CN113702920A - 一种区分不同脉间参差雷达数据的联合复杂度值计算方法 - Google Patents
一种区分不同脉间参差雷达数据的联合复杂度值计算方法 Download PDFInfo
- Publication number
- CN113702920A CN113702920A CN202110984164.2A CN202110984164A CN113702920A CN 113702920 A CN113702920 A CN 113702920A CN 202110984164 A CN202110984164 A CN 202110984164A CN 113702920 A CN113702920 A CN 113702920A
- Authority
- CN
- China
- Prior art keywords
- data
- pulse
- radar
- complexity
- calculating
- 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
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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/295—Means for transforming co-ordinates or for evaluating data, e.g. using computers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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
本发明公开了一种区分不同脉间参差雷达数据的联合复杂度值计算方法,包括以下步骤:S1、获取原始脉间参差雷达脉冲数据,并基于原始脉间参差雷达脉冲数据构建脉冲重复间隔PRI数据;S2、对脉冲重复间隔PRI数据进行重构处理,并基于重构向量构建符号序列;S3、对重构向量计算差异等级值,并将差异等级值加入符号序列,得到编码序列;S4、根据编码序列,计算雷达脉冲数据的香农熵和雷达脉冲数据的编码类型复杂度,得到用于区分不同脉间参差雷达数据的联合复杂度值;本发明解决了现有技术提取原始脉间参差雷达脉冲数据的特征不突出,使得分类不准确的问题。
Description
技术领域
本发明涉及雷达对抗技术领域,具体涉及一种区分不同脉间参差雷达数据的联合复杂度值计算方法。
背景技术
雷达信号分类在电子保障措施和电子情报中起着重要作用。雷达信号的分类和识别有助于获取目标雷达类型、载体、目的和威胁级别,从而影响进一步的作战决策。在雷达对抗环境中,脉间参差雷达信号通常用于反侦察任务,对其正确分类具有重大的战略意义,而关乎正确分类的关键一步就是建立有效的特征提取方法。
现有的方法需要大量的人工参与和大量的原始雷达脉冲数据,所提取雷达信号特征对原始数据的关联性和依赖性较强,而且大都是针对恒定、抖动等特性的雷达脉冲信号,对于参差特性的雷达脉冲信号鲜有有效的特征建立方法。
发明内容
针对现有技术中的上述不足,本发明提供的一种区分不同脉间参差雷达数据的联合复杂度值计算方法解决了现有技术提取原始脉间参差雷达脉冲数据的特征不突出,使得分类不准确的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种区分不同脉间参差雷达数据的联合复杂度值计算方法,包括以下步骤:
S1、获取原始脉间参差雷达脉冲数据,并基于原始脉间参差雷达脉冲数据构建脉冲重复间隔PRI数据;
S2、对脉冲重复间隔PRI数据进行重构处理,并基于重构向量构建符号序列;
S3、对重构向量计算差异等级值,并将差异等级值加入符号序列,得到编码序列;
S4、根据编码序列,计算雷达脉冲数据的香农熵和雷达脉冲数据的编码类型复杂度,得到用于区分不同脉间参差雷达数据的联合复杂度值。
本发明的有益效果为:本发明通过计算雷达脉冲数据的香农熵和雷达脉冲数据的编码类型复杂度,得到用于区分不同脉间参差雷达数据的联合复杂度值,将原本复杂的原始脉间参差雷达脉冲数据转换为能表征其复杂程度和特征的联合复杂度值,通过联合复杂度值表征原始雷达信号的特征,使得雷达信号分类不再基于大量的原始雷达数据,降低了雷达信号分类过程特征提取的复杂性和工作量,并且结合雷达脉冲数据的香农熵和雷达脉冲数据的编码类型复杂度得到的联合复杂度值能有效反映出不同脉间参差雷达信号的差异,从而实现了较高的信号分类的正确率。
