CN117554919A - 一种基于双向lstm网络的雷达信号分选搜索方法 - Google Patents
一种基于双向lstm网络的雷达信号分选搜索方法 Download PDFInfo
- Publication number
- CN117554919A CN117554919A CN202410042465.7A CN202410042465A CN117554919A CN 117554919 A CN117554919 A CN 117554919A CN 202410042465 A CN202410042465 A CN 202410042465A CN 117554919 A CN117554919 A CN 117554919A
- Authority
- CN
- China
- Prior art keywords
- signal
- processed
- radar
- signals
- time consumption
- 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 39
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 21
- 230000008569 process Effects 0.000 claims description 6
- 230000011664 signaling Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 5
- 108010076504 Protein Sorting Signals Proteins 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000010845 search algorithm Methods 0.000 abstract description 2
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 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
- 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
- G06F18/24—Classification techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational 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
本发明请求保护一种基于双向LSTM网络的雷达信号分选搜索方法,通过输入多个待处理雷达信号,待处理雷达信号为一维信号;获取多个待处理雷达信号的到达时间,提取多个待处理雷达信号的pri特征;将提取的pwd特征,输入双向lstm网络进行到达时间的搜索;通过信号分选,得到最优解与信号的到达时间序列。该方案利用脉间特征的二维图形进行图像识别分选信号,特征提取速度快、计算速度快,对待载频变化、重频捷变、重频参差等复杂信号时具有较高的分选识别率。本发明基于脉间特征的雷达信号分选,克服现有技术通过特征点,传统的建树搜索算法无法搜索出对应的信号序列,多个信号同时搜索时候,无法得到最优解的缺陷。
Description
技术领域
本发明涉及雷达信号处理领域,尤其涉及一种基于双向LSTM网络的雷达信号分选搜索方法。
背景技术
雷达信号的分选识别是对信号进一步分析的前提,对于电子对抗战有着重要的意义。而目前电磁环境复杂,雷达的调制方式日益复杂,基于传统参数的特征匹配识别算法已经逐渐失效。
雷达信号分选识别方法主要有两种,一种是基于脉间特征的分选识别、另一种是基于脉内特征的分选识别。随着雷达信号的载频变化、重频捷变、重频参差等复杂调制形式出现,经典的简单的脉间分选算法已难以胜任。而脉内算法特征提取困难、计算量巨大。
近年来图像处理技术发展迅速,因此基于信号的时频图像完成分选识别成为了一种趋势。目前已有的许多研究尝试沿用这种思路,利用时频分布等方法对信号进行时频分析,得到信号的时频图像,再基于信息论,领域专业知识,针对时频图像人工设计雷达信号的特征向量,最后再利用机器学习方法完成信号分类。这种方法的特征提取模块虽然语义明确,但泛化性较差,同时特征维数有限,在复杂情况下容易遇到瓶颈。另一类基于深度学习的雷达信号分选识别方法,虽然完成了信号的自动特征提取,但是对标签数据有较大依赖。
发明内容
本发明正是针对现有技术中存在的技术问题提供一种基于双向LSTM网络的雷达信号分选搜索方法。
为了实现上述目的,本发明的技术方案如下:
一种基于双向LSTM网络的雷达信号分选搜索方法,其特征在于,包括步骤:
输入多个待处理雷达信号,所述待处理雷达信号为一维信号;
