CN115166748A - 一种基于信息融合的飞行目标识别方法 - Google Patents
一种基于信息融合的飞行目标识别方法 Download PDFInfo
- Publication number
- CN115166748A CN115166748A CN202210798686.8A CN202210798686A CN115166748A CN 115166748 A CN115166748 A CN 115166748A CN 202210798686 A CN202210798686 A CN 202210798686A CN 115166748 A CN115166748 A CN 115166748A
- Authority
- CN
- China
- Prior art keywords
- radiation source
- radar
- communication
- signal
- information
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000005855 radiation Effects 0.000 claims abstract description 81
- 239000013598 vector Substances 0.000 claims description 99
- 238000004891 communication Methods 0.000 claims description 90
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000005315 distribution function Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- WLWIMKWZMGJRBS-UHFFFAOYSA-N primin Chemical compound CCCCCC1=CC(=O)C=C(OC)C1=O WLWIMKWZMGJRBS-UHFFFAOYSA-N 0.000 claims description 6
- 239000011541 reaction mixture Substances 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/933—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of aircraft or spacecraft
-
- 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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于信息融合的飞行目标识别方法,包括如下步骤:S1:获取飞行目标数据;S2:模拟飞行目标数据,提取数据中的信息,并与知识图谱对比确认飞行目标的辐射源类型;S3:根据辐射源类型,查询知识图谱确认符合辐射源类型的飞行目标的集合;S4:若飞行目标集合中的元素不唯一,采用基于权重的D‑S证据理论对不同的飞行目标数据证据进行融合,得到具有置信度的证据融合结果;选择置信度最高的元素作为识别的飞行目标。本发明基于知识图的模式识别与加权D‑S证据理论相结合,基于信息融合进行识别,借助于飞行目标知识图对情报数据进行计算、推理和融合,最终判别飞行目标的类型,提高识别效率和正确率。
Description
技术领域
本发明涉及一种飞行目标识别方法,尤其涉及一种基于信息融合的飞行目标识别方法。
背景技术
空中飞行目标识别研究在远程预警作战,战术防御中有重要的指导意义。现代信息化战争中,对于敌方来袭目标的精确识别,有利于我方在战场决策方面进行准确的威胁估计和合理的火力分配,对于提高武器系统作战效能有重要作用。
空中飞行目标识别的理论方法较多,比较成熟的算法有经典统计判决、主观Bayes推断、D-S证据理论法(Dempster/Shafer证据理论)、神经网络和支持向量机等;其中Dempster/Shafer证据理论由Dempster于1967年首先提出,由他的学生Shafer于1976年进一步发展起来的一种不精确推理理论。
目前飞行目标识别,通常通过采集到的雷达航迹数据提取其关键数据特征,采用识别算法进行计算识别飞行目标,存在不同雷达数据通用性较差,以及识别率较低的问题。随着科学技术的发展,机载设备的种类不断增加,可用于识别飞行目标模型的数据也呈爆炸式增长。因此,如何充分利用现有的信息技术手段,自动、智能地使用相关数据识别飞行目标已成为一个亟待解决的现实问题。
