CN117574187A - 一种多辐射源信号分选时延估计方法及系统 - Google Patents
一种多辐射源信号分选时延估计方法及系统 Download PDFInfo
- Publication number
- CN117574187A CN117574187A CN202311489201.8A CN202311489201A CN117574187A CN 117574187 A CN117574187 A CN 117574187A CN 202311489201 A CN202311489201 A CN 202311489201A CN 117574187 A CN117574187 A CN 117574187A
- Authority
- CN
- China
- Prior art keywords
- signal
- delay estimation
- time delay
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 131
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000004891 communication Methods 0.000 claims description 28
- 230000005855 radiation Effects 0.000 claims description 27
- 230000009467 reduction Effects 0.000 claims description 22
- 238000005314 correlation function Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 12
- 238000012935 Averaging Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 23
- 230000006870 function Effects 0.000 description 11
- 230000008901 benefit Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000003064 k means clustering Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 101100419874 Caenorhabditis elegans snr-2 gene Proteins 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 101100366000 Caenorhabditis elegans snr-1 gene Proteins 0.000 description 1
- 241001161843 Chandra Species 0.000 description 1
- 101000835860 Homo sapiens SWI/SNF-related matrix-associated actin-dependent regulator of chromatin subfamily B member 1 Proteins 0.000 description 1
- 102100025746 SWI/SNF-related matrix-associated actin-dependent regulator of chromatin subfamily B member 1 Human genes 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0852—Delays
