CN115081472B - 一种用于雷达行为分析的脉冲信号语法建模及特征提取方法 - Google Patents
一种用于雷达行为分析的脉冲信号语法建模及特征提取方法 Download PDFInfo
- Publication number
- CN115081472B CN115081472B CN202210547505.4A CN202210547505A CN115081472B CN 115081472 B CN115081472 B CN 115081472B CN 202210547505 A CN202210547505 A CN 202210547505A CN 115081472 B CN115081472 B CN 115081472B
- Authority
- CN
- China
- Prior art keywords
- pulse
- sequence
- vector
- sentence
- network
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 238000000605 extraction Methods 0.000 title claims abstract description 18
- 230000006399 behavior Effects 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000008447 perception Effects 0.000 claims abstract description 10
- 238000002372 labelling Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 34
- 238000013507 mapping Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000011438 discrete method Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 6
- 238000007670 refining Methods 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 27
- 230000000694 effects Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000544051 Damasonium alisma Species 0.000 description 1
- 101100512532 Mus musculus Atf7ip2 gene Proteins 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种用于雷达行为分析的脉冲信号语法建模及特征提取方法,包括聚类离散编码步骤、统计建模分词步骤、序列标注划分步骤和序列联合感知步骤。本发明的语法模型由五个层级构成,提出了描述脉冲信号参数变化规律的脉冲字母与脉冲字、脉冲短语及描述工作状态和行为的脉冲句、脉冲段,细化了对参数变化模式、工作状态、雷达行为的描述,更适用于复杂应用场景下的信号特征分析。首先针对信号中可拆解的层级包含关系构建多层语义特征,其次基于无监督方法抽取底层语义特征,结合信号标注获取训练集,输入长短时记忆网络分析高层语义特征,最终实现对雷达信号的语法层级特征提取及行为分析,解决了参数重叠场景下的行为分析需求。
Description
技术领域
本发明涉及通信信号处理技术,特别涉及雷达信号语法建模及特征提取技术。
背景技术
对雷达信号的分析方法通常分为基于脉冲特征直接识别和基于句法模型建模分析两种。传统的句法建模分析方法以水星雷达语法模型为理论基础,通过构建下推自动机等逻辑推理方法进行信号分析,存在文法构建过程复杂、需要依赖固定模板提取雷达字、仅使用一种脉冲参数等局限性,难以应用到现代智能认知的场景中。
从建模角度,近年来的句法建模分析方法普遍着眼于扩展传统句法模型中各层级的概念,使用自然语言结构对雷达信号进行语法建模。然而现有研究对雷达信号的句法建模缺乏泛用性,多数研究使用一个雷达字来描述一种工作模式或参数模式,对原本的脉冲特征过度概括而丢失了潜在变化规律信息,对脉冲信号规律描述不足。对于某些雷达,其工作模式可能包含高度重叠甚至相同的参数域,此时其调制方式内对应的电平变化信息对于分析雷达行为具有重要价值。例如脉冲重复间隔(PRI)调制方式为滑变、参差的雷达信号,每个工作模式由一组PRI值构成,PRI的变化规律描述了调制方法的差异性。而现有句法建模方式没有描述这种底层结构。