进一步地,所述步骤S1包括以下分步骤:
S11、获取原始脉间参差雷达脉冲数据;
S12、根据原始脉间参差雷达脉冲数据,构造得到含有脉冲缺失的雷达脉冲数据和含有虚假脉冲的雷达脉冲数据;
S13、统计原始脉间参差雷达脉冲数据、含有脉冲缺失的雷达脉冲数据和含有虚假脉冲的雷达脉冲数据这三类数据中各脉冲的到达时间TOA;
S14、根据各脉冲的到达时间TOA,构建到达时间TOA序列;
S15、对到达时间TOA序列做后向差分运算,得到脉冲重复间隔PRI数据。
上述进一步方案的有益效果为:对原始的脉间参差雷达脉冲进行预处理得到的脉冲重复间隔PRI数据可以很好地反映脉间参差雷达脉冲信号特点,针对PRI数据进行特征提取也让提取的特征更适用于脉间参差雷达脉冲信号分类。
进一步地,所述步骤S2包括以下分步骤:
S22、对每个子序列X(i)按照元素递增顺序进行重新排列,得到重构向量;
S23、根据重构向量中元素的顺序关系,将每个子序列X(i)映射为符号序列S(i)。
上述进一步方案的有益效果为:对脉冲重复间隔PRI数据X进行了切割划分,这是数据压缩的关键一步,划分后的序列根据元素值的大小关系进行重排,从而实现了数据序列到符号序列的转换。这一过程不仅对数据的复杂程度进行了极大降低还保留了数据内部的变化规律和特点。
进一步地,所述步骤S23的映射过程中,在子序列X(i)中存在不同位置的相同元素时,其符号映射为元素在子序列X(i)中第一次出现的位置索引。
上述进一步方案的有益效果为:实现了数据到符号的转换,并且避免了仅依靠顺序关系大小将相同元素编码为不同符号的情况,丰富了编码类型种类,表征数据特点的能力进一步提高。
进一步地,所述步骤S3包括以下分步骤:
S31、计算重构向量的元素的标准差、中位数和均值;
S32、根据标准差、中位数和均值,计算差异度;
S33、对差异度进行归一化处理,并将归一化差异度映射为差异等级值;
S34、将差异等级值加入符号序列,得到编码序列。
上述进一步方案的有益效果为:差异等级值的添加,使得编码类型更为丰富,使得编码序列不仅仅包括数据的大小关系还包括了数据的变化情况,提高了编码序列表征数据的能力。
进一步地,所述步骤S32中计算差异度的公式为:
其中,Dvariation为重构向量的差异度,Seqstd为重构向量的标准差,Seqmeidian为重构向量的中位数,Seqmean为重构向量的均值。
上述进一步方案的有益效果为:综合考虑均值和中位数对数据的影响,使得差异度计算更为准确。
进一步地,所述步骤S4包括以下分步骤:
S41、初始化S和Q字符串集合为空,j初始化为1,计次量CN初始化为0;
S42、将编码序列中的第j个元素放置在Q字符串集合中;
S43、将当前的Q字符串集合和S字符串集合拼接得到SQ字符串集合,将其删去最后一个元素,得到SQ′字符串集合;
S44、判断当前的Q字符串集合是否是SQ′字符串集合的子字符串,若否,则CN自加1,并将当前的S字符串集合更新为当前的SQ字符串集合,当前的Q字符串集合置空,并跳转至步骤S42,若是,则直接跳转至步骤S42中,直到将编码序列中的所有元素全部放置在Q字符串集合中,得到当前计次量CN;
S45、根据当前计次量CN和编码序列的长度,计算编码序列中每种编码类型复杂度;
S46、根据步骤S41~S45的步骤,计算得到所有编码序列中每种编码类型复杂度;
S47、根据所有编码序列中每种编码类型复杂度,计算雷达脉冲数据的编码类型复杂度;
S48、根据编码序列计算雷达脉冲数据的香农熵;
S49、将雷达脉冲数据的香农熵和雷达脉冲数据的编码类型复杂度相加,得到用于区分不同脉间参差雷达数据的联合复杂度值。
进一步地,所述步骤S45中计算编码序列中每种编码类型复杂度的公式为:
其中,Cnorm为一种编码类型的复杂度,CN为计次量,α为编码类型中的元素类型的最大可能值,n为编码序列的长度。
上述进一步方案的有益效果为:通过编码类型的复杂度实现了对编码序列中全部元素的复杂度度量。
进一步地,所述步骤S47中计算雷达脉冲数据的编码类型复杂度的公式为:
LZsymbol=Vectorencoding_LZ·Vectorencoding_weight
其中,LZsymbol为雷达脉冲数据的编码类型复杂度,Vectorencoding_LZ为所有编码序列中每种编码类型复杂度构成的向量,Vectorencoding_weight为所有不同编码类型的权重构成的向量。
上述进一步方案的有益效果为:编码类型复杂度有效地表征了编码序列内部地复杂程度,编码加权后的雷达脉冲数据的编码类型复杂度又兼顾到所有编码类型的复杂度,并且香农熵和编码加权的复杂度联合实现了对数据的多角度表征,对数据特点的反映更为全面。
