CN116819477B - 一种脉内脉间指纹特征联合的雷达辐射源个体识别方法 - Google Patents

一种脉内脉间指纹特征联合的雷达辐射源个体识别方法 Download PDF

Info

Publication number
CN116819477B
CN116819477B CN202310784426.XA CN202310784426A CN116819477B CN 116819477 B CN116819477 B CN 116819477B CN 202310784426 A CN202310784426 A CN 202310784426A CN 116819477 B CN116819477 B CN 116819477B
Authority
CN
China
Prior art keywords
radar
pulse
radiation source
pulses
frequency
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
Application number
CN202310784426.XA
Other languages
English (en)
Other versions
CN116819477A (zh
Inventor
柴恒
赵莉
陈金炜
姚群
高墨昀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
723 Research Institute of CSIC
Original Assignee
723 Research Institute of CSIC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 723 Research Institute of CSIC filed Critical 723 Research Institute of CSIC
Priority to CN202310784426.XA priority Critical patent/CN116819477B/zh
Publication of CN116819477A publication Critical patent/CN116819477A/zh
Application granted granted Critical
Publication of CN116819477B publication Critical patent/CN116819477B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12Fingerprints or palmprints
    • G06V40/1347Preprocessing; Feature extraction
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S7/00Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41Details 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请提供一种脉内脉间指纹特征联合的雷达辐射源个体识别方法,方法包括:步骤一,对接收的雷达辐射源信号进行正交变换;步骤二,对正交后的信号求包络;步骤三,对正交后的信号求瞬时频率;步骤四,对正交后的信号提取频谱特征;步骤五,对多个脉冲求雷达辐射源基准频率特征;步骤六,对多个脉冲求雷达辐射源载频特征估计;步骤七,对步骤二、步骤三和步骤四所求得的脉内包络特征、瞬时频率特征及频谱特征与库中雷达的脉内特征求相关;步骤八,如果被测雷达与库中第i部雷达总的联合相关系数的最大值大于识别阈值则将被测雷达识别为已知雷达。本申请提供的方法能够自适应不同雷达辐射源,有效提高雷达辐射源识别准确率。

