CN115980689A - 基于点云检测的辐射源信号分选方法、装置、设备及介质 - Google Patents
基于点云检测的辐射源信号分选方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115980689A CN115980689A CN202211673065.3A CN202211673065A CN115980689A CN 115980689 A CN115980689 A CN 115980689A CN 202211673065 A CN202211673065 A CN 202211673065A CN 115980689 A CN115980689 A CN 115980689A
- Authority
- CN
- China
- Prior art keywords
- radiation source
- pulse
- scatter diagram
- point cloud
- cloud detection
- 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
Images
Classifications
-
- 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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了基于点云检测的辐射源信号分选方法、装置、设备及介质,所述方法包括:响应于接收到的雷达脉冲序列,选取多个预设取值范围内的变换长度,使用不同变换长度变换得到二维散点图;对得到的二维散点图使用随机抽样提取特征曲线;合并二维散点图中斜率一致的脉冲序列;提取脉冲序列的脉冲重复间隔并确定辐射源类型。本发明针对固定、抖动和参差PRI的多辐射源场景下,可以实现较高精度的分选。
Description
技术领域
本发明属于雷达信号处理技术领域,尤其涉及基于点云检测的辐射源信号分选方法、装置、设备及介质。
背景技术
目前主要的雷达信号分选方法主要分为基于脉间参数特征的分选算法和基于脉内调制特征的分选算法。
基于脉内调制特征的分选方法是通过脉内特征提取手段提取出区分度高的特征来完成信号分选。例如利用小波变换、短时傅里叶变换等时频分析法可以对信号的时频分布、小波系数的聚敛性进行分析和提取,以实现对不同调制信号的识别。但这类方法存在原始数据与算法运算量大、脉内数据难以获取等问题,因此在实际工程应用中更多使用的是基于脉冲描述字的脉间参数特征分选算法。
基于脉间参数特征的雷达信号分选算法一般使用一个或多个脉间参数进行分选。该类分选方法主要分为两级,第一级分选是利用脉冲描述字进行预分选,即多参数分选;经过预处理后的脉冲信号密度被稀释,再进一步对脉冲重复间隔(Pulse RepetitionInterval,PRI)进行主分选;完成PRI分选后,进入第三级对特殊信号如频率捷变、PRI交错的信号进行分析。例如序列差值直方图法(Sequence Difference Histogram,SDIF)通过设置合理的检测阈值,从而只需对脉冲到达时间的各阶差值进行直方图统计就能估计出潜在的PRI。直方图法在遇到PRI滑变、PRI抖动的场景时性能严重下降。平面变换技术是将混合信号变换到特定二维平面进行处理,找出子信号在平面图形与信号参数大小的关系,最后达到分选出子信号的目的。上述方法是利用单侦察接收机接收雷达对抗情报,通过分析信号各参数,寻找同一雷达信号的相似性和不同雷达信号的差异性来完成分选的。随着电磁环境的日益复杂,出现的脉冲参数交叠严重,脉间信息关联性弱的问题使这类方法在多辐射源的情况下鲁棒性不足,难以准确提取特征曲线上的点。
发明内容
本发明的目的在于,为克服现有技术缺陷,提供了基于点云检测的辐射源信号分选方法、装置、设备及介质,旨在快速、准确且自适应的提取目标信号特征曲线,实现单站体制下的辐射源高精度分选。
本发明目的通过下述技术方案来实现:
一种基于点云检测的辐射源信号分选方法,所述方法包括:
响应于接收到的雷达脉冲序列,选取多个预设取值范围内的变换长度,使用不同变换长度变换得到二维散点图;
对得到的二维散点图使用随机抽样提取特征曲线;
合并二维散点图中斜率一致的脉冲序列;
提取脉冲序列的脉冲重复间隔并确定辐射源类型。
进一步的,所述斜率一致的脉冲序列包括平行的脉冲序列和斜率相差不超过一定阈值的脉冲序列。
