CN116520252B - 一种空中目标智能识别方法与系统 - Google Patents
一种空中目标智能识别方法与系统 Download PDFInfo
- Publication number
- CN116520252B CN116520252B CN202310346143.7A CN202310346143A CN116520252B CN 116520252 B CN116520252 B CN 116520252B CN 202310346143 A CN202310346143 A CN 202310346143A CN 116520252 B CN116520252 B CN 116520252B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- radar
- action time
- standard
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000009471 action Effects 0.000 claims abstract description 131
- 238000005192 partition Methods 0.000 claims abstract description 60
- 230000006399 behavior Effects 0.000 claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 42
- 239000012634 fragment Substances 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 18
- 230000005855 radiation Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 16
- 239000011159 matrix material Substances 0.000 description 15
- 238000010606 normalization Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 108091026890 Coding region Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000002194 synthesizing effect 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
-
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- 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
-
- 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
- G01S13/882—Radar or analogous systems specially adapted for specific applications for altimeters
-
- 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
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
-
- 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
- G01S7/40—Means for monitoring or calibrating
-
- 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
- G01S7/40—Means for monitoring or calibrating
- G01S7/4052—Means for monitoring or calibrating by simulation of echoes
-
- 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
- G01S7/40—Means for monitoring or calibrating
- G01S7/4052—Means for monitoring or calibrating by simulation of echoes
- G01S7/4082—Means for monitoring or calibrating by simulation of echoes using externally generated reference signals, e.g. via remote reflector or transponder
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出一种空中目标智能识别方法与系统,属于目标识别技术领域。所述方法包括:步骤S1、从未知雷达信号中提取表征雷达行为的动作时序片段以及所述动作时序片段的组合,作为待识别雷达动作时序;步骤S2、通过预配置的编码区间对所述待识别雷达动作时序的各维参数取值范围进行分区编码,生成待识别时序各维参数编码;步骤S3、利用预训练的深度神经网络处理所述待识别时序各维参数编码,识别出对应的雷达行为;步骤S4、根据目标平台信息和所述对应的雷达行为生成雷达识别结果和空中目标识别结果。
Description
技术领域
本发明属于目标识别技术领域,尤其涉及一种空中目标智能识别方法与系统。
背景技术
随着雷达技术的发展进步,机载雷达用频和波形参数多变,现有的电磁目标数据库难以覆盖全部波形参数,这导致采用传统的库识别方法对雷达识别存在误识别和多识别,此外,不同空中目标的同类型雷达的电磁信号工作频率、脉宽、重复周期等多维度交叠严重,最后导致空中目标识别结果存在错值和多值。