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于信号处理技术领域，公开了多辐射源信号分选时延估计方法及系统，采用基于相对参量的自适应密度峰值聚类算法，根据接收信号的特征数据集，完成对多辐射源信号的聚类分选；采用基于二阶差分奇异值分解的时延估计算法对分选后的信号完成时延估计。本发明采用ACDPC算法，增强了算法在不同数据集上的适用性；通过构造相对局部密度信息熵函数，自适应的确定相关参数，增强了算法的智能性；采用新的点分配策略，避免了链式反应。本发明采用基于二阶差分奇异值分解的时延估计算法，保证了时延估计的准确性和稳定性，尤其是在某路接收信号信号比较低的情形下，依然能提供可靠的时延估计性能保证。
Description
技术领域
本发明属于信号处理技术领域，尤其涉及一种多辐射源信号分选时延估计方法及系统。
背景技术
时延估计作为信号处理领域的重要组成部分，在通信、导航定位、遥测等领域有着广泛的应用。随着现代电子技术的发展，空间电磁环境越发复杂，主要表现为：空间辐射源数量多、密度大、调制方式复杂。且辐射源分布广信号交错，这使得在现今的电磁环境下对信号辐射源的时延估计工作变得越发困难。因此，如何在交错多辐射源信号中分选出属于同一个辐射源的信号及对分选后属于同一辐射源的信号进行准确的时延估计，具有重要的研究意义和应用价值。
现阶段，信号分选算法主要包括单参数信号分选算法和多参数联合信号分选算法。单参数信号分选算法仅利用了的信号的单一特征信息，在辐射源数量较少、参数信号变化较小的电磁环境中能够取得比较好的信号分选效果。随着信号体制越来越复杂、参数变化越来越多样，各参数之间存在严重交叠，仅利用单参数对信号分选算法已经无法满足性能需求。随着信号接收设备的不断发展，其能够从接收到的信号中提取出时域、频域及空域等多种参数信息，如载频、脉宽、方位角等，从而联合这些参数进行信号分选，多参数联合信号分选算法能获得比单参数信号分选算法更好的算法性能。
人工智能中神经网络算法信号多参数联合分选算法取得了较多研究成果。James等人提出了一种基于多参数的神经网络分类算法，该算法通过对相似的信号分类来简化信号的分选过程。与此同时，各类监督神经网络算法也在信号分选中得到了广泛研究但基于监督神经网络的信号分选算法需要对先验样本进行训练处理，而未知的辐射源分选环境难以获得较完整的先验样本信息，因此分选精度大幅降低。为了解决在未知的辐射源分选环境中存在的缺少先验知识的问题，研究者们将无监督聚类算法引入多参数信号分选中，其中Chandra提出了一种应用于捷变频信号分选的两阶段聚类信号分选算法。Eric提出了一种基于模糊模式排序的在线分类方法。张万军等提出了一种改进的K-means聚类算法，实现了参数交叠情况下的多参数联合信号分选。赵贵喜等利用蚁群算法得到聚类初始值，提出了一种联合蚁群算法的改进K-means聚类算法完成信号分选。K-means算法简单易实现但存在以下缺陷：需事先指定聚类的数目，且对K值敏感；对初始聚类中心的选择敏感；算法易陷入局部最优；对非凸形状的数据集等集合聚类效果差。目前，对K-means聚类算法的改进主要针对K-means聚类算法对初值敏感的问题，但对于非凸状的数据集，其聚类效果仍不理想。DBSCAN是一种常用的基于密度的聚类算法，可对任意形状的稠密数据集进行聚类，但缺陷在于：样本集的密度不均匀、聚类间距差相差很大时，聚类效果较差；样本集较大时，算法收敛时间长；需要对“邻域”参数联合调参，不同参数组合对聚类结果影响大。目前，关于DBSCAN聚类算法的改进算法主要针对“不同的参数组合对最后的聚类效果影响”的问题，但当存在样本集的密度不均匀等情况时，其聚类结果依不理想。2014年6月，Alex Rodriguez等在《Science》上提出一种新的基于密度的聚类算法，即密度峰值聚类(DPC)算法。DPC算法相较于之前提到的算法主要有以下优势：无需事先指定簇个数；可自动发现和处理离群值；受簇的形状和数据维度限制更低，能发现非球形簇。DPC算法的缺陷在于：需预先设置截断距离，聚类结果对截断距离的值敏感；算法对不同数据集的适用性低，尤其是在数据集内部结构差异较大时聚类效果差；聚类过程采用一步分配策略，一个数据点的分配错误将引发链式反应等。针对提到的部分缺点，研究者们在设置截断距离、修改局部密度定义、修改距离度量等方向做出改进。虽经过以上努力，部分问题得到改善，但仍存在需依靠经验对部分参数进行手动设置调整等问题，如何增强算法的智能性并提升算法在数据集上的适用性，仍是使用聚类算法实现多辐射源信号分选过程中要重点考虑的问题。