Description

一种脉内脉间指纹特征联合的雷达辐射源个体识别方法
技术领域
本发明涉及电子对抗情报侦察技术领域,特别是涉及一种脉内脉间指纹特征联合的雷达辐射源个体识别方法。
背景技术
辐射源个体识别技术用于区分同型的辐射源个体,能够应用于安全通信入网、电子目标序列识别、作战力量估计等。由于其具备隐蔽性、作用距离远、全天候、全气象等优点,因此成为电子对抗情报侦察的重要手段。
雷达辐射源的特征主要来自于其发射机的非线性特性、器件差异及相关的特征漂移。其大功率发射器件从自激震荡式向主振放大式发展。由于雷达作战要求高精度速度测量和相参处理要求,因此对其放大链路的一致性和稳定性具有极大提高。这也导致了单一的指纹特征无法有效区分多个雷达辐射源个体,因此本发明给出了一种脉内脉间指纹特征联合的雷达辐射源个体识别方法,用于提高雷达辐射源个体识别的准确率。
发明内容
本发明目的在于提供解决雷达辐射源个体识别的准确率低的问题。
本申请提供一种脉内脉间指纹特征联合的雷达辐射源个体识别方法,方法包括:
步骤一,对接收的雷达辐射源信号S(n)进行正交变换;
步骤二,对正交后的信号求包络A(n);
步骤三,对正交后的信号求瞬时频率;
步骤四,对正交后的信号提取频谱特征;
步骤五,对多个脉冲求雷达辐射源基准频率特征;
步骤六,对多个脉冲求雷达辐射源载频特征估计;
步骤七,对步骤二、步骤三和步骤四所求得的脉内包络特征、瞬时频率特征及频谱特征与库中雷达的脉内特征求相关;
步骤八,如果被测雷达与库中第i部雷达总的联合相关系数Ci的最大值大于识别阈值则将被测雷达识别为已知雷达,识别阈值的设置根据识别概率和虚警概率的要求进行设置,则输出辐射源识别结果,否则输出辐射源未知识别结果。
可选的,步骤六,对多个脉冲求雷达辐射源载频特征估计,包括:
在多脉冲进行估计时首先将脉冲分为多段;然后分段进行逐级解模糊求高精度载频特征。
步骤如下:
单音信号的模型如下式所示:
其中
n=0,1…NS-1
p=0,1…P-1
NS为每一个脉冲的采样点数,n为采样点序号,P为单次观测的总脉冲数;p为脉冲序号;A为脉冲幅度,φ0为脉冲的初始相位;Δ为脉冲采样间隔,Δ=1/fs;f为载频,ε(n)为高斯白噪声;
利用解模糊处理将模糊相位转换为非模糊的相位;解模糊后第p个脉冲相位表示为:
估计每一个脉冲的载频和估计误差,上式用向量表达为:
φp=Bθp+up
其中
θp采用最小二乘方法进行估计,估计方法如下:
P个脉冲频率估计平均后得到最终的频率估计,表达式如下:
根据载频估计的精度,所有的采样脉冲数据被分为Q段,每一段包含P'段;
基于脉冲间的相参特性,利用载频的估计值进行多脉冲间相位解模糊;q组的第i个脉冲的解模糊相位表达式如下:
φq9n+Ki)=φq,i(n)+2kq,iπ
其中
i=0…P-1
round(x)为最接近x的整数值,φq,0(n)和φq,i(n)为首脉冲和i+1个脉冲的n+1采样点的相位;
类似于第一阶段频率估计方法,对θq的估计如下:
其中
可选的,步骤七,对步骤二、步骤三和步骤四所求得的脉内包络特征、瞬时频率特征及频谱特征与库中雷达的脉内特征求相关,包括:
CAi=corr(At,ALi)
CSi=corr(St,SLi)
其中At为待识别的雷达辐射源脉内包络特征,ALi为库中第i部雷达的包络特征,CAi为被测雷达与库中第i个雷达的包络特征相关系数,最大值为1;
为待识别的雷达辐射源瞬时频率特征,/>为库中第i部雷达的瞬时频率特征,为被测雷达与库中第i个雷达的瞬时频率特征相关系数,最大值为1;