发明内容
本发明要解决的技术问题是提供一种基于信息融合的飞行目标识别方法,解决现有技术通过雷达数据识别飞行目标,不同雷达数据通用性较差,以及识别率较低的问题。
本发明为解决上述技术问题而采用的技术方案是提供一种基于信息融合的飞行目标识别方法,包括如下步骤:S1:获取飞行目标数据;S2:模拟飞行目标数据,提取数据中的信息,并与知识图谱中的信息对比确认飞行目标的辐射源类型;S3:根据步骤S2中确认的辐射源类型,查询知识图谱确认符合辐射源类型的飞行目标的集合;S4:若步骤S3中飞行目标集合中的元素不唯一,采用基于权重的D-S证据理论对不同的飞行目标数据证据进行融合,得到具有置信度的证据融合结果;选择置信度最高的元素作为识别的飞行目标。
进一步地,所述飞行目标数据包括飞行目标的跟踪时空信息、辐射源工作参数信息、目标文本信息和目标属性信息;所述跟踪时空信息包括时间、纬度、经度、航向、速度和高度的跟踪数据;所述辐射源工作参数信息包括通信信号信息和雷达信号信息,通信信号信息包括时间、频率、周期、调制类型和带宽,雷达信号信息包括时间、频率、脉冲重复间隔、脉冲重复频率和脉冲宽度;还包括飞行目标统计数据,飞行目标统计数据包括目标数和数据幅度。
进一步地所述步骤S2包括如下步骤:
S21:对飞行目标辐射源信号进行归一化处理,生成辐射源信号矢量;所述辐射源信号包括通信信号和雷达信号,生成的辐射源信号矢量包括通信信号矢量和雷达信号矢量;
通信信号矢量计算公式如下:
式(1)中,f、p和bw分别是通信信号的载波频率、信号周期和信号带宽;f',p'和bw'分别是各类通信设备的载波频率、信号周期和信号带宽的平均值;λf、λp和λbw分别是通信信号的载波频率、信号周期和信号带宽的归一化常数,λf、λp和λbw的计算公式如下;
λf=max(|fmax-f'|,|fmin-f'|) (2)
λp=max(|pmax-p'|,|pmin-p'|) (3)
λbw=max(|bwmax-bw'|,|bwmin-bw'|) (4)
式(2)中,fmax和fmin分别为各类通信设备的最大载波频率和最小载波频率;式(3)中,pmax和pmin分别为各类通信设备的最大信号周期和最小信号周期;式(4)中,bwmax和bwmin分别为各类通信设备的最大信号带宽和最小信号带宽;
雷达信号矢量计算公式如下:
式(5)中,f、pri和pw分别为雷达信号的载波频率、脉冲重复间隔和脉冲宽度;f'、pri'和pw'分别为各类雷达设备的载波频率、脉冲重复间隔和脉冲宽度的平均值;λf、λpri和λpw分别为雷达信号的载波频率、脉冲重复间隔和脉冲宽度的归一化常数,λf、λpri和λpw的计算公式如下:
λf=max(|fmax-f'|,|fmin-f'|) (6)
λpri=max(|primax-pri'|,|primin-pri'|) (7)
λpw=max(|pwmax-pw'|,|pwmin-pw'|) (8)
式(6)中,fmax和fmin分别为雷达设备的最大载波频率和最小载波频率;式(7)中,primax和primin分别为雷达设备的最大脉冲重复间隔和最小脉冲重复间隔;式(8)中,pwmax和pwmin分别为雷达设备的最大脉冲宽度和最小脉冲宽度;
S22:对知识图谱中的每个辐射源设备的辐射源信号进行归一化处理,得到知识图谱中的所有辐射源信号矢量,包括通信设备辐射源信号矢量和雷达设备辐射源信号矢量;
S23:将通信信号矢量和雷达信号矢量与知识图谱中的辐射源信号矢量进行比较,确定与通信信号矢量具有最大相似度的通信设备辐射源信号矢量和与雷达信号矢量具有最大相似度的雷达设备辐射源信号矢量,并将该通信设备的类型以及雷达设备的类型作为飞行目标的通信设备的类型和雷达设备的类型。
进一步地,所述步骤S23包括:计算通信信号矢量与通信设备辐射源信号矢量之间的余弦相似度,余弦相似度取值最小的通信设备辐射源信号矢量与通信信号矢量具有最大相似度;计算雷达信号矢量与雷达设备辐射源信号矢量之间的余弦相似度,余弦相似度取值最小的雷达设备辐射源信号矢量与雷达信号矢量具有最大相似度;通信信号矢量与通信设备辐射源信号矢量之间的余弦相似度以及雷达信号矢量与雷达设备辐射源信号矢量之间的余弦相似度计算公式如下:
进一步地,所述步骤S3包括:根据通信设备的类型和雷达设备的类型查询知识图谱,确定装载了同类型的通信设备和雷达设备的飞行目标的集合,若该集合中元素唯一,则该元素为识别出的飞行目标。
进一步地,步骤S4包括如下步骤:
