CN116559809A - 一种基于多源融合网络的雷达辐射源个体识别方法 - Google Patents
一种基于多源融合网络的雷达辐射源个体识别方法 Download PDFInfo
- Publication number
- CN116559809A CN116559809A CN202310314963.8A CN202310314963A CN116559809A CN 116559809 A CN116559809 A CN 116559809A CN 202310314963 A CN202310314963 A CN 202310314963A CN 116559809 A CN116559809 A CN 116559809A
- Authority
- CN
- China
- Prior art keywords
- radar
- radiation source
- data set
- signal
- features
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000004927 fusion Effects 0.000 title claims abstract description 35
- 230000005855 radiation Effects 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于多源融合网络的雷达辐射源个体识别方法，包括：采集来自不同雷达辐射源设备的信号，并对采集到的数据进行预处理；对数据进行多域特征的提取；对提取出的多域特征进行降维处理，构成雷达特征数据集，设计多源融合的神经网络模型并进行训练，利用交叉熵损失进行反向传播对多源融合的神经网络模型进行参数的调优，得到雷达辐射源个体识别的分类器；通过分类器对待测雷达特征数据集进行识别。本发明能够有效提高雷达辐射源特征的全面性，增强了模型的泛化性，从而提高识别的准确率；通过引入神经网络作为分类器避免了专家经验判断过于主观的问题，从而提高了识别系统的稳定性与泛化性，有效的提高了识别准确率。
Description
技术领域
本发明属于辐射源识别、信号处理领域，尤其涉及一种基于多源融合网络的雷达辐射源个体识别方法。
背景技术
随着电子战在正规战场的比重增加，战争已经由原来的实战转变为信息战，雷达辐射源识别作为雷达侦查中对雷达信号的截获与检测的主要手段，逐渐成为雷达侦查领域中的研究重点。雷达辐射源识别是以已有的数据库为基础，对所截获得到的信号特征与数据库中的信号特征匹配，从而确定出信号类型并以此判断发射该信号的辐射源类型。这也是作战过程中截获敌人情报，获取敌人雷达信息并加以干扰的重要过程，因此如何对所截获的雷达信号进行特征提取成为了所要研究的关键。
为防止雷达辐射源被识别，经常会构造一些反侦察手段，对信号附加一些调制信息去干扰和隐藏原本有用的信息，因此这也会恶化电磁环境，使识别变得复杂，对于一些雷达识别装置，在单一域的特征提取与识别会出现识别效果不明显等情况，无法获取其正确的信息。
现有技术中辐射源识别存在特征参数提取方面:信号特征参数只针对信号的某一方面进行提取,未能融合信号多个维度的特征,对信号的特性表征参数还不够全面；分类器设计方面:输入到分类器的特征,未能进一步处理,比如特征选择、建立组合特征,构建的分类器泛化能力弱,在低信噪比时准确率低。
发明内容
为解决现有技术中的不足，本发明提供一种基于多源融合网络的雷达辐射源个体识别方法，能够提高不同识别场景下的识别性能，减少出现识别性能表现的参差不齐的问题。
为了实现上述目标，本发明采用如下技术方案。
本发明提供了一种基于多源融合网络的雷达辐射源个体识别方法，具体包括以下步骤：
步骤S1：采集来自不同雷达辐射源设备的信号，并对采集到的数据进行预处理，将处理结果以I/Q数据的形式存储在存储终端中；
步骤S2：对存储终端中的I/Q数据进行多域特征的提取；
步骤S3：对提取出的多域特征进行降维处理，构成雷达特征数据集；
步骤S4：对雷达特征数据集进行切割，分为训练雷达特征数据集和测试雷达特征数据集；
步骤S5：设计多源融合的神经网络模型；
步骤S6：利用步骤S4中的训练雷达特征数据集和测试雷达特征数据集对步骤S5中的多源融合的神经网络模型进行训练，并利用交叉熵损失进行反向传播对多源融合的神经网络模型进行参数的调优，得到雷达辐射源个体识别的分类器；
步骤S7：通过步骤S6中的分类器对待测雷达特征数据集进行识别，得到分类结果。
进一步地，步骤S1中所述预处理过程分为信号时延估计、稳态部分信号提取和功率归一化。
进一步地，步骤S2具体为：首先对信号进行三阶累积量的计算，并对其进行二维傅里叶变换得到信号的双谱特征，同时对信号进行HHT变换得到信号的时频域特征。
进一步地，步骤S3具体为：首先对步骤S2中的双谱特征通过照积分路径积分，得到一维双谱特征，再分析一维双谱特征中时频谱中的差异，提取出边际谱作为信号指纹特征，利用降维后的时频特征与双谱特征，构成雷达多域特征数据集。
进一步地，步骤S5中模型设计具体如下：
步骤S51：利用两个卷积块对输入的降维后的雷达多域特征，分别提取出其特征中的隐藏信息；
