CN113419225B - 一种雷达干扰效果在线评估方法 - Google Patents
一种雷达干扰效果在线评估方法 Download PDFInfo
- Publication number
- CN113419225B CN113419225B CN202110954334.2A CN202110954334A CN113419225B CN 113419225 B CN113419225 B CN 113419225B CN 202110954334 A CN202110954334 A CN 202110954334A CN 113419225 B CN113419225 B CN 113419225B
- Authority
- CN
- China
- Prior art keywords
- radar
- interference
- working state
- moment
- evaluation
- 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
- G01S7/40—Means for monitoring or calibrating
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种雷达干扰效果在线评估方法,步骤包括:选择干扰效能分值评估方法和雷达工作状态识别方法并确定评估指标;构建雷达信号原始数据集并预处理后和雷达工作状态、专家分值共同构成雷达信号训练样本集;利用训练样本集训练得到干扰效能分值评估模型和雷达工作状态识别模型;将预处理后的在线雷达信号分别输入两模型,得到干扰效能估计分值序列和雷达工作状态序列;利用所得两序列,结合知识库雷达主要工作状态转移规律和干扰效能分析综合推断干扰效果。本发明的评估方法既完成了干扰效果准实时闭环评估,又实现了雷达受干扰影响程度的估计,而且评估过程简单易行,推断结果直观可靠。
Description
技术领域
本发明属于电子信息技术领域,具体涉及电子信息对抗技术,尤其涉及一种雷达干扰效果在线评估方法。
背景技术
随着现代电子技术的发展,电子对抗已经成为技术对抗不可或缺的一部分,雷达干扰效果评估更是其中至关重要的一环,实时评估对被干扰方雷达的干扰效果可以为对抗决策提供指导,推动对抗态势向干扰方的有利方向发展。
传统的雷达干扰效果评估研究通常是利用干扰方、被干扰方双方的性能参数,通过数学建模的方法实现离线干扰效果评估。但是实际过程中被干扰方性能参数不具备可获得性,而且离线评估无法对实际对抗过程提供指导。另外,被干扰方雷达在受到干扰后,通常会选择抗干扰措施、改变工作状态等方法抵御干扰,这势必会导致其某些工作参数发生变化。因此有专家提出可以利用雷达侦察参数结合一定的算法进行干扰效果分值评估,然后利用干扰效果评估分值推断干扰效果。赵耀东等人在论文“一种基于雷达工作状态变化的干扰效果在线评估方法”([J].电子信息对抗技术,2016,31(03):42-46)中通过分析雷达工作状态变化和干扰效果的映射关系,提出可以利用干扰过程中雷达工作状态变化评估干扰效果,并对其方法进行数学建模和仿真验证。
但是,利用干扰效能分值评估干扰效果通常是在雷达受到干扰而工作状态不发生变化时使用,当雷达工作状态发生变化而干扰效能分值评估方法没有及时作出调整时,则会引起干扰效果误判;而利用雷达工作状态变化评估雷达干扰效果的方法一方面无法在干扰有效时评估雷达受影响的程度,另一方面在雷达采取抗干扰措施保持原有工作状态时会导致雷达干扰效果误判。因此,考虑到雷达干扰效果评估的重要现实意义,迫切需要提出新的雷达干扰效果在线评估方法以解决这类问题。
发明内容
为此,本发明提供一种雷达干扰效果在线评估方法,目的是解决背景技术中提到的两种干扰效果评估方法可能带来干扰效果误判的问题,同时保证输出结果直观,评估过程简单易实施,可应用到现代电子对抗技术中。
为了实现上述目的,本发明采取如下的技术方案:
一种雷达干扰效果在线评估方法,其特征在于,包括有以下步骤:
步骤1、选择干扰效能分值评估方法和雷达工作状态识别方法,并确定评估指标;
步骤2、生成雷达信号训练样本集,其中包括:
1)根据雷达类型,确定雷达处于不同工作状态时所选评估指标的取值范围,然后随机生成若干组处于不同工作状态的雷达信号,组成雷达信号原始数据集;
2)将雷达信号原始数据集进行数据预处理;
3)将预处理后的评估指标数据和各组雷达信号所对应的工作状态、专家分值共同组成雷达信号训练样本集;
步骤3、利用雷达信号训练样本集训练得到干扰效能分值评估模型及雷达工作状态识别模型;
步骤4、获取干扰效能估计分值序列和雷达工作状态序列,其中包括;
1)根据在线雷达信号的截获顺序,按照步骤2中的数据预处理方法将在线雷达信
号进行数据预处理,然后将预处理后的在线雷达信号分别输入至干扰效能分值评估模型和
雷达工作状态识别模型,得到干扰效能估计分值序列和雷达工作状态序
列;