附图说明
图1为一种区分不同脉间参差雷达数据的联合复杂度值计算方法的流程图。
图2为原始脉间参差雷达脉冲数据的示意图;
图3为3参差PRI信号图;
图4为四种不同的脉间参差雷达信号与联合复杂度值的关系曲线图;
图5为传统特征(如脉宽PW和载频RF)与联合复杂度值在不同脉间参差雷达信号分类任务上分类准确率的曲线对比图。
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所示,一种区分不同脉间参差雷达数据的联合复杂度值计算方法,包括以下步骤:
S1、获取原始脉间参差雷达脉冲数据,并基于原始脉间参差雷达脉冲数据构建脉冲重复间隔PRI数据;
S2、对脉冲重复间隔PRI数据进行重构处理,并基于重构向量构建符号序列;
S3、对重构向量计算差异等级值,并将差异等级值加入符号序列,得到编码序列;
S4、根据编码序列,计算雷达脉冲数据的香农熵和雷达脉冲数据的编码类型复杂度,得到用于区分不同脉间参差雷达数据的联合复杂度值。
所述步骤S1包括以下分步骤:
S11、获取原始脉间参差雷达脉冲数据;
S12、根据原始脉间参差雷达脉冲数据,构造得到含有脉冲缺失的雷达脉冲数据和含有虚假脉冲的雷达脉冲数据;
S13、统计原始脉间参差雷达脉冲数据、含有脉冲缺失的雷达脉冲数据和含有虚假脉冲的雷达脉冲数据这三类数据中各脉冲的到达时间TOA;
S14、根据各脉冲的到达时间TOA,构建到达时间TOA序列;
S15、对到达时间TOA序列做后向差分运算,得到脉冲重复间隔PRI数据。
图2为原始脉间参差雷达脉冲数据的示意图,可以看出脉冲的间隔是不同的,但是有规律,这些间隔即为脉冲重复间隔PRI,图2的脉冲以三种PRI循环出现,这一特点也是这类脉间参差雷达脉冲信号的显著特点。将这些PRI数据提取出来便可以构建出如图3所示的3参差PRI信号(3参差PRI信号即参差数为3的脉冲重复间隔PRI数据),这类信号为后续的计算联合复杂度值奠定了基础。
所述步骤S2包括以下分步骤:
其中,x(i)为脉冲重复间隔PRI数据X的元素,τ为延迟量,τ通常为1,即每个子序列中数据是连续的,m为列数。
步骤S21中,将脉冲重复间隔PRI数据划分为N个m维子序列,使得联合复杂度值计算可以不再直接基于原始全部数据进行,而是根据子序列展开,在一定程度上降低了数据处理量。
x[i+(η1-1)τ]≤x[i+(η2-1)τ]≤…≤x[i+(ηm-1)τ]
S23、根据重构向量中元素的顺序关系,将每个子序列X(i)映射为符号序列S(i)。
S(i)=[η1,η2,η3,…,ηm]
所述步骤S23的映射过程中,在子序列X(i)中存在不同位置的相同元素时,其符号映射为元素在子序列X(i)中第一次出现的位置索引。
该步骤中解决了相同元素的符号应该如何选择的问题,例如[1.3 1.6 1.3 2.3]和[1.3 1.6 1.4 2.3]这两个序列,如果按照符号化完全取决于元素各自的索引位置,两个序列的符号化结果均为[1 3 2 4],显然这一做法将不同的序列映射到了相同的符号序列,而若采用步骤S23的做法,则得到[1 1 2 4]和[1 3 2 4],符号化的结果依然体现了原序列的差异情况。
所述步骤S3包括以下分步骤:
S31、计算重构向量的元素的标准差、中位数和均值;
S32、根据标准差、中位数和均值,计算三值差异度;
所述步骤S32中计算差异度的公式为:
其中,Dvar iation为重构向量的差异度,Seqstd为重构向量的标准差,Seqmeidian为重构向量的中位数,Seqmean为重构向量的均值。
S33、对差异度进行归一化处理,并将归一化差异度映射为差异等级值,将差异度映射为差异等级值,实现了差异数值的符号化;
所述步骤S33中映射公式为:
Dvar iation-level=floor(10*Dvar iation-normalized)
其中,Dvar iation-level为差异等级值,floor(*)为将小数四舍五入成整数,Dvar iation-normalized为归一化差异度,差异等级值的计算将差异度由数值映射为符号,差异等级值最小为0,最大为10,共计11个等级。
S34、将差异等级值加入符号序列,得到编码序列。
编码序列为:S(i)new=[η1,η2,η3,…,ηm,Dvar iation-kevel]。
所述步骤S4包括以下分步骤:
S41、初始化S和Q字符串集合为空,j初始化为1,计次量CN初始化为0;
S42、将编码序列中的第j个元素放置在Q字符串集合中;