步骤S52：利用自适应平均池化层的输出对多域特征中提取的隐藏信号进行多源特征信息融合；
步骤S53：将融合后的信息送入全连接层中。
进一步地，步骤S6具体包括如下步骤：
步骤S61：将雷达特征训练数据集输入多源融合网络中；
步骤S62：设置训练优化器为Adam优化器、Batch Size为32、以及初始学习率为0.001；
步骤S63：设置损失函数为交叉熵损失如下：
其中M为类别的数量，yic为符号函数，如果样本i的真实类别为c则取1，否则取0，pic为观测样本属于类别c的类别概率；
步骤S64：利用最小化交叉熵损失对模型进行反向传播，对模型的参数进行调优，所用
公式如下：
其中θ为网络参数，为最小化损失得到最优网络参数。
进一步地，三阶累积量计算公式如下：
其中，c3x(τ1,τ2)三阶累积量，x(n)是预处理后的雷达信号，*表示共轭运算，τ1,τ2代表时延，E{·}代表均值；
所述二维傅里叶变换公式如下：
进一步地，所述边际谱为：
其中l为时延，ω为频率。
进一步地，还包括在全连接层后加入dropout层，丢失率设置为0.5，并在最后一层全连接层后，利用SoftMax激活函数得到分类中的概率。
与现有技术相比，本发明有益效果是：
1.本发明提供的一种基于多源融合网络的雷达辐射源个体识别方法，减少对专家经验的依赖：避免了传统识别算法中过度依赖专家经验的问题，提高了方法的可靠性和稳定性。
2.本发明提供的一种基于多源融合网络的雷达辐射源个体识别方法，通过解决单一特征在不同场景下的鲁棒性问题，降低了识别效果变差的风险。
3.本发明提供的一种基于多源融合网络的雷达辐射源个体识别方法，利用信号特征的多源融合，提高了特征的全面性，有效地提高了识别准确率。
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为是本发明基于多源融合网络的雷达辐射源个体识别方法流程图；
图2为本发明方法步骤图；
图3为本发明提出多源融合网络架构；
图4为本发明提出的具体多源融合网络。
具体实施方式
下面结合附图对本发明作进一步地详细说明，以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
如图1所示，一种基于多源融合网络的雷达辐射源个体识别方法，具体包括以下步骤：
步骤S1:利用USRP设备(通用软件无线电外设)采集来自不同雷达辐射源设备的信号，并对采集到的数据进行，信号时延估计，稳态部分信号提取，功率归一化等预处理，最终以I/Q数据的形式存储在存储终端中；
步骤S2：对预处理后的数据进行多域特征的提取，首先对信号进行三阶累积量的计算，并对其进行二维傅里叶变换得到信号的双谱特征，同时对信号进行HHT(希尔伯特-黄)变换得到信号的时频域特征；
具体为：
步骤2-1：首先利用三阶累积量计算公式
c3x(τ1,τ2)＝E{x*(n)x(n+τ1)x(n+τ2)}，
计算出雷达信号的三阶累积量c3x(τ1,τ2)，其中x(n)是预处理后的雷达信号，*表示共轭运算，τ1,τ2代表时延，E{·}代表均值；
步骤2-2：由于信号三阶累积量与信号双谱互为一对傅里叶变换，所以对利用二维傅里叶变换公式
计算得到雷达信号的双谱特征，其中c3x(τ1,τ2)为雷达信号三阶累积量，ω1,ω2为频率，τ1,τ2代表时延，Bx(ω1,ω2)为雷达信号的双谱。
步骤2-3：又由于离散雷达信号能量有限，其双谱特征可以通过对信号进行不同频率下的傅里叶变换得到，等价变换公式为，
Bx(ω1,ω2)＝X(ω1)X(ω2)X*(ω1,ω2)，
其中X(ω1)，X(ω2)为信号不同频率下的一维傅里叶变换，X*(ω1,ω2)为信号的二维傅里叶变换的共轭值；
步骤2-4：通过希尔伯特黄变换提取出信号的时频特征；
步骤2-5：首先对信号进行EMD分解，即将信号分解为多个本征模态(IMF)的和；
步骤2-6：接下来需要对每个本征模态进行希尔伯特变换。
Wigner-Ville分布存在的交叉项影响了它的时频分辨率，不利于信号检测，因此，如何减小交叉项就成Wigner-Vill分布性能改进的主要目标。Wigner-Ville分布是在全时间轴上用能量表示信号的特征，但在实际工作中，都是选取有限长的数据进行分析，这就相当于对原始信号施加一个随时间轴滑动的窗函数。因此，通过对变量进行加窗，可以减小交叉项带来的负面影响。PWVD是一种有效地处理信号的时频分析方法。是由Wigner-Ville变换改进得到的，其变换公式为：
其中l为时延，ω表示频率。
步骤S3：对提取出的多域特征进行降维处理，构成雷达特征数据集；具体步骤包括：
步骤3-1：首先对提取出的二维双谱特征进行降维，照积分路径积分可良好保持双谱信息的完整性，并且不会引起部分双谱值的重复使用，得到的一维双谱特征为：
其中Sl为积分路径，这里为矩形积分路径，为围线积分，Bx(ω1,ω2)为未降维的雷达信号二维双谱特征，SIB(ω)为利用围线积分降维后的一维双谱特征。
步骤3-2：分析其时频谱中的差异，可以提取出边际谱作为信号指纹特征，其边际谱为：
其中l为时延，ω为频率；
步骤3-3：利用降维后的时频特征与双谱特征，构成雷达多域特征数据集。
步骤S4：对雷达特征数据集进行按比例进行切割，分为训练雷达特征数据集和测试雷达数据集；
