CN117420514A - 一种提取雷达参数变化量的电子干扰效果评估方法 - Google Patents
一种提取雷达参数变化量的电子干扰效果评估方法 Download PDFInfo
- Publication number
- CN117420514A CN117420514A CN202311385677.7A CN202311385677A CN117420514A CN 117420514 A CN117420514 A CN 117420514A CN 202311385677 A CN202311385677 A CN 202311385677A CN 117420514 A CN117420514 A CN 117420514A
- Authority
- CN
- China
- Prior art keywords
- interference
- interference effect
- radar
- effect evaluation
- evaluation
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 146
- 238000011156 evaluation Methods 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000013531 bayesian neural network Methods 0.000 claims abstract description 6
- 238000004088 simulation Methods 0.000 claims description 17
- 230000007704 transition Effects 0.000 claims description 14
- 238000005315 distribution function Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 238000012790 confirmation Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000011158 quantitative evaluation Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012795 verification 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
- G01S7/38—Jamming means, e.g. producing false echoes
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种提取雷达数据变化量的电子干扰效果评估方法,解决现有干扰效果评估技术考虑影响因素单一,干扰效果评估结果主观性强、容易误判的问题。本发明步骤包括:利用截获的雷达数据参数获取雷达状态特征;采用贝叶斯神经网络作为干扰效果评估网络;训练干扰效果评估网络;对干扰效果进行量化评估。本发明提出了更适用于现有复杂电子对抗环境的干扰效果评估方法,简化了评估系统的复杂度,降低了对训练数据量的要求,具有更高的干扰效果评估准确度。
Description
技术领域
本发明属于雷达技术领域,更进一步涉及雷达干扰技术领域中的一种提取雷达参数变化量的电子干扰效果评估,本发明可以在电子对抗中用于对干扰方的干扰效果进行准确评估。
背景技术
在电子对抗技术中,干扰效果评估是干扰方作战规划的重要一环,其是指干扰方在对雷达实施干扰后,对其所造成的影响进行定性或定量的分析。评估结果可作为重要参考用于及时调整干扰策略,从而提高对雷达干扰措施的有效性。