S41:飞行目标的集合的元素不唯一,设定飞行目标的集合为U={A,B,C},飞行目标的基本概率分布函数记为m(M),集合中的每个元素的通信系统证据的概率计算公式如下:
集合中的每个元素的雷达系统证据的概率计算公式如下:
S42:设置证据权重β,将余弦相似度值引入证据权重,则通信系统证据与雷达系统证据的证据权重的计算公式如下:
S43:引入证据权重β对证据的基本概率函数进行修正,修正计算公式如下:
S44:采用修正后的基本概率函数进行证据理论的数据融合,公式如下:
则元素A的置信度为Bel(A)=m(A),取置信度最高的元素作为识别的飞行目标。
进一步地,若步骤S44中置信度最高的元素是Θ,则认为未能识别该飞行目标。
进一步地,所述知识图谱包括现有的飞行通信设备信息、雷达设备信息、武器设备信息和国家信息。
本发明对比现有技术有如下的有益效果:本发明提供的基于信息融合的飞行目标识别方法,基于知识图的模式识别与加权D-S证据理论相结合,基于信息融合进行识别,借助于飞行目标知识图对情报数据进行计算、推理和融合,最终判别飞行目标的类型,提高识别效率和正确率。
附图说明
图1为本发明实施例的基于信息融合的飞行目标识别方法流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的描述。
图1为本发明实施例中基于信息融合的飞行目标识别方法结构示意图。
请参见图1,本发明实施例的基于信息融合的飞行目标识别方法,包括如下步骤:
S1:获取飞行目标数据;飞行目标数据包括飞行目标的跟踪时空信息、辐射源工作参数信息、目标文本信息和目标属性信息;跟踪时空信息包括时间、纬度、经度、航向、速度和高度的跟踪数据;辐射源工作参数信息包括通信信号信息和雷达信号信息,通信信号信息包括时间、频率、周期、调制类型和带宽,雷达信号信息包括时间、频率、脉冲重复间隔、脉冲重复频率和脉冲宽度;还包括飞行目标统计数据,飞行目标统计数据包括目标数和数据幅度,如下表1飞行目标数据表所示。
表1飞行目标数据表
S2:模拟飞行目标数据,提取数据中的信息,并与知识图谱中的信息对比确认飞行目标的辐射源类型;知识图谱包括现有的飞行通信设备信息、雷达设备信息、武器设备信息和国家信息;具体包括如下步骤:
S21:对飞行目标辐射源信号进行归一化处理,生成辐射源信号矢量;辐射源信号包括通信信号和雷达信号,生成的辐射源信号矢量包括通信信号矢量和雷达信号矢量;
通信信号矢量计算公式如下:
式(1)中,f、p和bw分别是通信信号的载波频率、信号周期和信号带宽;f',p'和bw'分别是各类通信设备的载波频率、信号周期和信号带宽的平均值;λf、λp和λbw分别是通信信号的载波频率、信号周期和信号带宽的归一化常数,λf、λp和λbw的计算公式如下;
λf=max(|fmax-f'|,|fmin-f'|) (2)
λp=max(|pmax-p'|,|pmin-p'|) (3)
λbw=max(|bwmax-bw'|,|bwmin-bw'|) (4)
式(2)中,fmax和fmin分别为各类通信设备的最大载波频率和最小载波频率;式(3)中,pmax和pmin分别为各类通信设备的最大信号周期和最小信号周期;式(4)中,bwmax和bwmin分别为各类通信设备的最大信号带宽和最小信号带宽;
雷达信号矢量计算公式如下:
式(5)中,f、pri和pw分别为雷达信号的载波频率、脉冲重复间隔和脉冲宽度;f'、pri'和pw'分别为各类雷达设备的载波频率、脉冲重复间隔和脉冲宽度的平均值;λf、λpri和λpw分别为雷达信号的载波频率、脉冲重复间隔和脉冲宽度的归一化常数,λf、λpri和λpw的计算公式如下:
λf=max(|fmax-f'|,|fmin-f'|) (6)
λpri=max(|primax-pri'|,|primin-pri'|) (7)
λpw=max(|pwmax-pw'|,|pwmin-pw'|) (8)
式(6)中,fmax和fmin分别为雷达设备的最大载波频率和最小载波频率;式(7)中,primax和primin分别为雷达设备的最大脉冲重复间隔和最小脉冲重复间隔;式(8)中,pwmax和pwmin分别为雷达设备的最大脉冲宽度和最小脉冲宽度;
S22:对知识图谱中的每个辐射源设备的辐射源信号进行归一化处理,得到知识图谱中的所有辐射源信号矢量,包括通信设备辐射源信号矢量和雷达设备辐射源信号矢量;
S23:将通信信号矢量和雷达信号矢量与知识图谱中的辐射源信号矢量进行比较,确定与通信信号矢量具有最大相似度的通信设备辐射源信号矢量和与雷达信号矢量具有最大相似度的雷达设备辐射源信号矢量,并将该通信设备的类型以及雷达设备的类型作为飞行目标的通信设备的类型和雷达设备的类型。