步骤S5：设计一种多源融合的神经网络模型，具体为：
步骤5-1：具体网络架构如图3所示，首先利用两个卷积块对输入的降维后的雷达多域特征训练集，分别提取出其特征中的信息；
步骤5-2：利用自适应平均池层的输出对从多域特征中提取出的隐藏信号，进行多源特征信息融合；
步骤5-3：将融合后的信息送入全连接层中，为了防止过拟合，在全连接层后加入dropout层，丢失率设置为0.5，并在最后一层全连接层后，利用SoftMax激活函数得到分类中的属于哪类的概率。
多源融合网络如图4所示，提高网络训练的速度，卷积块中加入BN(BatchNormalization)层，以达到加快收敛速度，防止梯度爆炸和梯度消失的目的，同时引入ResBlock(残差块)，通过快捷连接的方式，有效的防止了梯度爆炸与梯度消失的问题。
图4中，ConvBlock、Max pooling、Res Block、Adaptive avgpooling、FC、softMax、RELU分别表示卷积层、最大池化、残差块、自适应池化层、全连接层、激活函数、整流线性单元。
步骤S6：利用训练雷达特征训练数据集对模型对进行训练，并利用交叉熵损失进行反向传播对模型进行参数的调优，最终得到一个雷达辐射源个体的分类器；具体包括如下步骤：
步骤6-1：将雷达特征训练数据集输入多源融合网络中；
步骤6-2：设置训练优化器为Adam优化器、Batch Size为32、以及初始学习率为0.001；
步骤6-3：设置损失函数为交叉熵损
其中N为批量样本的数量，M为类别的数量，yic为符号函数，如果样本i的真实类别为c则取1，否则取0，pic为观测样本属于类别c的类别概率；
步骤6-4：利用最小化交叉熵损失对模型进行反向传播，对模型的参数进行调优，
步骤S7:将待测雷达特征数据集输入分类器，得到最终的分类结果。
本发明所设计的识别网络避免了传统识别算法中过于依赖专家经验，解决了传统方法可靠性不稳定的问题；同时本发明能有效的解决单一特征在不同场景下不具有鲁棒性，因此容易出现识别效果变差的问题，利用信号特征的多源融合，以此提高特征的全面性，有效的提高了识别的准确率。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种基于多源融合网络的雷达辐射源个体识别方法，其特征在于：具体包括以下步骤：
步骤S1：采集来自不同雷达辐射源设备的信号，并对采集到的数据进行预处理，将处理结果以I/Q数据的形式存储在存储终端中；
步骤S2：对存储终端中的I/Q数据进行多域特征的提取；
步骤S3：对提取出的多域特征进行降维处理，构成雷达特征数据集；
步骤S4：对雷达特征数据集进行切割，分为训练雷达特征数据集和测试雷达特征数据集；
步骤S5：设计多源融合的神经网络模型；
步骤S6：利用步骤S4中的训练雷达特征数据集和测试雷达特征数据集对步骤S5中的多源融合的神经网络模型进行训练，并利用交叉熵损失进行反向传播对多源融合的神经网络模型进行参数的调优，得到雷达辐射源个体识别的分类器；
步骤S7：通过步骤S6中的分类器对待测雷达特征数据集进行识别，得到分类结果。
2.根据权利要求1所述的一种基于多源融合网络的雷达辐射源个体识别方法，其特征在于，步骤S1中所述预处理过程分为信号时延估计、稳态部分信号提取和功率归一化。
3.根据权利要求1所述的一种基于多源融合网络的雷达辐射源个体识别方法，其特征在于，步骤S2具体为：首先对信号进行三阶累积量的计算，并对其进行二维傅里叶变换得到信号的双谱特征，同时对信号进行HHT变换得到信号的时频域特征。
4.根据权利要求1所述的一种基于多源融合网络的雷达辐射源个体识别方法，其特征在于，步骤S3具体为：首先对步骤S2中的双谱特征通过照积分路径积分，得到一维双谱特征，再分析一维双谱特征中时频谱中的差异，提取出边际谱作为信号指纹特征，利用降维后的时频特征与双谱特征，构成雷达多域特征数据集。
5.根据权利要求1所述的一种基于多源融合网络的雷达辐射源个体识别方法，其特征在于，步骤S5中模型设计具体如下：
步骤S51：利用两个卷积块对输入的降维后的雷达多域特征，分别提取出其特征中的隐藏信息；
步骤S52：利用自适应平均池化层的输出对多域特征中提取的隐藏信号进行多源特征信息融合；
步骤S53：将融合后的信息送入全连接层中。
6.根据权利要求1所述的一种基于多源融合网络的雷达辐射源个体识别方法，其特征在于，步骤S6具体包括如下步骤：
步骤S61：将雷达特征训练数据集输入多源融合网络中；
步骤S62：设置训练优化器为Adam优化器、Batch Size为32、以及初始学习率为0.001；
步骤S63：设置损失函数为交叉熵损失如下：
其中M为类别的数量，yic为符号函数，如果样本i的真实类别为c则取1，否则取0，pic为观测样本属于类别c的类别概率；
步骤S64：利用最小化交叉熵损失对模型进行反向传播，对模型的参数进行调优，所用公式如下：
其中θ为网络参数，为最小化损失得到最优网络参数。
7.根据权利要求3所述的一种基于多源融合网络的雷达辐射源个体识别方法，其特征在于，三阶累积量计算公式如下：
c3x(τ1,τ2)＝E{x*(n)x(n+τ1)x(n+τ2)}