获取多个所述待处理雷达信号的到达时间,提取多个所述待处理雷达信号的pri特征;
将提取的pri特征,输入双向lstm网络进行到达时间的搜索;
通过信号分选,得到最优解与信号的到达时间序列。
将对所述待处理雷达信号统的第一次搜索操作的周期设置为第一预设周期;
根据历史第一信号报告的周期参数,查询关联关系表,以获得与第一信号对应的预估耗时;预估耗时用于表征待处理雷达信号统执行第一信号所需的预计时间;
将预估耗时作为第一预设周期;
关联关系表存储有上述第一信号的预估信息与待处理雷达信号统的负载的对应关系,所述第一信号的预估信息包括上述第一信号的类型以及与所述第一信号对应的预估耗时。
进一步的,历史第一信号报告待处理雷达信号统的当前负载的过程包括:
获取待处理雷达信号统执行历史第一信号的实际耗时;
根据所述历史第一信号的实际信息,查询所述关联关系表,以获得与所述历史第一信号的实际信息相匹配的所述第一信号的预估信息;
将与查询获得的上述第一信号的预估信息对应的待处理雷达信号统的负载,作为待处理雷达信号统的当前负载;
所述历史第一信号的实际信息包括待处理雷达信号统执行所述历史第一信号的实际耗时以及所述历史第一信号的类型。
进一步的,根据所述历史第一信号报告的周期参数,查询所述关联关系表之前还包括:
若报告时间在有效时间内,则进入根据所述历史第一信号报告的周期参数,查询所述关联关系表的步骤;报告时间包括所述历史第一信号报告待处理雷达信号统的当前负载的时间;
若报告时间在有效时间之外,则将预设负载作为待处理雷达信号统的当前负载,根据待处理雷达信号统的当前负载以及所述第一信号的类型,查询所述关联关系表,以获得与第一信号对应的预估耗时,并进入将预估耗时作为第一预设周期的步骤。
进一步的,在报告时间在有效时间之外的情况下,搜索方法还包括:
记录待处理雷达信号统执行第一信号的实际耗时,根据第一信号的实际信息,查询所述关联关系表,以获得与第一信号的实际信息对应的待处理雷达信号统的负载;第一信号的实际信息包括待处理雷达信号统执行第一信号的实际耗时以及第一信号的类型;
利用查询获得的待处理雷达信号统的负载,更新所述历史第一信号报告的待处理雷达信号统的当前负载;
利用待处理雷达信号统执行完毕第一信号的时间更新报告时间。
进一步的,根据所述历史第一信号报告的周期参数,查询所述关联关系表之前还包括:
若多条所述历史第一信号的报告时间在有效时间内,且多条不同类型的所述历史第一信号报告的待处理雷达信号统的当前负载的差值小于预设差值,则将与第一信号的类型相同的所述历史第一信号的实际耗时作为与第一信号对应的预估耗时,并进入将预估耗时作为第一预设周期的步骤;报告时间包括所述历史第一信号报告待处理雷达信号统的当前负载的时间。
进一步的,获取多条第一信号的执行信息,第一信号的执行信息包括待处理雷达信号统执行第一信号的实际耗时、与第一信号对应的预估耗时以及与预估耗时对应的待处理雷达信号统的负载;
根据多条第一信号的执行信息,更新所述关联关系表。
进一步的,根据多条第一信号的执行信息,更新所述关联关系表;
若多条第一信号的执行信息的数量超过预设数量,则在多条第一信号的执行信息中,存在超过预设比例的误差执行信息时,根据多条第一信号的误差执行信息,更新所述关联关系表;
第一信号的误差执行信息包括:第一信号的实际耗时与第一信号对应的预估耗时的差值绝对值占与第一信号对应的预估耗时的比例大于预设比例的执行信息。
进一步的,第一信号包括非密码运算部分;所述关联关系表包括第一关系表;其中,第一关系表中存储有第一信号的非密码预估信息与待处理雷达信号统的负载的对应关系;第一信号的非密码预估信息包括第一信号的类型以及第一信号的非密码运算部分的预估耗时;
根据所述历史第一信号报告的周期参数,查询所述关联关系表,以获得与第一信号对应的预估耗时包括:
根据所述历史第一信号报告的待处理雷达信号统的当前负载以及第一信号的类型,查询第一关系表,以获得与第一信号的类型以及所述历史第一信号报告的待处理雷达信号统的当前负载均对应的第一信号的非密码运算部分的预估耗时;
将第一信号的非密码运算部分的预估耗时作为与第一信号对应的预估耗时。
进一步的,计算设备还包括密码引擎,密码引擎用于执行第一信号的密码运算部分;
所述第一信号还包括密码运算部分;所述关联关系表还包括第二关系表,第二关系表中存储有第一信号的密码运算部分与第一信号的密码运算部分的预估耗时的对应关系;
根据所述历史第一信号报告的周期参数,查询所述关联关系表,以获得与所述第一信号对应的预估耗时包括:
根据所述历史第一信号报告的待处理雷达信号统的当前负载以及所述第一信号的类型,查询第一关系表,以获得与第一信号的类型以及所述历史第一信号报告的待处理雷达信号统的当前负载均对应的第一信号的非密码运算部分的预估耗时;
根据所述第一信号的密码运算部分查询第二关系表,以获得第一信号的密码运算部分的预估耗时。