现阶段，常用的时延估计方法主要有最小均方(LMS)自适应法、子空间类时延估计方法、广义互相关法(GCC)等。LMS自适应法无需信号和噪声的统计先验知识即可实现信号间时延差估计，但存在适应时间长难满足实时性的问题；子空间类法大多需要进行多径数目估计、特征分解、谱峰搜索等操作，计算复杂度较高且在实际中多径数目难估计；GCC方法具有原理简单、计算量小、稳定性好、适用性强等优势，在时延估计领域受到广泛关注。
GCC时延估计方法通过信号间互相关函数的峰值检测估计时延，该方法基于理想信号模型，即假设噪声与信号，噪声与噪声两两正交，对平稳随机信号，在高信噪比条件下可获得精确的时延估计值。然而，在实际中这种假设并不成立，GCC函数峰值受各种噪声和混响的影响将不再尖锐，甚至出现伪峰值，时延估计会出现较大偏差。为解决该问题，有学者通过引入改进的小波阈值函数进行信号去噪与重构，采用GCC方法进行时延估计，这种方法克服了传统软硬阈值函数的缺点，提升了时延估计性能，但存在信号去噪效果受小波基选择、分解尺度等因素制约的问题。一些学者采用倒谱法分离声门脉冲机制和声道响应，结合谱减法设计了区分含噪信号有用频段的有效方案，利用经验模态分解后的本征模函数谱特性进行信号重构，该方法显著提高了时延估计算法的抗噪性能，但存在算法复杂度高、应用场景单一等问题。基于上述分析，如何克服接收信号中含有各种干扰噪声，提高时延估计精度时仍需重点解决的问题。
通过上述分析，现有技术存在的问题及缺陷为：1.现有的聚类算法具有一些明显缺点：算法的适应性差，在处理内部结构复杂的数据集和如流形数据等具有特定结构的数据时，聚类分选效果差；聚类表现被链式反应严重影响等。2.现有的时延估计算法难以适应多样的实际应用场景，在接收信号信噪比不理想的情形下，时延估计的准确度低等。
发明内容
针对现有技术存在的问题，本发明提供了一种多辐射源信号分选时延估计方法及系统。
本发明是这样实现的，多辐射源信号分选时延估计方法，所述多辐射源信号分选时延估计方法包括以下步骤：
步骤一，采用基于相对参量的自适应密度峰值聚类算法，根据接收信号的特征数据集，完成对多辐射源信号的聚类分选；
步骤二，采用基于二阶差分奇异值分解的时延估计算法对分选后的信号完成时延估计。
进一步，所述基于相对参量的自适应密度峰值聚类算法包括：计算数据集中数据点的相对局部密度ρi和相对连通距离θi；根据每个数据点的相对局部密度ρi和相对连通距离θi绘制决策图，确定簇中心；根据新的点分配策略分配剩余数据点。
进一步，所述基于相对参量的自适应密度峰值聚类算法具体包括以下步骤：
步骤一，对数据集X中的数据进行标准化处理；
步骤二，自适应的确定K值并计算每个数据点的相对局部密度ρi；
步骤三，计算每个数据点的欧氏距离dij、连通距离d(i,j)；
步骤四，计算每个数据点的相对连通距离θi；
步骤五，以ρi和θi为坐标轴，绘制决策图并选取簇中心；
步骤六，根据点分配策略分配剩余点；
步骤七，返回聚类结果簇集C。
进一步，通过构造信息熵函数，根据数据集中数据点的分布情况自适应的设置最佳K值；
构造相对局部密度信息熵H(K)：
式中，N为数据集中的数据点数，/>表示相对局部密度值最大的M个数据点的相对局部密度之和；
最佳的K值为：
进一步，对于数据集中的数据点i，相对局部密度ρi为：
式中，dij表示数据点i与数据点j之间的欧氏距离，K为数据点的近邻点个数，KNN(i)表示数据点i的K近邻点集合，指数部分的分子表示数据点i所处的局部区域的样本点的疏密程度，分母表示数据点i的离群程度，相对局部密度ρi则表示了数据点i邻近区域相对于该区域周边的密度。