具体包括:计算通信信号矢量与通信设备辐射源信号矢量之间的余弦相似度,余弦相似度取值最小的通信设备辐射源信号矢量与通信信号矢量具有最大相似度;计算雷达信号矢量与雷达设备辐射源信号矢量之间的余弦相似度,余弦相似度取值最小的雷达设备辐射源信号矢量与雷达信号矢量具有最大相似度;
通信信号矢量与通信设备辐射源信号矢量之间的余弦相似度以及雷达信号矢量与雷达设备辐射源信号矢量之间的余弦相似度计算公式如下:
S3:根据步骤S2中确认的辐射源类型,查询知识图谱确认符合辐射源类型的飞行目标的集合;根据通信设备的类型和雷达设备的类型查询知识图谱,确定装载了同类型的通信设备和雷达设备的飞行目标的集合,若该集合中元素唯一,则该元素为识别出的飞行目标。
S4:若步骤S3中飞行目标集合中的元素不唯一,采用基于权重的D-S证据理论对不同的飞行目标数据证据进行融合,得到具有置信度的证据融合结果;选择置信度最高的元素作为识别的飞行目标。
具体包括如下步骤:
S41:飞行目标的集合的元素不唯一,设定飞行目标的集合为U={A,B,C},飞行目标的基本概率分布函数记为m(M),集合中的每个元素的通信系统证据的概率计算公式如下:
集合中的每个元素的雷达系统证据的概率计算公式如下:
S42:设置证据权重β,将余弦相似度值引入证据权重,则通信系统证据与雷达系统证据的证据权重的计算公式如下:
S43:引入证据权重β对证据的基本概率函数进行修正,修正计算公式如下:
公式(13)的含义是:元素为空时,置信度m(φ)的基本概率分布函数修正结果为0;取元素为A时,置信度m(A)的基本概率分布函数修正结果为λm(A);取置信度最高的元素Θ时,置信度m(Θ)基本概率分布函数修正结果为λm(Θ)+(1-λ);其中,λ与V有关,V与cosθ有关,cosθ与β有关,因此λ和β有关。λ与β之间可以通过公式互相转换,转换算法比较复杂,此处不再罗列。
S44:采用修正后的基本概率函数进行证据理论的数据融合,公式如下:
其中,K为修正后的基本概率分布函数,公式(14)和(15)为采用证据理论数据融合之后的基本概率函数。
则元素A的置信度为Bel(A)=m(A),取置信度最高的元素作为识别的飞行目标。若置信度最高的元素是Θ,则认为未能识别该飞行目标。
综上所述,本发明实施例的基于信息融合的飞行目标识别方法,基于知识图的模式识别与加权D-S证据理论相结合,基于信息融合进行识别,借助于飞行目标知识图对情报数据进行计算、推理和融合,最终判别飞行目标的类型,提高识别效率和正确率。
虽然本发明已以较佳实施例揭示如上,然其并非用以限定本发明,任何本领域技术人员,在不脱离本发明的精神和范围内,当可作些许的修改和完善,因此本发明的保护范围当以权利要求书所界定的为准。
Claims (8)
1.一种基于信息融合的飞行目标识别方法,其特征在于,包括如下步骤:
S1:获取飞行目标数据;
S2:模拟飞行目标数据,提取数据中的信息,并与知识图谱对比确认飞行目标的辐射源类型;
S3:根据步骤S2中确认的辐射源类型,查询知识图谱确认符合辐射源类型的飞行目标的集合;
S4:若步骤S3中飞行目标集合中的元素不唯一,采用基于权重的D-S证据理论对不同的飞行目标数据证据进行融合,得到具有置信度的证据融合结果;选择置信度最高的元素作为识别的飞行目标。
2.如权利要求1所述的基于信息融合的飞行目标识别方法,其特征在于,所述飞行目标数据包括飞行目标的跟踪时空信息、辐射源工作参数信息、目标文本信息和目标属性信息;所述跟踪时空信息包括时间、纬度、经度、航向、速度和高度的跟踪数据;所述辐射源工作参数信息包括通信信号信息和雷达信号信息,通信信号信息包括时间、频率、周期、调制类型和带宽,雷达信号信息包括时间、频率、脉冲重复间隔、脉冲重复频率和脉冲宽度;还包括飞行目标统计数据,飞行目标统计数据包括目标数和数据幅度。
3.如权利要求1所述的基于信息融合的飞行目标识别方法,其特征在于,所述步骤S2包括如下步骤:
S21:对飞行目标辐射源信号进行归一化处理,生成辐射源信号矢量;所述辐射源信号包括通信信号和雷达信号,生成的辐射源信号矢量包括通信信号矢量和雷达信号矢量;
通信信号矢量计算公式如下:
式(1)中,f、p和bw分别是通信信号的载波频率、信号周期和信号带宽;f',p'和bw'分别是各类通信设备的载波频率、信号周期和信号带宽的平均值;λf、λp和λbw分别是通信信号的载波频率、信号周期和信号带宽的归一化常数,λf、λp和λbw的计算公式如下;
λf=max(|fmax-f'|,|fmin-f'|) (2)