其中，c3x(τ1,τ2)三阶累积量，x(n)是预处理后的雷达信号，*表示共轭运算，τ1,τ2代表时延，E{·}代表均值；
所述二维傅里叶变换公式如下：
8.根据权利要求4所述的一种基于多源融合网络的雷达辐射源个体识别方法，其特征在于，所述边际谱为：
其中l为时延，ω为频率。
9.根据权利要求5所述的一种基于多源融合网络的雷达辐射源个体识别方法，其特征在于，还包括在全连接层后加入dropout层，丢失率设置为0.5，并在最后一层全连接层后，利用SoftMax激活函数得到分类中的概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310314963.8A CN116559809B (zh) | 2023-03-28 | 2023-03-28 | 一种基于多源融合网络的雷达辐射源个体识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310314963.8A CN116559809B (zh) | 2023-03-28 | 2023-03-28 | 一种基于多源融合网络的雷达辐射源个体识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116559809A true CN116559809A (zh) | 2023-08-08 |
| CN116559809B CN116559809B (zh) | 2024-06-14 |
Family
ID=87493606
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310314963.8A Active CN116559809B (zh) | 2023-03-28 | 2023-03-28 | 一种基于多源融合网络的雷达辐射源个体识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116559809B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020156348A1 (zh) * | 2019-01-31 | 2020-08-06 | 青岛理工大学 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
| CN111767848A (zh) * | 2020-06-29 | 2020-10-13 | 哈尔滨工程大学 | 一种基于多域特征融合的辐射源个体识别方法 |
| 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 |
| CN112668498A (zh) * | 2020-12-30 | 2021-04-16 | 西安电子科技大学 | 空中辐射源个体智能增量识别方法、系统、终端及应用 |
| CN113109782A (zh) * | 2021-04-15 | 2021-07-13 | 中国人民解放军空军航空大学 | 一种直接应用于雷达辐射源幅度序列的新型分类方法 |
| CN114943246A (zh) * | 2022-04-07 | 2022-08-26 | 中国人民解放军海军航空大学航空作战勤务学院 | 一种基于双谱特征提取的半监督特定辐射源识别方法 |
| US20220327863A1 (en) * | 2021-04-12 | 2022-10-13 | Bitsensing Inc. | Face identification using millimeter-wave radar sensor data |
| CN115705393A (zh) * | 2021-08-11 | 2023-02-17 | 华东师范大学 | 一种基于持续学习的雷达辐射源分级识别方法 |
| WO2023029390A1 (zh) * | 2021-09-01 | 2023-03-09 | 东南大学 | 一种毫米波雷达手势检测识别方法 |
-
2023
- 2023-03-28 CN CN202310314963.8A patent/CN116559809B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020156348A1 (zh) * | 2019-01-31 | 2020-08-06 | 青岛理工大学 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
| CN111767848A (zh) * | 2020-06-29 | 2020-10-13 | 哈尔滨工程大学 | 一种基于多域特征融合的辐射源个体识别方法 |
| 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 |
| CN112668498A (zh) * | 2020-12-30 | 2021-04-16 | 西安电子科技大学 | 空中辐射源个体智能增量识别方法、系统、终端及应用 |