将所述第一信号的非密码运算部分的预估耗时和第一信号的密码运算部分的预估耗时之和作为与所述第一信号对应的预估耗时。本发明请求保护一种基于双向LSTM网络的雷达信号分选搜索方法,通过输入多个待处理雷达信号,待处理雷达信号为一维信号;获取多个待处理雷达信号的到达时间,提取多个待处理雷达信号的pri特征;将提取的pri特征,输入双向lstm网络进行到达时间的搜索;通过信号分选,得到最优解与信号的到达时间序列。该方案利用脉间特征的二维图形进行图像识别分选信号,特征提取速度快、计算速度快,对待载频变化、重频捷变、重频参差等复杂信号时具有较高的分选识别率。本发明基于脉间特征的雷达信号分选,克服现有技术通过特征点,传统的建树搜索算法无法搜索出对应的信号序列,多个信号同时搜索时候,无法得到最优解的缺陷。
附图说明
图1为本发明所涉及的一种基于双向LSTM网络的雷达信号分选搜索方法的工作流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明实施例如下:
参照附图1,本发明请求保护一种基于双向LSTM网络的雷达信号分选搜索方法,包括步骤:
一种基于双向LSTM网络的雷达信号分选搜索方法,其特征在于,包括步骤:
输入多个待处理雷达信号,所述待处理雷达信号为一维信号;
获取多个所述待处理雷达信号的到达时间,提取多个所述待处理雷达信号的pri特征;
将提取的pri特征,输入双向lstm网络进行到达时间的搜索;
通过信号分选,得到最优解与信号的到达时间序列。
进一步的,将对所述待处理雷达信号统的第一次搜索操作的周期设置为第一预设周期;
根据历史第一信号报告的周期参数,查询关联关系表,以获得与第一信号对应的预估耗时;预估耗时用于表征待处理雷达信号统执行第一信号所需的预计时间;
将预估耗时作为第一预设周期;
关联关系表存储有上述第一信号的预估信息与待处理雷达信号统的负载的对应关系,所述第一信号的预估信息包括上述第一信号的类型以及与所述第一信号对应的预估耗时。
进一步的,历史第一信号报告待处理雷达信号统的当前负载的过程包括:
获取待处理雷达信号统执行历史第一信号的实际耗时;
根据所述历史第一信号的实际信息,查询所述关联关系表,以获得与所述历史第一信号的实际信息相匹配的所述第一信号的预估信息;
将与查询获得的上述第一信号的预估信息对应的待处理雷达信号统的负载,作为待处理雷达信号统的当前负载;
所述历史第一信号的实际信息包括待处理雷达信号统执行所述历史第一信号的实际耗时以及所述历史第一信号的类型。
进一步的,根据所述历史第一信号报告的周期参数,查询所述关联关系表之前还包括:
若报告时间在有效时间内,则进入根据所述历史第一信号报告的周期参数,查询所述关联关系表的步骤;报告时间包括所述历史第一信号报告待处理雷达信号统的当前负载的时间;
若报告时间在有效时间之外,则将预设负载作为待处理雷达信号统的当前负载,根据待处理雷达信号统的当前负载以及所述第一信号的类型,查询所述关联关系表,以获得与第一信号对应的预估耗时,并进入将预估耗时作为第一预设周期的步骤。
进一步的,在报告时间在有效时间之外的情况下,搜索方法还包括:
记录待处理雷达信号统执行第一信号的实际耗时,根据第一信号的实际信息,查询所述关联关系表,以获得与第一信号的实际信息对应的待处理雷达信号统的负载;第一信号的实际信息包括待处理雷达信号统执行第一信号的实际耗时以及第一信号的类型;
利用查询获得的待处理雷达信号统的负载,更新所述历史第一信号报告的待处理雷达信号统的当前负载;
利用待处理雷达信号统执行完毕第一信号的时间更新报告时间。
进一步的,根据所述历史第一信号报告的周期参数,查询所述关联关系表之前还包括:
若多条所述历史第一信号的报告时间在有效时间内,且多条不同类型的所述历史第一信号报告的待处理雷达信号统的当前负载的差值小于预设差值,则将与第一信号的类型相同的所述历史第一信号的实际耗时作为与第一信号对应的预估耗时,并进入将预估耗时作为第一预设周期的步骤;报告时间包括所述历史第一信号报告待处理雷达信号统的当前负载的时间。
进一步的,获取多条第一信号的执行信息,第一信号的执行信息包括待处理雷达信号统执行第一信号的实际耗时、与第一信号对应的预估耗时以及与预估耗时对应的待处理雷达信号统的负载;
根据多条第一信号的执行信息,更新所述关联关系表。
进一步的,根据多条第一信号的执行信息,更新所述关联关系表;
若多条第一信号的执行信息的数量超过预设数量,则在多条第一信号的执行信息中,存在超过预设比例的误差执行信息时,根据多条第一信号的误差执行信息,更新所述关联关系表;
第一信号的误差执行信息包括:第一信号的实际耗时与第一信号对应的预估耗时的差值绝对值占与第一信号对应的预估耗时的比例大于预设比例的执行信息。
进一步的,第一信号包括非密码运算部分;所述关联关系表包括第一关系表;其中,第一关系表中存储有第一信号的非密码预估信息与待处理雷达信号统的负载的对应关系;第一信号的非密码预估信息包括第一信号的类型以及第一信号的非密码运算部分的预估耗时;