2)然后将相邻干扰效能估计分值进行一阶差分获得干扰效能变化趋势;
步骤5、综合推断干扰有效性,输出评估结果;
综合利用知识库雷达主要工作状态转移规律和干扰效能估计分值,对获取到的干扰效能估计分值序列和雷达工作状态序列,根据当前时刻雷达工作状态与前一时刻的工作状态是否相同,推断干扰有效性,并输出当前时刻的干扰效能估计分值。
进一步地,所述步骤1中,对于压制式干扰和欺骗式干扰类型,确定评估指标为:载波频率、脉冲宽度、峰值功率、波束偏移角度、波束停留时间、脉冲幅度、脉冲重复频率。
进一步地,所述步骤2中,对于雷达信号原始数据集,采用归一化方法对各评估指标数据进行预处理,
进一步地,所述步骤3中,以雷达信号训练样本集中的评估指标数据作为输入,分别以雷达工作状态和专家分值作为期望输出,训练得到干扰效能分值评估模型及雷达工作状态识别模型。
进一步地,所述步骤5中,知识库雷达主要工作状态转移规律为:
对于压制式干扰:
跟踪→搜索、识别→搜索、搜索→搜索:相邻时刻雷达工作状态转移满足其中之一,即认为后一时刻干扰有效;
跟踪→识别、搜索→跟踪、跟踪→跟踪、识别→识别:相邻时刻雷达工作状态转移满足其中之一,即认为后一时刻干扰无效;
对于欺骗式干扰:
跟踪→搜索、识别→搜索、跟踪→识别、搜索→跟踪:相邻时刻雷达工作状态转移满足其中之一,即认为后一时刻干扰有效;
搜索→搜索、跟踪→跟踪,识别→识别:相邻时刻雷达工作状态转移满足其中之一,即认为后一时刻干扰无效。
进一步地,所述步骤5中,推断干扰有效性的具体步骤包括:
进一步地,设置干扰反馈标志,并同时输出:
“I”表示干扰无效,“N”表示干扰有效但干扰无反馈,“F”表示干扰有效且干扰有反馈。
进一步地,所述步骤5中,输出干扰效能估计分值的规则为:
在雷达受到干扰而工作状态不发生改变的情况下,若相邻时刻雷达工作状态转移满足知识库雷达主要工作状态转移规律中的某一干扰有效性判断,则令后一时刻输出的雷达干扰效能估计分值为100分,否则令后一时刻输出的雷达干扰效能估计分值为0分。
与现有技术策略相比,本发明的优点体现在:
本发明方法主要利用侦察接收机截获的雷达反馈信息,选择合适的干扰效能分值评估方法和雷达工作状态识别方法得到干扰效能估计分值序列和雷达工作状态序列,然后根据两序列的取值结合知识库雷达主要工作状态转移规律和干扰效能分析综合实现雷达干扰效果评估。本发明的评估方法既完成了干扰效果准实时闭环评估,又实现了雷达受干扰影响程度的估计,而且评估过程简单易行,推断结果直观可靠,可应用于多功能雷达有源干扰电子对抗中,也可应用于其它雷达干扰领域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中需要使用的附图做简单介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法的整体流程图;
图2为雷达工作状态识别流程图;
图3为干扰效能估计分值处理流程图;
图4为某一时刻雷达干扰效果综合推断流程图。
具体实施方式
下面将结合本发明实施例和附图,对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下获得的所有其他实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其它不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
参照图1至图4,本发明方法的实施步骤如下:
假设被干扰方雷达发生状态变化或采取抗干扰措施均是在干扰方的影响下产生的。
步骤1、选择干扰效能分值评估方法和雷达工作状态识别方法并确定评估指标
被干扰方雷达的干扰效能估计分值和工作状态是本发明实现的必要条件,综合考虑方法实现的难易程度以及方法所需的输入雷达性能参数能否实时反映雷达变化情况,可以从现有方法中挑选合适的干扰效能分值估计方法和雷达工作状态识别方法用于辅助本发明实现即可。
理论上,上述两种方法的选择是任意的,但是需要同时考虑方法实现的难易程度以及方法所需的雷达性能参数能否实时反映目标信息变化情况。鉴于BP神经网络强大的回归能力和易操作性,可以用其实现干扰效能分值评估;雷达工作状态识别本质上就是分类问题,因此可以利用机器学习中的SVM分类算法实现雷达工作状态识别。
雷达有源干扰类型主要分为:压制式干扰和欺骗式干扰。对于压制式干扰,载波频率、脉冲宽度、峰值功率等雷达性能参数易受影响;而对于欺骗式干扰,波束偏移角度、波束停留时间、脉冲幅度等雷达性能参数易受影响,因此可以选用上述6个雷达性能参数作为BP神经网络的输入。SVM分类算法利用脉冲幅度、脉冲宽度和脉冲重复频率足以实现雷达工作状态识别。将两方法所选雷达性能参数求并集,确定评估指标为:载波频率、脉冲宽度、峰值功率、波束偏移角度、波束停留时间、脉冲幅度、脉冲重复频率。
步骤2、生成雷达信号训练样本集
参照雷达手册中的多功能雷达工作参数分布表格,根据雷达处于不同工作状态时
