CN113836793A - 一种基于关联准则的电磁环境态势感知预测方法 - Google Patents
一种基于关联准则的电磁环境态势感知预测方法 Download PDFInfo
- Publication number
- CN113836793A CN113836793A CN202111031293.6A CN202111031293A CN113836793A CN 113836793 A CN113836793 A CN 113836793A CN 202111031293 A CN202111031293 A CN 202111031293A CN 113836793 A CN113836793 A CN 113836793A
- Authority
- CN
- China
- Prior art keywords
- information
- data
- item set
- electromagnetic environment
- association
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000008447 perception Effects 0.000 title abstract description 15
- 230000005855 radiation Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000004140 cleaning Methods 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000005065 mining Methods 0.000 description 10
- 238000010276 construction Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
Abstract
本发明公开了一种基于关联准则的电磁环境态势感知预测方法,所述方法包括如下步骤:S1:首先在电磁环境下对战场辐射源进行信息采集,并辐射源产生的数据进行采集,获取通信侦察电子信息、雷达侦察对抗数据信息和电子对抗数据信息,并将三类信息进行汇总后对三类信息进行预处理;S2:对上述采集的信息进行信息集选择,并对选择信息进行优化抽取,对冗余信息进行清理后将处理后信息进行数据转换处理,转换可量化的数据;S3:随后通过的Apriori算法实现频繁项集的生成,再通过频繁项集对关联规则进行生成;其中步骤S3中的频繁项集中,通常需要设定两个门限:最小支持度min_sup和最小置信度min_conf。
Description
技术领域
本发明涉及一种预测方法,具体涉及一种基于关联准则的电磁环境态势感知预测方法。
背景技术
现代战争是信息化战争,整个战场呈现出多样化的作战方式、多元化的作战对象以及复杂多变的作战环境等特征,导致了指挥作战难度与日俱增。如何更加高效智能地指挥引导作战部署,是我国军队电子化、自动化发展的重要进程。
目前关于基于知识工程在信息化作战的智能决策辅助方面的研究还不够深入和成熟,主要还是集中在武器装备、内外情报信息、敌方作战情况等管理上,并且传统的功能引用也主要体现在以可视化的方式展示出这些信息以供作战指挥人员的检索查看,并未基于这些信息做更深入的分析研判工作,武器装备与各系统情报信息基本都是相互独立存在的,关联分析较少,因此导致很多作战信息没有被真正的整合利用起来。所以大多数的作战决策都还是基于有经验的指挥人员根据现有情报线下进行分析研判,这样效率较低。
发明内容
本发明所要解决的技术问题是目前在复杂环境下进行态势预测的系统方法比较杂乱,无法应对较复杂的事态,很容易造成处理时间的延长,耽误预测时间,本申请文件目的在于提供一种基于关联准则的电磁环境态势感知预测方法,根据战场电磁环境的实时变化,对战场电磁态势的感知预测,实现战场电磁态势的准确和快速感知,从而分析作战双方装备动态博弈过程,优化装备工作参数,并自动调整系统状态,作出适当反映,增加设备的灵活性,能更好的适应复杂战场电磁环境。
本发明通过下述技术方案实现:
一种基于关联准则的电磁环境态势感知预测方法,所述方法包括如下步骤:S1:首先在电磁环境下对战场辐射源进行信息采集,并辐射源产生的数据进行采集,获取通信侦察电子信息、雷达侦察对抗数据信息和电子对抗数据信息,并将三类信息进行汇总后对三类信息进行预处理,;S2:对上述采集的信息进行信息集选择,并对选择信息进行优化抽取,对冗余信息进行清理后将处理后信息进行数据转换处理,转换可量化的数据;S3:随后通过的Apriori算法实现频繁项集的生成,再通过频繁项集对关联规则进行生成;