| US20220327863A1 (en) * | 2021-04-12 | 2022-10-13 | Bitsensing Inc. | Face identification using millimeter-wave radar sensor data |
| CN113109782A (zh) * | 2021-04-15 | 2021-07-13 | 中国人民解放军空军航空大学 | 一种直接应用于雷达辐射源幅度序列的新型分类方法 |
| CN115705393A (zh) * | 2021-08-11 | 2023-02-17 | 华东师范大学 | 一种基于持续学习的雷达辐射源分级识别方法 |
| WO2023029390A1 (zh) * | 2021-09-01 | 2023-03-09 | 东南大学 | 一种毫米波雷达手势检测识别方法 |
| CN114943246A (zh) * | 2022-04-07 | 2022-08-26 | 中国人民解放军海军航空大学航空作战勤务学院 | 一种基于双谱特征提取的半监督特定辐射源识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 卢旺等: "基于双谱-谱图特征和深度卷积神经网络的HRRP目标识别方法", 《系统工程与电子技术》, pages 1704 - 1706 * |
| 张宁: "基于残差神经网络的辐射源个体识别", 《航天电子对抗》, pages 6 - 7 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116559809B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111901340B (zh) | 一种面向能源互联网的入侵检测系统及其方法 | |
| CN115496100A (zh) | 一种基于GAF-ConvNeXt-TF的周界安防扰动识别算法 | |
| CN116527346A (zh) | 基于深度学习图神经网络理论的威胁节点感知方法 | |
| CN114285545B (zh) | 一种基于卷积神经网络的侧信道攻击方法及系统 | |
| CN111914166A (zh) | 应用于社区矫正人员的矫正策略个性化推荐系统 | |
| CN115079052A (zh) | 一种变压器故障诊断方法和系统 | |
| Liao et al. | Fast Fourier Transform with Multi-head Attention for Specific Emitter Identification | |
| CN112487933B (zh) | 一种基于自动化深度学习的雷达波形识别方法及系统 | |
| CN116559809B (zh) | 一种基于多源融合网络的雷达辐射源个体识别方法 | |
| CN113537306A (zh) | 一种基于渐进式成长元学习的图像分类方法 | |
| CN116977834A (zh) | 一种开放条件下分布内外图像识别方法 | |
| CN113887633B (zh) | 基于il的闭源电力工控系统恶意行为识别方法及系统 | |
| CN116484206A (zh) | 基于seim的未知辐射源个体识别方法及系统 | |
| CN116340812A (zh) | 一种变压器局部放电故障模式识别方法及系统 | |
| CN113111774B (zh) | 一种基于主动增量式微调的雷达信号调制方式识别方法 | |
| CN115564709A (zh) | 一种对抗场景下电力算法模型鲁棒性的评估方法和系统 | |
| CN115169406A (zh) | 基于经验模态分解的瞬时相位指纹特征增强方法 | |
| CN112434716B (zh) | 一种基于条件对抗神经网络的水下目标数据扩增方法及系统 | |
| Wu et al. | AMS Intrusion Detection Method Based on Improved Generalized Regression Neural Network | |
| CN113807400B (zh) | 一种基于对抗攻击的高光谱图像分类方法、系统和设备 | |
| CN110334659B (zh) | 一种基于二分类的双峰发射线数据搜寻方法 | |
| CN114615020B (zh) | 基于特征约减和动态加权的网络设备快速识别方法及系统 | |
| CN118194955B (zh) | 一种基于残差能量度量的卷积神经网络通道剪枝方法 | |
| Xu et al. | Individual recognition of communication emitter based on deep learning | |
| Li | Research on the application of a hybrid model based on deep learning and cluster analysis in anomaly detection of cloud platform access |
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 |