发明内容
针对上述技术问题,本发明提出一种空中目标智能识别方案。
本发明第一方面公开了一种空中目标智能识别方法。所述方法包括:步骤S1、从未知雷达信号中提取表征雷达行为的动作时序片段以及所述动作时序片段的组合,作为待识别雷达动作时序;步骤S2、通过预配置的编码区间对所述待识别雷达动作时序的各维参数取值范围进行分区编码,生成待识别时序各维参数编码;步骤S3、利用预训练的深度神经网络处理所述待识别时序各维参数编码,识别出对应的雷达行为;步骤S4、根据目标平台信息和所述对应的雷达行为生成雷达识别结果和空中目标识别结果。
根据本发明第一方面的方法,预训练所述深度神经网络具体包括:步骤S01、从电磁目标数据库中提取表征标准雷达行为的标准动作时序片段以及所述标准动作时序片段的组合,作为用于深度学习的原始雷达动作时序;步骤S02、对所述原始雷达动作时序进行预处理,包括:通过所述预配置的编码区间对所述原始雷达动作时序的各维参数取值范围进行分区编码,生成标准时序各维参数编码;步骤S03、采用所述深度神经网络对所述标准时序各维参数编码进行样本学习训练,直至所述样本学习训练达到收敛态,并获取所述预训练的深度神经网络。
根据本发明第一方面的方法,在所述步骤S01中,按照雷达用途对所述电磁目标数据库中的各个辐射源进行分类,进一步按照信号样式对经分类的每一类辐射源再进行分类,得到所述标准动作时序片段以及所述标准动作时序片段的组合;在所述步骤S1中,将所述未知雷达信号按照所述信号样式进行分类,以获取所述动作时序片段以及所述动作时序片段的组合。
根据本发明第一方面的方法,在所述步骤02中,分别对脉宽/重复周期、参数个数和工作频率的取值范围进行分区,得到所述预配置的编码区间,分别利用各个所述预配置的编码区间对所述原始雷达动作时序的脉宽/重复周期、参数个数和工作频率进行所述分区编码,当所述脉宽/重复周期、参数个数和工作频率落入某一分区时,所述某一分区置1,其他分区置0,从而生成所述标准时序各维参数编码;在所述步骤S2中,利用各个所述预配置的编码区间对所述待识别雷达动作时序的脉宽/重复周期、参数个数和工作频率进行所述分区编码,当所述待识别雷达动作时序的脉宽/重复周期、参数个数和工作频率落入任一分区时,所述任一分区置1,其他分区置0,从而生成所述待识别时序各维参数编码。
根据本发明第一方面的方法,在所述步骤S03中,对所述标准时序各维参数编码进行维度转换,生成标准参数一维数组,采用基于注意力机制和通道信息融合的所述深度神经网络对所述标准参数一维数组进行样本学习训练,直至所述样本学习训练达到收敛态;其中:所述深度神经网络包括输入层、第一标准化层、第一隐藏层、第二标准化层、第二隐藏层、第三标准化层、第三隐藏层和输出层,所述标准参数一维数组先后经过以上各层后得到标准时序脉冲标签;根据所述标准参数一维数组的真实标签和所述标准时序脉冲标签计算损失函数,通过对所述以上各层的网络神经元权值的反向调整以及不断迭代计算,使得所述损失函数达到设定阈值,则所述样本学习训练达到所述收敛态。
根据本发明第一方面的方法,在所述步骤S4中,所述目标平台信息包括平台高度、速度和目标RCS,所述目标RCS为目标雷达散射截面积,结合所述目标平台信息和所述对应的雷达行为,按照控住目标的运动特点和目标大小,对所述对应的雷达行为进行判别,以获取所述雷达识别结果和所述空中目标识别结果。
本发明第二方面公开了一种空中目标智能识别系统。所述系统包括:第一处理单元,被配置为:从未知雷达信号中提取表征雷达行为的动作时序片段以及所述动作时序片段的组合,作为待识别雷达动作时序;第二处理单元,被配置为:通过预配置的编码区间对所述待识别雷达动作时序的各维参数取值范围进行分区编码,生成待识别时序各维参数编码;第三处理单元,被配置为:利用预训练的深度神经网络处理所述待识别时序各维参数编码,识别出对应的雷达行为;第四处理单元,被配置为:根据目标平台信息和所述对应的雷达行为生成雷达识别结果和空中目标识别结果。
根据本发明第二方面的系统,所述第三处理单元还被配置为,预训练所述深度神经网络;具体包括:步骤S01、从电磁目标数据库中提取表征标准雷达行为的标准动作时序片段以及所述标准动作时序片段的组合,作为用于深度学习的原始雷达动作时序;步骤S02、对所述原始雷达动作时序进行预处理,包括:通过所述预配置的编码区间对所述原始雷达动作时序的各维参数取值范围进行分区编码,生成标准时序各维参数编码;步骤S03、采用所述深度神经网络对所述标准时序各维参数编码进行样本学习训练,直至所述样本学习训练达到收敛态,并获取所述预训练的深度神经网络。
根据本发明第二方面的系统,在所述步骤S01中,按照雷达用途对所述电磁目标数据库中的各个辐射源进行分类,进一步按照信号样式对经分类的每一类辐射源再进行分类,得到所述标准动作时序片段以及所述标准动作时序片段的组合;所述第一处理单元具体被配置为:将所述未知雷达信号按照所述信号样式进行分类,以获取所述动作时序片段以及所述动作时序片段的组合。
根据本发明第二方面的系统,在所述步骤02中,分别对脉宽/重复周期、参数个数和工作频率的取值范围进行分区,得到所述预配置的编码区间,分别利用各个所述预配置的编码区间对所述原始雷达动作时序的脉宽/重复周期、参数个数和工作频率进行所述分区编码,当所述脉宽/重复周期、参数个数和工作频率落入某一分区时,所述某一分区置1,其他分区置0,从而生成所述标准时序各维参数编码;所述第二处理单元具体被配置为:利用各个所述预配置的编码区间对所述待识别雷达动作时序的脉宽/重复周期、参数个数和工作频率进行所述分区编码,当所述待识别雷达动作时序的脉宽/重复周期、参数个数和工作频率落入任一分区时,所述任一分区置1,其他分区置0,从而生成所述待识别时序各维参数编码。
根据本发明第二方面的系统,在所述步骤S03中,对所述标准时序各维参数编码进行维度转换,生成标准参数一维数组,采用基于注意力机制和通道信息融合的所述深度神经网络对所述标准参数一维数组进行样本学习训练,直至所述样本学习训练达到收敛态;其中:
