CN116774154B - 一种雷达信号分选方法 - Google Patents
一种雷达信号分选方法 Download PDFInfo
- Publication number
- CN116774154B CN116774154B CN202311061194.1A CN202311061194A CN116774154B CN 116774154 B CN116774154 B CN 116774154B CN 202311061194 A CN202311061194 A CN 202311061194A CN 116774154 B CN116774154 B CN 116774154B
- Authority
- CN
- China
- Prior art keywords
- radar signal
- convolution
- layer
- encoder
- signal sorting
- 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 50
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 18
- 230000000295 complement effect Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000000137 annealing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- FEIWNULTQYHCDN-UHFFFAOYSA-N mbba Chemical compound C1=CC(CCCC)=CC=C1N=CC1=CC=C(OC)C=C1 FEIWNULTQYHCDN-UHFFFAOYSA-N 0.000 claims 6
- 102100021943 C-C motif chemokine 2 Human genes 0.000 claims 2
- 101000897480 Homo sapiens C-C motif chemokine 2 Proteins 0.000 claims 2
- 230000007123 defense Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
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
本发明适用于雷达信号处理领域,提供了一种雷达信号分选方法,该方法包括以下步骤:步骤A:生成六种雷达信号调制模式不同情况的数据,以扩充数据集;步骤B:对步骤A中的图像进行正则化操作;步骤C:构建基于卷积神经网络和Transformer的RDNet;输入的雷达信号图像首先经过特征提取编码器进行特征提取,然后将提取的特征送入到解码器进行尺度的重建,最后将与原始图像相同尺寸的特征输入到雷达信号分选头,从而得到最终的分选结果,本发明的分选准确度高,在面对输入脉冲中缺失率和噪音率高的情况下鲁棒性强,可以成为复杂电磁环境下雷达信号分选的有利工具,有助于电子战中雷达电子对抗的实施。
Description
技术领域
本发明涉及雷达信号处理领域,具体是一种雷达信号分选方法。
背景技术
雷达是利用电磁波探测目标的电子设备。雷达发射电磁波对目标进行照射并接收其回波,由此获得目标至电磁波发射点的距离、距离变化率(径向速度)、方位及高度等信息。自1944年起,雷达在电子战(EW)中投入使用,主要应用于空中侦察和火炮定位系统方面,雷达对抗在EW中的地位开始逐渐凸显。雷达信号分选方法是EW的一个重要基础。一般来说,电子战系统采用雷达信号分选方法来保护友军雷达,同时对敌方雷达采取攻击性行动,从而阻碍其跟踪和探测盟军目标的能力。因此研究一种高效的、实时的及具有认知功能的雷达信号分选算法具有广泛的和迫切的国防需求,对提升国防雷达对抗、电子对抗及认知电子对抗具有重要意义,是提高雷达侦查装备的关键技术。目前雷达侦查装备中往往采用库匹配形式的雷达信号分选算法。然而这类算法需要侦查人员掌握相关雷达工作模式的参数信息并构建知识库,从而限制了其普适性。同时随着雷达信号环境的日趋复杂,库模板匹配算法能力明显不足,甚至失效。
传统的雷达信号分选方法通常利用雷达信号的到达时间(Time Of Arrival TOA)序列作为主要数据。脉冲重复间隔(Pulse Repetition Interval PRI)是根据TOA序列计算而来的重要分选参数。基于PRI的传统雷达信号分选方法首先确定潜在的PRI,然后在输入脉冲序列中循环搜索具有这些潜在PRI的脉冲,以完成信号分类任务。常用的传统方法可分为两种:一种是基于统计直方图方法的,另一种是基于PRI变换方法的。然而,随着PRI调制模式和电磁环境的日益复杂,使用传统方法可能会增加潜在PRI的搜索成本,并降低了雷达信号分选性能。