根据所述历史第一信号报告的周期参数,查询所述关联关系表,以获得与第一信号对应的预估耗时包括:
根据所述历史第一信号报告的待处理雷达信号统的当前负载以及第一信号的类型,查询第一关系表,以获得与第一信号的类型以及所述历史第一信号报告的待处理雷达信号统的当前负载均对应的第一信号的非密码运算部分的预估耗时;
将第一信号的非密码运算部分的预估耗时作为与第一信号对应的预估耗时。
进一步的,计算设备还包括密码引擎,密码引擎用于执行第一信号的密码运算部分;
所述第一信号还包括密码运算部分;所述关联关系表还包括第二关系表,第二关系表中存储有第一信号的密码运算部分与第一信号的密码运算部分的预估耗时的对应关系;
根据所述历史第一信号报告的周期参数,查询所述关联关系表,以获得与所述第一信号对应的预估耗时包括:
根据所述历史第一信号报告的待处理雷达信号统的当前负载以及所述第一信号的类型,查询第一关系表,以获得与第一信号的类型以及所述历史第一信号报告的待处理雷达信号统的当前负载均对应的第一信号的非密码运算部分的预估耗时;
根据所述第一信号的密码运算部分查询第二关系表,以获得第一信号的密码运算部分的预估耗时。
本领域技术人员能够理解,本公开所披露的内容可以出现多种变型和改进。例如,以上所描述的各种设备或组件可以通过硬件实现,也可以通过软件、固件、或者三者中的一些或全部的组合实现。
本公开中使用了流程图用来说明根据本公开的实施例的方法的步骤。应当理解的是,前面或后面的步骤不一定按照顺序来精确的进行。相反,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中。
本领域普通技术人员可以理解上述方法中的全部或部分的步骤可通过计算机程序来信号相关硬件完成,程序可以存储于计算机可读存储介质中,如只读存储器、磁盘或光盘等。可选地,上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地,上述实施例中的各模块/单元可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。本公开并不限制于任何特定形式的硬件和软件的结合。
除非另有定义,这里使用的所有术语具有与本公开所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
以上是对本公开的说明,而不应被认为是对其的限制。尽管描述了本公开的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本公开的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本公开范围内。应当理解,上面是对本公开的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本公开由权利要求书及其等效物限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (9)
1.一种基于双向LSTM网络的雷达信号分选搜索方法,其特征在于,包括步骤:
输入多个待处理雷达信号,所述待处理雷达信号为一维信号;
获取多个所述待处理雷达信号的到达时间,提取多个所述待处理雷达信号的pri特征;
将提取的pri特征,输入双向lstm网络进行到达时间的搜索;
通过信号分选,得到最优解与信号的到达时间序列;
将对所述待处理雷达信号统的第一次搜索操作的周期设置为第一预设周期;
根据历史第一信号报告的周期参数,查询关联关系表,以获得与第一信号对应的预估耗时;预估耗时用于表征待处理雷达信号统执行第一信号所需的预计时间;
将预估耗时作为第一预设周期;
关联关系表存储有上述第一信号的预估信息与待处理雷达信号统的负载的对应关系,所述第一信号的预估信息包括上述第一信号的类型以及与所述第一信号对应的预估耗时。
2.根据权利要求1所述的一种基于双向LSTM网络的雷达信号分选搜索方法,其特征在于,历史第一信号报告待处理雷达信号统的当前负载的过程包括:
获取待处理雷达信号统执行历史第一信号的实际耗时;
根据所述历史第一信号的实际信息,查询所述关联关系表,以获得与所述历史第一信号的实际信息相匹配的所述第一信号的预估信息;
将与查询获得的上述第一信号的预估信息对应的待处理雷达信号统的负载,作为待处理雷达信号统的当前负载;
所述历史第一信号的实际信息包括待处理雷达信号统执行所述历史第一信号的实际耗时以及所述历史第一信号的类型。
3.根据权利要求2所述的一种基于双向LSTM网络的雷达信号分选搜索方法,其特征在于,根据所述历史第一信号报告的周期参数,查询所述关联关系表之前还包括:
若报告时间在有效时间内,则进入根据所述历史第一信号报告的周期参数,查询所述关联关系表的步骤;报告时间包括所述历史第一信号报告待处理雷达信号统的当前负载的时间;