进一步，数据点i与数据点j之间的连通距离d(i,j)为：
式中，Pij表示连通数据点i和数据点j的所有路径集合，p表示Pij中的一条路径，|p|表示路径p的步数，pk和pk+1是路径p上第k步经过的两个相邻数据点，则表示数据点pk和pk+1之间的欧氏距离；
对于数据集中的数据点i，其相对连通距离θi定义为：
进一步，点分配策略为在确定簇中心后，计算剩余点到簇中心的连通距离，将点分配给到该簇中心连通距离最近的簇中心所属的簇。
进一步，所述基于二阶差分奇异值分解的时延估计算法具体包括以下步骤：
步骤一，对分选后的原始含噪声信号X＝{x(i)}构造Hankle矩阵A；
步骤二，对Hankle矩阵A进行奇异值分解；
步骤三，对奇异值进行处理，求出二阶差分值bi，确定A的有效秩阶次k；
步骤四，根据效秩阶次k，重构新的矩阵A′；
步骤五，采用平均法，对A′中相同时刻的元素求平均，还原降噪后的信号X′；
步骤六，对还原降噪后的信号进行PHAT加权滤波；
步骤七，对滤波后的两路接收信号求互相关函数
步骤八，对互相关函数进行峰值搜索，得到信号的时延估计
进一步，对完成聚类分选后的原始含噪声信号X＝{x(i)},i＝1,2,…,N，N为信号的采样长度，构造具有如下形式的Hankel矩阵：
式中，m＝N-n+1,1<n<N，此时，尽将Hankel矩阵构造成接近方阵的形式。
进一步，根据矩阵奇异值分解定理，对Hankle矩阵A的奇异值分解为：
式中，U为m阶正交矩阵，V为n阶正交矩阵，Δ＝diag(σ1,σ2,…,σr)，σ1,σ2,…,σr为A的奇异值，且σ1≥σ2≥…≥σr，r为矩阵A的秩，0表示元素全为0的矩阵.非零奇异矩阵Δ中的元素代表了信号和噪声能量的分布，其中，较大的非零奇异值代表有用信号，较小的非零奇异值代表噪声。通过选取合适的有效秩阶次，将较小的奇异值归零，就可以达到去除噪声的目的。
进一步，通过对Δ中的奇异值进行进一步处理，根据其奇异值的分布规律，用一种基于二阶差分运算的方式，来确定有效秩阶次。对奇异值数据做归一化处理，得到：
接下来定义：
ai＝tanθi+1-tanθi,i＝1,2,…,r-3
bi＝ai+1-ai,i＝1,2,…,r-4
则有效秩阶次为
进一步，根据Hankel矩阵A的有效秩阶次k，对矩阵进行重构，重构后的矩阵A′为：
式中，Δ′＝diag(σ1,σ2,…,σk)。之后采用平均法，对A′中相同时刻的元素求平均，还原降噪后的信号X′。
进一步，采用广义互相关法得到时延估计。对两路信号接收信号还原降噪后，进行PHAT加权滤波，PHAT加权函数的表达式:
进一步，对滤波后的两路接收信号求互相关函数，则互相关函数为：
式中，为两路还原信号的互功率谱密度函数。
进一步，对互相关函数进行峰值搜索，得到信号的时延估计；则时延估计值为：
本发明的另一目的在于提供基于多辐射源信号分选时延估计方法的多辐射源信号分选时延估计系统，该系统包括：
信号接收模块，用于接收多辐射源信号，并输出信号特征数据；
信号分选模块，用于通过采用基于相对参量的聚类算法，根据信号的特征数据，完成对多辐射源信号的聚类分选；
信号降噪模块，用于通过采用基于二阶差分的奇异值分解降噪对分选后信号进行降噪处理；
数据传输模块，用于将降噪后的信号数据传输到信号处理模块；
信号处理模块，用于通过采用广义互相关法对信号数据进行时延估计。
一种信号接收设备，用于接收信号并输出信号特征数据。
一种数据传输设备，用于将数据传输到数据处理终端。
一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行对多辐射源信号进行分选时延估计的步骤。
一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行多辐射源信号进行分选时延估计的步骤。
一种信息数据处理终端，信息数据处理终端用于实现多辐射源信号分选时延估计系统。