所述深度神经网络包括输入层、第一标准化层、第一隐藏层、第二标准化层、第二隐藏层、第三标准化层、第三隐藏层和输出层,所述标准参数一维数组先后经过以上各层后得到标准时序脉冲标签;根据所述标准参数一维数组的真实标签和所述标准时序脉冲标签计算损失函数,通过对所述以上各层的网络神经元权值的反向调整以及不断迭代计算,使得所述损失函数达到设定阈值,则所述样本学习训练达到所述收敛态。
根据本发明第二方面的系统,所述第四处理单元具体被配置为:所述目标平台信息包括平台高度、速度和目标RCS,所述目标RCS为目标雷达散射截面积,结合所述目标平台信息和所述对应的雷达行为,按照控住目标的运动特点和目标大小,对所述对应的雷达行为进行判别,以获取所述雷达识别结果和所述空中目标识别结果。
本发明第三方面公开了一种电子设备。所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时,实现本公开第一方面所述的一种空中目标智能识别方法中的步骤。
本发明第四方面公开了一种计算机可读存储介质。所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现本公开第一方面所述的一种空中目标智能识别方法中的步骤。
综上,本发明提出的技术方案通过深度学习手段,可以从参数交叠的数据中完成对雷达信号的精确识别,降低传统方法带来的误识别和多识别。有源雷达可获取空中目标的高度、速度、目标RCS等信息,结合该信息,可对空中目标识别结果进行进一步甄别。通过结合空中目标的电磁信号感知信息和有源雷达对空中目标的探测信息进行综合识别,进而提升对空中目标的识别有效性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的雷达信号识别的流程图;
图2为根据本发明实施例的获得雷达动作时序的流程图;
图3为根据本发明实施例的生成时序各维参数编码的流程图;
图4为根据本发明实施例的编码区间的示意图;
图5为根据本发明实施例的训练以及使用深度神经网络的流程图;
图6为根据本发明实施例的深度神经网络各层的示意图;
图7为根据本发明实施例的一种电子设备的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本发明一部分实施例,而不是全部的实施例。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。
本发明第一方面公开了一种空中目标智能识别方法。所述方法包括:步骤S1、从未知雷达信号中提取表征雷达行为的动作时序片段以及所述动作时序片段的组合,作为待识别雷达动作时序;步骤S2、通过预配置的编码区间对所述待识别雷达动作时序的各维参数取值范围进行分区编码,生成待识别时序各维参数编码;步骤S3、利用预训练的深度神经网络处理所述待识别时序各维参数编码,识别出对应的雷达行为;步骤S4、根据目标平台信息和所述对应的雷达行为生成雷达识别结果和空中目标识别结果。
在优选实施例中,预训练所述深度神经网络具体包括:步骤S01、从电磁目标数据库中提取表征标准雷达行为的标准动作时序片段以及所述标准动作时序片段的组合,作为用于深度学习的原始雷达动作时序;步骤S02、对所述原始雷达动作时序进行预处理,包括:通过所述预配置的编码区间对所述原始雷达动作时序的各维参数取值范围进行分区编码,生成标准时序各维参数编码;步骤S03、采用所述深度神经网络对所述标准时序各维参数编码进行样本学习训练,直至所述样本学习训练达到收敛态,并获取所述预训练的深度神经网络。
在优选实施例中,在所述步骤S01中,按照雷达用途对所述电磁目标数据库中的各个辐射源进行分类,进一步按照信号样式对经分类的每一类辐射源再进行分类,得到所述标准动作时序片段以及所述标准动作时序片段的组合;在所述步骤S1中,将所述未知雷达信号按照所述信号样式进行分类,以获取所述动作时序片段以及所述动作时序片段的组合。
在优选实施例中,在所述步骤02中,分别对脉宽/重复周期、参数个数和工作频率的取值范围进行分区,得到所述预配置的编码区间,分别利用各个所述预配置的编码区间对所述原始雷达动作时序的脉宽/重复周期、参数个数和工作频率进行所述分区编码,当所述脉宽/重复周期、参数个数和工作频率落入某一分区时,所述某一分区置1,其他分区置0,从而生成所述标准时序各维参数编码;在所述步骤S2中,利用各个所述预配置的编码区间对所述待识别雷达动作时序的脉宽/重复周期、参数个数和工作频率进行所述分区编码,当所述待识别雷达动作时序的脉宽/重复周期、参数个数和工作频率落入任一分区时,所述任一分区置1,其他分区置0,从而生成所述待识别时序各维参数编码。
在优选实施例中,在所述步骤S03中,对所述标准时序各维参数编码进行维度转换,生成标准参数一维数组,采用基于注意力机制和通道信息融合的所述深度神经网络对所述标准参数一维数组进行样本学习训练,直至所述样本学习训练达到收敛态;其中:所述深度神经网络包括输入层、第一标准化层、第一隐藏层、第二标准化层、第二隐藏层、第三标准化层、第三隐藏层和输出层,所述标准参数一维数组先后经过以上各层后得到标准时序脉冲标签;根据所述标准参数一维数组的真实标签和所述标准时序脉冲标签计算损失函数,通过对所述以上各层的网络神经元权值的反向调整以及不断迭代计算,使得所述损失函数达到设定阈值,则所述样本学习训练达到所述收敛态。
在优选实施例中,在所述步骤S4中,所述目标平台信息包括平台高度、速度和目标RCS,所述目标RCS为目标雷达散射截面积,结合所述目标平台信息和所述对应的雷达行为,按照控住目标的运动特点和目标大小,对所述对应的雷达行为进行判别,以获取所述雷达识别结果和所述空中目标识别结果。
具体地,如图1所示,所述方法包括:
步骤一、算法部署前,从电磁目标数据库及侦收到的原始脉冲中提取能够表征雷达行为的动作时序片段及不同动作时序片段的组合(称为雷达动作时序),作为深度学习的原始样本数据。算法部署后,从未知雷达信号中提取能够表征雷达行为的动作时序片段及不同动作时序片段的组合(雷达动作时序),作为智能识别处理数据。