其中步骤S3中的频繁项集中,通常需要设定两个门限:最小支持度min_sup和最小置信度min_conf;若项集满足最小支持度,则称该项集为频繁项集;若关联规则既满足最小支持度,也满足最小置信度,则称该关联规则为强关联规则。
在电磁环境预测分系统中的感知预测详细过程主要包括:根据战术战法数据包含的预警探测、情报侦察、电子对抗、通信导航、精确制导等信息作战装备情报资料信息,分析各型装备典型电磁环境信号时域、频域动态变化要素,建立典型电磁环境信号及其变化的数学模型;基于建立的典型装备信号模型,分析典型电磁环境信号存在和变化时对装备性能的影响;分析环境构建装备随电磁环境信号变化的动态响应,形成环境构建装备与电磁环境信号的关联准则;根据环境构建装备与电磁环境信号的关联准则,预测环境构建装备的动态变化。
因此,在电磁环境预测的过程中如何根据战术战法数据,对典型目标辐射信号进行分析;分析各型典型电磁环境信号时域、频域动态变化要素时,各型信号的动态变化要素包括哪些内容;从哪些方面分析典型电磁环境信号存在和变化时对装性能的影响;根据环境构建装备与电磁环境信号的关联准则,采用何种电磁环境预测方法;对典型辐射信号的感知处理方法等对典型目标辐射信号感知预测的方法是电磁环境预测分系统的关键技术点。
电磁环境感知预测完成基于导入的战术战法数据感知目标周围的电磁场数据,并把得到的数据经过处理、分析,得出周围的电磁环境当前状态以及预测将来的变化趋势。电磁环境感知预测常规采用自动计算的方式,基于战术战法数据进行处理、分析、挖掘其背后隐藏的深层次信息,通过电磁环境要素的获取、理解、预测而形成的一种易于理解并能辅助决策的电磁环境表达方式,主要包括电磁环境构建、事件提取、事件关联与电磁态势生成。
进一步地,所述步骤S1中,通信侦察电子信息采集包括时域数据、频域数据和调制数据,其中时域时域数据包括TOA、PW、PRI,频域数据包括RF、信号带宽,调制数据包括PRI、IF等参数。
进一步地,所述步骤S2中的数据转换是将中英文字符数据化,连续型数据离散化,离散型数据类别化处理。
进一步地,所述步骤S3中的频繁项集首先扫描事务数据库D,对D中的每个项目进行计数,形成候选集C1,找出C1中满足最小支持度min_sup的项,生成频繁1-项集L1;然后,利用L1交叉生成候选集C2,并找出频繁2-项集L2,再利用L2生成L3;如此迭代下去,直至无法产生新的频繁项集为止;
而关联规则的生成是在频繁项集生产后,每个频繁项集L,生成L全部的非空子集;随后对于L的每个非空子集S,如果有Sup(L-S)/Sup(L)≥min_conf,则输出规则S→L-S,该规则即为强关联规则。
本发明与现有技术相比,具有如下的优点和有益效果:
1、本发明一种基于关联准则的电磁环境态势感知预测方法,基于构设要求,建立电磁环境构设方案,模拟生成战场实时动态复杂电磁环境,依据对战场电磁态势的感知预测,分析作战双方装备的动态博弈过程,更有效地完善电磁环境构设方案;
2、本发明一种基于关联准则的电磁环境态势感知预测方法,通过分析战场辐射源工作参数,根据战场电磁环境的实时变化,对战场电磁态势的感知预测,实现战场电磁态势的准确和快速感知,从而分析作战双方装备动态博弈过程,优化装备工作参数,并自动调整系统状态,作出适当反映,增加设备的灵活性,能更好的适应复杂战场电磁环境;
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明流程图。
图2为Apriori算法频繁项集生成的一般流程图。
图3为战术战法数据编码图
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例
如图1~3所示,本发明一种基于关联准则的电磁环境态势感知预测方法,电磁环境的关联规则挖掘根据典型试验环境下对电子装备战术战法相关信息进行预处理,然后采用经典的Apriori算法实现频繁项集和关联规则的生成,最后对关联规则挖掘结果进行分析,整个处理流程如图1所示;
电磁环境中雷达、通信设备的信号调制类型、天线波束形状以及雷达天线扫描方式等数据信息为非直观的信息数据,因此必须首先将相关侦察信息进行数据化处理,转换可量化的数据,从而利用关联规则挖掘方法挖掘电磁装备关系。
雷达电子侦察所获取的信息种类繁多,形式也各不相同。对于雷达信号,其时域参数有TOA、PW、PRI等,频域参数有RF、信号带宽等,并且PRI、IF等参数还有不同的调制类型;对于雷达天线,有AST、ASP和天线波束类型等特征参数;而对于雷达系统本身,有雷达平台、雷达类型、工作方式等信息。由于雷达脉冲信号数量巨大,并且所含信息有限,因此以单个信号为单位进行信息分析并不是理想的选择,可以选择以雷达个体为单位进行信息提取。