结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
第一，本发明提出了一种多辐射源信号分选时延估计算法，算法主要分为基于相对参量的自适应密度峰值聚类算法和基于二阶差分奇异值分解的时延估计算法两部分。基于相对参量的自适应密度峰值聚类算法通过引入新参量相对局部密度来判断簇中心，削弱了数据集中不同簇的密度不同对聚类效果的影响，通过使用新参量相对连通距离来衡量簇间的相似性，消除了数据集中不同簇的尺寸大小不同对聚类效果的影响，从而增强了算法在不同数据集上的适用性；算法通过构造相对局部密度信息熵函数，可根据信号特征数据集的特点，自适应的确定相关参数，增强了算法的智能性；算法采用新的点分配策略，避免了链式反应。基于二阶差分奇异值分解的时延估计算法通过先对分选后的信号进行基于二阶差分的奇异值分解降噪处理后采用PHAT加权后进行时延估计，大大提高了时延估计结果的准确性和稳定性，尤其是在一路信号信噪比较低的情形下，获得了更好的时延估计性能。
第二，本发明的多辐射源信号分选时延估计算法，其对多辐射源信的聚类分选性能相较于标准的K-means算法、DBSCAN算法、DPC算法及其改进算法，其聚类分选性能得到较大提升，相较于传统的互相关算法、广义互相关算法，其时延估计的准确性和稳定性都得到了较大提升，尤其在某路信号信噪比较低的情形下，其时延估计的准确性和稳定性都得到了较大提升。
第三，本发明的技术方案转化后的预期收益和商业价值为：
本发明的技术方案可以应用于各种时差定位设备及时差与其他参数联合的定位设备，如三星时差定位设备、双星时频差定位设备及超短波时差定位设备等。由于本发明的技术方案可大大提升时延估计的准确性及稳定性，将显著提升时差定位设备等相关设备的性能，从而提升相关设备的实用价值及商业竞争力，鉴于目前市场上相关设备及相关技术的价格，本发明的技术方案转化后的预期收益为50万人民币。
本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题：本发明的技术方案成功提升了对多辐射源信号聚类分选的性能，使其能适应更为复杂的信号特征数据集结构，大大提升了对多辐射信号的聚类分选能力。方案还解决了在某路接受信号信噪比较低情形下，时延估计的准确性和稳定性难以得到保证的技术难题，在某路信号信噪比较低的情景下，甚至在两路信号信噪比都不理想的情况下，都能确保时延估计的准确性。
本发明的技术方案是否克服了技术偏见：本发明的技术方案克服了使用聚类算法对多辐射源信号进行分选难以适应复杂的信号特征数据结构的技术偏见，通过提出的基于相对参量的自适应密度峰值聚类算法，大大提升了算法对数据集结构的适应性；方案还克服了低信噪比下时延估计算法的准确性难以得到保证的技术偏见，在某路信号信噪比较低的情景下，甚至在两路信号信噪比都不理想的情况下，都能保证时延估计的准确性。
第四，通过实施多辐射源信号分选时延估计方法，可以取得以下显著的技术进步：
1.精确的信号分选：
通过基于相对参数的自适应密度峰值聚类算法，能够准确地对来自不同辐射源的信号进行聚类分选，大大提高了信号处理的准确性和效率。
2.准确的时延估计：
应用基于二阶差分奇异值分解的时延估计算法，能够准确地估计每个辐射源信号的时延，为后续的信号处理和分析提供了准确的时延信息。
3.适用于多种应用场景：
该方法不仅可应用于无线通信系统，也可用于雷达信号处理、声纳信号处理等多种需要处理多辐射源信号的场景，具有较强的通用性和实用价值。
4.提高系统性能：
通过准确的信号分选和时延估计，可以有效地提高无线通信、雷达和其他相关系统的性能，例如提高定位精度、增强信号接收质量等。
5.简化了处理流程：
该方法提供了一种系统化、模块化的处理流程，简化了多辐射源信号处理的复杂度，降低了实施难度，为实际应用提供了便利。
6.优化资源分配：
通过对多辐射源信号的准确分选和时延估计，可以更为合理地分配系统资源，例如，通过时延信息优化信号传输路径，提高系统的运行效率。