从应用角度,雷达信号语法建模理论扩展到应用场景中时,通常面临从参数到建模特征的映射不明确、缺少特征提取方法、依赖多种先验知识如参数域、调制方式、转移规律等问题,使得雷达信号语法建模在应用中存在许多局限性,同时难以解决复杂场景,如数据抖动、参数重叠场景下的信号行为分析任务。
发明内容
本发明所要解决的技术问题是,针对雷达信号现有语法建模分析方法缺乏对更多脉冲参数和参数规律的利用,应用中缺少对应的特征提取结构等问题。通过对雷达信号进行语法建模与设计特征提取结构,提供一种从数据中获得特征,以描述雷达中行为规律并分析行为模式的方法。
本发明为解决上述技术问题所采用的技术方案是,一种用于雷达行为分析的脉冲信号语法建模及特征提取方法,包括步骤:
聚类离散编码步骤:对输入的原始脉冲序列经离散化后每一个符号表征为一个脉冲字母;将原始脉冲序列中的单位脉冲信号的所有参数对应的脉冲字母组成的联合特征结构作为脉冲字特征,实现从参数到编码符号的映射转换,形成脉冲字序列;
统计建模分词步骤:对脉冲字序列建模统计语言模型,使用双向匹配算法和贝叶斯网络动态规划获得划分序列组候选结果,再结合困惑度指标获得困惑度最小的分词结果作为脉冲短语序列;
序列标注划分步骤:将脉冲短语序列输入完成训练的句级特征识别网络,网络通过学习到的脉冲短语特征到脉冲句特征的关联概率,输出脉冲句序列;
序列联合感知步骤:将脉冲句序列输入完成训练的段级特征识别网络,将脉冲句序列通过网络学习映射到行为模式,输出行为模式序列,即脉冲段序列。
本发明以自然语言结构和水星雷达层级语法模型为理论基础,首先针对信号中可拆解的层级包含关系,构建多层语义特征,其次基于无监督方法抽取底层语义特征,结合训练目标标注获取训练集,输入长短时记忆网络分析高层语义特征,最终实现对雷达信号的层级语法特征提取及行为分析。
本发明的有益效果是,让雷达信号行为分析过程减少对参数的关注,减少对转移规律、调制方式等先验知识的依赖,本发明提出的特征提取结构增加了语法建模分析方法的泛用性和可用性,解决了参数重叠场景下的行为分析需求,为雷达信号的描述与分析提供理论与技术支撑。在仿真实验场景下验证了模型和提取方法在参数重叠、数据抖动情况下的可用性。
附图说明
图1为语义特征层级映射示意图;
图2为获取推荐K值的计算流程
图3为短语级特征划分流程;
图4为句级特征识别网络结构;
图5为段级特征识别网络结构;
图6为整体特征提取结构;
图7为F2Behavior识别效果与PSM2Behavior识别效果。
具体实施方式
实施例具体步骤如下:
1.雷达信号语法层级建模
该语法模型由五个层级构成,从基层的脉冲信号到顶层的行为描述,上下层之间为压缩表示关系。语法建模中数据包含的信息称为语义,每个层级的语义特征定义如表1所示:
表1语法模型层级语义特征定义
层级 | 定义 | 语法定位 |
脉冲字母 | 每种脉冲参数离散化后的一个符号表征 | 字母/偏旁 |
脉冲字 | 单次脉冲信号上所有脉冲参数组合的编码字符 | 单词/汉字 |
脉冲短语 | 局部规律信号的最大化匹配划分结构 | 词汇 |
脉冲句 | 一个工作模式内连续的所有脉冲短语组成的序列 | 句子 |
脉冲段 | 一次行为中包含的所有脉冲句组成的序列 | 段落 |
从脉冲信号数据到语义特征的层级映射如图1所示,脉冲信号参数经离散化后获得的一个符号表征为脉冲字母;将单位脉冲信号的所有参数对应的全部脉冲字母组成的联合特征结构为脉冲字;一段信号语义的最大最小划分结构所包含的脉冲字词典化为脉冲短语;一个工作模式内连续的所有脉冲字组成脉冲句;一次行为中包含的所有语义特征的脉冲句组成脉冲段。
2.语义特征提取方法
雷达信号参数在数据足够多时取值近似连续密集分布,为避免变量膨胀,简化数据结构,减少噪声干扰,设计一种底层语义特征提取方法,包括聚类离散编码和短语级特征划分步骤。
2.1聚类离散编码
为描述脉冲参数变化规律,降低数据冗余并降维网络向量空间,本发明使用改进的推荐K值聚类离散方法对脉冲描述参数进行聚类离散编码。该方法改进了现有的需要人工干预的聚类数选择,即K值的选择步骤,通过多项聚类描述参数自动计算并获取推荐K值,优化聚类离散过程。
该方法具体描述如下:首先进行一轮预计算,对脉冲参数直接统计参数类数N,分别计算以2到N为聚类数的聚类结果的误差平方和SSE(sum of the squared errors)、轮廓系数SC(Silhouette Coefficient)值,获得SSE和SC值的以2到N为横坐标的曲线;其次,对SSE曲线计算曲率特征,获得拐点,作为选择K值的阈值,在大于该阈值范围内通过正向排序选择SC值最大的K值,即为推荐的K值;最后,对于同一批脉冲数据,使用推荐的K值获得实际聚类效果,并进行字符编码,获得聚类离散编码结果。预计算确定K值的过程如图2所示。本发明使用的推荐K均值聚类离散方法RKC和直接符号化方法DS对两种脉冲样本及抖动情况下的不同脉冲参数:脉冲重复间隔PRI、载频RF、脉宽PW、到达角DOA的聚类离散类数结果对比如表2:
表2基于不同策略的离散化结果
由表2可知,K均值聚类离散方法在抖动场景下有效地降低了数据冗余。对每维脉冲参数进行分别聚类离散后,将簇心的值作为离散值。本发明将PRI、RF、PW、DOA四维脉冲参数映射到一个符号上,获得脉冲字级特征序列,该步骤对数据进行了降维和符号化表示。
2.2短语级特征划分
为描述参数变化规律,提高网络识别性能,本步骤通过统计建模和划分算法分割脉冲字序列为高频子序列语义结构,即脉冲短语序列。划分流程如图3所示。该方法具体描述如下:
首先,对脉冲字序列构建统计语言模型,进行N元切分后获得N元子序列词典;其次,在此基础上分别使用双向最大匹配算法与基于贝叶斯网络构建有向无环图的动态规划算法计算序列划分结果,获得基于匹配和基于动态规划的划分结果。最后,通过计算输入脉冲字序列的整体困惑度指标,将困惑度最小的划分结果作为脉冲短语级特征输出,即输出脉冲短语序列。
3.行为特征分析网络的搭建与训练
该部分包含本发明中用到的机器学习算法网络搭建与训练过程,底层特征提取后,将脉冲短语序列中的每个符号通过映射词表转为索引,再将短语特征索引序列作为输入进行网络训练。使用基于注意力机制的双向LSTM实现句级特征序列标注任务。实现对模式的划分后,使用联合感知的双层LSTM识别脉冲段级特征。
3.1句级特征识别网络
句级特征的识别任务可以描述为自然语言领域中的词性标注任务,已有多种发明对雷达类型进行识别分选,且单独的类型识别任务在实验中有较好的效果,因此本发明仅考虑在确定雷达类型的情况下识别句级特征。
本发明使用现有的注意力机制与双向LSTM网络搭建句级特征识别网络结构,学习结构如图4所示。脉冲短语序列经映射词表转换后的索引序列再经过嵌入层后的输出作为网络神经元的输入向量,输入向量经过前向与后向的LSTM结构学习序列的前后关联概率向量,网络隐藏层输出的向量h1,h2,…,hm通过与网络初始化权重矩阵相乘和softmax层处理后获得注意力分数向量,即注意力权重;使用注意力权重对网络输出向量进行加权处理,获得基于注意力的网络学习结果;将学习结果输出至线性全连接层解码并映射到状态类数向量空间上的脉冲句特征,获得脉冲句序列输出。
句级特征识别网络结构将训练样本的工作模式作为词性标签,使用随机梯度下降SGD代价函数和交叉熵损失函数进行参数更新和后向传播。
3.2段级特征识别网络
段级特征描述了一次行为,行为的识别结果本质上是识别一段时间内工作模式的对应的行为模式,输入为经过句级特征识别网络标注后的脉冲句序列,输出为输入句级特征序列对应的行为模式,即段级特征。本发明使用联合感知语言结构,搭建双层的LSTM网络实现行为识别。双层LSTM与双向LSTM的区别在于,前者是两个网络,输入输出经过两层神经元,而后者是一个网络,输入输出经过一层神经元。
双层的LSTM网络结构如图5所示,该结构使用了两层LSTM网络,首先将脉冲句序列作为输入序列,通过单元嵌入模块进行句级单元嵌入获得嵌入向量后,使用单层句级LSTM学习输入中的每个脉冲句的向量特征,该层LSTM视为第一层LSTM。整个脉冲句输入序列通过词表映射转索引得到的序列索引,通过序列级嵌入层获得嵌入向量,与第一层LSTM网络输出的向量特征进行向量拼接。拼接向量作为第二层序列级LSTM的输入,将第二层序列级LSTM作为行为分析的学习网络。网络学习后的行为特征向量经过全连接层解码再输出到行为模式向量空间中。该结构同时考虑句级特征与序列结构,实现对输入特征序列的联合感知。
整体特征提取结构如图6所示,完整的语义特征提取步骤包括聚类离散编码、字符映射转换、统计建模分词、序列标注划分、序列联合感知步骤。原始脉冲信号序列输入后经过聚类离散编码获得脉冲字母特征,组合多维特征后通过字符映射转换形成脉冲字序列,输入统计语言模型建模并分词,获得脉冲短语序列。短语级序列输入句级标注识别网络,进行脉冲短语序列的标注划分,获得脉冲句级特征序列,输入双层联合感知网络后,学习并获得脉冲段级特征,并通过解码器映射到行为模式描述上,实现从脉冲数据到行为模式的语义化分析过程。
4.场景仿真行为分析
本发明考虑雷达语义研究中应用较广的四种雷达行为:边搜索边跟踪(TrackWhile Search,TWS)、搜索加跟踪(Track and Search,TAS)、目标跟踪(Target Track,TT)、搜索任务(Search Task,ST)。所用4种不同转移规则的脉冲雷达信号样本配置如表3所示:
表3信号样本配置
工作模式个数 | 可实现行为数 | 参数选用 | 状态转移规则 | |