因为雷达个体的工作特性是动态变化的,所以系统雷达工作状态的信息集作为数据的主要来源。具体来说,本文所使用的雷达电子侦察信息来自通过信号层和数据层处理得到的雷达个体工作状态信息,以及其他来源的相关情报信息,包括雷达平台、雷达类型、信号统计特征、雷达天线、雷达工作方式等多个方面。这些信息是最能反映雷达工作特性的信息,也是雷达电子侦察所关心的内容。
雷达电子侦察所获取的信息具有不同的类型,如雷达工作频率、AST等特征参数是连续型的数据,天线扫描维度、天线扫描的波位个数等特征参数是离散型的数据,而雷达波段、雷达工作方式则分别是英文字符和中文字符表示。为了便于数据挖掘,提高挖掘效率,有必要对部分信息进行数据转换。数据转换的基本原则是中英文字符数据化,连续型数据离散化,离散型数据类别化。
以雷达信号的PRF为例,可以将其根据数值大小分为三个级别:{低重频,中重频,高重频},然后对其进行数字编码为:{低重频,中重频,高重频}={1,2,3}。经过了上述预处理之后,就能够得到精简有效的雷达个体工作状态数据集,从而具备了使用Apriori算法的基本条件。表1显示的是对部分仿真电子侦察数据进行预处理后的雷达个体工作状态数据库。
下表分别给出了频段、平均PW、平均PRF、主要脉内调制类型、天线扫描方式、天线波束形状、雷达工作方式等属性的编码规则。
表1频段编码规则
表2平均PW编码规则
表3平均PRF编码规则
表4脉内调制类型编码规则
表5天线扫描方式编码规则
表6天线波束形状编码规则
对电磁环境雷达设备频段、平均PW、平均PRF、主要脉内调制类型、天线扫描方式、天线波束形状、雷达工作方式等属性分别依照表1~表6的规则进行编码,并分别用缩写RF、PW、PRF、PM、AST、BM表示。其中雷达工作方式BM固定为常开,用数字3表示,根据编码规则内容,可根据电磁环境中战术战法数据编译为如图3所示;
基于Apriori算法,可计算获得多个电磁装备之间的关联配置关系。通过计算X→Y的支持度和置信度,从而构建事件X→Y的关联准则。其中,X→Y的支持度表述为XUY的事务占库中总事务的比值,X→Y置信度表述为数据库中XUY的事务与包含X的事务数比值。通过找出所有支持度、置信度超过门限的关联规则,从而获取得到X→Y关联规则的关联规则。如对于集合X={I雷达1,I雷达2,I雷达干扰1},Y={I雷达n},其计算得到支持度和置信度超过门限,即可获得X,Y的强关联规则。
实施例二
在实施例一基础上,对辐射源数据的展示和提取进行进一步的展开,方便用户和操作者按照本实施例进行处理,目标辐射源事件表述为在一定态势空间和时间下,提取辐射源装备信息,通过比较、分析、判断,提取出反映电磁环境态势变化的行为。可表示为:
I={I1,I2,L,In}
其中Ii为第i个辐射源的事件集合,其可以用多元组形式表达,其表示为:
Ii={M,C}
其中,M表示为辐射源目标位置情况,C表示为辐射源的工作模式。辐射源目标的工作模式主要包括如下表所示:
表7辐射源目标的工作模式
辐射源事件关联通过提取的辐射源事件信息,形成以X→Y的推理事件类型,其中,X、Y代表辐射源事件I的集合,利用辐射源事件关联处理,从中发现辐射源与目标平台作战意图的关系,挖掘背后隐藏的深层次信息,最终上升为支撑作战决策的电磁态势情报。
实施例三
本实施例在实施例一的基础上,对关联规则进行进一步展示,方便用户和操作者按照本实施例进行处理,关联规则挖掘过程中,具有如下定义:
设I={I1,I2,…,mI}是所有项目的集合,D={T1,T2,…,Tn}是事务数据库,D中的每一个事务都是I中一组项目的集合,即设为项的集合,简称项集(Itemset),事务T包含项集X当且仅当关联规则是指形如X→Y的一种数据隐含关系,其中是两个项集,并且X∩Y=Φ。
项集X的支持数和支持度。事务数据库D中包含项集X的事务的个数称为项集X的支持数,记为Count(X)。设事务数据库D中总的事务数为||D,则项集X的支持度为Count(X)/|D|,记为Sup(X)。
关联规则X→Y的支持数和支持度。事务数据库D中包含项集X∪Y的事务的个数称为关联规则X→Y的支持数,记为Count(X→Y)。关联规则X→Y的支持度为Count(X)/|D|,记为Sup(X→Y)。
关联规则X→Y的置信度。事务数据库D中包含项集X∪Y的事务的个数与包含项集X的事务是个数的比值称为关联规则X→Y的置信度,即Count(X→Y)/Count(X),记为Conf(X→Y)。
关联规则也可以用公式表示为:
X→Y[Sup=s,Conf=c]
Sup(X→Y)=P(X∪Y)
Conf(X→Y)=P(X/Y)=Sup(X∪Y)/Sup(X)