通过上述技术进步，多辐射源信号分选时延估计方法为处理复杂信号环境下的信号分析和处理提供了有效的技术方案，具有显著的实用价值和推广潜力。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，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是本发明实施例提供的多辐射源信号分选时延估计算法流程图；
图2是本发明实施例提供的基于相对参量的自适应密度峰值聚类算法流程图；
图3是本发明实施例提供基于二阶差分奇异值分解的时延估计算法流程图；
图4是本发明实施例提供的多辐射源信号分选时延估计系统结构图；
图5是本发明实施例提供的聚类分选效果对比图；
图6是本发明实施例提供的原始信号、加噪信号及采用基于二阶差分的奇异值分解降噪后的信号对比图；(a)、SNR＝20dB；(b)、SNR＝10dB；(c)、SNR＝0dB；(d)、SNR＝-10dB；
图7是本发明实施例提供的在不同信噪比组合下，时延估计峰值对比图；(a)、SNR1＝10dB,SNR2＝10dB；(b)、SNR1＝-10dB,SNR2＝-10dB。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1：多辐射源信号分选时延估计在无线通信系统中的应用
在一个无线通信系统中，会存在多个辐射源发送信号至一个接收器。为了准确估计不同辐射源信号的时延，可以应用描述的多辐射源信号分选时延估计方法。具体实施方案如下：
1.信号聚类分选：
通过一个接收器接收来自不同辐射源的信号，并记录信号的特征数据集。
应用基于相对参量的自适应密度峰值聚类算法对接收到的信号进行聚类分选，从而区分来自不同辐射源的信号。
2.时延估计：
对每个聚类中的信号应用基于二阶差分奇异值分解的时延估计算法，估计信号的时延。
通过时延估计，可以确定每个辐射源信号的传播时间，进而为无线通信系统中的进一步处理和分析提供基础。
实施例2：多辐射源信号分选时延估计在雷达信号处理中的应用
在雷达系统中，会接收到来自多个不同方向的反射信号。通过应用描述的多辐射源信号分选时延估计方法，可以准确地分析不同方向反射信号的时延。
具体实施方案如下：
1.信号聚类分选：
雷达系统接收到的多个反射信号包含在一个数据集中。
应用基于相对参量的自适应密度峰值聚类算法对这些信号进行聚类分选，区分来自不同方向的反射信号。
2.时延估计：
对每个聚类中的信号应用基于二阶差分奇异值分解的时延估计算法，估计信号的时延。
通过时延估计，可以确定每个反射信号的传播时间，从而为雷达系统提供准确的目标定位和跟踪信息。
以上两个实施例展示了多辐射源信号分选时延估计方法在不同应用场景中的具体实现方案，为无线通信和雷达信号处理提供了有效的时延估计方案。
针对现有技术存在的问题，本发明提供了一种多辐射源信号分选时延估计方法及系统。
多辐射源信号分选时延估计方法，所述多辐射源信号分选时延估计方法包括：采用基于相对参量的自适应密度峰值聚类算法，根据接收信号的特征数据，完成对多辐射源信号的聚类分选；采用基于二阶差分奇异值分解的时延估计算法对分选后的信号完成时延估计。
进一步，所述多辐射源信号分选时延估计方法的输入为接收信号X，输出为时延估计值
如图1所示，所述多辐射源信号分选时延估计方法具体包括以下步骤：
步骤一，采用基于相对参量的自适应密度峰值聚类算法，根据接收信号的特征数据集，完成对多辐射源信号的聚类分选；
步骤二，采用基于二阶差分奇异值分解的时延估计算法对分选后的信号完成时延估计。
所述基于相对参量的自适应密度峰值聚类算法包括：计算数据集中数据点的相对局部密度ρi和相对连通距离θi；根据每个数据点的相对局部密度ρi和相对连通距离θi绘制决策图，确定簇中心；根据新的点分配策略分配剩余数据点。
如图2所示，所述基于相对参量的自适应密度峰值聚类算法具体包括以下步骤：
步骤一，对数据集X中的数据进行标准化处理；
步骤二，自适应的确定K值并计算每个数据点的相对局部密度ρi；
