值绘制电磁能力分布图。
4.如权利要求1所述的一种基于辐射源定位的预警方法，其特征在于：所述神经网络为深度卷积神经网络。
5.如权利要求4所述的一种基于辐射源定位的预警方法，其特征在于：所述深度卷积神经网络包括至少一层卷积层。
6.如权利要求4或5所述的一种基于辐射源定位的预警方法，其特征在于：所述深度卷积神经网络包括至少一层子采样层。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6任意一项所述基于辐射源定位的预警方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任意一项所述基于辐射源定位的预警方法的步骤。
CN202110629812.2A 2021-06-07 2021-06-07 基于辐射源定位的预警方法、计算机设备及可读存储介质 Active CN113283526B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110629812.2A CN113283526B (zh) 2021-06-07 2021-06-07 基于辐射源定位的预警方法、计算机设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110629812.2A CN113283526B (zh) 2021-06-07 2021-06-07 基于辐射源定位的预警方法、计算机设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN113283526A CN113283526A (zh) 2021-08-20
CN113283526B true CN113283526B (zh) 2022-04-08

Family

ID=77283479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110629812.2A Active CN113283526B (zh) 2021-06-07 2021-06-07 基于辐射源定位的预警方法、计算机设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN113283526B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1984608A (zh) * 2004-07-09 2007-06-20 株式会社Ipb 采用了毫米波段电磁波的生物体信息的获取方法、获取并显示生物体信息的装置
CN102937708A (zh) * 2012-11-08 2013-02-20 安徽神剑鹏升科技有限公司 基于移动通信网的电磁信号监测定位系统
CN109374985A (zh) * 2018-08-17 2019-02-22 中国电子科技集团公司电子科学研究院 电磁环境监测方法、系统及存储介质
CN110427893A (zh) * 2019-08-06 2019-11-08 西安电子科技大学 一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质
CN110544830A (zh) * 2019-08-22 2019-12-06 中国电子科技集团公司第二十九研究所 一种双脊密封喇叭天线的制造工艺方法
CN112418245A (zh) * 2020-11-04 2021-02-26 武汉大学 基于城市环境物理模型的电磁发射点定位方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7817266B2 (en) * 2007-07-26 2010-10-19 J.A. Woollam Co., Inc. Small volume cell

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1984608A (zh) * 2004-07-09 2007-06-20 株式会社Ipb 采用了毫米波段电磁波的生物体信息的获取方法、获取并显示生物体信息的装置
CN102937708A (zh) * 2012-11-08 2013-02-20 安徽神剑鹏升科技有限公司 基于移动通信网的电磁信号监测定位系统
CN109374985A (zh) * 2018-08-17 2019-02-22 中国电子科技集团公司电子科学研究院 电磁环境监测方法、系统及存储介质
CN110427893A (zh) * 2019-08-06 2019-11-08 西安电子科技大学 一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质
CN110544830A (zh) * 2019-08-22 2019-12-06 中国电子科技集团公司第二十九研究所 一种双脊密封喇叭天线的制造工艺方法
CN112418245A (zh) * 2020-11-04 2021-02-26 武汉大学 基于城市环境物理模型的电磁发射点定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Magnetic and ultrasonic thermal effects of magnetic nanoparticles in a tissue phantom;Eleonora Kruglenko等;《网页在线公开：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8781747》;20190801;第1-4页 *
基于压缩感知的近距离电磁辐射源定位方法;谷晓鹏等;《北京航空航天大学学报》;20170313(第1期);第79-85页 *
辐射源尺寸效应实验方案设计;高原等;《计量与测试技术》;20200618(第5期);第94-96页 *

Also Published As

Publication number Publication date
CN113283526A (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
Sun et al. Fingerprint-based localization for massive MIMO-OFDM system with deep convolutional neural networks
CN104020451B (zh) 基于聚类的外辐射源雷达目标航迹处理方法
CN104730520B (zh) 基于子孔径合成的圆周sar后向投影自聚焦方法
CN104038901B (zh) 一种减少指纹数据采集工作量的室内定位方法
CN104703143A (zh) 一种基于wifi信号强度的室内定位方法
CN104101876B (zh) 外辐射源雷达中一种基于随机有限集的多目标跟踪方法
CN112218330B (zh) 定位方法及通信装置
CN106772380A (zh) 一种圆周合成孔径雷达成像方法
CN105607045A (zh) 一种欺骗式干扰下组网雷达的优化布站方法
CN104199026B (zh) 基于线迹扫描二维近场成像的反向散射截面测量方法
CN110346794B (zh) 一种资源优化配置的分布式雷达成像方法
CN114003981B (zh) 一种基于时空一体数字地球的电磁频谱可视化分析方法
Fokin et al. Location accuracy of radio emission sources for beamforming in ultra-dense radio networks
CN104540221A (zh) 基于半监督sde算法的wlan室内定位方法
CN112926465B (zh) 基于点云类型的海岸线性质识别方法及装置
CN110471049A (zh) 基于测量辐射功率的无线通信干扰源定位方法
CN105866772A (zh) 一种基于微波相干成像的新型人体内金属物体定位方法
CN108828568A (zh) 一种运动单站的直接定位方法和系统
CN105929388A (zh) 一种基于Wi-Fi网络的新型室内定位方法
CN113191027A (zh) 基于地形二维、三维矩阵化辐射源信号强度分布计算方法
CN105592548A (zh) 一种基于高斯模型的无线传感网络质心定位方法
CN110275163A (zh) 一种基于神经网络的毫米波雷达探测目标成像方法
CN113283526B (zh) 基于辐射源定位的预警方法、计算机设备及可读存储介质
CN107592654B (zh) 一种基于压缩感知的同频多辐射源场强定位方法
CN107682822A (zh) 一种基于电磁场强度的压缩感知室外定位方法

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