进一步的,所述对得到的二维散点图使用随机抽样提取特征曲线具体包括:
计算最大迭代次数;
在当前二维散点图中随机选择若干样本点,并任选其中两个点计算对应直线斜率和截距;
计算若干样本点到计算得到的直线的距离,统计距离小于预设阈值的样本点作为本轮迭代的内点;
当内点个数最大且与总样本点的比例大于一定阈值时,保存当前模型为最优模型;
当迭代次数达到最大迭代次数时停止迭代。
进一步的,所述计算最大迭代次数包括:
当每次计算模型使用最少样本点数的情况下,选取的点至少有一个外点的概率为
在k次迭代的情况下,为k次迭代计算模型都至少采样到一个外点的概率,那么能采到正确的N个点去计算出正确模型的概率为:
最大迭代次数k的计算方式为:
其中,最少样本点数Nmin,内点比例inlierRatio,内点距离曲线最大距离maxDistance,置信度P。
进一步的,所述提取脉冲序列的脉冲重复间隔并确定辐射源类型包括:
利用直方图统计得到提取出序列的脉冲重复间隔。
进一步的,所述利用直方图统计得到提取出序列的脉冲重复间隔具体包括:
对合并得到序列的脉冲到达时间做一阶差分运算,差分结果为潜在的脉冲重复间隔值;
用直方图统计每个差分值的频次后进行峰值提取;
若出现一个峰值则表示对应辐射源为脉冲重复间隔固定的辐射源,若出现一定范围内多个峰值则为抖动脉冲重复间隔的辐射源,若出现间隔分散的差分值则为参差辐射源的不同子脉冲重复间隔。
进一步的,所述方法通过设置峰值提取的阈值为0.7倍直方图最大峰值来确定辐射源的类型及脉冲重复间隔。
另一方面,本发明还提供了一种基于点云检测的辐射源信号分选装置,所述装置包括:
散点图构建模块,所述散点图构建模块响应于接收到的雷达脉冲序列,选取多个预设取值范围内的变换长度,使用不同变换长度变换得到二维散点图;
特征曲线提取模块,所述特征曲线提取模块对得到的二维散点图使用随机抽样提取特征曲线;
脉冲合并模块,所述脉冲合并模块合并二维散点图中斜率一致的脉冲序列;
辐射源判断模块,所述辐射源判断模块提取脉冲序列的脉冲重复间隔并确定辐射源类型。
另一方面,本发明还提供了一种计算机设备,计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现上述的任意一种基于点云检测的辐射源信号分选方法。
另一方面,本发明还提供了一种计算机可读存储介质,所述存储介质中存储有计算机程序,所述计算机程序由处理器加载并执行以实现上述的任意一种基于点云检测的辐射源信号分选方法。
本发明的有益效果在于:
(1)本发明在平面变换得到特征曲线的基础上引入了点云检测的方法随机抽样一致方法实现在单部侦察接收机接收脉冲序列体制下的辐射源信号的高精度及自适应分选,以克服单站相较于多站分选脉间信息关联性弱的问题。
(2)本发明较于SDIF算法可以更直观的将辐射源PRI调制特性表现在图像上,增强数据的语义特征,有利于确立潜在辐射源的存在性并辨识PRI调制类型。相较传统的平面变换法,可以在信噪比较低的参差PRI、抖动PRI及固定PRI混合场景下,更鲁棒且自适应地提取出特征曲线上的点,从而更准确地提取脉冲序列,提升PRI估计精度。
附图说明
图1是本发明实施例提供的基于点云检测的辐射源信号分选方法流程示意图;
图2是本发明实施例对PRI参差帧为[1404,1333]的参差辐射源的TOA序列做一阶差分后直方图统计结果;
图3是本发明实施例20部辐射源分选的精度统计图;
图4是本发明实施例提供的基于点云检测的辐射源信号分选装置结构框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
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所获得的所有其他实施例,都属于本发明保护的范围。
传统雷达信号分选方法存在脉冲参数交叠严重,脉间信息关联性弱的问题使这类方法在多辐射源的情况下鲁棒性不足,难以准确提取特征曲线上的点的问题。
为了解决上述技术问题,提出了本发明基于点云检测的辐射源信号分选方法、装置、设备及介质的下述各个实施例。
实施例1
参照图1,如图1所示是本实施例提供对的辐射源信号分选方法流程示意图,该方法具体包括以下步骤:
步骤1:给定一串接收雷达脉冲序列的脉冲到达时间(Time of Arrival,TOA)为{t1,t2,...,tn}序列长度为n。选取变换长度W取值范围为[Wmin,Wmax],对使用不同变换长度变换得到二维散点图A,每一个变换长度Wj对应一张散点图Aj。截取脉冲到达时间在t1到W内的脉冲序列,并表示在二维平面的第一行,截取t1+W到t1+2W的脉冲在第二行表示,以此类推,t1+(n-1)W到t1+nW时间段内的脉冲在二维平面上第n行显示。因此可以得到的坐标为:
其中xi是横坐标,yi是纵坐标,ti是该点对应的第i个脉冲的到达时间值,Wj是当前变换长度。mod(·)是取模操作,floor(·)是向下取整。同一辐射源的脉冲序列在二维散点图上表现为一条特征曲线。
步骤2:对得到的二维散点图使用随机抽样一致算法提取特征曲线。具体步骤如下:
步骤2-1:计算迭代次数k。设模型最少样本点数Nmin,内点比例inlierRatio,内点距离曲线最大距离maxDistance,置信度P。当每次计算模型使用Nmin个点的情况下,选取的点至少有一个外点的概率为在k次迭代的情况下,为k次迭代计算模型都至少采样到一个外点的概率,那么能采到正确的N个点去计算出正确模型的概率为:
则可推出迭代次数为:
步骤2-2:在当前二维散点图Aj中随机选择Nmin个点数的样本点,任意选取其中两个点计算穿过这两个点的直线参数a,b,参数a为直线斜率,参数b为直线截距。
步骤2-3:计算步骤2-2取出的Nmin个样本点到步骤2-2得到直线的距离,统计距离值小于maxDistance的样本点,为本轮迭代得到的内点。
步骤2-4:当内点个数最大且与总样本点的比例大于inlierRatio时,保存当前模型为最优模型,即保存当前直线参数abest,bbest和内点索引inlierIdx,否则不做任何操作。
步骤2-5:当迭代次数满足k时停止迭代,否则回到步骤2-1继续迭代。
步骤3:合并散点图Aj中斜率一致的序列。一方面,固定辐射源经过平面变换后在二维平面上体现为多条等距平行的特征曲线。参差辐射源经过平面变换后在二维平面上体现为多条平行的特征曲线,此时的变换长度等于该参差辐射源的骨架周期。当变换长度是固定辐射源的整数倍时,则会出现多条等间距的平行直线。另一方面受雷达扫描模式的影响,同一辐射源只能在特定时间段内被雷达波束照射到,因此接收到的PDW的周期也与波束扫描周期有关,具体在图像上表现为有多条特征曲线在纵轴上平行分布。因此,需要对斜率相近的直线对应的内点进行合并操作。
步骤4:利用直方图统计得到提取出序列的PRI。对步骤3合并得到序列的脉冲到达时间做一阶差分运算,差分结果为潜在的PRI(脉冲重复间隔)值,用直方图统计每个差分值的频次后进行峰值提取。若出现一个峰值则表示该辐射源为PRI固定的辐射源,如出现一定范围内多个峰值则为抖动PRI,若出现间隔较分散的辐射源则为参差辐射源的不同子PRI。设maxpeak为直方图最大峰值,通过设置峰值提取的阈值peakThresh=maxpeak*0.7来确定辐射源的类型及PRI。
本实施例在平面变换得到特征曲线的基础上引入了点云检测的方法随机抽样一致方法实现在单部侦察接收机接收脉冲序列体制下的辐射源信号的高精度及自适应分选,以克服单站相较于多站分选脉间信息关联性弱的问题。较于SDIF算法可以更直观的将辐射源PRI调制特性表现在图像上,增强数据的语义特征,有利于确立潜在辐射源的存在性并辨识PRI调制类型。相较传统的平面变换法,可以在信噪比较低的参差PRI、抖动PRI及固定PRI混合场景下,更鲁棒且自适应地提取出特征曲线上的点,从而更准确地提取脉冲序列,提升PRI估计精度。
实施例2
本实施例设置一个包含20个辐射源的仿真场景,每个辐射源的PRI大小不同,且PRI调制类型也不同。其中PRI的范围为500μs-5000μs,PRI调制类型包含固定PRI(TOA测量精度1%),抖动PRI(抖动率为10%-20%),参差PRI(一个参差帧包含2-4个子PRI)。序列中包含10%的随机噪声。
步骤1:设接收1s得到的雷达脉冲序列的脉冲到达时间为{t1,t2,...,tn}序列长度为n=24039。选取变换长度范围为[400,10000],对待分选序列使用不同变换长度变换得到二维散点图。
设当前变换长度为Wj=1021,截取脉冲到达时间在t1到Wj内的脉冲序列,该时间段内脉冲序列表示在二维平面的第一行,截取(t1+Wj)μs到(t1+2·Wj)μs的脉冲在第二行表示,以此类推,t1+(n-1)Wj到t+nWj时间段内的脉冲在二维平面上第n行显示。因此可以得到该二维散点图散点的坐标为:
其中xi是该点的横坐标,yi是纵坐标,ti是该点对应的第i个脉冲的到达时间值,Wj是当前变换长度。mod(·)是取模操作,floor(·)是向下取整。同一辐射源的脉冲序列在二维散点图上表现为一条特征曲线。
步骤2:对得到的二维散点图使用随机抽样一致算法提取特征曲线。随机抽样一致算法是从一组含有外点的数据中正确估计数学参数的迭代算法。内点指组成预估模型的数据,外点指数据中的噪声,比如说匹配中误匹配和估计曲线中的离群点。具体步骤如下:
步骤2-1:计算迭代次数k。设模型最少样本点数Nmin=2,内点比例inlierRatio=3%,内点距离曲线最大距离maxDistance=1,置信度P=0.99。当每次计算模型使用Nmin个点的情况下,选取的点至少有一个外点的概率为(1-0.03)2。在k次迭代的情况下,(1-0.032)k为k次迭代计算模型都至少采样到一个外点的概率,可推出迭代次数为:
步骤2-2:在当前二维散点图Aj中随机选择2个点数的样本点,选取其中两个点计算穿过这两个点的直线参数a,b。
步骤2-3:计算步骤2-2取出的2个样本点到步骤2-2得到直线的距离,统计距离值小于1的样本点,为本轮迭代得到的内点。
步骤2-4:当内点个数最大且与总样本点的比例大于3%时,保存当前模型为最优模型,即保存当前直线参数abest=-400.0658,bbest=12687和内点索引inlierIdx,否则不做任何操作。
步骤2-5:当迭代次数满足5114时停止迭代,否则回到步骤2-1继续迭代。
步骤3:合并散点图Aj中斜率一致的序列。一方面,参差辐射源经过平面变换后在二维平面上体现为多条平行的特征曲线,此时的变换长度等于该参差辐射源的骨架周期。另一方面受雷达扫描模式的影响,同一辐射源只能在特定时间段内被雷达波束照射到,因此接收到的PDW的周期也与波束扫描周期有关,具体在图像上表现为有多条特征曲线在纵轴上平行分布。因此,需要对斜率相近的直线对应的内点进行合并操作。
步骤4:利用直方图统计得到提取出序列的PRI。对步骤3合并得到序列的脉冲到达时间做一阶差分运算,差分结果为潜在的PRI值,用直方图统计每个差分值的频次后进行峰值提取。若出现一个峰值则表示该辐射源为PRI固定的辐射源,如出现一定范围内多个峰值则为抖动PRI,若出现间隔较分散的辐射源则为参差辐射源的不同子PRI。参照图2,如图2所示是本实施例对PRI参差帧为[1404,1333]的参差辐射源的TOA序列做一阶差分后直方图统计结果,设maxpeak为直方图最大峰值,图2中maxpeak=57。通过设置峰值提取的阈值peakThresh=57*0.7=40来确定辐射源的类型及PRI。两个最大的峰值为这个参差辐射源的两个子PRI,即1404和1333,2737对应的峰值则为其骨架周期,是漏分选造成的。但考虑到后续定位精度,应优先考虑使分选后的序列准确的来自同一辐射源,该方法满足这一需求。
参照图3,如图3所示是本实施例20部辐射源分选的精度统计图。可以看出针对固定、抖动和参差PRI的多辐射源场景下,本实施例提出的方法可以实现较高精度的分选。
实施例3
参照图4,如图4所示是本实施例提供的基于点云检测的辐射源信号分选装置结构框图,该装置具体包括以下结构:
散点图构建模块,散点图构建模块响应于接收到的雷达脉冲序列,选取多个预设取值范围内的变换长度,使用不同变换长度变换得到二维散点图;
特征曲线提取模块,特征曲线提取模块对得到的二维散点图使用随机抽样提取特征曲线;
脉冲合并模块,脉冲合并模块合并二维散点图中斜率一致的脉冲序列;
辐射源判断模块,辐射源判断模块提取脉冲序列的脉冲重复间隔并确定辐射源类型。
实施例4
本优选实施例提供了一种计算机设备,该计算机设备可以实现本申请实施例所提供的基于点云检测的辐射源信号分选方法任一实施例中的步骤,因此,可以实现本申请实施例所提供的基于点云检测的辐射源信号分选方法的有益效果,详见前面的实施例,在此不再赘述。
实施例5
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的基于点云检测的辐射源信号分选方法中任一实施例的步骤。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一基于点云检测的辐射源信号分选方法实施例中的步骤,因此,可以实现本发明实施例所提供的任一基于点云检测的辐射源信号分选方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于点云检测的辐射源信号分选方法,其特征在于,所述方法包括:
响应于接收到的雷达脉冲序列,选取多个预设取值范围内的变换长度,使用不同变换长度变换得到二维散点图;
对得到的二维散点图使用随机抽样提取特征曲线;
合并二维散点图中斜率一致的脉冲序列;
提取脉冲序列的脉冲重复间隔并确定辐射源类型。
2.如权利要求1所述的基于点云检测的辐射源信号分选方法,其特征在于,所述斜率一致的脉冲序列包括平行的脉冲序列和斜率相差不超过一定阈值的脉冲序列。
3.如权利要求1所述的基于点云检测的辐射源信号分选方法,其特征在于,所述对得到的二维散点图使用随机抽样提取特征曲线具体包括:
计算最大迭代次数;
在当前二维散点图中随机选择若干样本点,并任选其中两个点计算对应直线斜率和截距;
计算若干样本点到计算得到的直线的距离,统计距离小于预设阈值的样本点作为本轮迭代的内点;
当内点个数最大且与总样本点的比例大于一定阈值时,保存当前模型为最优模型;
当迭代次数达到最大迭代次数时停止迭代。
5.如权利要求1所述的基于点云检测的辐射源信号分选方法,其特征在于,所述提取脉冲序列的脉冲重复间隔并确定辐射源类型包括:
利用直方图统计得到提取出序列的脉冲重复间隔。
6.如权利要求5所述的基于点云检测的辐射源信号分选方法,其特征在于,所述利用直方图统计得到提取出序列的脉冲重复间隔具体包括:
对合并得到序列的脉冲到达时间做一阶差分运算,差分结果为潜在的脉冲重复间隔值;
用直方图统计每个差分值的频次后进行峰值提取;
若出现一个峰值则表示对应辐射源为脉冲重复间隔固定的辐射源,若出现一定范围内多个峰值则为抖动脉冲重复间隔的辐射源,若出现间隔分散的差分值则为参差辐射源的不同子脉冲重复间隔。
7.如权利要求6所述的基于点云检测的辐射源信号分选方法,其特征在于,所述方法通过设置峰值提取的阈值为0.7倍直方图最大峰值来确定辐射源的类型及脉冲重复间隔。
8.一种基于点云检测的辐射源信号分选装置,其特征在于,所述装置包括:
散点图构建模块,所述散点图构建模块响应于接收到的雷达脉冲序列,选取多个预设取值范围内的变换长度,使用不同变换长度变换得到二维散点图;
特征曲线提取模块,所述特征曲线提取模块对得到的二维散点图使用随机抽样提取特征曲线;
脉冲合并模块,所述脉冲合并模块合并二维散点图中斜率一致的脉冲序列;
辐射源判断模块,所述辐射源判断模块提取脉冲序列的脉冲重复间隔并确定辐射源类型。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的基于点云检测的辐射源信号分选方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有计算机程序,所述计算机程序由处理器加载并执行以实现如权利要求1至7任一项所述的基于点云检测的辐射源信号分选方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211673065.3A CN115980689A (zh) | 2022-12-26 | 2022-12-26 | 基于点云检测的辐射源信号分选方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211673065.3A CN115980689A (zh) | 2022-12-26 | 2022-12-26 | 基于点云检测的辐射源信号分选方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115980689A true CN115980689A (zh) | 2023-04-18 |
Family
ID=85962177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211673065.3A Pending CN115980689A (zh) | 2022-12-26 | 2022-12-26 | 基于点云检测的辐射源信号分选方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115980689A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129947A (zh) * | 2023-10-26 | 2023-11-28 | 成都金支点科技有限公司 | 一种基于miniunet的平面变换法雷达信号识别方法 |
-