因此,针对以上现状,迫切需要提供一种雷达信号分选方法,以克服当前实际应用中的不足。
发明内容
本发明的目的在于提供一种雷达信号分选方法,旨在解决上述背景技术中的问题。
本发明是这样实现的,一种雷达信号分选方法,该方法包括以下步骤:
步骤A:生成长度为512的雷达信号脉冲的TOA序列,格式为CSV,其中每个序列中包含六种雷达信号调制模式的全排列组合,构建一个长宽为512的矩阵,计算CSV文件中每两个元素之间的差的绝对值,并填在矩阵的相应位置,其余位置值为0,并将这个矩阵转化为512pix*512pix的图像;
步骤B:对步骤A中的图像进行正则化操作,统计每个像素的频次,并用这个频次代替像素原来的值,把正则化后的数据集分成三个部分,即训练集、验证集和测试集;
步骤C:构建基于卷积神经网络和Transformer的RDNet来进行雷达信号分选,RDNet包括特征提取编码器、解码器以及雷达信号分选头;输入的雷达信号图像首先经过特征提取编码器进行特征提取,然后将提取的特征送入到解码器进行尺度的重建,最后将与原始图像相同尺寸的特征输入到雷达信号分选头,从而得到最终的分选结果;
步骤D:使用步骤B中所得到的训练集和验证集对RDNet进行训练,生成训练好的RDNet模型;
步骤E:使用步骤B中所得到的测试集对步骤D中训练好的RDNet模型进行测试。
作为本发明进一步的方案:在步骤A中,所述六种雷达信号调制模式包括恒参调制模式、抖动调制模式、参差调制模式、组参差调制模式、滑变调制模式以及正弦PRI调制模式。
作为本发明进一步的方案:在步骤A中生成雷达信号脉冲的TOA序列时,使用六种雷达信号调制模式的全排列组合,总计生成65700个数据。
作为本发明进一步的方案:在步骤C中,所述RDNet还包括卷积径;
所述特征提取编码器包括卷积编码器和混合编码器。
作为本发明进一步的方案:步骤C具体包括:
RDNet的输入是PNG图像,输入的PNG图像首先经过卷积径,随后经过卷积编码器和混合编码器,并通过部分跳跃连接弥补采样造成的损失,之后将特征送入雷达信号分选头,完成雷达信号分选;
在卷积径中,输入图像经过了一个TDC模块,每个TDC模块包括三个深度可分离卷积层、BN层以及ReLU层;深度可分离卷积层首先对输入特征进行逐通道卷积,卷积核大小为3*3,步长为1,补全为1,组数为输入通道数;之后对这些特征进行逐点卷积,卷积核大小为3*3,步长为1,补全为0,组数为1;原始图像经过卷积径后输入到卷积编码器中;
在卷积编码器中,首先经过一个卷积核大小为3*3,步长为1的卷积,再经过BN层和ReLU层来降低通道数;之后经过一个DDC模块,每个DDC模块包括两个深度可分离卷积层、BN层以及ReLU层;将最后一个ReLU层的输出,输入到另一个卷积核大小为3*3,步长为1的卷积,再输入BN层和ReLU层,将通道数调整为输出的通道数;再经过一个下采样层,将特征图的大小减半;最终得到提取的底层特征,然后将该底层特征输入到混合编码器中;
在混合编码器中,先将输入的底层特征经过一个下采样层,使特征图大小减半,下采样层的采样方法同卷积编码器;并引入两个分支:第一个分支为一个MBBA模块,用来提取条形特征;第二个分支为一个Vision Transformer层,利用多头自注意力机制来建模输入的全局特征;将这两个分支的输出使用MCAF模块融合起来;在使用1*1的卷积层调整条形特征和全局特征的通道后,对融合后的特征使用通道注意力,使模型更集中于重要的特征;最后将该特征输入到解码器中;
在解码器中,输入混合编码器处理后特征,并经过四个解码器模块,每个解码器模块包含一个DDC模块和一个上采样层;上采样层的采样方法使用转置卷积,卷积核大小为4*4,步长为2,补全为1;最后一个上采样层的输出进入到雷达信号分选头;
在雷达信号分选头中,被解码器处理后的特征首先经过一个卷积核大小3*3的深度可分离卷积,BN层和ReLU层来减少通道数;之后将这些输出送进一个卷积核大小为1*1的雷达信号分选头;最后将得到的特征进行计算,从而得到雷达信号分选的结果。
作为本发明进一步的方案:在卷积编码器中,下采样方法采用的是卷积方法,使用一个卷积核大小为3*3,步长为2,补全为1的卷积层。
作为本发明进一步的方案:在混合编码器中,MBBA将输入的特征通过一个1*1的卷积层,以减少通道的数量和计算的复杂性;随后,MBBA采用三个条形卷积块分支来提取不同长度的条形特征;之后,MBBA将每个分支的输出与输入特征相结合,然后将其作为注意力权重,对MBBA模块的输入进行重新加权;条形卷积块即为卷积核大小为1*n和n*1的两个卷积层叠加。
作为本发明进一步的方案:在混合编码器中,在MCAF模块中,在处理VisionTransformer输出的全局特征时使用空间注意力;再将来自MBBA中的特征与空间注意力处理后的ViT特征按特定维度拼接后,使用通道注意力来聚合融合特征。