雷达1 | 7 | 4 | pri/rf/pw/doa | R1 |
雷达2 | 5 | 4 | pri/rf/pw/doa | R2 |
雷达3 | 8 | 4 | pri/rf/pw/doa | R3 |
雷达4 | 5 | 4 | pri/rf/pw/doa | R4 |
其中雷达2与雷达4具有参数高度相似但不同的工作状态规律。在最优资源调度规则下,考虑原始样本数据(所有雷达)、抖动数据、参数高度重叠(雷达2与雷达4)数据的场景,与多种同系列网络结构对比,句级特征的识别结果取多次运行后的均值如表4所示:
表4句级特征序列标注准确率效果对比
对段级特征的识别结果与单独使用字或词序列结构识别行为模式对比,如表5所示,可以看出联合感知结构相对单独使用句级特征序列和单独使用句级特征组合序列都有一定的提升,具有更好的表现效果。
表5段级特征序列标注效果对比
参数选择 | 准确率 |
句级特征序列 | 0.8995 |
组合序列特征 | 0.7273 |
联合感知结构(本发明) | 0.9385 |
为验证本方法的建模效果,在其他条件不变的情况下,脉冲语法建模识别模式(PSM2Mode)对比直接使用特征识别模式(F2Mode)在单雷达样本、多源混合样本、参数重叠场景下的识别准确率如表6所示。
表6PSM2Mode与F2Mode建模识别准确率对比
单雷达样本 | 多源混合样本 | 参数重叠场景 | |
F2Mode | 0.9985 | 0.8409 | 0.8453 |
PSM2Mode | 0.9900 | 0.9603 | 0.9419 |
此外由于对行为的分析通常建立在已确定雷达类型的基础上进行,脉冲语法建模识别行为(PSM2Behavior)直接使用特征识别行为(F2Behavior)在不同类型雷达下的识别效果如表7所示:
表7建模与直接识别在不同雷达上的效果对比
雷达1 | 雷达2 | 雷达3 | 雷达4 | |
F2Mode | 0.9900 | 0.9950 | 0.9850 | 0.9600 |
PSM2Mode | 0.9987 | 0.9993 | 0.9991 | 0.9970 |
F2Behavior | 0.4300 | 0.3800 | 0.4167 | 0.4286 |
PSM2Behavior | 0.9229 | 0.9163 | 0.9450 | 0.9567 |
直接使用脉冲特征识别行为,在参数重叠场景下的网络学习代价曲线和准确率度量曲线如图7 F2Behavior部分所示,可以看出直接使用脉冲特征识别行为,在该场景下难以对数据进行拟合,同一场景下PSM2Behavior的学习曲线证明了本建模分析方法的有效性。
Claims (3)
1.一种用于雷达行为分析的脉冲信号语法建模及特征提取方法,其特征在于,包括步骤:
聚类离散编码步骤:对输入的原始脉冲序列经离散化后每一个符号表征为一个脉冲字母;将原始脉冲序列中的单位脉冲信号的所有参数对应的脉冲字母组成的联合特征结构作为脉冲字特征,实现从参数到编码符号的映射转换,形成脉冲字序列;
统计建模分词步骤:对脉冲字序列建模统计语言模型,使用双向匹配算法和贝叶斯网络动态规划获得划分序列组候选结果,再结合困惑度指标获得困惑度最小的分词结果作为脉冲短语序列;
序列标注划分步骤:将脉冲短语序列输入完成训练的句级特征识别网络,网络通过学习到的脉冲短语特征到脉冲句特征的关联概率,输出脉冲句序列;
序列联合感知步骤:将脉冲句序列输入完成训练的段级特征识别网络,将脉冲句序列通过网络学习映射到行为模式,输出行为模式序列,即脉冲段序列;
其中,句级特征识别网络使用注意力机制与双向LSTM网络搭建句级特征识别网络结构;
脉冲短语序列经映射词表转换后的索引序列再经过嵌入层后的输出作为网络神经元的输入向量,输入向量经过前向与后向的LSTM结构学习序列的前后关联概率向量,网络隐藏层输出的向量通过与网络初始化权重矩阵相乘和softmax层处理后获得注意力分数向量,即注意力权重;使用注意力权重对网络输出向量进行加权处理,获得基于注意力的网络学习结果;将学习结果输出至线性全连接层解码并映射到状态类数向量空间上的脉冲句特征,获得脉冲句序列输出;
段级特征识别网络使用了两层处理不同输入结构的LSTM网络;
首先将脉冲句序列中的每个脉冲句级特征作为输入序列,通过单元嵌入模块进行句级单元嵌入获得嵌入向量后,使用第一层LSTM学习并输出输入序列中的每个脉冲句特征的向量表示;输入序列通过词表映射转索引和序列级嵌入层后获得嵌入向量,与第一层LSTM输出的向量特征进行向量拼接;拼接后的向量作为第二层LSTM的输入,将第二层LSTM通过对拼接向量进行行为分析,学习并输出行为特征向量,行为特征向量经过全连接层解码映射至行为模式向量空间中,从而输出行为模式序列。