所选评估指标的取值范围,随机生成若干组处于不同工作状态的雷达信号,组成雷达信号
原始数据集。由于不同评估指标之间量纲可能存在差异,利用雷达信号原始数据集中各评
估指标数据的最大值和最小值,将每个评估指标数据进行归一化预处理,即将数据的取值
限定在范围内,可以一定程度上消除量纲的影响。常用的归一化处理方法为最大-最
小归一化,假设某一评估指标最大值为,最小值为,对于该评估指标某一取值
,对应归一化预处理结果为;
将雷达信号原始数据集预处理后的评估指标数据和各组雷达信号对应的工作状态、专家分值共同组成雷达信号训练样本集。
步骤3、训练得到干扰效能分值评估模型及雷达工作状态识别模型
训练过程可以采用5折交叉验证方法,即将雷达信号训练样本集中的雷达信号样本均分为5份,每次选择其中80%的雷达信号样本用作训练,剩下的20%用作测试;循环5次,保证每次用作测试的雷达信号样本均不相同。
每次训练时,以所选雷达信号样本的评估指标数据作为BP神经网络和SVM分类算法的输入,以所选雷达信号样本对应的专家分值作为BP神经网络的期望输出,以所选雷达信号样本对应的雷达工作状态作为SVM分类算法的期望输出,分别训练得到干扰效能分值评估模型和雷达工作状态识别模型,然后利用雷达信号训练样本集剩下的20%雷达信号样本分别测试得到的两模型。
步骤4、获取干扰效能估计分值序列和雷达工作状态序列,在线评估
根据在线雷达信号的截获顺序,按照步骤2所述方法将在线雷达信号进行数据预
处理,然后将预处理后的在线雷达信号分别输入训练好的干扰效能评估模型和雷达工作状
态识别模型中,得到干扰效能估计分值序列和雷达工作状态序列。
其中:为i时刻截获的在线雷达信号所对应的干扰效能估计分值,
,且,n为最后截获时刻;为i时刻截获的在线雷达信号所对应的雷达工
作状态,的可能取值为搜索、跟踪、识别三者之一,一般而言,三者对目标的威胁等级依
次升高。
进一步地,将干扰效能估计分值序列进行一阶差分获得干扰效能变化趋势,利用干扰效能变化趋势,可以进一步分析被干扰方雷达所受干扰影响程度。如果连续时间内,干扰效能呈上升趋势,则表示被干扰方雷达性能参数发生较大变化,即干扰有效;如果连续时间内,干扰效能比较稳定,则表示被干扰方雷达不为干扰所影响,即干扰无效。
步骤5、综合推断干扰有效性,输出评估结果
对于不同类型的干扰,同一雷达工作状态转移所对应的干扰有效性推断结果可能不同。知识库雷达主要工作状态转移规律为:
对于压制式干扰:
跟踪→搜索、识别→搜索、搜索→搜索:相邻时刻雷达工作状态转移满足其中之一,即可认为后一时刻干扰有效;
跟踪→识别、搜索→跟踪、跟踪→跟踪、识别→识别:相邻时刻雷达工作状态转移满足其中之一,即可认为后一时刻干扰无效;
对于欺骗式干扰:
跟踪→搜索、识别→搜索、跟踪→识别、搜索→跟踪:相邻时刻雷达工作状态转移满足其中之一,即可认为后一时刻干扰有效;
搜索→搜索、跟踪→跟踪,识别→识别:相邻时刻雷达工作状态转移满足其中之一,即可认为后一时刻干扰无效。
上述雷达主要工作状态转移规律亦可表述为:对于压制式干扰,当相邻时刻雷达工作状态保持低威胁等级或者由高威胁等级向低威胁等级变化时,即可认为后一时刻干扰有效,否则认为后一时刻干扰无效;而对于欺骗式干扰,如果相邻时刻雷达工作状态发生变化,即可认为后一时刻干扰有效,否则认为后一时刻干扰无效。
为了实现利用评估结果可直观地区分干扰行为是否有效及干扰反馈与否,可以引入闭环反馈标志。闭环反馈标志“I”表示干扰无效,“N”表示干扰有效但干扰无反馈,“F”表示干扰有效且干扰有反馈。
在获取到干扰效能估计分值序列和雷达工作状态序列之后,判断i时刻雷达工作状态与前一时刻雷达工作状态是否相
同, 。若,根据干扰方实施的干扰类型,查找雷达工作状态转移是否满足知识库雷达主要工作状态转移规律中的某一条干扰有效性判断,满足
时即可认为i时刻干扰有效且得到反馈,干扰反馈标志设置为“F”,否则认为干扰无效,干扰
反馈标志设置为“I”;若,判断i时刻干扰效能估计分值与预设阈值的逻
辑关系,若,则认为i时刻干扰有效但未得到反馈,干扰反馈标志设置为“N”,否则认
为i时刻干扰无效,干扰反馈标志设置为“I”。最后按照规定的格式(如:干扰效能评估分值,
闭环反馈标志)输出i时刻评估结果。重复以上步骤,直至截获的所有在线雷达信号干扰效
果评估完毕为止。
进一步地,由于利用雷达工作状态转移只能评估干扰是否有效,无法进行干扰效
能评估,为了统一评估结果输出,规定:在雷达受到干扰而工作状态不发生改变的情况下,
若相邻两时刻雷达工作状态转移满足知识库雷达主要工作状态转移规律中的
某一条干扰有效性判断,则设定后一时刻干扰效能估计分值为100分;若均不满足,则设定
后一时刻干扰效能评估分值为0分。
相比于传统的雷达干扰效果评估方法,本发明不但可以输出干扰效能估计分值,而且可以同时输出干扰是否得到反馈的信息,即雷达工作状态是否发生改变,保证了评估结果的直观性。