作为本发明进一步的方案:所述的步骤D具体为:
使用步骤B中得到的训练集对所提出的网络RDNet进行训练,设置初始学习率,并在训练过程中使用余弦退火方法动态调整学习率;Batch size设置为4,优化器选择adam优化器,损失函数使用CE loss和Dice loss的组合,训练轮次为150。
作为本发明进一步的方案:所述的步骤E具体为:
使用步骤B获得的测试集,对已经训练好的RDNet模型进行测试,将网络输出的雷达信号分选结果与标签做对比,判断分选的准确率。
与现有技术相比,本发明的有益效果:
本发明采用了一种独特的数据处理技术来提高信号分选性能的鲁棒性,并采用了一种名为RDNet的新型雷达语义分割模型来确定雷达信号的调制模式。RDNet集成了三个新的模块:多分支条注意力(MBBA)模块来提取周期结构特征,ViT模块,使RDNet对长距离依赖的捕获能力更强,多通道注意力特征融合(MCAF)模块确保MBBA和ViT的输出被有效的整合。值得注意的是,RDNet采用了端到端的结构,消除了传统方法对原始TOA序列的重复循环,降低了计算过程的复杂性。同时该发明在雷达信号分选准确度的表现上明显优于传统方法,特别是在损失和噪声脉冲率高的电磁环境中。本发明提高电子战侦察能力,并为该领域的未来研究开辟了途径。
附图说明
图1为本发明实施例提供的一种雷达信号分选方法的流程图一。
图2为本发明实施例提供的一种雷达信号分选方法的流程图二。
图3为本发明实施例提供的一种雷达信号分选方法中RDNet的结构示意图。
实施方式
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,所描述的实施例仅仅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。以下结合具体实施例对本发明的具体实现进行详细描述。
请参阅图1-图3,本发明实施例提供的一种雷达信号分选方法,该方法具体步骤包括:
扩充数据集:
本发明旨在从交错的脉冲流中分选出六种(恒参、抖动、参差、组参差、滑变和正弦PRI)调制模式的雷达信号。首先通过Python中的itertools库生成包含六种调制模式的全排列索引,总计63种情况。为每种情况随机生成格式为CSV的900个不同参数类型的长度为512的雷达脉冲TOA序列,即包含512个脉冲信号。并使用Python中的cv2库,将CSV文件转化为PNG图像,大小为512pix*512pix。之后根据每个像素的频次,对数据做频次正则化,将原始数值替换为其频次。在正则化过的数据中,将行大于列的像素标记为该雷达信号的调制模式,列小于行的像素标记为背景;
将这56700条数据按照7:2:1的比例划分为训练集、验证集和测试集,最终得到训练集39690张,验证集11340张,测试集5670张。
网络的构建与训练:
构建基于卷积神经网络(CNN)和Transformer的雷达信号语义分割网络(RDNet),RDNet的输入是PNG图像,输入的PNG图像首先经过卷积径,随后经过卷积编码器,混合编码器通过部分跳跃连接的方式弥补采样造成的损失,之后将特征送入雷达信号分选头,从而最终完成雷达信号的分选;
在卷积编码器中,首先经过一个卷积核大小为3*3,步长为1的卷积,BN层和ReLU层用于降低通道数。之后经过一个DDC模块,每个DDC模块包括两个深度可分离卷积层、BN层以及ReLU层。将最后一个ReLU层的输出,输入到另一个卷积核大小为3*3,步长为1的卷积,再输入BN层和ReLU层,将通道数调整为输出的通道数。再经过一个下采样层,将特征图的大小减半。其中下采样层的采样方法采用的是卷积方法,使用一个卷积核大小为3*3,步长为2,补全为1的卷积层。最终得到提取的底层特征,然后将该底层特征输入到混合编码器中;
在混合编码器中,先将输入的底层特征经过一个下采样层,使特征图大小减半,下采样层的采样方法同卷积编码器。之后我们引入了两个分支,第一个分支为一个MBBA模块,用来提取条形特征。最初,MBBA将输入的特征通过一个1*1的卷积层,以减少通道的数量和计算的复杂性。随后,MBBA采用三个条形卷积块分支来提取复杂的特征。之后,MBBA将每个分支的输出与输入特征相结合,然后将其作为注意力权重,对MBBA模块的输入进行重新加权。条形卷积块即为卷积核大小为1*n和n*1的两个卷积层叠加,在MBBA的三个分支中,n为别为3、5和7。第二个分支为一个Vision Transformer层,利用多头自注意力机制来建模输入的全局特征。之后将这两个分支的输出使用MCAF模块融合起来,在MCAF模块中,首先在处理Vision Transformer输出的全局特征时使用空间注意力,以帮助网络更好地从中提取结构信息;然后在使用1*1的卷积层调整条形特征和全局特征的通道后,对融合后的特征使用通道注意力,使模型更集中于重要的特征。最后将该特征输入到解码器中;