St为待识别的雷达辐射源频谱特征,SLi为库中第i部雷达的频谱特征,CSi为被测雷达与库中第i个雷达的谱特征相关系数,最大值为1;
对步骤五、步骤六求得的脉间基准频率特征和载频特征求相关系数:
其中δPRI为重频设置容差,δTclock为时钟基准设置容差,CPRIi为被测雷达与库中第i个雷达的基准频率特征相关系数;
其中δf为频率设置容差,Cfi为被测雷达与库中第i个雷达的载频特征相关系数;
确定被测雷达与库中第i部雷达总的联合相关系数Ci
Ci=wACAi+wifCifi+wSCSi+wPRICPRIi+wfCf
其中wA为包络特征识别权值,wif为瞬时频率特征识别权值,wS为频谱特征识别权值,wPRI为基准频率特征识别权值,wf为载频特征识别权值;并且,wA+wif+wS+wPRI+wf=1。
可选的,步骤五,对多个脉冲求雷达辐射源基准频率特征,包括:
采用信号分选确定雷达信号的重复间隔类型;
对不同的重复间隔类型建立不同的观测模型,针对固定、参差重复间隔类型信号,采用最小二乘估计方法估计PRI及GPRI;针对抖动重复间隔类型信号采用累积直方图粗估与周期图精估联合的估计方法估计Tclock基准时钟周期。脉冲数量对于扫描雷达首先于扫描包络内的脉冲数,对于相控阵雷达受限于相参处理脉冲数量,在进行处理时尽可能利用最多的脉冲数量。
在脉内特征上,本方法提取了雷达辐射源的包络特征、脉内瞬时频率特征和频谱特征;在脉间特征上,本方法提取了雷达辐射源的基准频率特征、载频特征。然后通过特征学习,对每一型号的雷达辐射源脉内脉间指纹特征赋予不同的识别权值。由于本方法提取了雷达辐射源的脉内脉间多维度的指纹特征,能够提取雷达辐射源的方大链非线性、器件差异等较为全面的指纹特征,因此能够适应不同体制的雷达辐射源。且采用了特征学习手段,能够对特征的识别显著度进行动态调整,因此该方法能够自适应不同雷达辐射源,有效提高雷达辐射源识别准确率。
附图说明
图1为本申请实施例提供的分选总体框图;
图2为本申请实施例提供的脉冲分段示意图;
图3为本申请实施例提供的三部同型雷达高精度频率偏移率实测图。
具体实施方式
下面结合说明书附图对本技术方案作进一步说明。
具体的,本申请提供一种脉内脉间指纹特征联合的雷达辐射源个体识别方法,方法包括:
步骤一,对接收的雷达辐射源信号S(n)进行正交变换。
X(n)=Xr(n)+iXi(n)=Hilbert(S(n))
其中Xr(n)为复信号实部,Xi(n)为复信号的虚部。
步骤二,对正交后的信号求包络A(n)。
A(n)=fabs(X(n))
步骤三,对正交后的信号求瞬时频率。
首先求信号的瞬时相位θ(n):
θ(n)=atan(Xi(n)/Xr(n))
然后根据瞬时相位差分求瞬时频率fI(n):
为了获得绝对频率还需要加上变频码值,信号瞬时频率如下:
fif(n)=fI(n)+fc
其中fc为变频码值,fif(n)为瞬时频率特征。
步骤四,对正交后的信号提取频谱特征:
S(f)=fabs(fft(x(n)))。
步骤五,对多个脉冲求雷达辐射源基准频率特征。
具体的,采用信号分选确定雷达信号的重复间隔类型;
对不同的重复间隔类型建立不同的观测模型,针对固定、参差重复间隔类型信号,采用最小二乘估计方法估计PRI(重复间隔)及GPRI(骨架重复间隔);针对抖动重复间隔类型信号采用累积直方图粗估与周期图精估联合的估计方法估计Tclock基准时钟周期。脉冲数量对于扫描雷达首先于扫描包络内的脉冲数,对于相控阵雷达受限于相参处理脉冲数量,在进行处理时尽可能利用最多的脉冲数量。
步骤六,对多个脉冲求雷达辐射源载频特征估计。