S43、将当前的Q字符串集合和S字符串集合拼接得到SQ字符串集合,将其删去最后一个元素,得到SQ′字符串集合;
S44、判断当前的Q字符串集合是否是SQ′字符串集合的子字符串,若否,则CN自加1,并将当前的S字符串集合更新为当前的SQ字符串集合,当前的Q字符串集合置空,并跳转至步骤S42,若是,则直接跳转至步骤S42中,直到将编码序列中的所有元素全部放置在Q字符串集合中,得到当前计次量CN;
这部分的复杂度计算是根据S2的最终的编码结果S(i)=[η1,η2,η3,…,ηm],去统计S(i)的种类也就是编码类型的种类,然后对每种编码类型计算复杂度,再根据各种编码类型出现的次数计算权值,最后求加权的复杂度。
如果当前的Q字符串集合不是SQ′字符串集合的子字符串,则当前的Q字符串集合为新出现的字符串,执行CN自加1,认为当前的Q是新出现的模式,那么计次量CN就需要加一。
S45、根据当前计次量CN和编码序列的长度,计算编码序列中每种编码类型复杂度;
所述步骤S45中计算编码序列中每种编码类型复杂度的公式为:
其中,Cnorm为一种编码类型的复杂度,CN为计次量,α为编码类型中的元素类型的最大可能值,例如编码类型只有‘1’,‘2’,‘3’,α为3,n为编码序列的长度。
S46、根据步骤S41~S45的步骤,计算得到所有编码序列中每种编码类型复杂度;
S47、根据所有编码序列中每种编码类型复杂度,计算雷达脉冲数据的编码类型复杂度;
所述步骤S47中计算雷达脉冲数据的编码类型复杂度的公式为:
LZsymbol=Vectorencoding_LZ·Vectorencoding_weight
其中,LZsymbol为雷达脉冲数据的编码类型复杂度,Vectorencoding_LZ为所有编码序列中每种编码类型复杂度构成的向量,Vectorencoding_weight为所有不同编码类型的权重构成的向量。
统计不同编码类型在一个编码序列出现的频次,将频次除以编码序列的长度,得到一个编码序列中各编码类型的权重,将所有编码序列中所有编码类型的权重构建为向量Vectorencoding_weight。
不同编码类型出现的次数是不相同的,次数越多的编码类型更能代表整体数据的特点,对不同的编码类型进行加权,使得不同的编码类型有不同的权重比例,进而使得雷达脉冲数据的编码类型复杂度更能表征原雷达信号的特征。
S48、根据编码序列计算雷达脉冲数据的香农熵;
所述步骤S48中编码序列的香农熵的计算公式为:
H=-∑P*ln(P*)
其中,H为所有编码序列的香农熵的和,P*为编码序列S(i)new在全部编码序列中出现的概率。
香农熵反映了编码序列的规律性,熵值越小则数据越简单,越大则数据越复杂。
S49、将雷达脉冲数据的香农熵和雷达脉冲数据的编码类型复杂度相加,得到用于区分不同脉间参差雷达数据的联合复杂度值。
所述步骤S49中得到用于区分不同脉间参差雷达数据的联合复杂度值的公式为:
CS-LZ=H+LZsymbol
其中,CS-LZ为用于区分不同脉间参差雷达数据的联合复杂度值,H为所有编码序列的香农熵的和,即雷达脉冲数据的香农熵,LZsymbol为雷达脉冲数据的编码类型复杂度。
使用本发明的联合复杂度值的方法为:
B1、将多个脉间参差雷达信号对应的联合复杂度值划分为训练集和测试集,用训练集训练支持向量机SVM获取分类模型,并用测试集进行验证。
B2、使用本发明的方法计算需分类的脉间参差雷达信号的联合复杂度值,对验证完成的分类模型输入该联合复杂度值,得到的分类结果,即为需分类的脉间参差雷达信号的分类结果。
图4为四种不同的脉间参差雷达信号与联合复杂度值的关系曲线,图4中,A1表示:2脉冲重复间隔PRI数据;A2表示:3脉冲重复间隔PRI数据;A3表示:4脉冲重复间隔PRI数据;A4表示:6脉冲重复间隔PRI数据;其中,脉冲重复间隔PRI数据前的数字2、3、4和6表示PRI数据的参差数。
根据图4可知,不同脉间参差数的脉间参差雷达信号的联合复杂度值是上升的,符合四种信号的实际复杂程度,并且联合复杂度值分布情况也体现了其具有良好的类内聚集性和类间分散性。
实验:对原始脉间参差雷达脉冲数据、存在不同比例的缺失脉冲和虚假脉冲三种情况下不同类别的脉间参差雷达数据进行训练集和测试集划分,利用训练集训练SVM以求获得分类模型,训练好的分类模型采用测试集进行测试,最后设置使用传统特征与联合复杂度值在不同脉冲参差雷达信号分类任务上的进行正确率的对比实验。
此外,实验考虑了不同比例的脉冲丢失和虚假脉冲存在,以验证特征在脉间参差雷达信号分类任务中的有效性是否易受脉冲丢失和虚假脉冲的影响,表1是四种脉冲重复间隔PRI数据在不同比例脉冲丢失和虚假脉冲条件下分类正确率,可以看出使用联合复杂度值可以达到较好的分类结果。