2.如权利要求1所述方法,其特征在于,聚类离散编码步骤中采用推荐K值的聚类离散方法实现字符映射转化;
推荐K值的聚类离散方法具体为:先根据每个聚类簇距离簇心距离的误差平方和、每个聚类簇的轮廓系数和误差平方和曲线的曲率特征获得推荐K值,再使用K均值聚类对原始脉冲序列中不同脉冲描述参数维度分别离散,由离散化编码后脉冲字母组成脉冲字。
3.如权利要求2所述方法,其特征在于,脉冲描述参数数据包括脉冲重复间隔、载频、脉宽和到达角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210547505.4A CN115081472B (zh) | 2022-05-18 | 2022-05-18 | 一种用于雷达行为分析的脉冲信号语法建模及特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210547505.4A CN115081472B (zh) | 2022-05-18 | 2022-05-18 | 一种用于雷达行为分析的脉冲信号语法建模及特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115081472A CN115081472A (zh) | 2022-09-20 |
CN115081472B true CN115081472B (zh) | 2024-04-16 |
Family
ID=83249415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210547505.4A Active CN115081472B (zh) | 2022-05-18 | 2022-05-18 | 一种用于雷达行为分析的脉冲信号语法建模及特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115081472B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115598600B (zh) * | 2022-11-28 | 2023-03-28 | 四川九洲电器集团有限责任公司 | 一种二次雷达信号动态编码系统、方法、电子设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247943A (zh) * | 2017-06-27 | 2017-10-13 | 云南财经大学 | 一种基于膜系统的雷达辐射源信号分选多目标优化方法 |
CN112884059A (zh) * | 2021-03-09 | 2021-06-01 | 电子科技大学 | 一种融合先验知识的小样本雷达工作模式分类方法 |
CN113406588A (zh) * | 2021-05-14 | 2021-09-17 | 北京理工大学 | 对认知雷达信号的联合调制类型识别和参数估计方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11074495B2 (en) * | 2013-02-28 | 2021-07-27 | Z Advanced Computing, Inc. (Zac) | System and method for extremely efficient image and pattern recognition and artificial intelligence platform |
US11550031B2 (en) * | 2019-03-18 | 2023-01-10 | Samsung Electronics Co., Ltd. | Method and apparatus for biometric authentication using face radar signal |
US11480686B2 (en) * | 2019-03-27 | 2022-10-25 | Zoox, Inc. | Identifying and/or removing false positive detections from lidar sensor output |
US20210334644A1 (en) * | 2020-04-27 | 2021-10-28 | Nvidia Corporation | Neural network training technique |
-
2022
- 2022-05-18 CN CN202210547505.4A patent/CN115081472B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247943A (zh) * | 2017-06-27 | 2017-10-13 | 云南财经大学 | 一种基于膜系统的雷达辐射源信号分选多目标优化方法 |