在解码器中,输入混合编码器处理后特征,并经过四个解码器模块,每个解码器模块包含一个DDC模块和一个上采样层。上采样层的采样方法使用转置卷积,卷积核大小为4*4,步长为2,补全为1。后三个解码器模块接收来自与之对应的编码器输出的特征图,最底层的编码器不接收额外的特征图。最后一个上采样层的输出进入到雷达信号分选头;
在雷达信号分选头中,被解码器处理后的特征首先经过一个卷积核大小3*3的深度可分离卷积,BN层和ReLU层来减少通道数。之后将这些输出送进一个卷积核大小为1*1的雷达信号分选头,它的输出通道数为8(包含背景和噪音)。最后将得到的特征进行最后维度argmax操作,得到雷达信号分选的结果;
网络的训练:
使用扩充数据集中得到的训练集,对所提出的网络RDNet进行训练,设置初始学习率,并在训练过程中使用余弦退火方法动态调整学习率,权重衰减设置为0.999。Batchsize设置为4,优化器选择adam优化器,损失函数使用CE loss和Dice loss的组合,训练轮次为150。每训练1轮进行一次验证,每训练5轮进行一次测试,每训练30轮进行一次保存模型。当测试损失达到收敛时,保存模型并停止训练;
测试数据对训练的模型进行验证,确定测试效果:
对扩充数据集中得到的测试集,使用训练好的RDNet网络进行预测。首先加载训练阶段保存的最优模型和权重,将测试集中的数据输入至训练好的模型中,获得预测结果。结果包括每个像素的雷达信号调制模式标签,根据这个预测标签与测试集中的真实标签计算出平均误差,可以评估雷达信号分选的准确度。
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)
1.一种雷达信号分选方法,其特征在于,该方法包括以下步骤:
步骤A:生成长度为512的雷达信号脉冲的TOA序列,格式为CSV,其中每个序列中包含六种雷达信号调制模式的全排列组合,构建一个长宽为512的矩阵,计算CSV文件中每两个元素之间的差的绝对值,并填在矩阵的相应位置,其余位置值为0,并将这个矩阵转化为512pix*512pix的图像;
步骤B:对步骤A中的图像进行正则化操作,统计每个像素的频次,并用这个频次代替像素原来的值,把正则化后的数据集分成三个部分,即训练集、验证集和测试集;
步骤C:构建基于卷积神经网络和Transformer的RDNet来进行雷达信号分选,RDNet包括特征提取编码器、解码器以及雷达信号分选头;输入的雷达信号图像首先经过特征提取编码器进行特征提取,然后将提取的特征送入到解码器进行尺度的重建,最后将与原始图像相同尺寸的特征输入到雷达信号分选头,从而得到最终的分选结果;
步骤D:使用步骤B中所得到的训练集和验证集对RDNet进行训练,生成训练好的RDNet模型;
步骤E:使用步骤B中所得到的测试集对步骤D中训练好的RDNet模型进行测试。
2.根据权利要求1所述的雷达信号分选方法,其特征在于,在步骤A中,所述六种雷达信号调制模式包括恒参调制模式、抖动调制模式、参差调制模式、组参差调制模式、滑变调制模式以及正弦PRI调制模式。
3.根据权利要求1所述的雷达信号分选方法,其特征在于,在步骤A中生成雷达信号脉冲的TOA序列时,使用六种雷达信号调制模式的全排列组合,总计生成65700个数据。
4.根据权利要求1所述的雷达信号分选方法,其特征在于,在步骤C中,所述RDNet还包括卷积径;
所述特征提取编码器包括卷积编码器和混合编码器。
5.根据权利要求4所述的雷达信号分选方法,其特征在于,步骤C具体包括:
RDNet的输入是PNG图像,输入的PNG图像首先经过卷积径,随后经过卷积编码器和混合编码器,并通过部分跳跃连接弥补采样造成的损失,之后将特征送入雷达信号分选头,完成雷达信号分选;
在卷积径中,输入图像经过了一个TDC模块,每个TDC模块包括三个深度可分离卷积层、BN层以及ReLU层;深度可分离卷积层首先对输入特征进行逐通道卷积,卷积核大小为3*3,步长为1,补全为1,组数为输入通道数;之后对这些特征进行逐点卷积,卷积核大小为3*3,步长为1,补全为0,组数为1;原始图像经过卷积径后输入到卷积编码器中;
在卷积编码器中,首先经过一个卷积核大小为3*3,步长为1的卷积,再经过BN层和ReLU层来降低通道数;之后经过一个DDC模块,每个DDC模块包括两个深度可分离卷积层、BN层以及ReLU层;将最后一个ReLU层的输出,输入到另一个卷积核大小为3*3,步长为1的卷积,再输入BN层和ReLU层,将通道数调整为输出的通道数;再经过一个下采样层,将特征图的大小减半;最终得到提取的底层特征,然后将该底层特征输入到混合编码器中;
在混合编码器中,先将输入的底层特征经过一个下采样层,使特征图大小减半,下采样层的采样方法同卷积编码器;并引入两个分支:第一个分支为一个MBBA模块,用来提取条形特征;第二个分支为一个Vision Transformer层,利用多头自注意力机制来建模输入的全局特征;将这两个分支的输出使用MCAF模块融合起来;在使用1*1的卷积层调整条形特征和全局特征的通道后,对融合后的特征使用通道注意力,使模型更集中于重要的特征;最后将该特征输入到解码器中;