赵耀东等人在其发表的论文“一种基于雷达状态变化的干扰效果在线评估方法”(《电子信息对抗技术》2016,31(03):42-46)中,提出了一种基于雷达工作状态变化实现干扰效果在线评估的方法。该方法的实现方案是:首先分析了基于干扰方侦察雷达信号的干扰效果在线评估影响因素,然后通过建立雷达工作状态变化与干扰效果的映射关系,结合雷达属性识别和状态识别,给出了干扰效果的在线评估方法的实施流程,最后由相应的数学模型和仿真实例进行验证说明。该方法利用干扰方截获的雷达信号来进行干扰效果评估,解决了传统离线评估方法在实战背景下难以获取敌方雷达性能参数的问题。但是,该方法仍然存在两点不足之处是,其一,该方法仅依据雷达工作状态变化来判断干扰措施的有效性,在雷达工作状态保持不变但抗干扰方式改变时,干扰效果评估结果会误判;其二,该方法知识库仅能得到干扰是否有效的判断,对干扰措施的有效程度不能进行更细致的描述,导致干扰决策可参考信息量太少,难以进一步提升干扰措施有效性。
西安电子科技大学在其申请的专利文献“一种雷达干扰效果评估方法、装置及计算机设备”(申请号:201910229296.7;申请公布号:CN 110082733 A)中提出了一种雷达干扰效果评估方法。该方法的实现方案是:首先分析目标雷达和雷达干扰方案的行为参数建立干扰时机、干扰频率、干扰范围等雷达干扰因素集,通过预先设定的方法获得各干扰因素的干扰效益值,然后获取用户输入的所述干扰因素的评分值,根据层次分析法主观确定各因素的权重矢量,最后综合各干扰因素的干扰效益值和权重矢量获得干扰因素的加权干扰效益矩阵,并采用逼近理想解排序法(TOPSIS)获得雷达干扰方案干扰效果评分。该方法可以实现干扰效果的在线评估,但是,该方法仍然存在的不足之处是,其评估结果需要依赖用户评价和专家经验来确定各评估指标权重,评估结果易受人为主观因素影响,可靠性低。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种提取雷达参数变化量的电子干扰效果评估方法,以解决现有干扰效果评估技术考虑影响因素单一,干扰效果评估结果容易误判问题,并可以实现对干扰效果客观、精确的量化评估,保证在实际作战场景下评估结果的可靠性。
实现本发明的具体思路是:本发明对干扰前后截获的雷达数据进行参数提取,考虑雷达受干扰前后的行为状态变化情况、抗干扰方式的使用、干扰方干扰措施适宜性等影响因素,建立全面的干扰效果评估参数集,降低了评估误判的概率,以此解决现有干扰效果评估技术考虑影响因素单一,干扰效果评估结果容易误判问题。本发明针对不同干扰方式以及敌方雷达不同的状态特征变化情况,对干扰效果评估参数进行标准化处理,然后生成包含干扰效果评估参数和评估结果的训练集,搭建干扰效果评估网络结构,利用较少的训练数据训练网络,便可得到具有良好非线性映射能力的干扰效果评估网络模型。本发明将处理后的干扰方案评估参数数据,输入到训练好的评估网络模型中便可得到评估结果,克服了传统方法评估结果受主观性影响大的问题。
本发明的实现步骤如下:
步骤1,利用截获的雷达数据参数获取雷达状态特征;
干扰方从截获的雷达信号数据中提取包含脉冲幅度、脉冲载频、脉冲宽度、脉内调制特征的参数,识别对方雷达的状态特征,分别构建雷达状态转移程度和识别概率指标;
步骤2,生成干扰效果评估参数的训练集;
选取至少50个干扰样本组成数据集,每个样本中包含雷达状态转移程度和识别概率,干扰机的频率瞄准度、功率干信比、干扰样式匹配度共5个干扰效果评估参数,对每个样本的干扰效果评估参数进行干扰实验仿真,得到该样本的干扰效果评估值;将归一化后所有样本干扰效果评估参数与其对应的干扰效果评估值组成训练集;
步骤3,采用贝叶斯神经网络作为干扰效果评估网络;
步骤4,训练干扰效果评估网络;
将训练集输入到干扰效果评估网络中,利用反向传播算法,迭代更新网络参数的权重值,直到目标函数收敛为止,得到训练好的干扰效果评估网络;
步骤5,对干扰效果进行量化评估;
将归一化后的待评估的干扰方案评估参数输入到训练好的干扰效果评估网络中,输出干扰效果评估结果。
本发明与现有技术相比具有以下优点:
第一,本发明建立了包含状态转移程度、识别概率、干扰频率瞄准度、功率干信比、干扰样式匹配度的干扰效果评估参数集,并针对不同的雷达行为状态和干扰样式对干扰效果评估参数进行了标准化处理,克服了传统方法评估参数建立不全面,评估结果容易误判的缺点,使得本发明大大提高了对电子干扰效果评估的准确性。
第二,本发明利用贝叶斯神经网络拟合干扰效果评估参数与干扰效果之间的非线性关系,大幅降低了网络训练时对训练数据量的要求,有效防止了现有技术的神经网络在指标因素过多或训练数据过少时出现过拟合现象,同时规避了现有的评估算法评估结果易受人为主观因素影响,使得本发明提高了对干扰效果进行评估的可靠性。