步骤二、算法部署前,对数据库雷达动作时序进行预处理,通过设计编码区间对各维参数取值范围分区编码,生成时序各维参数编码。算法部署后,对未知雷达动作时序进行同样的预处理,生成时序各维参数编码。
步骤三、算法部署前,采用具有自适应激活输入层神经元的深度神经网络对雷达库时序参数编码进行样本学习,获得深度网络训练收敛,形成有效的模型。算法部署后,对未知雷达时序参数编码,采用有效的深度神经网络进行处理,生成雷达行为。
步骤四、结合目标平台信息和雷达行为(目标平台信息包括高度、速度、目标RCS),进行目标信息综合处理,生成雷达识别结果和空中目标识别结果,完成空中目标智能识别。
如图2所示,步骤一中算法部署前,从电磁目标数据库及侦收到的原始脉冲中提取能够表征雷达行为的动作时序片段及不同动作时序片段的组合(称为雷达动作时序),作为深度学习的原始样本数据。算法部署后,从未知雷达信号中提取能够表征雷达行为的动作时序片段及不同动作时序片段的组合(雷达动作时序),作为智能识别处理数据,具体如下:
步骤一.1、算法部署前,按照雷达用途,将电磁目标数据库中的辐射源分类。
步骤一.2、按照信号样式对每一类辐射源再进一步分类,得到每一雷达动作时序单元及其组合与每一雷达用途的每一信号样式之间的一一对应关系,同时也得到了雷达工作模式动态调整与雷达动作时序样式切换的时刻关联。
步骤一.3、算法部署后,将未知雷达信号按照信号样式进行分类,得到雷达动作时序单元及其组合。
如图3所示,步骤二中算法部署前,对数据库雷达动作时序进行预处理,通过设计编码区间对各维参数取值范围分区编码,生成时序各维参数编码。算法部署后,对未知雷达动作时序进行同样的预处理,生成时序各维参数编码。编码区间如图4所示,具体如下:
步骤二.1、将雷达动作时序的“脉宽/重复周期”按取值范围分为若干个区,如图4所示,每个区间分配0和1值,在“脉宽/重复周期”落到某区间,该区间置1,其他置0;完成对雷达动作时序的“脉宽/重复周期”编码。
步骤二.2、将雷达动作时序的“参数个数”按取值范围分为若干个区间,如图4所示,每个区间分配0和1值,在“参数个数”落到某区间,该区间置1,其他置0;完成对雷达动作时序的“参数个数”编码。
步骤二.3、将雷达动作时序的“工作频率”按取值范围分为若干个区间,每个区间分配0和1值,在“工作频率”落到某区间,该区间置1,其他置0;完成对雷达动作时序的“工作频率”编码。综合雷达动作时序各个参数编码,生成时序各维参数编码。
如图5所示,步骤三中算法部署前,采用具有自适应激活输入层神经元的深度神经网络对雷达库时序参数编码进行样本学习,获得深度网络训练收敛,形成有效的模型。算法部署后,对未知雷达时序参数编码,采用有效的深度神经网络进行处理,生成雷达行为。具体如下:
步骤三.1、对雷达时序各维参数编码进行维度转换,生成雷达库参数一维数组和未知雷达参数一维数组;
步骤三.2、采用基于注意力机制和通道信息融合的神经网络对雷达库参数一维数组进行学习,直到获得深度神经网络训练收敛,形成有效的模型。深度神经网络如图6所示,输入样本依次经过各标准化层和隐藏层,最终于输出层得到每个样本的标签,再根据输出标签和样本的真实标签计算损失函数,最后通过使损失函数对每个样本的总体误差达到设定阈值,实现对各层网络神经元权值的反向调整,直至整个迭代过程收敛。
具体地,设一个m层的网络结构,输入层的样本为A,特征维度为n,第k层第j个神经元的输入值为经过激活函数f(x)后该神经元的输出值为/>从第k-1层的第i各神经元到第k层的第j个神经元的权值为/>样本在输出层第j个神经元的真实标签为/>
(1)正向传播
将由m个特征维度为n的样本组成的特征矩阵通过一个卷积核大小为3,步距为2,采用零填充方式的卷积层,使输入特征矩阵的长和宽缩小一半。
然后是连续的四个通道信息融合阶段,每个阶段的主线路是卷积神经网络,其使输入的特征矩阵的长和宽随着网络深度的增加而减小,而通道数量增加。支路采用注意力机制处理特征信息。
每个阶段的主线路由多个瓶颈卷积块和一个多尺度卷积块组成,每个卷积块由一个用来缩减通道数量的卷积核大小为1的下投影卷积层和一个卷积核大小为3的卷积层和一个用来提升通道数量的卷积核大小为1的上采样卷积层和输入和输出间的残差连接组成,并且对相加得到的结果经过Relu激活函数处理后输给后续卷积块。多尺度卷积块由三个卷积核大小不同的卷积层组成,这里设置为3、5和7。对输入的特征矩阵分别经过卷积层处理后,将得到的三个特征矩阵相加后经Relu激活函数和批归一化处理层处理后输入给后续瓶颈卷积块。设置每个阶段的多尺度卷积块的卷积层步距为2,用来缩减特征矩阵的尺寸大小,其他卷积块的步距设置为1。
每个阶段的支路并接在主路的多尺度卷积块上,两者共用相同的输入。首先将输入特征矩阵分成四块,将每块相同位置上的数据重新组合在一起,然后将得到的四个新特征矩阵拼接成长宽缩减为一半,通道数量扩增四倍的特征矩阵。然后对通道维度使用归一化处理后通过一个输入维度等于通道数量,输出维度等于通道数量一半的全连接层处理,达到特征矩阵长宽缩减一半,通道数量翻倍的目的。对生成的特征矩阵进行自注意力机制操作,分别乘以三个参数矩阵得到Q、K和V,然后通过如下公式计算得到的权重矩阵,其中d是矩阵中每条向量的维度。
将支路经自注意力机制得到的和主路多尺度卷积块有相同形状的权重矩阵和多尺度卷积块的输出相乘后输出给后续卷积块。
将经过四个阶段后得到的特征矩阵在通道维度上进行平均采样分成m组,对每组进行全局平均池化操作得到一维向量,再将所得向量通过一个全连接层和softmax层后得到每个样本的标签定义误差损失函数:
在逐层处理的过程中,每一层神经元的状态只对下一层神经元的状态产生影响。在输出层,将输出标签与样本真实标签进行比较,若损失函数大于某一很小的阈值,则进入反向传播过程。
(2)反向传播
根据梯度下降算法及链式法则,可得到损失函数对各个权值的偏差为:
当k=m时,该层为输出层,则:
此时,
当k<m时,该层为隐藏层,此时应该考虑上一层对该层的影响。由链式法则有:
此时,
设学习速率为η,则进行权值更新可得:
权值更新后,重复执行正向和反向传播,直至损失函数小于设定的阈值,迭代结束,网络训练完成。
(3)批样本归一化