CN112884059A (zh) * | 2021-03-09 | 2021-06-01 | 电子科技大学 | 一种融合先验知识的小样本雷达工作模式分类方法 |
CN113406588A (zh) * | 2021-05-14 | 2021-09-17 | 北京理工大学 | 对认知雷达信号的联合调制类型识别和参数估计方法 |
Non-Patent Citations (4)
Title |
---|
Paolo Notaro等.Radar Emitter Classification with Attribute-specific Recurrent Neural Networks.《Signal Processing》.全文. * |
基于主成分分析的雷达行为状态聚类分析方法;方旖;毕大平;潘继飞;陈秋菊;;探测与控制学报;20200426(02);全文 * |
基于小波互信息的辐射源脉冲分类;胡建伟, 杨绍全;系统工程与电子技术;20051120(11);全文 * |
基于知识的电磁目标行为分析;王铃兰;《中国优秀硕士学位论文全文数据库 基础科学辑》;20230115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115081472A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626063B (zh) | 一种基于投影梯度下降和标签平滑的文本意图识别方法及系统 | |
CN113987209B (zh) | 基于知识指导前缀微调的自然语言处理方法、装置、计算设备和存储介质 | |
CN112560432B (zh) | 基于图注意力网络的文本情感分析方法 | |
CN112989834A (zh) | 一种基于平格增强线性转换器的命名实体识别方法和系统 | |
CN110969020A (zh) | 基于cnn和注意力机制的中文命名实体识别方法、系统及介质 | |
CN112417894B (zh) | 一种基于多任务学习的对话意图识别方法及识别系统 | |
CN111897944B (zh) | 基于语义空间共享的知识图谱问答系统 | |
CN112733866A (zh) | 一种提高可控图像文本描述正确性的网络构建方法 | |
CN113297364B (zh) | 一种面向对话系统中的自然语言理解方法及装置 | |
CN110597961A (zh) | 一种文本类目标注方法、装置、电子设备及存储介质 | |
CN113255366B (zh) | 一种基于异构图神经网络的方面级文本情感分析方法 | |
CN115145551A (zh) | 一种面向机器学习应用低代码开发的智能辅助系统 | |
CN113779219A (zh) | 一种结合文本双曲分段知识嵌入多重知识图谱的问答方法 | |
CN111984780A (zh) | 多意图识别模型训练方法和多意图识别方法及相关装置 | |
CN115081472B (zh) | 一种用于雷达行为分析的脉冲信号语法建模及特征提取方法 | |
CN115221947A (zh) | 一种基于预训练语言模型的鲁棒的多模态主动学习方法 | |
Iosifova et al. | Techniques comparison for natural language processing | |
CN110633473B (zh) | 基于条件随机场的隐式篇章关系识别方法与系统 | |
CN115687609A (zh) | 一种基于Prompt多模板融合的零样本关系抽取方法 | |
CN116663578A (zh) | 一种基于策略梯度方法改进的神经机器翻译方法 | |
CN112948588B (zh) | 一种用于情报快速整编的中文文本分类方法 | |
CN114911947A (zh) | 一种基于知识提示的概念抽取模型 | |
Elleuch et al. | The Effectiveness of Transfer Learning for Arabic Handwriting Recognition using Deep CNN. | |
CN109388808B (zh) | 一种用于建立单词翻译模型的训练数据采样方法 | |
CN112183062A (zh) | 一种基于交替解码的口语理解方法、电子设备和存储介质 |
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 |