相比于传统的雷达干扰效果评估方法,本发明可以实现雷达干扰效果的闭环评估。本发明实现时首先利用侦察数据识别出雷达的工作状态,而后在干扰实施过程中结合雷达工作状态转移完成干扰效果评估,继而为干扰决策提供参考,推动态势发展,缩短OODA(Observation—Orientation—Decision—Action)循环周期。
以上所述,仅是本发明的较佳实施例而已,并非对本发明做任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (4)
1.一种雷达干扰效果在线评估方法,其特征在于,包括有以下步骤:
步骤1、选择干扰效能分值评估方法和雷达工作状态识别方法,并确定评估指标;
步骤2、生成雷达信号训练样本集,其中包括:
1)根据雷达类型,确定雷达处于不同工作状态时所选评估指标的取值范围,然后随机生成若干组处于不同工作状态的雷达信号,组成雷达信号原始数据集;
2)将雷达信号原始数据集进行数据预处理;
3)将预处理后的评估指标数据和各组雷达信号所对应的工作状态、专家分值共同组成雷达信号训练样本集;
步骤3、利用雷达信号训练样本集,以雷达信号训练样本集中的评估指标数据作为输入,分别以专家分值和雷达工作状态作为期望输出,训练得到干扰效能分值评估模型及雷达工作状态识别模型;
步骤4、获取干扰效能估计分值序列和雷达工作状态序列,其中包括:
1)根据在线雷达信号的截获顺序,按照步骤2中的数据预处理方法将在线雷达信号进行数据预处理,然后将预处理后的在线雷达信号分别输入至干扰效能分值评估模型和雷达工作状态识别模型,得到干扰效能估计分值序列J={j1,j2,…,jn}和雷达工作状态序列S={s1,s2,…,sn},
其中,ji为i时刻截获的在线雷达信号对应的干扰效能估计分值,ji∈[0,100],i∈[1,n]且i∈Z,n为最后截获时刻;si为i时刻截获的在线雷达信号所对应的雷达工作状态,取值为搜索、跟踪、识别三者之一;
2)然后将相邻干扰效能估计分值进行一阶差分获得干扰效能变化趋势;
步骤5、综合推断干扰有效性,输出评估结果;
综合利用知识库雷达主要工作状态转移规律和干扰效能估计分值,对获取到的干扰效能估计分值序列和雷达工作状态序列,根据当前时刻雷达工作状态与前一时刻的工作状态是否相同,推断干扰有效性,并输出当前时刻的干扰效能估计分值;
其中,知识库雷达主要工作状态转移规律为:
对于压制式干扰:
跟踪→搜索、识别→搜索、搜索→搜索:相邻时刻雷达工作状态转移满足其中之一,即认为后一时刻干扰有效;
跟踪→识别、搜索→跟踪、跟踪→跟踪、识别→识别:相邻时刻雷达工作状态转移满足其中之一,即认为后一时刻干扰无效;
对于欺骗式干扰:
跟踪→搜索、识别→搜索、跟踪→识别、搜索→跟踪:相邻时刻雷达工作状态转移满足其中之一,即认为后一时刻干扰有效;
搜索→搜索、跟踪→跟踪,识别→识别:相邻时刻雷达工作状态转移满足其中之一,即认为后一时刻干扰无效;
推断干扰有效性的具体步骤包括:
对于干扰效能估计分值序列J={j1,j2,…,jn}和雷达工作状态序列S={s1,s2,…,sn},首先判断i时刻雷达工作状态si(i≥2)与i-1时刻雷达工作状态si-1是否相同;
如果si≠si-1,根据干扰类型,查找雷达工作状态转移si-1→si是否满足知识库雷达主要工作状态转移规律中的某一干扰有效性判断,若满足,则认为i时刻干扰有效且干扰有反馈,否则认为i时刻干扰无效;
如果si=si-1,分析i时刻干扰效能估计分值ji与设定阈值η的逻辑关系,若ji>η,则认为i时刻干扰有效但干扰无反馈,否则认为i时刻干扰无效;
输出干扰效能估计分值的规则为:
在雷达受到干扰而工作状态不发生改变的情况下,若相邻时刻雷达工作状态转移满足知识库雷达主要工作状态转移规律中的某一干扰有效性判断,则令后一时刻输出的雷达干扰效能估计分值为100分,否则令后一时刻输出的雷达干扰效能估计分值为0分。
2.根据权利要求1所述的雷达干扰效果在线评估方法,其特征在于:所述步骤1中,对于压制式干扰和欺骗式干扰类型,确定评估指标为:载波频率、脉冲宽度、峰值功率、波束偏移角度、波束停留时间、脉冲幅度、脉冲重复频率。
4.根据权利要求1所述的雷达干扰效果在线评估方法,其特征在于:
设置干扰反馈标志,并同时输出:
“I”表示干扰无效,“N”表示干扰有效但干扰无反馈,“F”表示干扰有效且干扰有反馈。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110954334.2A CN113419225B (zh) | 2021-08-19 | 2021-08-19 | 一种雷达干扰效果在线评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110954334.2A CN113419225B (zh) | 2021-08-19 | 2021-08-19 | 一种雷达干扰效果在线评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113419225A CN113419225A (zh) | 2021-09-21 |