若报告时间在有效时间之外,则将预设负载作为待处理雷达信号统的当前负载,根据待处理雷达信号统的当前负载以及所述第一信号的类型,查询所述关联关系表,以获得与第一信号对应的预估耗时,并进入将预估耗时作为第一预设周期的步骤。
4.根据权利要求3所述的一种基于双向LSTM网络的雷达信号分选搜索方法,其特征在于,在报告时间在有效时间之外的情况下,搜索方法还包括:
记录待处理雷达信号统执行第一信号的实际耗时,根据第一信号的实际信息,查询所述关联关系表,以获得与第一信号的实际信息对应的待处理雷达信号统的负载;第一信号的实际信息包括待处理雷达信号统执行第一信号的实际耗时以及第一信号的类型;
利用查询获得的待处理雷达信号统的负载,更新所述历史第一信号报告的待处理雷达信号统的当前负载;
利用待处理雷达信号统执行完毕第一信号的时间更新报告时间。
5.根据权利要求4所述的一种基于双向LSTM网络的雷达信号分选搜索方法,其特征在于,根据所述历史第一信号报告的周期参数,查询所述关联关系表之前还包括:
若多条所述历史第一信号的报告时间在有效时间内,且多条不同类型的所述历史第一信号报告的待处理雷达信号统的当前负载的差值小于预设差值,则将与第一信号的类型相同的所述历史第一信号的实际耗时作为与第一信号对应的预估耗时,并进入将预估耗时作为第一预设周期的步骤;报告时间包括所述历史第一信号报告待处理雷达信号统的当前负载的时间。
6.根据权利要求5所述的一种基于双向LSTM网络的雷达信号分选搜索方法,其特征在于,还包括:
获取多条第一信号的执行信息,第一信号的执行信息包括待处理雷达信号统执行第一信号的实际耗时、与第一信号对应的预估耗时以及与预估耗时对应的待处理雷达信号统的负载;
根据多条第一信号的执行信息,更新所述关联关系表。
7.根据权利要求6所述的一种基于双向LSTM网络的雷达信号分选搜索方法,其特征在于,根据多条第一信号的执行信息,更新所述关联关系表;
若多条第一信号的执行信息的数量超过预设数量,则在多条第一信号的执行信息中,存在超过预设比例的误差执行信息时,根据多条第一信号的误差执行信息,更新所述关联关系表;
第一信号的误差执行信息包括:第一信号的实际耗时与第一信号对应的预估耗时的差值绝对值占与第一信号对应的预估耗时的比例大于预设比例的执行信息。
8.根据权利要求2-7任一项所述的一种基于双向LSTM网络的雷达信号分选搜索方法,其特征在于,第一信号包括非密码运算部分;所述关联关系表包括第一关系表;其中,第一关系表中存储有第一信号的非密码预估信息与待处理雷达信号统的负载的对应关系;第一信号的非密码预估信息包括第一信号的类型以及第一信号的非密码运算部分的预估耗时;
根据所述历史第一信号报告的周期参数,查询所述关联关系表,以获得与第一信号对应的预估耗时包括:
根据所述历史第一信号报告的待处理雷达信号统的当前负载以及第一信号的类型,查询第一关系表,以获得与第一信号的类型以及所述历史第一信号报告的待处理雷达信号统的当前负载均对应的第一信号的非密码运算部分的预估耗时;
将第一信号的非密码运算部分的预估耗时作为与第一信号对应的预估耗时。
9.根据权利要求8所述的一种基于双向LSTM网络的雷达信号分选搜索方法,其特征在于,计算设备还包括密码引擎,密码引擎用于执行第一信号的密码运算部分;
所述第一信号还包括密码运算部分;所述关联关系表还包括第二关系表,第二关系表中存储有第一信号的密码运算部分与第一信号的密码运算部分的预估耗时的对应关系;
根据所述历史第一信号报告的周期参数,查询所述关联关系表,以获得与所述第一信号对应的预估耗时包括:
根据所述历史第一信号报告的待处理雷达信号统的当前负载以及所述第一信号的类型,查询第一关系表,以获得与第一信号的类型以及所述历史第一信号报告的待处理雷达信号统的当前负载均对应的第一信号的非密码运算部分的预估耗时;
根据所述第一信号的密码运算部分查询第二关系表,以获得第一信号的密码运算部分的预估耗时;
将所述第一信号的非密码运算部分的预估耗时和第一信号的密码运算部分的预估耗时之和作为与所述第一信号对应的预估耗时。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410042465.7A CN117554919B (zh) | 2024-01-11 | 2024-01-11 | 一种基于双向lstm网络的雷达信号分选搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410042465.7A CN117554919B (zh) | 2024-01-11 | 2024-01-11 | 一种基于双向lstm网络的雷达信号分选搜索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117554919A true CN117554919A (zh) | 2024-02-13 |
CN117554919B CN117554919B (zh) | 2024-03-29 |