具体的,在多脉冲进行估计时首先将脉冲分为多段;然后分段进行逐级解模糊求高精度载频特征。
每一段内的脉冲数量至少大于10个脉冲,以保证段内载频的提取精度。
步骤6可以扩展至调频信号的载频特征提取。
步骤如下:
单音信号的模型如下式所示:
其中
n=0,1…NS-1
p=0,1…P-1
NS为每一个脉冲的采样点数,n为采样点序号,P为单次观测的总脉冲数;p为脉冲序号;A为脉冲幅度,φ0为脉冲的初始相位;Δ为脉冲采样间隔,Δ=1/fs;f为载频,ε(n)为高斯白噪声;
利用解模糊处理将模糊相位转换为非模糊的相位;解模糊后第p个脉冲相位表示为:
估计每一个脉冲的载频和估计误差,上式用向量表达为:
φp=Bθp+up
其中
θp采用最小二乘方法进行估计,估计方法如下:
P个脉冲频率估计平均后得到最终的频率估计,表达式如下:
根据载频估计的精度,所有的采样脉冲数据被分为Q段,每一段包含P'段;
基于脉冲间的相参特性,利用载频的估计值进行多脉冲间相位解模糊;q组的第i个脉冲的解模糊相位表达式如下:
φq(n+Ki)=φq,i(n)+2kq,iπ
其中
i=0…P-1
round(x)为最接近x的整数值,φq,0(n)和φq,i(n)为首脉冲和i+1个脉冲的n+1采样点的相位;
类似于第一阶段频率估计方法,对θq的估计如下:
其中
步骤七,对步骤二、步骤三和步骤四所求得的脉内包络特征、瞬时频率特征及频谱特征与库中雷达的脉内特征求相关:
CAi=corr(At,ALi)
CSi=corr(St,SLi)
其中A t为待识别的雷达辐射源脉内包络特征,A Li为库中第i部雷达的包络特征,C Ai为被测雷达与库中第i个雷达的包络特征相关系数,最大值为1;
为待识别的雷达辐射源瞬时频率特征,/>为库中第i部雷达的瞬时频率特征,为被测雷达与库中第i个雷达的瞬时频率特征相关系数,最大值为1;
St为待识别的雷达辐射源频谱特征,SLi为库中第i部雷达的频谱特征,CSi为被测雷达与库中第i个雷达的谱特征相关系数,最大值为1;
对步骤五、步骤六求得的脉间基准频率特征和载频特征求相关系数:
其中δPRI为重频设置容差,δTclock为时钟基准设置容差,CPRIi为被测雷达与库中第i个雷达的基准频率特征相关系数;
其中δf为频率设置容差,Cfi为被测雷达与库中第i个雷达的载频特征相关系数;
确定与库中第i部雷达总的联合相关系数Ci
Ci=wACAi+wifCifi+wSCSi+wPRICPRIi+wfCf
其中wA为包络特征识别权值,wif为瞬时频率特征识别权值,wS为频谱特征识别权值,wPRI为基准频率特征识别权值,wf为载频特征识别权值;并且,wA+wif+wS+wPRI+wf=1。
步骤八,如果Ci的最大值大于识别阈值则将被测雷达识别为已知雷达,识别阈值的设置根据识别概率和虚警概率的要求进行设置,则输出辐射源识别结果,否则输出辐射源未知识别结果。
本发明目的在于提供一种能够利用雷达辐射源脉内脉间指纹特征联合的个体识别方法。在脉内特征上,本方法提取了雷达辐射源的包络特征、脉内瞬时频率特征和频谱特征;在脉间特征上,本方法提取了雷达辐射源的基准频率特征、载频特征。然后通过特征学习,对每一型号的雷达辐射源脉内脉间指纹特征赋予不同的识别权值。由于本方法提取了雷达辐射源的脉内脉间多维度的指纹特征,能够提取雷达辐射源的方大链非线性、器件差异等较为全面的指纹特征,因此能够适应不同体制的雷达辐射源。且采用了特征学习手段,能够对特征的识别显著度进行动态调整,因此该方法能够自适应不同雷达辐射源,有效提高雷达辐射源识别准确率。