附图说明
图1为本发明的流程图;
图2为本发明仿真实验的结果对比图。
具体实施方式
下面结合附图和实施例对本发明做进一步的描述。
本发明实施例假设雷达受干扰前后都处于开机状态,若雷达受干扰后关机,则可认为干扰效果最好。
参照图1,对本发明实施例的实现步骤作进一步的描述。
步骤1,利用截获的雷达数据参数获取雷达状态特征。
干扰方从截获的雷达信号数据中提取包含脉冲幅度、脉冲载频、脉冲宽度、脉内调制特征的参数,识别对方雷达的状态特征,分别构建雷达状态转移程度和识别概率指标。
所述雷达的状态特征是指,采用雷达工作模式识别算法对干扰方从截获的雷达信号数据中提取的参数进行分析,得到雷达行为状态和抗干扰方式的识别结果。
雷达行为状态为:搜索、确认、跟踪、失跟共4个状态。
抗干扰方式为波形样式抗干扰,具体为:重频捷变、载频捷变、调频斜率捷变、正交频分线性调频、相位编码、频率编码共6种措施。
本发明实施例将雷达受干扰前后的行为状态、抗干扰方式以及雷达状态特征识别准确率作为已知条件。
步骤2,生成干扰效果评估参数的训练集。
本发明实施例选取50个干扰样本组成数据集,每个样本中包含雷达状态转移程度和识别概率,干扰机的频率瞄准度、功率干信比、干扰样式匹配度共5个干扰效果评估参数,对每个样本的干扰效果评估参数进行干扰实验仿真,得到该样本的真实干扰效果评估值,限定其值大小在0~1之间。将归一化后的所有样本干扰效果评估参数与其对应的真实干扰效果评估值组成训练集。
所述的状态转移程度是对雷达受干扰前后状态特征变化情况的具体表征,通过分析雷达行为状态和抗干扰方式变化情况,并匹配干扰效果知识库,将状态转移程度在1~10区间内等间隔标准化为离散点,离散点值越大表明干扰有效性越高。
所述识别概率是由雷达受干扰前的状态特征识别准确度与雷达受干扰后的状态特征识别准确度相乘得到的。
所述干扰机的频率瞄准度是对干扰频率与雷达工作频率重合度的描述,干扰机的频率瞄准度越高,干扰效果会越好,计算公式如下:
其中,Df表示干扰机的频率瞄准度,fjl~fjh表示干扰机工作的频率范围,frl~frh表示雷达工作的频率范围。
所述功率干信比是由干扰信号功率与雷达信号功率相除得到的,功率干信比越大,雷达接收信号的信干比就越低,干扰效果就会越好。
干扰样式匹配度是用来表征不同的干扰样式对不同行为状态下雷达的干扰效果,将干扰样式匹配度在1~10区间内等间隔标准化为离散点,离散点值越大说明干扰越有效,压制式干扰对搜素、确认、失跟、跟踪行为状态的干扰效果匹配度分别为10、9、7、5,欺骗式干扰对搜素、确认、失跟、跟踪行为状态的干扰效果匹配度分别为5、7、9、10。
对样本的干扰效果评估参数归一化操作是由下式完成的:
其中,bij表示归一化后的第i个样本所对应第j个干扰效果评估参数的值,j=1时表示状态转移程度,j=2时表示识别概率,j=3时表示干扰频率瞄准度,j=4时表示功率干信比,j=5时表示干扰样式匹配度,aij表示第i个样本所对应第j个干扰效果评估参数值,表示第j个干扰效果评估参数所对应所有数据集中的最小值,/>表示第j个干扰效果评估参数所对应所有数据集中的最大值。
步骤3,本发明采用贝叶斯神经网络作为干扰效果评估网络。
干扰效果评估网络是由输入层、隐藏层、输出层串联组成,将输入层节点数设置为5,隐藏层节点数为6,输出层节点数为1,干扰效果评估网络传递函数为tansig核函数。
步骤4,训练干扰效果评估网络。
将训练集输入到干扰效果评估网络中,利用反向传播算法,迭代更新网络参数的权重值,直到目标函数收敛为止,得到训练好的干扰效果评估网络;
所述的目标函数为:
其中,F表示目标函数,k表示分布函数采样点的序号,k=1,…,n,n表示分布函数采样点的数量,log(·)表示以自然常数e为底的对数操作,q(·|·)表示分布函数,w(k)表示分布函数第k个采样点对应数据的权重,θ表示控制权值w服从高斯分布的参数集,包含均值和标准差,p(·)表示先验概率密度函数,p(·|·)表示条件概率密度函数,X表示干扰效果评估参数训练集中样本的总数。