Family
ID=89823601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410042465.7A Active CN117554919B (zh) | 2024-01-11 | 2024-01-11 | 一种基于双向lstm网络的雷达信号分选搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117554919B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NO854951L (no) * | 1984-12-11 | 1986-06-12 | Hollandse Signaalapparaten Bv | Radar. |
JPH1078480A (ja) * | 1996-07-30 | 1998-03-24 | Samsung Electron Co Ltd | 追跡レーダ信号発生装置 |
US20060082489A1 (en) * | 2004-10-15 | 2006-04-20 | Liu Jiewen J | Radar presence alert for WLAN |
US20160252981A1 (en) * | 2013-11-08 | 2016-09-01 | Egalax_Empia Technology Inc. | Transmitter and controlling method thereof |
CN106680782A (zh) * | 2016-12-29 | 2017-05-17 | 中国人民解放军63889部队 | 基于脉冲时延匹配的雷达重频分选方法 |
CN109490843A (zh) * | 2018-11-15 | 2019-03-19 | 成都傅立叶电子科技有限公司 | 一种归一化雷达屏幕监测方法及系统 |
CN109683143A (zh) * | 2019-03-07 | 2019-04-26 | 西安电子科技大学 | 雷达信号分选方法、装置、计算机设备及可存储介质 |
US20200184278A1 (en) * | 2014-03-18 | 2020-06-11 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
CN111722188A (zh) * | 2020-05-18 | 2020-09-29 | 中国人民解放军63892部队 | 基于stft预分选的pri变换雷达信号分选方法 |
CN112036074A (zh) * | 2020-07-27 | 2020-12-04 | 西安电子科技大学 | 一种高脉冲密度环境下雷达信号分选方法及系统 |
CN112881987A (zh) * | 2021-02-06 | 2021-06-01 | 西安晟昕科技发展有限公司 | 一种基于lstm模型的机载相控阵雷达行为预测方法 |
CN113156391A (zh) * | 2021-04-25 | 2021-07-23 | 电子科技大学 | 一种雷达信号多维特征智能分选方法 |
CN113947132A (zh) * | 2021-09-16 | 2022-01-18 | 广东工业大学 | 基于gcn图神经网络的公交到站预测方法、计算机及介质 |
CN114019505A (zh) * | 2021-11-09 | 2022-02-08 | 中国人民解放军海军航空大学 | 一种基于pri区间信息的雷达信号分选方法及系统 |
KR102407835B1 (ko) * | 2021-12-22 | 2022-06-10 | 한화시스템(주) | 기계학습 기반의 펄스 레이더 신호 속성 분류 방법 및 장치 |
KR102407834B1 (ko) * | 2021-12-22 | 2022-06-10 | 한화시스템(주) | 긴 펄스 레이더 신호의 속성 기반 분류 방법 및 장치 |
CN114839602A (zh) * | 2022-07-04 | 2022-08-02 | 中国人民解放军国防科技大学 | 基于电磁数据聚类的雷达信号统计特征提取方法及装置 |
CN114841201A (zh) * | 2022-04-23 | 2022-08-02 | 中国人民解放军32802部队 | 一种面向智能化雷达对抗的动态知识库设计方法及装置 |
CN115510915A (zh) * | 2022-10-10 | 2022-12-23 | 东南大学 | 一种基于门控循环网络原理的已知雷达信号分选方法 |
CN116593969A (zh) * | 2023-05-18 | 2023-08-15 | 成都大公博创信息技术有限公司 | 基于gain-lstm的雷达辐射源识别方法和装置 |