CN113419225B true CN113419225B (zh) | 2023-02-28 |
Family
ID=77719188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110954334.2A Active CN113419225B (zh) | 2021-08-19 | 2021-08-19 | 一种雷达干扰效果在线评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113419225B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239712A (zh) * | 2014-09-05 | 2014-12-24 | 电子科技大学 | 一种雷达抗干扰效能实时评估方法 |
CN108710110A (zh) * | 2018-04-11 | 2018-10-26 | 哈尔滨工程大学 | 一种基于马尔可夫过程决策的认知干扰方法 |
CN109828245A (zh) * | 2019-03-21 | 2019-05-31 | 西安电子科技大学 | 雷达干扰策略的确定方法、装置、计算机设备及存储介质 |
CN111157963A (zh) * | 2020-01-31 | 2020-05-15 | 中国人民解放军32802部队 | 一种对有源相控阵雷达的干扰效果在线评估方法 |
CN111199127A (zh) * | 2020-01-13 | 2020-05-26 | 西安电子科技大学 | 基于深度强化学习的雷达干扰决策方法 |
CN111353391A (zh) * | 2020-02-17 | 2020-06-30 | 西安电子科技大学 | 雷达干扰效果评估方法、装置、电子设备及其存储介质 |
CN111638488A (zh) * | 2020-04-10 | 2020-09-08 | 西安电子科技大学 | 一种基于lstm 网络的雷达干扰信号识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200341109A1 (en) * | 2019-03-14 | 2020-10-29 | Infineon Technologies Ag | Fmcw radar with interference signal suppression using artificial neural network |
-
2021
- 2021-08-19 CN CN202110954334.2A patent/CN113419225B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239712A (zh) * | 2014-09-05 | 2014-12-24 | 电子科技大学 | 一种雷达抗干扰效能实时评估方法 |
CN108710110A (zh) * | 2018-04-11 | 2018-10-26 | 哈尔滨工程大学 | 一种基于马尔可夫过程决策的认知干扰方法 |
CN109828245A (zh) * | 2019-03-21 | 2019-05-31 | 西安电子科技大学 | 雷达干扰策略的确定方法、装置、计算机设备及存储介质 |
CN111199127A (zh) * | 2020-01-13 | 2020-05-26 | 西安电子科技大学 | 基于深度强化学习的雷达干扰决策方法 |
CN111157963A (zh) * | 2020-01-31 | 2020-05-15 | 中国人民解放军32802部队 | 一种对有源相控阵雷达的干扰效果在线评估方法 |
CN111353391A (zh) * | 2020-02-17 | 2020-06-30 | 西安电子科技大学 | 雷达干扰效果评估方法、装置、电子设备及其存储介质 |
CN111638488A (zh) * | 2020-04-10 | 2020-09-08 | 西安电子科技大学 | 一种基于lstm 网络的雷达干扰信号识别方法 |
Non-Patent Citations (1)
Title |
---|
雷达干扰效果在线评估指标体系与方法;雷震烁 等;《中国电子科学研究院学报》;20200731(第7期);第691-697页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113419225A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lipton et al. | Detecting and correcting for label shift with black box predictors | |