其中,s和c分别为关联规则的支持度与置信度,P(·)表示概率。
关联规则挖掘是关联规则研究的主要内容,为了挖掘有意义的关联规则,通常需要设定两个门限:最小支持度min_sup和最小置信度min_conf。如果项集满足最小支持度,则称该项集为频繁项集。如果关联规则既满足最小支持度,也满足最小置信度,则称该关联规则为强关联规则。所谓关联规则挖掘,实际上就是在给定的事务数据库D中,找出所有感兴趣的强关联规则,即
X→Y[Sup=s,Conf=c]|s≥min_sup,c≥min_conf
关联规则挖掘采用Apriori算法实现事件集合的规则挖掘。
Apriori算法主要分为两步:
1、频繁项集的生成。首先,扫描事务数据库D,对D中的每个项目进行计数,形成候选集C1,找出C1中满足最小支持度min_sup的项,生成频繁1-项集L1;然后,利用L1交叉生成候选集C2,并找出频繁2-项集L2,再利用L2生成L3;如此迭代下去,直至无法产生新的频繁项集为止。2、强关联规则的生成。首先,对于步骤1中生成的每个频繁项集L,生成L全部的非空子集;
然后,对于L的每个非空子集S,如果有Sup(L-S)/Sup(L)≥min_conf,则输出规则S→L-S,该规则即为要找的强关联规则。
在以上两步中,步骤1是该算法的核心,采用的是逐层搜索的迭代方法,即通过k-项集来生成(+1)-k项集。频繁项集的生成直接决定了所得关联规则的性能。Apriori算法频繁项集生成的一般流程如图2所示
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于关联准则的电磁环境态势感知预测方法,其特征在于,所述方法包括如下步骤:
S1:首先在电磁环境下对战场辐射源进行信息采集,并辐射源产生的数据进行采集,获取通信侦察电子信息、雷达侦察对抗数据信息和电子对抗数据信息,并将三类信息进行汇总后对三类信息进行预处理,;
S2:对上述采集的信息进行信息集选择,并对选择信息进行优化抽取,对冗余信息进行清理后将处理后信息进行数据转换处理,转换可量化的数据;
S3:随后通过的Apriori算法实现频繁项集的生成,再通过频繁项集对关联规则进行生成;
其中步骤S3中的频繁项集中,通常需要设定两个门限:最小支持度min_sup和最小置信度min_conf;若项集满足最小支持度,则称该项集为频繁项集;若关联规则既满足最小支持度,也满足最小置信度,则称该关联规则为强关联规则。
2.根据权利要求1所述的一种基于关联准则的电磁环境态势感知预测方法,其特征在于,所述步骤S1中,通信侦察电子信息采集包括时域数据、频域数据和调制数据,其中时域时域数据包括TOA、PW、PRI,频域数据包括RF、信号带宽,调制数据包括PRI、IF等参数。
3.根据权利要求1所述的一种基于关联准则的电磁环境态势感知预测方法,其特征在于,所述步骤S2中的数据转换是将中英文字符数据化,连续型数据离散化,离散型数据类别化处理。
4.根据权利要求1所述的一种基于关联准则的电磁环境态势感知预测方法,其特征在于,所述步骤S3中的频繁项集首先扫描事务数据库D,对D中的每个项目进行计数,形成候选集C1,找出C1中满足最小支持度min_sup的项,生成频繁1-项集L1;然后,利用L1交叉生成候选集C2,并找出频繁2-项集L2,再利用L2生成L3;如此迭代下去,直至无法产生新的频繁项集为止;
而关联规则的生成是在频繁项集生产后,每个频繁项集L,生成L全部的非空子集;随后对于L的每个非空子集S,如果有Sup(L-S)/Sup(L)≥min_conf,则输出规则S→L-S,该规则即为强关联规则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111031293.6A CN113836793A (zh) | 2021-09-03 | 2021-09-03 | 一种基于关联准则的电磁环境态势感知预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111031293.6A CN113836793A (zh) | 2021-09-03 | 2021-09-03 | 一种基于关联准则的电磁环境态势感知预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113836793A true CN113836793A (zh) | 2021-12-24 |
Family