在解码器中,输入混合编码器处理后特征,并经过四个解码器模块,每个解码器模块包含一个DDC模块和一个上采样层;上采样层的采样方法使用转置卷积,卷积核大小为4*4,步长为2,补全为1;最后一个上采样层的输出进入到雷达信号分选头;
在雷达信号分选头中,被解码器处理后的特征首先经过一个卷积核大小3*3的深度可分离卷积,BN层和ReLU层来减少通道数;之后将这些输出送进一个卷积核大小为1*1的雷达信号分选头;最后将得到的特征进行计算,从而得到雷达信号分选的结果。
6.根据权利要求5所述的雷达信号分选方法,其特征在于,在卷积编码器中,下采样方法采用的是卷积方法,使用一个卷积核大小为3*3,步长为2,补全为1的卷积层。
7.根据权利要求5所述的雷达信号分选方法,其特征在于,在混合编码器中,MBBA将输入的特征通过一个1*1的卷积层,以减少通道的数量和计算的复杂性;随后,MBBA采用三个条形卷积块分支来提取不同长度的条形特征;之后,MBBA将每个分支的输出与输入特征相结合,然后将其作为注意力权重,对MBBA模块的输入进行重新加权;条形卷积块即为卷积核大小为1*n和n*1的两个卷积层叠加。
8.根据权利要求5所述的雷达信号分选方法,其特征在于,在混合编码器中,在MCAF模块中,在处理Vision Transformer输出的全局特征时使用空间注意力;再将来自MBBA中的特征与空间注意力处理后的ViT特征按特定维度拼接后,使用通道注意力来聚合融合特征。
9.根据权利要求1所述的雷达信号分选方法,其特征在于,所述的步骤D具体为:
使用步骤B中得到的训练集对所提出的网络RDNet进行训练,设置初始学习率,并在训练过程中使用余弦退火方法动态调整学习率;Batch size设置为4,优化器选择adam优化器,损失函数使用CE loss和Dice loss的组合,训练轮次为150。
10.根据权利要求1所述的雷达信号分选方法,其特征在于,所述的步骤E具体为:
使用步骤B获得的测试集,对已经训练好的RDNet模型进行测试,将网络输出的雷达信号分选结果与标签做对比,判断分选的准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311061194.1A CN116774154B (zh) | 2023-08-23 | 2023-08-23 | 一种雷达信号分选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311061194.1A CN116774154B (zh) | 2023-08-23 | 2023-08-23 | 一种雷达信号分选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116774154A CN116774154A (zh) | 2023-09-19 |
CN116774154B true CN116774154B (zh) | 2023-10-31 |
Family
ID=88012000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311061194.1A Active CN116774154B (zh) | 2023-08-23 | 2023-08-23 | 一种雷达信号分选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116774154B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102879765A (zh) * | 2012-09-27 | 2013-01-16 | 哈尔滨工程大学 | 基于聚类统计分析的快速信号分选方法 |
CN103954935A (zh) * | 2014-05-12 | 2014-07-30 | 哈尔滨工业大学 | 一种最小l1范数下的雷达信号分选方法 |
CN105277923A (zh) * | 2015-11-20 | 2016-01-27 | 清华大学 | 一种单通道雷达信号分选方法 |
CN105930859A (zh) * | 2016-04-12 | 2016-09-07 | 西安电子科技大学 | 基于线性流形聚类的雷达信号分选方法 |
CN106896348A (zh) * | 2017-01-16 | 2017-06-27 | 哈尔滨工程大学 | 一种基于概率数据关联的雷达信号分选方法 |
CN110109060A (zh) * | 2019-03-27 | 2019-08-09 | 西安电子科技大学 | 一种基于深度学习网络的雷达辐射源信号分选方法及系统 |