由于训练过程中,各层输入值的分布随前一层参数的变化而变化,使得每经过一层,网络都要重新适应新的数据分布特性,并且这种影响会随着网络深度的增加而不断被累积放大,从而增加了深层网络的训练难度,导致训练速度降低,甚至梯度弥散。为了使各层神经元的输入服从同一分布,需要对每个样本及各层神经元的输入进行批样本归一化处理,以保证每层输入样本分布稳定。
批样本归一化也包含正向与反向传播两个步骤。考虑一个大小为s的小批量输入样本B={a1,a1,…,as},其均值μB和方差分别为:
则批样本归一化后的样本yi为:
其中,β和γ是可学习的系数,参数ε防止分母为零。根据链式法则,可得批样本归一化对μB、β和γ的反向传播公式:
步骤三.3、将未知雷达参数一维数组放入深度神经网络模型进行处理,自动生成雷达行为。
结合目标平台信息(目标平台信息包括高度、速度、目标RCS)和雷达行为,进行目标信息综合处理,生成雷达识别结果和空中目标识别结果,完成空中目标智能识别。其中:根据平台高度、速度、目标RCS等信息,按照空中目标的运动特点和目标大小,对对通过雷达行为给出的识别结果进行甄别。
本发明第二方面公开了一种空中目标智能识别系统。所述系统包括:第一处理单元,被配置为:从未知雷达信号中提取表征雷达行为的动作时序片段以及所述动作时序片段的组合,作为待识别雷达动作时序;第二处理单元,被配置为:通过预配置的编码区间对所述待识别雷达动作时序的各维参数取值范围进行分区编码,生成待识别时序各维参数编码;第三处理单元,被配置为:利用预训练的深度神经网络处理所述待识别时序各维参数编码,识别出对应的雷达行为;第四处理单元,被配置为:根据目标平台信息和所述对应的雷达行为生成雷达识别结果和空中目标识别结果。
根据本发明第二方面的系统,所述第三处理单元还被配置为,预训练所述深度神经网络;具体包括:步骤S01、从电磁目标数据库中提取表征标准雷达行为的标准动作时序片段以及所述标准动作时序片段的组合,作为用于深度学习的原始雷达动作时序;步骤S02、对所述原始雷达动作时序进行预处理,包括:通过所述预配置的编码区间对所述原始雷达动作时序的各维参数取值范围进行分区编码,生成标准时序各维参数编码;步骤S03、采用所述深度神经网络对所述标准时序各维参数编码进行样本学习训练,直至所述样本学习训练达到收敛态,并获取所述预训练的深度神经网络。
根据本发明第二方面的系统,在所述步骤S01中,按照雷达用途对所述电磁目标数据库中的各个辐射源进行分类,进一步按照信号样式对经分类的每一类辐射源再进行分类,得到所述标准动作时序片段以及所述标准动作时序片段的组合;所述第一处理单元具体被配置为:将所述未知雷达信号按照所述信号样式进行分类,以获取所述动作时序片段以及所述动作时序片段的组合。
根据本发明第二方面的系统,在所述步骤02中,分别对脉宽/重复周期、参数个数和工作频率的取值范围进行分区,得到所述预配置的编码区间,分别利用各个所述预配置的编码区间对所述原始雷达动作时序的脉宽/重复周期、参数个数和工作频率进行所述分区编码,当所述脉宽/重复周期、参数个数和工作频率落入某一分区时,所述某一分区置1,其他分区置0,从而生成所述标准时序各维参数编码;所述第二处理单元具体被配置为:利用各个所述预配置的编码区间对所述待识别雷达动作时序的脉宽/重复周期、参数个数和工作频率进行所述分区编码,当所述待识别雷达动作时序的脉宽/重复周期、参数个数和工作频率落入任一分区时,所述任一分区置1,其他分区置0,从而生成所述待识别时序各维参数编码。
根据本发明第二方面的系统,在所述步骤S03中,对所述标准时序各维参数编码进行维度转换,生成标准参数一维数组,采用基于注意力机制和通道信息融合的所述深度神经网络对所述标准参数一维数组进行样本学习训练,直至所述样本学习训练达到收敛态;其中:
所述深度神经网络包括输入层、第一标准化层、第一隐藏层、第二标准化层、第二隐藏层、第三标准化层、第三隐藏层和输出层,所述标准参数一维数组先后经过以上各层后得到标准时序脉冲标签;根据所述标准参数一维数组的真实标签和所述标准时序脉冲标签计算损失函数,通过对所述以上各层的网络神经元权值的反向调整以及不断迭代计算,使得所述损失函数达到设定阈值,则所述样本学习训练达到所述收敛态。
根据本发明第二方面的系统,所述第四处理单元具体被配置为:所述目标平台信息包括平台高度、速度和目标RCS,所述目标RCS为目标雷达散射截面积,结合所述目标平台信息和所述对应的雷达行为,按照控住目标的运动特点和目标大小,对所述对应的雷达行为进行判别,以获取所述雷达识别结果和所述空中目标识别结果。
本发明第三方面公开了一种电子设备。所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时,实现本公开第一方面所述的一种空中目标智能识别方法中的步骤。
图7为根据本发明实施例的一种电子设备的结构图,如图7所示,电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、近场通信(NFC)或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本公开的技术方案相关的部分的结构图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本发明第四方面公开了一种计算机可读存储介质。所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现本公开第一方面所述的一种空中目标智能识别方法中的步骤。
综上,本发明提出的技术方案通过深度学习手段,可以从参数交叠的数据中完成对雷达信号的精确识别,降低传统方法带来的误识别和多识别。有源雷达可获取空中目标的高度、速度、目标RCS等信息,结合该信息,可对空中目标识别结果进行进一步甄别。通过结合空中目标的电磁信号感知信息和有源雷达对空中目标的探测信息进行综合识别,进而提升对空中目标的识别有效性。
请注意,以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种空中目标智能识别方法,其特征在于,所述方法包括:
步骤S1、从未知雷达信号中提取表征雷达行为的动作时序片段以及所述动作时序片段的组合,作为待识别雷达动作时序;
其中,在所述步骤S1中,将所述未知雷达信号按照信号样式进行分类,以获取所述表征雷达行为的动作时序片段以及所述动作时序片段的组合;
步骤S2、通过预配置的编码区间对所述待识别雷达动作时序的各维参数取值范围进行分区编码,生成待识别时序各维参数编码;
其中,在所述步骤S2中,利用各个所述预配置的编码区间对所述待识别雷达动作时序的脉宽/重复周期、参数个数和工作频率进行所述分区编码,当所述待识别雷达动作时序的脉宽/重复周期、参数个数和工作频率落入任一分区时,所述任一分区置1,其他分区置0,从而生成所述待识别时序各维参数编码;
步骤S3、利用预训练的深度神经网络处理所述待识别时序各维参数编码,识别出对应的雷达行为;
其中,预训练所述深度神经网络具体包括:
步骤S01、从电磁目标数据库中提取表征标准雷达行为的标准动作时序片段以及所述标准动作时序片段的组合,作为用于深度学习的原始雷达动作时序;
其中,在所述步骤S01中,按照雷达用途对所述电磁目标数据库中的各个辐射源进行分类,进一步按照所述信号样式对经分类的每一类辐射源再进行分类,得到所述标准动作时序片段以及所述标准动作时序片段的组合;
步骤S02、对所述原始雷达动作时序进行预处理,包括:通过所述预配置的编码区间对所述原始雷达动作时序的各维参数取值范围进行分区编码,生成标准时序各维参数编码;
其中,在所述步骤S02中,分别对脉宽/重复周期、参数个数和工作频率的取值范围进行分区,得到所述预配置的编码区间,分别利用各个所述预配置的编码区间对所述原始雷达动作时序的脉宽/重复周期、参数个数和工作频率进行所述分区编码,当所述脉宽/重复周期、参数个数和工作频率落入某一分区时,所述某一分区置1,其他分区置0,从而生成所述标准时序各维参数编码;
步骤S03、采用所述深度神经网络对所述标准时序各维参数编码进行样本学习训练,直至所述样本学习训练达到收敛态,并获取所述预训练的深度神经网络;
其中,在所述步骤S03中,对所述标准时序各维参数编码进行维度转换,生成标准参数一维数组,采用基于注意力机制和通道信息融合的所述深度神经网络对所述标准参数一维数组进行样本学习训练,直至所述样本学习训练达到收敛态;其中:
所述深度神经网络包括输入层、第一标准化层、第一隐藏层、第二标准化层、第二隐藏层、第三标准化层、第三隐藏层和输出层,所述标准参数一维数组先后经过以上各层后得到标准时序脉冲标签;
根据所述标准参数一维数组的真实标签和所述标准时序脉冲标签计算损失函数,通过对所述以上各层的网络神经元权值的反向调整以及不断迭代计算,使得所述损失函数达到设定阈值,则所述样本学习训练达到所述收敛态;
步骤S4、根据目标平台信息和所述对应的雷达行为生成雷达识别结果和空中目标识别结果;
其中,在所述步骤S4中,所述目标平台信息包括平台高度、速度和目标RCS,所述目标RCS为目标雷达散射截面积,结合所述目标平台信息和所述对应的雷达行为,按照控住目标的运动特点和目标大小,对所述对应的雷达行为进行判别,以获取所述雷达识别结果和所述空中目标识别结果。
2.一种空中目标智能识别系统,其特征在于,所述系统包括:
第一处理单元,被配置为:从未知雷达信号中提取表征雷达行为的动作时序片段以及所述动作时序片段的组合,作为待识别雷达动作时序;
其中,所述第一处理单元具体被配置为:将所述未知雷达信号按照信号样式进行分类,以获取所述表征雷达行为的动作时序片段以及所述动作时序片段的组合;
第二处理单元,被配置为:通过预配置的编码区间对所述待识别雷达动作时序的各维参数取值范围进行分区编码,生成待识别时序各维参数编码;
其中,所述第二处理单元具体被配置为,利用各个所述预配置的编码区间对所述待识别雷达动作时序的脉宽/重复周期、参数个数和工作频率进行所述分区编码,当所述待识别雷达动作时序的脉宽/重复周期、参数个数和工作频率落入任一分区时,所述任一分区置1,其他分区置0,从而生成所述待识别时序各维参数编码;
第三处理单元,被配置为:利用预训练的深度神经网络处理所述待识别时序各维参数编码,识别出对应的雷达行为;
其中,预训练所述深度神经网络具体包括:
步骤S01、从电磁目标数据库中提取表征标准雷达行为的标准动作时序片段以及所述标准动作时序片段的组合,作为用于深度学习的原始雷达动作时序;
其中,在所述步骤S01中,按照雷达用途对所述电磁目标数据库中的各个辐射源进行分类,进一步按照所述信号样式对经分类的每一类辐射源再进行分类,得到所述标准动作时序片段以及所述标准动作时序片段的组合;
步骤S02、对所述原始雷达动作时序进行预处理,包括:通过所述预配置的编码区间对所述原始雷达动作时序的各维参数取值范围进行分区编码,生成标准时序各维参数编码;
其中,在所述步骤S02中,分别对脉宽/重复周期、参数个数和工作频率的取值范围进行分区,得到所述预配置的编码区间,分别利用各个所述预配置的编码区间对所述原始雷达动作时序的脉宽/重复周期、参数个数和工作频率进行所述分区编码,当所述脉宽/重复周期、参数个数和工作频率落入某一分区时,所述某一分区置1,其他分区置0,从而生成所述标准时序各维参数编码;
步骤S03、采用所述深度神经网络对所述标准时序各维参数编码进行样本学习训练,直至所述样本学习训练达到收敛态,并获取所述预训练的深度神经网络;
其中,在所述步骤S03中,对所述标准时序各维参数编码进行维度转换,生成标准参数一维数组,采用基于注意力机制和通道信息融合的所述深度神经网络对所述标准参数一维数组进行样本学习训练,直至所述样本学习训练达到收敛态;其中:
所述深度神经网络包括输入层、第一标准化层、第一隐藏层、第二标准化层、第二隐藏层、第三标准化层、第三隐藏层和输出层,所述标准参数一维数组先后经过以上各层后得到标准时序脉冲标签;
根据所述标准参数一维数组的真实标签和所述标准时序脉冲标签计算损失函数,通过对所述以上各层的网络神经元权值的反向调整以及不断迭代计算,使得所述损失函数达到设定阈值,则所述样本学习训练达到所述收敛态;
第四处理单元,被配置为:根据目标平台信息和所述对应的雷达行为生成雷达识别结果和空中目标识别结果;