Claims (3)

1.一种脉内脉间指纹特征联合的雷达辐射源个体识别方法,其特征在于,方法包括:
步骤一,对接收的雷达辐射源信号S(n)进行正交变换;
步骤二,对正交后的信号求包络A(n);
步骤三,对正交后的信号求瞬时频率;
步骤四,对正交后的信号提取频谱特征;
步骤五,对多个脉冲求雷达辐射源基准频率特征;
步骤六,对多个脉冲求雷达辐射源载频特征估计;
步骤七,对步骤二所求得的脉内包络特征、步骤三所求得的脉内瞬时频率特征、步骤四所求得的脉内频谱特征及步骤五所求得的脉间基准频率特征、步骤六所求得的脉间载频特征与库中雷达的脉内、脉间特征求相关;其中,脉内特征包括包络特征、瞬时频率特征及频谱特征;脉间特征包括基准频率特征、载频特征;
步骤八,如果被测雷达与库中第i部雷达总的联合相关系数Ci的最大值大于识别阈值则将被测雷达识别为已知雷达,识别阈值的设置根据识别概率和虚警概率的要求进行设置,则输出辐射源识别结果,否则输出辐射源未知识别结果;
其中,步骤7的方法如下:
CAi=corr(At,ALi)
CSi=corr(St,SLi)
其中At为待识别的雷达辐射源脉内包络特征,ALi为库中第i部雷达的包络特征,CAi为被测雷达与库中第i个雷达的包络特征相关系数,最大值为1;
为待识别的雷达辐射源瞬时频率特征,/>为库中第i部雷达的瞬时频率特征,/>为被测雷达与库中第i个雷达的瞬时频率特征相关系数,最大值为1;
St为待识别的雷达辐射源频谱特征,SLi为库中第i部雷达的频谱特征,CSi为被测雷达与库中第i个雷达的谱特征相关系数,最大值为1;
对步骤五、步骤六求得的脉间基准频率特征和载频特征求相关系数:
其中δPRI为重频设置容差,δTclock为时钟基准设置容差,CPRIi为被测雷达与库中第i个雷达的基准频率特征相关系数;
其中δf为频率设置容差,Cfi为被测雷达与库中第i个雷达的载频特征相关系数;
确定被测雷达与库中第i部雷达总的联合相关系数Ci
Ci=wACAi+wifCifi+wSCSi+wPRICPRIi+wfCf
其中wA为包络特征识别权值,wif为瞬时频率特征识别权值,wS为频谱特征识别权值,wPRI为基准频率特征识别权值,wf为载频特征识别权值;并且,wA+wif+wS+wPRI+wf=1。
2.根据权利要求1所述的一种脉内脉间指纹特征联合的雷达辐射源个体识别方法提取方法,其特征在于,步骤六,对多个脉冲求雷达辐射源载频特征估计,包括:
在多脉冲进行估计时首先将脉冲分为多段;然后分段进行逐级解模糊求高精度载频特征;
步骤如下:
单音信号的模型如下式所示:
其中
n=0,1…NS-1
p=0,1…P-1
NS为每一个脉冲的采样点数,n为采样点序号,P为单次观测的总脉冲数;p为脉冲序号;A为脉冲幅度,φ0为脉冲的初始相位;Δ为脉冲采样间隔,Δ=1/fs;f为载频,ε(n)为高斯白噪声;
利用解模糊处理将模糊相位转换为非模糊的相位;解模糊后第p个脉冲相位表示为:
估计每一个脉冲的载频和估计误差,上式用向量表达为:
φp=Bθp+up
其中
θp采用最小二乘方法进行估计,估计方法如下:
P个脉冲频率估计平均后得到最终的频率估计,表达式如下:
根据载频估计的精度,所有的采样脉冲数据被分为Q段,每一段包含P'段;
基于脉冲间的相参特性,利用载频的估计值进行多脉冲间相位解模糊;q组的第i个脉冲的解模糊相位表达式如下:
φq(n+Ki)=φq,i(n)+2kq,iπ
其中
i=0…P-1
round(x)为最接近x的整数值,φq,0(n)和φq,i(n)为首脉冲和i+1个脉冲的n+1采样点的相位;
类似于第一阶段频率估计方法,对θq的估计如下:
其中
3.根据权利要求1所述的一种脉内脉间指纹特征联合的雷达辐射源个体识别方法提取方法,其特征在于,步骤五,对多个脉冲求雷达辐射源基准频率特征,包括:
采用信号分选确定雷达信号的重复间隔类型;
对不同的重复间隔类型建立不同的观测模型,针对固定、参差重复间隔类型信号,采用最小二乘估计方法估计PRI及GPRI;针对抖动重复间隔类型信号采用累积直方图粗估与周期图精估联合的估计方法估计Tclock基准时钟周期;脉冲数量对于扫描雷达首先于扫描包络内的脉冲数,对于相控阵雷达受限于相参处理脉冲数量,在进行处理时尽可能利用最多的脉冲数量。
CN202310784426.XA 2023-06-29 2023-06-29 一种脉内脉间指纹特征联合的雷达辐射源个体识别方法 Active CN116819477B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310784426.XA CN116819477B (zh) 2023-06-29 2023-06-29 一种脉内脉间指纹特征联合的雷达辐射源个体识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310784426.XA CN116819477B (zh) 2023-06-29 2023-06-29 一种脉内脉间指纹特征联合的雷达辐射源个体识别方法