步骤三，计算每个数据点的欧氏距离dij、连通距离d(i,j)；
步骤四，计算每个数据点的相对连通距离θi；
步骤五，以ρi和θi为坐标轴，绘制决策图并选取簇中心；
步骤六，根据点分配策略分配剩余点；
步骤七，返回聚类结果簇集C。
进一步，通过构造信息熵函数，根据数据集中数据点的分布情况自适应的设置最佳K值；
构造相对局部密度信息熵H(K)：
式中，N为数据集中的数据点数，/>表示相对局部密度值最大的M个数据点的相对局部密度之和；
最佳的K值为：
进一步，对于数据集中的数据点i，相对局部密度ρi为：
式中，dij表示数据点i与数据点j之间的欧氏距离，K为数据点的近邻点个数，KNN(i)表示数据点i的K近邻点集合，指数部分的分子表示数据点i所处的局部区域的样本点的疏密程度，分母表示数据点i的离群程度，相对局部密度ρi则表示了数据点i邻近区域相对于该区域周边的密度。
进一步，数据点i与数据点j之间的连通距离d(i,j)为：
式中，Pij表示连通数据点i和数据点j的所有路径集合，p表示Pij中的一条路径，|p|表示路径p的步数，pk和pk+1是路径p上第k步经过的两个相邻数据点，则表示数据点pk和pk+1之间的欧氏距离；
对于数据集中的数据点i，其相对连通距离θi定义为：
进一步，点分配策略为在确定簇中心后，计算剩余点到簇中心的连通距离，将点分配给到该簇中心连通距离最近的簇中心所属的簇。
如图3所示，所述基于二阶差分奇异值分解的时延估计算法具体包括以下步骤：
步骤一，对分选后的原始含噪声信号X＝{x(i)}构造Hankle矩阵A；
步骤二，对Hankle矩阵A进行奇异值分解；
步骤三，对奇异值进行处理，求出二阶差分值bi，确定A的有效秩阶次k；
步骤四，根据有效秩阶次k，重构新的矩阵A′；
步骤五，采用平均法，对A′中相同时刻的元素求平均，还原降噪后的信号X′；
步骤六，对还原降噪后的信号进行PHAT加权滤波；
步骤七，对滤波后的两路接收信号求互相关函数
步骤八，对互相关函数进行峰值搜索，得到信号的时延估计
进一步，对完成聚类分选后的原始含噪声信号X＝{x(i)},i＝1,2,…,N，N为信号的采样长度，构造具有如下形式的Hankel矩阵：
式中，m＝N-n+1,1<n<N，此时，尽将Hankel矩阵构造成接近方阵的形式。
进一步，根据矩阵奇异值分解定理，对Hankle矩阵A的奇异值分解为：
式中，U为m阶正交矩阵，V为n阶正交矩阵，Δ＝diag(σ1,σ2,…,σr)，σ1,σ2,…,σr为A的奇异值，且σ1≥σ2≥…≥σr，r为矩阵A的秩，0表示元素全为0的矩阵.非零奇异矩阵Δ中的元素代表了信号和噪声能量的分布，其中，较大的非零奇异值代表有用信号，较小的非零奇异值代表噪声。通过选取合适的有效秩阶次，将较小的奇异值归零，就可以达到去除噪声的目的。
进一步，通过对Δ中的奇异值进行进一步处理，根据其奇异值的分布规律，用一种基于二阶差分运算的方式，来确定有效秩阶次。对奇异值数据做归一化处理，得到：
接下来定义：
/>
ai＝tanθi+1-tanθi,i＝1,2,…,r-3
bi＝ai+1-ai,i＝1,2,…,r-4
则有效秩阶次为
进一步，根据Hankel矩阵A的有效秩阶次k，对矩阵进行重构，重构后的矩阵A′为：
式中，Δ′＝diag(σ1,σ2,…,σk)。之后采用平均法，对A′中相同时刻的元素求平均，还原降噪后的信号X′。
进一步，采用广义互相关法得到时延估计。对两路信号接收信号还原降噪后，进行PHAT加权滤波，PHAT加权函数的表达式:
进一步，对滤波后的两路接收信号求互相关函数，则互相关函数为：
式中，为两路还原信号的互功率谱密度函数。
进一步，对互相关函数进行峰值搜索，得到信号的时延估计；则时延估计值为：
如图4所示，本发明实施例提供的基于多辐射源信号分选时延估计算法的多辐射源信号分选时延估计系统，该系统包括：
信号接收模块，用于接收多辐射源信号，并输出信号特征数据；
信号分选模块，用于通过采用基于相对参量的聚类算法，根据信号的特征数据，完成对多辐射源信号的聚类分选；