Alrawashdeh et al. | Toward an online anomaly intrusion detection system based on deep learning | |
Guh | A hybrid learning-based model for on-line detection and analysis of control chart patterns | |
Stoean et al. | Modeling medical decision making by support vector machines, explaining by rules of evolutionary algorithms with feature selection | |
Hoang et al. | An efficient hidden Markov model training scheme for anomaly intrusion detection of server applications based on system calls | |
Pena et al. | Anomaly detection using the correlational paraconsistent machine with digital signatures of network segment | |
CN113111349B (zh) | 基于热力图、逆向工程和模型剪枝的后门攻击防御方法 | |
Muhlbaier et al. | An ensemble approach for incremental learning in nonstationary environments | |
CN105471623A (zh) | 一种基于模糊场景的关键ip地址安全报警关联分析方法 | |
CN112560596A (zh) | 一种雷达干扰类别识别方法及系统 | |
CN111368892A (zh) | 一种广义s变换和svm的电能质量扰动高效识别方法 | |
CN112714130A (zh) | 一种基于大数据自适应网络安全态势感知方法 | |
CN115129607A (zh) | 电网安全分析机器学习模型测试方法、装置、设备及介质 | |
CN113343123B (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
CN113419225B (zh) | 一种雷达干扰效果在线评估方法 | |
Li et al. | A hybrid forecasting model of carbon emissions with optimized VMD and error correction | |
CN117093852A (zh) | 工业机器人早期异常监测模型及方法 | |
Huang et al. | Attack detection and data generation for wireless cyber-physical systems based on self-training powered generative adversarial networks | |
Prasetyowati et al. | Dataset feasibility analysis method based on enhanced adaptive LMS method with Min-max normalization and fuzzy intuitive sets | |
CN113177520B (zh) | 一种基于集成学习的智能辐射源识别方法 | |
CN114358160A (zh) | 一种电力系统中的数据异常检测方法 | |
Shin et al. | Transformation approach to model online gaming traffic | |
Feng et al. | DME: An Adaptive and Just-in-Time Weighted Ensemble Learning Method for Classifying Block-Based Concept Drift Steam | |
Chiam et al. | Global attention-based LSTM for noisy power quality disturbance classification | |
Sheng et al. | Network traffic anomaly detection method based on chaotic neural network |
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 |