干扰效果评估网络对权重w的高斯先验分布假设相当于引入L2正则化项,可以防止在训练集数量太小或网络复杂度太高时网络训练发生过拟合问题,减小了对训练集数量的要求。
步骤5,对干扰效果进行量化评估;
采用与步骤2归一化处理相同的方式,将归一化后待评估的干扰方案评估参数,输入到训练好的干扰效果评估网络中,输出干扰效果评估结果。
下面结合仿真实验对本发明的效果做进一步的说明:
1.仿真实验条件:
本发明仿真实验的硬件平台为:处理器为Intel(R)Core i7-7700HQ CPU,主频为2.8GHz,内存16GB。
本发明仿真实验的软件平台为:Windows 11操作系统和MATLAB R2021b。
本发明的仿真实验所使用的训练数据集、测试数据集和对比样本数据集参数设置如下:雷达信号的脉冲重复频率范围为2-15KHz,载频范围为2.5-3GHz,带宽范围为2-20MHz,脉冲宽度范围为1-100us,功率范围为4-18kw;干扰机干扰信号载频范围为2-4GHz,干扰带宽范围为5-30MHz,干扰信号功率范围为2-10kw。
本发明仿真实验的干扰效果评估网络训练集数量设置为50个样本,测试集数量设置为20个样本,设置参与对比实验的样本数据大小为12组,每组数据包含5个干扰效果评估参数和与其对应的真实干扰效果评估结果,且每组数据的真实干扰效果评估结果间具有较大区分度。
本发明仿真实验的干扰效果评估网络配置参数为:训练最长迭代次数设置为1000次,学习率设置为0.02,训练目标最小误差设置为0.000001,
2.仿真内容及其结果分析:
本发明的干扰效果评估仿真实验是采用本发明和现有技术的层次分析法,分别对输入的12组样本数据进行干扰效果评估,获得对应的12个干扰效果的评估结果,绘制成了干扰效果评估结果图,如图2所示。
在仿真实验中,采用的现有技术是指:
现有层次分析法是指,汤广富,安红等人在“基于层次分析法的协同干扰效能评估”(电子信息对抗技术,2016,31(4))提出的干扰效果评估方法。
下面结合图2的仿真结果图对本发明的效果做进一步的描述。
图2为利用本发明方法和现有技术分别得到的每个样本数据的干扰效果评估结果对比图。图2中的横坐标表示样本数据序号,图2中的纵坐标表示干扰效果评估结果的大小。图2中以星形符号标识的曲线代表各样本数据的干扰效果评估结果真实值曲线。图2中以圆形符号标识的曲线代表采用本发明方法对各样本数据计算干扰效果评估结果曲线。图2中以上三角符号标识的曲线代表采用层次分析方法对各样本数据计算干扰效果评估结果曲线。
由图2的仿真结果图可见,本发明方法的干扰效果评估计算结果在各组样本数据下均与真实值接近,而现有技术层次分析法的干扰效果评估计算结果由于受人为主观设定评估参数权重的影响,评估结果与真实值间偏差较大。
为了进一步证明本发明的效果,采用决定系数R2作为评价干扰效果评估性能的参数,其数值在0~1之间,值越接近1,评估方法性能越好,计算公式如下:
其中,∑表示求和操作,t表示样本数据的序号,t=1,…,m,m表示样本数据的总数,m=12,yt'表示第t个样本数据对应干扰效果预测评估值,yt表示第t个样本数据对应干扰效果真实值,表示所有样本数据对应干扰效果真实值的均值。
有上述的公式计算得到本发明方法的干扰效果评估结果的R2=0.98,层次分析法的干扰效果评估结果的R2=0.73。由此可见,本发明方法相比层次分析法干扰效果评估性能更优,更适用于现有复杂电子对抗环境下的干扰效果评估,得到的评估结果更加客观、准确。
Claims (8)
1.一种提取雷达数据变化量的电子干扰效果评估方法,其特征在于,生成包含状态转移程度、识别概率、干扰频率瞄准度、功率干信比、干扰样式匹配度的干扰效果评估参数的训练集,利用利用贝叶斯神经网络拟合干扰效果评估参数与干扰效果之间的非线性关系;该评估方法的步骤包括如下:
步骤1,利用截获的雷达数据参数获取雷达状态特征:
干扰方从截获的雷达信号数据中提取包含脉冲幅度、脉冲载频、脉冲宽度、脉内调制特征的参数,识别对方雷达的状态特征,分别构建雷达状态转移程度和识别概率指标;
步骤2,生成干扰效果评估参数的训练集:
选取至少50个干扰样本组成数据集,每个样本中包含雷达状态转移程度和识别概率,干扰机的频率瞄准度、功率干信比、干扰样式匹配度共5个干扰效果评估参数,对每个样本的干扰效果评估参数进行干扰实验仿真,得到该样本的真实干扰效果评估值;将归一化后所有样本干扰效果评估参数与其对应的真实干扰效果评估值组成训练集;