CN117129947A (zh) * | 2023-10-26 | 2023-11-28 | 成都金支点科技有限公司 | 一种基于miniunet的平面变换法雷达信号识别方法 |
-
2024
- 2024-01-11 CN CN202410042465.7A patent/CN117554919B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NO854951L (no) * | 1984-12-11 | 1986-06-12 | Hollandse Signaalapparaten Bv | Radar. |
JPH1078480A (ja) * | 1996-07-30 | 1998-03-24 | Samsung Electron Co Ltd | 追跡レーダ信号発生装置 |
US20060082489A1 (en) * | 2004-10-15 | 2006-04-20 | Liu Jiewen J | Radar presence alert for WLAN |
US20160252981A1 (en) * | 2013-11-08 | 2016-09-01 | Egalax_Empia Technology Inc. | Transmitter and controlling method thereof |
US20200184278A1 (en) * | 2014-03-18 | 2020-06-11 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
CN106680782A (zh) * | 2016-12-29 | 2017-05-17 | 中国人民解放军63889部队 | 基于脉冲时延匹配的雷达重频分选方法 |
CN109490843A (zh) * | 2018-11-15 | 2019-03-19 | 成都傅立叶电子科技有限公司 | 一种归一化雷达屏幕监测方法及系统 |
CN109683143A (zh) * | 2019-03-07 | 2019-04-26 | 西安电子科技大学 | 雷达信号分选方法、装置、计算机设备及可存储介质 |
CN111722188A (zh) * | 2020-05-18 | 2020-09-29 | 中国人民解放军63892部队 | 基于stft预分选的pri变换雷达信号分选方法 |
CN112036074A (zh) * | 2020-07-27 | 2020-12-04 | 西安电子科技大学 | 一种高脉冲密度环境下雷达信号分选方法及系统 |
CN112881987A (zh) * | 2021-02-06 | 2021-06-01 | 西安晟昕科技发展有限公司 | 一种基于lstm模型的机载相控阵雷达行为预测方法 |
CN113156391A (zh) * | 2021-04-25 | 2021-07-23 | 电子科技大学 | 一种雷达信号多维特征智能分选方法 |
CN113947132A (zh) * | 2021-09-16 | 2022-01-18 | 广东工业大学 | 基于gcn图神经网络的公交到站预测方法、计算机及介质 |
CN114019505A (zh) * | 2021-11-09 | 2022-02-08 | 中国人民解放军海军航空大学 | 一种基于pri区间信息的雷达信号分选方法及系统 |
KR102407835B1 (ko) * | 2021-12-22 | 2022-06-10 | 한화시스템(주) | 기계학습 기반의 펄스 레이더 신호 속성 분류 방법 및 장치 |
KR102407834B1 (ko) * | 2021-12-22 | 2022-06-10 | 한화시스템(주) | 긴 펄스 레이더 신호의 속성 기반 분류 방법 및 장치 |
CN114841201A (zh) * | 2022-04-23 | 2022-08-02 | 中国人民解放军32802部队 | 一种面向智能化雷达对抗的动态知识库设计方法及装置 |
CN114839602A (zh) * | 2022-07-04 | 2022-08-02 | 中国人民解放军国防科技大学 | 基于电磁数据聚类的雷达信号统计特征提取方法及装置 |
CN115510915A (zh) * | 2022-10-10 | 2022-12-23 | 东南大学 | 一种基于门控循环网络原理的已知雷达信号分选方法 |
CN116593969A (zh) * | 2023-05-18 | 2023-08-15 | 成都大公博创信息技术有限公司 | 基于gain-lstm的雷达辐射源识别方法和装置 |
CN117129947A (zh) * | 2023-10-26 | 2023-11-28 | 成都金支点科技有限公司 | 一种基于miniunet的平面变换法雷达信号识别方法 |