Publications (2)

Publication Number Publication Date
CN116819477A CN116819477A (zh) 2023-09-29
CN116819477B true CN116819477B (zh) 2024-02-13

Family

ID=88115140

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310784426.XA Active CN116819477B (zh) 2023-06-29 2023-06-29 一种脉内脉间指纹特征联合的雷达辐射源个体识别方法

Country Status (1)

Country Link
CN (1) CN116819477B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4328591A (en) * 1979-04-23 1982-05-04 Baghdady Elie J Method and apparatus for signal detection, separation and suppression
CN107301381A (zh) * 2017-06-01 2017-10-27 西安电子科技大学昆山创新研究院 基于深度学习和多任务学习策略的雷达辐射源识别方法
CN111123218A (zh) * 2019-12-03 2020-05-08 扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所) 一种对机载预警pd雷达的航迹欺骗干扰系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4328591A (en) * 1979-04-23 1982-05-04 Baghdady Elie J Method and apparatus for signal detection, separation and suppression
CN107301381A (zh) * 2017-06-01 2017-10-27 西安电子科技大学昆山创新研究院 基于深度学习和多任务学习策略的雷达辐射源识别方法
CN111123218A (zh) * 2019-12-03 2020-05-08 扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所) 一种对机载预警pd雷达的航迹欺骗干扰系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Radar Specific Emitter Identification Using Carrier Frequency Feature;Yao Qun等;2019 IEEE International Conference on Signal, Information and Data Processing (ICSIDP);全文 *
脉冲雷达辐射源个体识别系统设计与实现;丁健等;舰船电子对抗;第46卷(第2期);67-71 *

Also Published As

Publication number Publication date
CN116819477A (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN108415010B (zh) 一种基于梯形lfmcw调制的雷达多目标检测方法
CN107255814B (zh) 一种基于lfmsk波形的雷达目标检测方法
KR101235059B1 (ko) 레이더 신호 변조 형태 식별 장치 및 방법
CN110376559B (zh) 单通道雷达主瓣多源干扰分离方法、装置和设备
CN111985349B (zh) 一种雷达接收信号类型分类识别方法及系统
EP3417311B1 (en) A method for motion classification using a pulsed radar system
CN108415013A (zh) 基于调频斜率精搜索的低信噪比信号参数提取方法
CN116819477B (zh) 一种脉内脉间指纹特征联合的雷达辐射源个体识别方法
JPH0527018A (ja) レーダ信号処理装置
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
Gao et al. Specific emitter identification based on instantaneous frequency characteristics
CN116299241A (zh) 雷达天线扫描周期的测算方法、装置、设备和存储介质
CN116256726A (zh) 相干测风激光雷达回波信号频谱模拟数据生成方法
CN113359145B (zh) 脉冲激光测距中的目标精确定位方法及其应用
CN113052053B (zh) 一种坐标时间序列周期项的提取方法
CN114236476B (zh) 一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法
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
Aslan Emitter identification techniques in electronic warfare
Niranjan et al. High Accuracy Parameter Estimation for Advanced Radar Identification of Electronic Intelligence System.
Lin et al. Signal generation and continuous tracking with signal attribute variations using software simulation
Perďoch et al. Generating data matrices on pulse radar phase detector output
Yan et al. Robust Target Localization for Multistatic Passive Radar Networks
CN113514798A (zh) 基于傅里叶梅林变换的宽带非线性调频信号时差/尺度差估计方法
JP2022087526A (ja) レーダ装置及びレーダ信号処理方法
Li et al. Pulse train detection algorithm based on edge enhancement

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