λp=max(|pmax-p'|,|pmin-p'|) (3)
λbw=max(|bwmax-bw'|,|bwmin-bw'|) (4)
式(2)中,fmax和fmin分别为各类通信设备的最大载波频率和最小载波频率;式(3)中,pmax和pmin分别为各类通信设备的最大信号周期和最小信号周期;式(4)中,bwmax和bwmin分别为各类通信设备的最大信号带宽和最小信号带宽;
雷达信号矢量计算公式如下:
式(5)中,f、pri和pw分别为雷达信号的载波频率、脉冲重复间隔和脉冲宽度;f'、pri'和pw'分别为各类雷达设备的载波频率、脉冲重复间隔和脉冲宽度的平均值;λf、λpri和λpw分别为雷达信号的载波频率、脉冲重复间隔和脉冲宽度的归一化常数,λf、λpri和λpw的计算公式如下:
λf=max(|fmax-f'|,|fmin-f'|) (6)
λpri=max(|primax-pri'|,|primin-pri'|) (7)
λpw=max(|pwmax-pw'|,|pwmin-pw'|) (8)
式(6)中,fmax和fmin分别为雷达设备的最大载波频率和最小载波频率;式(7)中,primax和primin分别为雷达设备的最大脉冲重复间隔和最小脉冲重复间隔;式(8)中,pwmax和pwmin分别为雷达设备的最大脉冲宽度和最小脉冲宽度;
S22:对知识图谱中的每个辐射源设备的辐射源信号进行归一化处理,得到知识图谱中的所有辐射源信号矢量,包括通信设备辐射源信号矢量和雷达设备辐射源信号矢量;
S23:将通信信号矢量和雷达信号矢量与知识图谱中的辐射源信号矢量进行比较,确定与通信信号矢量具有最大相似度的通信设备辐射源信号矢量和与雷达信号矢量具有最大相似度的雷达设备辐射源信号矢量,并将该通信设备的类型以及雷达设备的类型作为飞行目标的通信设备的类型和雷达设备的类型。
5.如权利要求3所述的基于信息融合的飞行目标识别方法,其特征在于,所述步骤S3包括:根据通信设备的类型和雷达设备的类型查询知识图谱,确定装载了同类型的通信设备和雷达设备的飞行目标的集合,若该集合中元素唯一,则该元素为识别出的飞行目标。
6.如权利要求4所述的基于信息融合的飞行目标识别方法,其特征在于,步骤S4包括如下步骤:
S41:飞行目标的集合的元素不唯一,设定飞行目标的集合为U={A,B,C},飞行目标的基本概率分布函数记为m(M),集合中的每个元素的通信系统证据的概率计算公式如下:
集合中的每个元素的雷达系统证据的概率计算公式如下:
S42:设置证据权重β,将余弦相似度值引入证据权重,则通信系统证据与雷达系统证据的证据权重的计算公式如下:
S43:引入证据权重β对证据的基本概率函数进行修正,修正计算公式如下:
S44:采用修正后的基本概率函数进行证据理论的数据融合,公式如下:
则元素A的置信度为Bel(A)=m(A),取置信度最高的元素作为识别的飞行目标。
7.如权利要求6所述的基于信息融合的飞行目标识别方法,其特征在于,若步骤S44中置信度最高的元素是Θ,则认为未能识别该飞行目标。
8.如权利要求1所述的基于信息融合的飞行目标识别方法,其特征在于,所述知识图谱包括现有的飞行通信设备信息、雷达设备信息、武器设备信息和国家信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210798686.8A CN115166748A (zh) | 2022-07-08 | 2022-07-08 | 一种基于信息融合的飞行目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210798686.8A CN115166748A (zh) | 2022-07-08 | 2022-07-08 | 一种基于信息融合的飞行目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115166748A true CN115166748A (zh) | 2022-10-11 |
Family
ID=83491104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210798686.8A Pending CN115166748A (zh) | 2022-07-08 | 2022-07-08 | 一种基于信息融合的飞行目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115166748A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115757828A (zh) * | 2022-11-16 | 2023-03-07 | 南京航空航天大学 | 一种基于辐射源知识图谱的空中目标意图识别方法 |