ID=78962112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111031293.6A Pending CN113836793A (zh) | 2021-09-03 | 2021-09-03 | 一种基于关联准则的电磁环境态势感知预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113836793A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115203480A (zh) * | 2022-05-10 | 2022-10-18 | 中国人民解放军91977部队 | 一种基于深层关联分析的目标群编成隶属关系挖掘方法 |
CN115856428A (zh) * | 2022-11-24 | 2023-03-28 | 中国科学院国家空间科学中心 | 一种模块化的复杂电磁环境频谱态势感知采集装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104699755A (zh) * | 2015-01-07 | 2015-06-10 | 中国电子科技集团公司第三十研究所 | 一种基于数据挖掘的智能化多目标综合识别方法 |
US20160179903A1 (en) * | 2014-12-23 | 2016-06-23 | Ran Bittmann | Enhancing frequent itemset mining |
CN108073575A (zh) * | 2016-06-14 | 2018-05-25 | 电子科技大学 | 一种基于改进Prefixspan算法的雷达数据频繁模式挖掘方法 |
CN109726734A (zh) * | 2018-11-23 | 2019-05-07 | 山东航天电子技术研究所 | 一种基于辐射源侦察信息的目标平台自动识别系统 |
CN111723941A (zh) * | 2020-06-02 | 2020-09-29 | 中国人民解放军军事科学院战争研究院 | 规则生成方法、装置、电子设备和存储介质 |
CN111831693A (zh) * | 2020-06-05 | 2020-10-27 | 北京空间机电研究所 | 一种基于数值型关联分析的光学遥感载荷指标获取方法 |
CN112990125A (zh) * | 2021-04-26 | 2021-06-18 | 中国人民解放军国防科技大学 | 一种辐射源雷达属于目标平台的判别方法 |
CN113255916A (zh) * | 2021-05-31 | 2021-08-13 | 成都卡莱博尔信息技术股份有限公司 | 作战知识系统的使用方法、作战决策辅助方法 |
-
2021
- 2021-09-03 CN CN202111031293.6A patent/CN113836793A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160179903A1 (en) * | 2014-12-23 | 2016-06-23 | Ran Bittmann | Enhancing frequent itemset mining |
CN104699755A (zh) * | 2015-01-07 | 2015-06-10 | 中国电子科技集团公司第三十研究所 | 一种基于数据挖掘的智能化多目标综合识别方法 |
CN108073575A (zh) * | 2016-06-14 | 2018-05-25 | 电子科技大学 | 一种基于改进Prefixspan算法的雷达数据频繁模式挖掘方法 |
CN109726734A (zh) * | 2018-11-23 | 2019-05-07 | 山东航天电子技术研究所 | 一种基于辐射源侦察信息的目标平台自动识别系统 |
CN111723941A (zh) * | 2020-06-02 | 2020-09-29 | 中国人民解放军军事科学院战争研究院 | 规则生成方法、装置、电子设备和存储介质 |
CN111831693A (zh) * | 2020-06-05 | 2020-10-27 | 北京空间机电研究所 | 一种基于数值型关联分析的光学遥感载荷指标获取方法 |
CN112990125A (zh) * | 2021-04-26 | 2021-06-18 | 中国人民解放军国防科技大学 | 一种辐射源雷达属于目标平台的判别方法 |
CN113255916A (zh) * | 2021-05-31 | 2021-08-13 | 成都卡莱博尔信息技术股份有限公司 | 作战知识系统的使用方法、作战决策辅助方法 |
Non-Patent Citations (1)
Title |