其中,所述目标平台信息包括平台高度、速度和目标RCS,所述目标RCS为目标雷达散射截面积,结合所述目标平台信息和所述对应的雷达行为,按照控住目标的运动特点和目标大小,对所述对应的雷达行为进行判别,以获取所述雷达识别结果和所述空中目标识别结果。
3.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时,实现权利要求1所述的一种空中目标智能识别方法。
4.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1所述的一种空中目标智能识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310346143.7A CN116520252B (zh) | 2023-04-03 | 2023-04-03 | 一种空中目标智能识别方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310346143.7A CN116520252B (zh) | 2023-04-03 | 2023-04-03 | 一种空中目标智能识别方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116520252A CN116520252A (zh) | 2023-08-01 |
CN116520252B true CN116520252B (zh) | 2024-03-15 |
Family
ID=87402048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310346143.7A Active CN116520252B (zh) | 2023-04-03 | 2023-04-03 | 一种空中目标智能识别方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116520252B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
CN110133599A (zh) * | 2019-01-08 | 2019-08-16 | 西安电子科技大学 | 基于长短时记忆模型的智能雷达辐射源信号分类方法 |
RU200233U1 (ru) * | 2020-08-04 | 2020-10-13 | Федеральное государственное казенное военное образовательное учреждение высшего образования "Военная академия воздушно-космической обороны имени Маршала Советского Союза Г.К. Жукова" Министерства обороны Российской Федерации | Устройство радиолокационного распознавания классов воздушно-космических объектов в многодиапазонном многопозиционном радиолокационном комплексе с фазированными антенными решетками |
CN112001270A (zh) * | 2020-08-03 | 2020-11-27 | 南京理工大学 | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 |
CN112098957A (zh) * | 2020-09-15 | 2020-12-18 | 西安电子科技大学 | 基于一维自步卷积神经网络的复杂雷达辐射源识别方法 |
CN113033473A (zh) * | 2021-04-15 | 2021-06-25 | 中国人民解放军空军航空大学 | 基于st2dcnn+se的雷达重叠信号识别方法 |
CN114296067A (zh) * | 2022-01-04 | 2022-04-08 | 成都汇蓉国科微系统技术有限公司 | 基于lstm模型的脉冲多普勒雷达低慢小目标识别方法 |
CN114740441A (zh) * | 2022-03-04 | 2022-07-12 | 四川九洲电器集团有限责任公司 | 一种基于小样本的低慢小目标雷达回波识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3913534B1 (en) * | 2020-05-22 | 2023-11-22 | Tata Consultancy Services Limited | System and method for real-time radar-based action recognition using spiking neural network(snn) |
-
2023
- 2023-04-03 CN CN202310346143.7A patent/CN116520252B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
CN110133599A (zh) * | 2019-01-08 | 2019-08-16 | 西安电子科技大学 | 基于长短时记忆模型的智能雷达辐射源信号分类方法 |
CN112001270A (zh) * | 2020-08-03 | 2020-11-27 | 南京理工大学 | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 |