CN116166954A (zh) * | 2023-04-20 | 2023-05-26 | 南京桂瑞得信息科技有限公司 | 基于自适应信号特征嵌入知识图谱的辐射源个体识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597406A (zh) * | 2016-12-02 | 2017-04-26 | 中国船舶重工集团公司第七二四研究所 | 基于多视角下一维像决策层融合的雷达目标识别方法 |
CN107832782A (zh) * | 2017-10-20 | 2018-03-23 | 广东电网有限责任公司电力调度控制中心 | 一种基于证据理论的电力运维告警数据融合方法 |
CN111353450A (zh) * | 2020-03-06 | 2020-06-30 | 北京波尔通信技术股份有限公司 | 一种基于异构电磁感知信息融合的目标识别系统和方法 |
CN112596031A (zh) * | 2020-12-22 | 2021-04-02 | 电子科技大学 | 一种基于知识图谱的目标雷达威胁度评估方法 |
WO2021077809A1 (zh) * | 2019-10-26 | 2021-04-29 | 华为技术有限公司 | 一种信息融合的方法和系统 |
CN114117078A (zh) * | 2021-12-02 | 2022-03-01 | 国网江苏省电力有限公司营销服务中心 | 一种基于d-s证据理论的电力异构知识融合的方法 |
-
2022
- 2022-07-08 CN CN202210798686.8A patent/CN115166748A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597406A (zh) * | 2016-12-02 | 2017-04-26 | 中国船舶重工集团公司第七二四研究所 | 基于多视角下一维像决策层融合的雷达目标识别方法 |
CN107832782A (zh) * | 2017-10-20 | 2018-03-23 | 广东电网有限责任公司电力调度控制中心 | 一种基于证据理论的电力运维告警数据融合方法 |
WO2021077809A1 (zh) * | 2019-10-26 | 2021-04-29 | 华为技术有限公司 | 一种信息融合的方法和系统 |
CN111353450A (zh) * | 2020-03-06 | 2020-06-30 | 北京波尔通信技术股份有限公司 | 一种基于异构电磁感知信息融合的目标识别系统和方法 |
CN112596031A (zh) * | 2020-12-22 | 2021-04-02 | 电子科技大学 | 一种基于知识图谱的目标雷达威胁度评估方法 |
CN114117078A (zh) * | 2021-12-02 | 2022-03-01 | 国网江苏省电力有限公司营销服务中心 | 一种基于d-s证据理论的电力异构知识融合的方法 |
Non-Patent Citations (1)
Title |
---|
左毅 等: "面向战场海空目标识别的知识图谱应用", 《指挥信息系统与技术》, vol. 10, no. 3, 30 June 2019 (2019-06-30), pages 1 - 5 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115757828A (zh) * | 2022-11-16 | 2023-03-07 | 南京航空航天大学 | 一种基于辐射源知识图谱的空中目标意图识别方法 |
CN115757828B (zh) * | 2022-11-16 | 2023-11-10 | 南京航空航天大学 | 一种基于辐射源知识图谱的空中目标意图识别方法 |
CN116166954A (zh) * | 2023-04-20 | 2023-05-26 | 南京桂瑞得信息科技有限公司 | 基于自适应信号特征嵌入知识图谱的辐射源个体识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115166748A (zh) | 一种基于信息融合的飞行目标识别方法 | |