步骤3,采用贝叶斯神经网络作为干扰效果评估网络;
步骤4,训练干扰效果评估网络:
将训练集输入到干扰效果评估网络中,利用反向传播算法,迭代更新网络参数的权重值,直到目标函数收敛为止,得到训练好的干扰效果评估网络;
步骤5,对干扰效果进行量化评估;
采用与步骤2归一化处理相同的方式,将归一化后待评估的干扰方案评估参数,输入到训练好的干扰效果评估网络中,输出干扰效果评估结果。
2.根据权利要求1所述的一种提取雷达数据变化量的电子干扰效果评估方法,其特征在于,步骤1中所述雷达的状态特征是指,采用雷达工作模式识别算法对干扰方从截获的雷达信号数据中提取的参数进行分析,得到雷达行为状态和抗干扰方式的识别结果,其中雷达行为状态为:搜索、确认、跟踪、失跟共4个状态;抗干扰方式为波形样式抗干扰。
3.根据权利要求1所述的一种提取雷达数据变化量的电子干扰效果评估方法,其特征在于,步骤2中所述的雷达状态转移程度是对雷达受干扰前后状态特征变化情况的具体表征,通过分析雷达行为状态和抗干扰方式变化情况,并匹配干扰效果知识库,将状态转移程度在1~10区间内等间隔标准化为离散点,离散点值越大表明干扰有效性越高。
4.根据权利要求1所述的一种提取雷达数据变化量的电子干扰效果评估方法,其特征在于,步骤2中所述的识别概率是由雷达受干扰前的状态特征识别准确度与雷达受干扰后的状态特征识别准确度相乘得到的。
5.根据权利要求1所述的一种提取雷达数据变化量的电子干扰效果评估方法,其特征在于,步骤2中所述的干扰样式匹配度是用来表征不同的干扰样式对不同行为状态下雷达的干扰效果,将干扰样式匹配度在1~10区间内等间隔标准化为离散点,离散点值越大说明干扰越有效,压制式干扰对搜素、确认、失跟、跟踪行为状态的干扰样式匹配度分别为10、9、7、5,欺骗式干扰对搜素、确认、失跟、跟踪行为状态的干扰样式匹配度分别为5、7、9、10。
6.根据权利要求1所述的一种提取雷达数据变化量的电子干扰效果评估方法,其特征在于,步骤2中所述的归一化操作是由下式完成的:
其中,bij表示归一化后的第i个样本所对应第j个干扰效果评估参数的值,j=1时表示状态转移程度,j=2时表示识别概率,j=3时表示干扰频率瞄准度,j=4时表示功率干信比,j=5时表示干扰样式匹配度,aij表示第i个样本所对应第j个干扰效果评估参数值,表示第j个干扰效果评估参数所对应所有数据集中的最小值,/>表示第j个干扰效果评估参数所对应所有数据集中的最大值。
7.根据权利要求1所述的一种提取雷达数据变化量的电子干扰效果评估方法,其特征在于,步骤3所述的干扰效果评估网络是由输入层、隐藏层、输出层串联组成,将输入层节点数设置为5,隐藏层节点数为6,输出层节点数为1,干扰效果评估网络传递函数为tansig核函数。
8.根据权利要求1所述的一种提取雷达数据变化量的电子干扰效果评估方法,其特征在于,步骤4中所述的目标函数为:
其中,F表示目标函数,k表示分布函数采样点的序号,k=1,…,n,n表示分布函数采样点的数量,log(·)表示以自然常数e为底的对数操作,q(·|·)表示分布函数,w(k)表示分布函数第k个采样点对应数据的权重,θ表示控制权值w服从高斯分布的参数集,包含均值和标准差,p(·)表示先验概率密度函数,p(·|·)表示条件概率密度函数,X表示干扰效果评估参数训练集中样本的总数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311385677.7A CN117420514A (zh) | 2023-10-24 | 2023-10-24 | 一种提取雷达参数变化量的电子干扰效果评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311385677.7A CN117420514A (zh) | 2023-10-24 | 2023-10-24 | 一种提取雷达参数变化量的电子干扰效果评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117420514A true CN117420514A (zh) | 2024-01-19 |