表1
表2是信号存在10%的脉冲丢失情况下的四种脉间参差雷达信号的分类正确率,可以看出结果依然是可观的;实验还将联合复杂度值与传统特征(脉宽PW和载频RF)进行了对比以检验联合复杂度值的优越性。
表2
图5即为对比实验的分类结果,显然使用联合复杂度值的分类正确率较为稳定且正确率也保持较高的数值,可见联合复杂度值这一特征在脉间参差雷达信号分类任务中明显优于其他两种传统特征。
Claims (9)
1.一种区分不同脉间参差雷达数据的联合复杂度值计算方法,其特征在于,包括以下步骤:
S1、获取原始脉间参差雷达脉冲数据,并基于原始脉间参差雷达脉冲数据构建脉冲重复间隔PRI数据;
S2、对脉冲重复间隔PRI数据进行重构处理,并基于重构向量构建符号序列;
S3、对重构向量计算差异等级值,并将差异等级值加入符号序列,得到编码序列;
S4、根据编码序列,计算雷达脉冲数据的香农熵和雷达脉冲数据的编码类型复杂度,得到用于区分不同脉间参差雷达数据的联合复杂度值。
2.根据权利要求1所述的区分不同脉间参差雷达数据的联合复杂度值计算方法,其特征在于,所述步骤S1包括以下分步骤:
S11、获取原始脉间参差雷达脉冲数据;
S12、根据原始脉间参差雷达脉冲数据,构造得到含有脉冲缺失的雷达脉冲数据和含有虚假脉冲的雷达脉冲数据;
S13、统计原始脉间参差雷达脉冲数据、含有脉冲缺失的雷达脉冲数据和含有虚假脉冲的雷达脉冲数据这三类数据中各脉冲的到达时间TOA;
S14、根据各脉冲的到达时间TOA,构建到达时间TOA序列;
S15、对到达时间TOA序列做后向差分运算,得到脉冲重复间隔PRI数据。
4.根据权利要求3所述的区分不同脉间参差雷达数据的联合复杂度值计算方法,其特征在于,所述步骤S23的映射过程中,在子序列X(i)中存在不同位置的相同元素时,其符号映射为元素在子序列X(i)中第一次出现的位置索引。
5.根据权利要求1所述的区分不同脉间参差雷达数据的联合复杂度值计算方法,其特征在于,所述步骤S3包括以下分步骤:
S31、计算重构向量的元素的标准差、中位数和均值;
S32、根据标准差、中位数和均值,计算差异度;
S33、对差异度进行归一化处理,并将归一化差异度映射为差异等级值;
S34、将差异等级值加入符号序列,得到编码序列。
7.根据权利要求1所述的区分不同脉间参差雷达数据的联合复杂度值计算方法,其特征在于,所述步骤S4包括以下分步骤:
S41、初始化S和Q字符串集合为空,j初始化为1,计次量CN初始化为0;
S42、将编码序列中的第j个元素放置在Q字符串集合中;
S43、将当前的Q字符串集合和S字符串集合拼接得到SQ字符串集合,将其删去最后一个元素,得到SQ′字符串集合;
S44、判断当前的Q字符串集合是否是SQ′字符串集合的子字符串,若否,则CN自加1,并将当前的S字符串集合更新为当前的SQ字符串集合,当前的Q字符串集合置空,并跳转至步骤S42,若是,则直接跳转至步骤S42中,直到将编码序列中的所有元素全部放置在Q字符串集合中,得到当前计次量CN;
S45、根据当前计次量CN和编码序列的长度,计算编码序列中每种编码类型复杂度;
S46、根据步骤S41~S45的步骤,计算得到所有编码序列中每种编码类型复杂度;
S47、根据所有编码序列中每种编码类型复杂度,计算雷达脉冲数据的编码类型复杂度;
S48、根据编码序列计算雷达脉冲数据的香农熵;
S49、将雷达脉冲数据的香农熵和雷达脉冲数据的编码类型复杂度相加,得到用于区分不同脉间参差雷达数据的联合复杂度值。
9.根据权利要求7所述的区分不同脉间参差雷达数据的联合复杂度值计算方法,其特征在于,所述步骤S47中计算雷达脉冲数据的编码类型复杂度的公式为:
LZsymbol=Vectorencoding_LZ·Vectorencoding_weight
其中,LZsymbol为雷达脉冲数据的编码类型复杂度,Vectorencoding_LZ为所有编码序列中每种编码类型复杂度构成的向量,Vectorencoding_weight为所有不同编码类型的权重构成的向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110984164.2A CN113702920B (zh) | 2021-08-25 | 2021-08-25 | 一种区分不同脉间参差雷达数据的联合复杂度值计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110984164.2A CN113702920B (zh) | 2021-08-25 | 2021-08-25 | 一种区分不同脉间参差雷达数据的联合复杂度值计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113702920A true CN113702920A (zh) | 2021-11-26 |