RU200233U1 (ru) * | 2020-08-04 | 2020-10-13 | Федеральное государственное казенное военное образовательное учреждение высшего образования "Военная академия воздушно-космической обороны имени Маршала Советского Союза Г.К. Жукова" Министерства обороны Российской Федерации | Устройство радиолокационного распознавания классов воздушно-космических объектов в многодиапазонном многопозиционном радиолокационном комплексе с фазированными антенными решетками |
CN112098957A (zh) * | 2020-09-15 | 2020-12-18 | 西安电子科技大学 | 基于一维自步卷积神经网络的复杂雷达辐射源识别方法 |
CN113033473A (zh) * | 2021-04-15 | 2021-06-25 | 中国人民解放军空军航空大学 | 基于st2dcnn+se的雷达重叠信号识别方法 |
CN114296067A (zh) * | 2022-01-04 | 2022-04-08 | 成都汇蓉国科微系统技术有限公司 | 基于lstm模型的脉冲多普勒雷达低慢小目标识别方法 |
CN114740441A (zh) * | 2022-03-04 | 2022-07-12 | 四川九洲电器集团有限责任公司 | 一种基于小样本的低慢小目标雷达回波识别方法 |
Non-Patent Citations (2)
Title |
---|
一种基于卷积神经网络的雷达目标分类方法;高淑雅 等;信息技术;20200117(第01期);全文 * |
利用RCS幅度信息进行雷达目标识别;许小剑 等;系统工程与电子技术;19920620(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116520252A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522942B (zh) | 一种图像分类方法、装置、终端设备和存储介质 | |
CN111126134B (zh) | 基于非指纹信号消除器的雷达辐射源深度学习识别方法 | |
CN111444790B (zh) | 一种对多功能雷达工作模式序列的脉冲级智能识别方法 | |
US10976429B1 (en) | System and method for synthetic aperture radar target recognition utilizing spiking neuromorphic networks | |
CN110321603A (zh) | 一种用于航空发动机气路故障诊断的深度计算模型 | |
CN112884059B (zh) | 一种融合先验知识的小样本雷达工作模式分类方法 | |
Xia et al. | Fully dynamic inference with deep neural networks | |
CN112949383B (zh) | 一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法 | |
CN113221787A (zh) | 基于多元差异性融合的行人多目标跟踪方法 | |
CN110427835B (zh) | 图卷积网络与迁移学习的电磁信号识别方法和装置 | |
CN113406588B (zh) | 对认知雷达信号的联合调制类型识别和参数估计方法 | |
Zhang et al. | VGM-RNN: HRRP sequence extrapolation and recognition based on a novel optimized RNN | |
CN115952724A (zh) | 航空发动机剩余寿命预测方法、系统、设备及介质 | |
CN116643246A (zh) | 一种基于内积距离度量的深度聚类雷达脉冲信号分选方法 | |
Mirus et al. | An investigation of vehicle behavior prediction using a vector power representation to encode spatial positions of multiple objects and neural networks | |
CN112859034B (zh) | 自然环境雷达回波幅度模型分类方法和装置 | |
WO2022147583A2 (en) | System and method for optimal placement of interacting objects on continuous (or discretized or mixed) domains | |
Espinoza et al. | Short term chaotic time series prediction using symmetric LS-SVM regression | |
CN116520252B (zh) | 一种空中目标智能识别方法与系统 | |
CN114254686A (zh) | 对抗样本的识别方法及装置 | |
CN110781968B (zh) | 一种基于塑性卷积神经网络的可扩展类别的图像识别方法 | |
CN114766024A (zh) | 用于修剪神经网络的方法和设备 | |
CN111612246A (zh) | 农田土壤的重金属含量预测方法、装置、设备及存储介质 | |
CN116502672A (zh) | 一种神经网络量化部署方法、系统、设备和介质 | |
CN116402138A (zh) | 一种多粒度历史聚合的时序知识图谱推理方法及系统 |
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 |