Non-Patent Citations (4)
Title |
---|
HAORAN XIANG 等: ""Deep ToA Mask-Based Recursive Radar Pulse Deinterleaving"", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》, 31 December 2023 (2023-12-31), pages 989 - 1006 * |
LIU JIAHONG 等: ""An Adaptive ResNet Based Speaker Recognition in Radio Communication"", 《2021 IEEE INTERNATIONAL CONFERENCE ON EMERGENCY SCIENCE AND INFORMATION TECHNOLOGY (ICESIT)》, 31 December 2021 (2021-12-31), pages 161 - 164 * |
李忠媛 等: ""基于GAIN-LSTM网络的雷达PRI序列还原及识别方法"", 《电讯技术》, 13 March 2023 (2023-03-13), pages 1 - 8 * |
陈涛 等: ""基于深度分割的端到端雷达信号分选‘", 《系统工程与电子技术》, 31 May 2023 (2023-05-31), pages 1351 - 1358 * |
Also Published As
Publication number | Publication date |
---|---|
CN117554919B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2016201689B2 (en) | Methods and systems for searching logical patterns | |
CN107016018B (zh) | 数据库索引创建方法及装置 | |
CN105404627B (zh) | 一种用于确定搜索结果的方法与设备 | |
CN115455089B (zh) | 一种无源组件的性能评估方法、系统及存储介质 | |
CN116126945B (zh) | 基于数据分析的传感器运行状态分析方法和系统 | |
CN109871891B (zh) | 一种物体识别方法、装置和存储介质 | |
CN115563610B (zh) | 入侵检测模型的训练方法、识别方法和装置 | |
CN112348006A (zh) | 一种无人机信号识别方法、系统、介质及设备 | |
WO2019179408A1 (zh) | 机器学习模型的构建 | |
CN117129947B (zh) | 一种基于miniunet的平面变换法雷达信号识别方法 | |
CN104598473B (zh) | 一种信息处理方法及电子设备 | |
CN117554919B (zh) | 一种基于双向lstm网络的雷达信号分选搜索方法 | |
CN113723555A (zh) | 异常数据的检测方法及装置、存储介质、终端 | |
CN116821087A (zh) | 输电线路故障数据库构建方法、装置、终端及存储介质 | |
US11386340B2 (en) | Method and apparatus for performing block retrieval on block to be processed of urine sediment image | |
CN114547380B (zh) | 数据遍历查询方法、装置、电子设备及可读存储介质 | |
CN113723431B (zh) | 图像识别方法、装置以及计算机可读存储介质 | |
US10311084B2 (en) | Method and system for constructing a classifier | |
Kontaki et al. | Continuous trend-based classification of streaming time series | |
CN110177006B (zh) | 基于接口预测模型的节点测试方法及装置 | |
CN112052341A (zh) | 知识图谱剪枝方法及装置 | |
CN110688542B (zh) | 一种基础设施查找方法及装置 | |
CN115065504B (zh) | 面向目标检测模型的安全评估方法和系统、电子设备 | |
CN117292304B (zh) | 一种多媒体数据传输控制方法及系统 | |
CN110597863B (zh) | 通过动态阈值保持在布控库中性能稳定的检索系统和方法 |
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 |