---|
李程: ""雷达电子侦察的多层次处理关键技术研究"", 中国博士论文全文数据库信息科技辑 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115203480A (zh) * | 2022-05-10 | 2022-10-18 | 中国人民解放军91977部队 | 一种基于深层关联分析的目标群编成隶属关系挖掘方法 |
CN115856428A (zh) * | 2022-11-24 | 2023-03-28 | 中国科学院国家空间科学中心 | 一种模块化的复杂电磁环境频谱态势感知采集装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113836793A (zh) | 一种基于关联准则的电磁环境态势感知预测方法 | |
CN107843774B (zh) | 电磁态势的计算成像方法及电磁态势成像系统 | |
CN109508000A (zh) | 异构多传感器多目标跟踪方法 | |
CN107729916B (zh) | 一种基于isodata的干扰源分类识别算法 | |
CN110334591A (zh) | 一种基于聚类分析的无人机跳频信号检测及识别方法 | |
CN107895008B (zh) | 基于大数据平台的情报信息热点发现方法 | |
CN103281341A (zh) | 网络事件处理方法及装置 | |
CN104268532B (zh) | 网络环境下大规模图像与视频数据高效处理的方法 | |
CN109061774A (zh) | 一种雷暴核关联性处理方法 | |
CN109813273A (zh) | 一种基于空间分析的农机重复作业面积判定方法 | |
Yin et al. | On efficient processing of continuous reverse skyline queries in wireless sensor networks | |
CN110929842A (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
Zhang et al. | Research on decision-making system of cognitive jamming against multifunctional radar | |
Gao et al. | UAV security situation awareness method based on semantic analysis | |
Cao et al. | An improved chaotic recognition method for weak signal frequency and its application to fault diagnosis of planetary gearboxes | |
CN116151492B (zh) | 一种联合作战体系辅助决策分析系统 | |
CN115980689A (zh) | 基于点云检测的辐射源信号分选方法、装置、设备及介质 | |
CN113074718B (zh) | 一种定位方法、装置、设备及存储介质 | |
Ziyan et al. | The research of electronic countermeasure intelligence correlation analysis based on machine learning | |
CN115267708A (zh) | 基于状态变化的雷达干扰效果在线评估方法 | |
KR20090021809A (ko) | 영역 필터링을 이용한 영역 기반 이미지 검색 방법 | |
Petrov et al. | Identification of radar signals using neural network classifier with low-discrepancy optimisation | |
CN103020452A (zh) | 一种雷达辐射源威胁等级判断方法 | |
Liu et al. | An intelligent signal processing method for motional vital signs detection system based on deep learning | |
CN101988964A (zh) | 高效二次雷达目标周期相关处理工作方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211224 |