Family
ID=89525959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311385677.7A Pending CN117420514A (zh) | 2023-10-24 | 2023-10-24 | 一种提取雷达参数变化量的电子干扰效果评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117420514A (zh) |
-
2023
- 2023-10-24 CN CN202311385677.7A patent/CN117420514A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shao et al. | Convolutional neural network-based radar jamming signal classification with sufficient and limited samples | |
CN111913156B (zh) | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 | |
CN109597043B (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
CN112001270B (zh) | 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 | |
CN112308008B (zh) | 基于迁移学习的工作模式开集的雷达辐射源个体识别方法 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN112949387B (zh) | 基于迁移学习的智能抗干扰目标检测方法 | |
CN111832417A (zh) | 基于cnn-lstm模型和迁移学习的信号调制样式识别方法 | |
CN112036239B (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
CN109766791B (zh) | 一种基于自编码器的通信信号调制识别方法 | |
CN106874950A (zh) | 一种暂态电能质量录波数据的识别分类方法 | |
CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
CN114895263A (zh) | 基于深度迁移学习的雷达有源干扰信号识别方法 | |
CN110889207B (zh) | 一种基于深度学习的体系组合模型可信度智能评估方法 | |
CN114980122A (zh) | 一种小样本射频指纹智能识别系统与方法 | |
CN114943245A (zh) | 一种基于数据增强和特征嵌入的自动调制识别方法和装置 | |
CN113343123B (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
CN115705393A (zh) | 一种基于持续学习的雷达辐射源分级识别方法 | |
CN117420514A (zh) | 一种提取雷达参数变化量的电子干扰效果评估方法 | |
CN113534059B (zh) | 开集场景下基于深度卷积网络的雷达有源干扰识别方法 | |
CN116304553A (zh) | 一种多调制体制下基于深度学习的干扰类型识别方法 | |
CN114970638A (zh) | 雷达辐射源个体开集识别方法及系统 | |
CN113297969B (zh) | 一种雷达波形识别方法及系统 | |
CN113762078A (zh) | 基于vmd-cssa-lstm-mlr组合模型的湖泊tn预测方法 | |
CN113298138A (zh) | 一种雷达辐射源个体识别方法及系统 |
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 |