CN111090077A (zh) * | 2020-01-20 | 2020-05-01 | 上海交通大学 | 多维度去交错后的toa差分统计雷达信号分选方法 |
CN111257839A (zh) * | 2020-03-30 | 2020-06-09 | 吉林大学 | 一种雷达信号分选方法 |
CN113361542A (zh) * | 2021-06-02 | 2021-09-07 | 合肥工业大学 | 一种基于深度学习的局部特征提取方法 |
CN113759323A (zh) * | 2021-07-19 | 2021-12-07 | 西安电子科技大学 | 基于改进K-Means联合卷积自编码器的信号分选方法及装置 |
CN113962261A (zh) * | 2021-10-21 | 2022-01-21 | 中国人民解放军空军航空大学 | 一种用于雷达信号分选的深度网络模型 |
CN114371474A (zh) * | 2021-12-28 | 2022-04-19 | 杭州电子科技大学 | 基于卷积降噪自编码器的雷达信号智能分选方法及系统 |
CN116087880A (zh) * | 2022-12-22 | 2023-05-09 | 浙江大学 | 一种基于深度学习的雷达辐射源信号分选系统 |
CN116299195A (zh) * | 2023-04-21 | 2023-06-23 | 河海大学 | 一种基于toa序列相关度的雷达信号处理方法 |
-
2023
- 2023-08-23 CN CN202311061194.1A patent/CN116774154B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102879765A (zh) * | 2012-09-27 | 2013-01-16 | 哈尔滨工程大学 | 基于聚类统计分析的快速信号分选方法 |
CN103954935A (zh) * | 2014-05-12 | 2014-07-30 | 哈尔滨工业大学 | 一种最小l1范数下的雷达信号分选方法 |
CN105277923A (zh) * | 2015-11-20 | 2016-01-27 | 清华大学 | 一种单通道雷达信号分选方法 |
CN105930859A (zh) * | 2016-04-12 | 2016-09-07 | 西安电子科技大学 | 基于线性流形聚类的雷达信号分选方法 |
CN106896348A (zh) * | 2017-01-16 | 2017-06-27 | 哈尔滨工程大学 | 一种基于概率数据关联的雷达信号分选方法 |
CN110109060A (zh) * | 2019-03-27 | 2019-08-09 | 西安电子科技大学 | 一种基于深度学习网络的雷达辐射源信号分选方法及系统 |
CN111090077A (zh) * | 2020-01-20 | 2020-05-01 | 上海交通大学 | 多维度去交错后的toa差分统计雷达信号分选方法 |
CN111257839A (zh) * | 2020-03-30 | 2020-06-09 | 吉林大学 | 一种雷达信号分选方法 |
CN113361542A (zh) * | 2021-06-02 | 2021-09-07 | 合肥工业大学 | 一种基于深度学习的局部特征提取方法 |
CN113759323A (zh) * | 2021-07-19 | 2021-12-07 | 西安电子科技大学 | 基于改进K-Means联合卷积自编码器的信号分选方法及装置 |
CN113962261A (zh) * | 2021-10-21 | 2022-01-21 | 中国人民解放军空军航空大学 | 一种用于雷达信号分选的深度网络模型 |
CN114371474A (zh) * | 2021-12-28 | 2022-04-19 | 杭州电子科技大学 | 基于卷积降噪自编码器的雷达信号智能分选方法及系统 |
CN116087880A (zh) * | 2022-12-22 | 2023-05-09 | 浙江大学 | 一种基于深度学习的雷达辐射源信号分选系统 |
CN116299195A (zh) * | 2023-04-21 | 2023-06-23 | 河海大学 | 一种基于toa序列相关度的雷达信号处理方法 |
Non-Patent Citations (3)
Title |
---|
Deep ToA Mask-Based Recursive Radar Pulse Deinterleaving;Haoran Xiang et al.;《IEEE Transactions on Aerospace and Electronic Systems》;第59卷(第2期);第989-1006页 * |
基于PRI信息的雷达脉冲信号分选技术研究综述;石荣 等;《电讯技术》;第60卷(第1期);第112-120页 * |