US11234146B2 (en) | Systems, methods, and devices having databases and automated reports for electronic spectrum management | |
US10575274B2 (en) | Systems, methods, and devices for electronic spectrum management for identifying signal-emitting devices | |
CN108732543B (zh) | 一种基于射频隐身的机载组网雷达辐射参数联合优化方法 | |
Trigo et al. | Simulation of daily temperatures for climate change scenarios over Portugal: a neural network model approach | |
CN109143193A (zh) | 一种基于二阶峰的高频地波雷达浪场反演方法 | |
US7970575B2 (en) | Method and apparatus for determining accuracy of the estimated location for a target in a wireless system | |
Mahrooghy et al. | On the use of the genetic algorithm filter-based feature selection technique for satellite precipitation estimation | |
CN106679670B (zh) | 一种基于融合赋权的无人飞行器航迹规划决策方法 | |
CN107238835A (zh) | 一种编队目标点航抗叉关联方法 | |
CN113640768A (zh) | 一种基于小波变换的低分辨雷达目标识别方法 | |
CN109447112A (zh) | 一种人像聚类方法、电子设备和存储介质 | |
CN115757828B (zh) | 一种基于辐射源知识图谱的空中目标意图识别方法 | |
CN116972694A (zh) | 一种面向无人机集群攻击的反制方法和系统 | |
Chen et al. | MD-alarm: A novel manpower detection method for ship bridge watchkeeping using Wi-Fi signals | |
CN114269014B (zh) | 基于域自适应网络的大规模mimo动态环境指纹定位方法 | |
McLemore et al. | A model for geographically distributed combat interactions of swarming naval and air forces | |
CN111563596B (zh) | 一种基于证据网络的不确定信息推理目标识别方法 | |
US7216119B1 (en) | Method and apparatus for intelligent information retrieval | |
US20240087447A1 (en) | Hashing vehicle position data in real-time to detect behavior patterns | |
Wang et al. | A PRI estimation and signal deinterleaving method based on density-based clustering | |
YANG et al. | Correlation coefficients of Pythagorean hesitant fuzzy sets and their applicationto radar LPI performance evaluation | |
CN115033025B (zh) | 一种基于态势认知结果的航迹保障方法 | |
CN116502909A (zh) | 一种基于循环神经网络的无人机威胁评估方法及系统 | |
Guo et al. | Entity recognition based on knowledge graph in air defense domain |
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 |