CN113702920B CN113702920B (zh) | 2023-07-11 |
Family
ID=78654866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110984164.2A Active CN113702920B (zh) | 2021-08-25 | 2021-08-25 | 一种区分不同脉间参差雷达数据的联合复杂度值计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113702920B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013216461A1 (de) * | 2013-08-20 | 2014-06-26 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Synthetik-Apertur-Radarverfahren |
US20170365094A1 (en) * | 2016-04-04 | 2017-12-21 | University Of Cincinnati | Localized Contour Tree Method for Deriving Geometric and Topological Properties of Complex Surface Depressions Based on High Resolution Topographical Data |
CN109031215A (zh) * | 2018-06-27 | 2018-12-18 | 扬州大学 | 高脉冲丢失下的参差雷达脉冲重复周期估计方法 |
CN110764063A (zh) * | 2019-10-15 | 2020-02-07 | 哈尔滨工程大学 | 一种基于sdif与pri变换法结合的雷达信号分选方法 |
CN110806563A (zh) * | 2019-11-19 | 2020-02-18 | 西南交通大学 | 基于雷达脉冲混叠程度判定的辐射源信号聚类分选方法 |
CN111090077A (zh) * | 2020-01-20 | 2020-05-01 | 上海交通大学 | 多维度去交错后的toa差分统计雷达信号分选方法 |
CN113109784A (zh) * | 2021-04-28 | 2021-07-13 | 中国人民解放军63892部队 | 一种基于盲源分离的雷达脉冲重复间隔估计方法 |
CN113255751A (zh) * | 2021-05-17 | 2021-08-13 | 北京理工大学 | 一种基于时间序列分割的多功能雷达状态序列聚类方法 |
-
2021
- 2021-08-25 CN CN202110984164.2A patent/CN113702920B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013216461A1 (de) * | 2013-08-20 | 2014-06-26 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Synthetik-Apertur-Radarverfahren |
US20170365094A1 (en) * | 2016-04-04 | 2017-12-21 | University Of Cincinnati | Localized Contour Tree Method for Deriving Geometric and Topological Properties of Complex Surface Depressions Based on High Resolution Topographical Data |
CN109031215A (zh) * | 2018-06-27 | 2018-12-18 | 扬州大学 | 高脉冲丢失下的参差雷达脉冲重复周期估计方法 |
CN110764063A (zh) * | 2019-10-15 | 2020-02-07 | 哈尔滨工程大学 | 一种基于sdif与pri变换法结合的雷达信号分选方法 |