雷达辐射源信号分选研究进展;隋金坪 等;《雷达学报》;第11卷(第3期);第418-433页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116774154A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | A coupled convolutional neural network for small and densely clustered ship detection in SAR images | |
Zhao et al. | Vision-based anti-uav detection and tracking | |
Kong et al. | YOLOv3-DPFIN: A dual-path feature fusion neural network for robust real-time sonar target detection | |
CN111722199B (zh) | 一种基于卷积神经网络的雷达信号检测方法 | |
CN109359520B (zh) | 人群计数方法、系统、计算机可读存储介质及服务器 | |
CN111798490B (zh) | 一种视频sar车辆目标检测方法 | |
CN116797796A (zh) | Drfm间歇采样下基于时频分析与深度学习的信号识别方法 | |
Ye et al. | Recognition algorithm of emitter signals based on PCA+ CNN | |
CN115047455A (zh) | 一种轻量化的sar图像舰船目标检测方法 | |
CN115861756A (zh) | 基于级联组合网络的大地背景小目标识别方法 | |
Chen et al. | Ship Detection with Optical Image Based on Attention and Loss Improved YOLO | |
Yan et al. | Multi-target instance segmentation and tracking using YOLOV8 and BoT-SORT for video SAR | |
CN116774154B (zh) | 一种雷达信号分选方法 | |
Zou et al. | Light‐weight deep learning method for active jamming recognition based on improved MobileViT | |
Liu et al. | A Multi-scale Feature Pyramid SAR Ship Detection Network with Robust Background Interference | |
CN117132919A (zh) | 一种多尺度高维特征分析无监督学习视频异常检测方法 | |
Shi et al. | Bridge damage cropping-and-stitching segmentation using fully convolutional network based on images from UAVs | |
CN116309348A (zh) | 一种基于改进TransUnet网络的月球南极撞击坑检测方法 | |
CN115272865A (zh) | 一种基于自适应激活函数和注意力机制的目标检测方法 | |
CN113888604A (zh) | 一种基于深度光流的目标跟踪方法 | |
Zhang et al. | SAR object detection encounters deformed complex scenes and aliased scattered power distribution | |
Jia et al. | A Novel Fault Inspection Method of Steel Plate Surface | |
Huynh-The et al. | Densely-Accumulated Convolutional Network for Accurate LPI Radar Waveform Recognition | |
CN117011766B (zh) | 基于帧内差异化的人工智能检测方法和系统 | |
RU2737343C2 (ru) | Способ определения характера движения объекта на кадрах видеопоследовательности |
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 |