2022
- 2022-12-26 CN CN202211673065.3A patent/CN115980689A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129947A (zh) * | 2023-10-26 | 2023-11-28 | 成都金支点科技有限公司 | 一种基于miniunet的平面变换法雷达信号识别方法 |
CN117129947B (zh) * | 2023-10-26 | 2023-12-26 | 成都金支点科技有限公司 | 一种基于miniunet的平面变换法雷达信号识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036074B (zh) | 一种高脉冲密度环境下雷达信号分选方法及系统 | |
CN108490410B (zh) | 一种两坐标雷达对海目标联合检测跟踪方法 | |
CN106405518A (zh) | 一种复杂体制雷达信号等级关联聚类分选方法 | |
CN106709928A (zh) | 一种快速的含噪图像二维最大类间方差阈值法 | |
CN113721219B (zh) | 一种基于多参数聚类的雷达信号分选方法和系统 | |
CN112560803A (zh) | 基于时频分析与机器学习的雷达信号调制识别方法 | |
CN110929842B (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
CN114114192B (zh) | 集群目标检测方法 | |
CN112799053B (zh) | 一种单脉冲信号的实时配对分选方法 | |
CN107576942A (zh) | 一种基于信号聚类的辐射源扫描周期实时估计方法 | |
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 | |
Gao et al. | Signal structure information-based target detection with a fully convolutional network | |
Xie et al. | A novel method for deinterleaving radar signals: First‐order difference curve based on sorted TOA difference sequence | |
CN113608193A (zh) | 一种基于UNet的雷达多目标距离和速度估计方法 | |
CN103076595B (zh) | 一种多元离散雷达辐射源信号的异常类型识别方法 | |
CN112213697A (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
Guner et al. | Implementation aspects of Wigner-Hough Transform based detectors for LFMCW signals | |
CN116299195A (zh) | 一种基于toa序列相关度的雷达信号处理方法 | |
CN116466314A (zh) | 一种雷达个体分选方法、装置、存储介质及设备 | |
CN115629365A (zh) | 一种高密度背景信号中少样本信号分选方法及装置 | |
CN115219991A (zh) | 一种基于希尔伯特变换的二相编码调制信号识别方法 | |
CN108154106B (zh) | 一种提高脉冲信号重周直方图峰值高度比的方法 | |
Zheng et al. | An reconstruction bidirectional recurrent neural network‐based deinterleaving method for known radar signals in open‐set scenarios | |
CN116559817B (zh) | 一种用于复杂电磁环境的雷达信号分选方法 | |
US11637577B1 (en) | Signal correlation estimator and detector |
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 |