CN110806563A (zh) * | 2019-11-19 | 2020-02-18 | 西南交通大学 | 基于雷达脉冲混叠程度判定的辐射源信号聚类分选方法 |
CN111090077A (zh) * | 2020-01-20 | 2020-05-01 | 上海交通大学 | 多维度去交错后的toa差分统计雷达信号分选方法 |
CN113109784A (zh) * | 2021-04-28 | 2021-07-13 | 中国人民解放军63892部队 | 一种基于盲源分离的雷达脉冲重复间隔估计方法 |
CN113255751A (zh) * | 2021-05-17 | 2021-08-13 | 北京理工大学 | 一种基于时间序列分割的多功能雷达状态序列聚类方法 |
Non-Patent Citations (1)
Title |
---|
李星雨 等: "基于PRI熵和转移矩阵的雷达信号主分选算法", 舰船电子工程, vol. 33, no. 9, pages 45 - 49 * |
Also Published As
Publication number | Publication date |
---|---|
CN113702920B (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN110059845B (zh) | 基于时序演化基因模型的计量装置时钟误差趋势预测方法 | |
CN109116312A (zh) | 基于qmfb与卷积神经网络的雷达信号分类方法 | |
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 | |
CN108268872B (zh) | 一种基于增量学习的鲁棒非负矩阵分解方法 | |
CN109871749B (zh) | 一种基于深度哈希的行人重识别方法和装置、计算机系统 | |
CN112199670B (zh) | 一种基于深度学习改进iforest对行为异常检测的日志监控方法 | |
CN115687952B (zh) | 一种基于黎曼流形聚类的配电网线变关系辨识方法及装置 | |
CN109471049A (zh) | 一种基于改进堆叠自编码器的卫星电源系统异常检测方法 | |
CN117556369B (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 | |
CN105260748A (zh) | 一种不确定数据的聚类方法 | |
CN106971170A (zh) | 一种基于遗传算法利用一维距离像进行目标识别的方法 | |
CN112818859B (zh) | 一种基于深度哈希的多级检索行人重识别方法 | |
CN111612531B (zh) | 一种点击欺诈的检测方法及系统 | |
CN113672871A (zh) | 一种高比例缺失数据填补方法及相关装置 | |
CN113702920B (zh) | 一种区分不同脉间参差雷达数据的联合复杂度值计算方法 | |
Wu et al. | A bayesian method for guessing the extreme values in a data set? | |
CN115941281A (zh) | 一种基于双向时间卷积神经网络与多头自注意力机制的异常网络流量检测方法 | |
CN113821401A (zh) | 基于wt-ga-gru模型的云服务器故障诊断方法 | |
CN113378900A (zh) | 一种基于聚类的大规模不规则kpi时间序列的异常检测方法 | |
CN112966544A (zh) | 一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法 | |
CN112308151A (zh) | 基于加权的旋转森林高光谱图像分类方法 | |
Guo et al. | The Financial Data of Anomaly Detection Research Based on Time Series | |
CN113792749A (zh) | 时间序列数据异常检测方法、装置、设备及存储介质 | |
CN112085079A (zh) | 一种基于多尺度多任务学习的模式识别方法 |
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 |