信号降噪模块，用于通过采用基于二阶差分的奇异值分解降噪对分选后信号进行降噪处理；
数据传输模块，用于将降噪后的信号数据传输到信号处理模块；
信号处理模块，用于通过采用广义互相关法对信号数据进行时延估计。
一种信号接收设备，用于接收信号并输出信号特征数据。
一种数据传输设备，用于将数据传输到数据处理终端。
一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行对多辐射源信号进行分选时延估计的步骤。
一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行多辐射源信号进行分选时延估计的步骤。
一种信息数据处理终端，信息数据处理终端用于实现多辐射源信号分选时延估计系统。
为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
1.本发明可以与时差定位模块相结合，组成一个时差定位系统，可应用于对多辐射源信号的时差定位，该产品具有设备复杂度低、体积小、成本低等优点，可在军事、导航通讯等领域广泛应用；
2.本发明可以与频差估计系统及时频差定位系统相结合，组成时频差定位系统，可广泛应用于双星定位等领域，新系统将不再需要昂贵且复杂的阵列天线，对硬件设备要求低，且相对成本大大降低；
3.本发明可以与来波方向估计系统相结合，组成动态目标定位系统，可以应用于空中动目标定位，获取定位目标的三维定位信息。
本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
多辐射源信号时延估计技术的相关性能，从三个方面做了评估与展示。
首先，从两个方面对本发明提出的ACDPC算法的聚类分选表现进行测试和评估。一方面，通过比较不同算法在经典测试数据集下的聚类效果图，定性的分析算法的表现；另一方面，通过选取合适的有效性指标，定量评估算法的聚类性能。
使用了如Fourlines、Pathbased和Smile等经典合成数据集，数据集的相关信息如表1所示。对ACDPC的聚类结果与数据原始图、K-means算法、标准密度峰值聚类算法DPC作比较，直观的展示算法的聚类效果，聚类效果对比图如图5所示。
表1.数据集
| 数据集 | 样本点数 | 维数 | 簇数 |
| Twomoons | 200 | 2 | 2 |
| Threecircles | 299 | 2 | 3 |
| Smile | 266 | 2 | 3 |
| Pathbased | 300 | 2 | 3 |
| Fourlines | 512 | 2 | 4 |
如图5所示，在Twomoons数据集下，由于K-means算法并不善于处理非凸数据集，其聚类结果不佳，而标准DPC算法因采用欧氏距离作为距离的度量，其聚类效果也较差，通过与原始图对比，ACDPC算法聚类结果理想。将三种算法聚类效果作比较，K-means算法在处理非球状数据集时，聚类效果很差，而标准DPC算法在处理内部结构相对复杂的数据集时，如数据集内的簇具有不同的密度、形状或尺寸大小，比如Threecircles和Smile数据集，其聚类结果不佳，尤其是用DPC算法处理像Fourlines数据集这样的流形数据集时，其聚类效果差。通过将ACDPC算法的聚类结果图与原始图对比，证明了ACDPC算法的聚类效果更佳。
进一步验证ACDPC算法的性能，对算法在不同数据集下的聚类结果做定量评估，常用的聚类有效性指标有NMI、AMI、ARI、DBI及ACC等，尽管这些指标的定义方式略有不同，但其本质都是度量聚类结果的准确性，选择用FMI(Fowlkes-Mallows Index)对聚类结果进行定量分析。FMI的计算公式为：
/>
假设U和V为N个数据点的两种标签，其中U为实际类别，V为聚类结果。式中，A表示在U中为同一类且在V中也为同一类的数据点对数，B表示在U中为同一类且在V中不为同一类的数据点对数，C表示在U中不为同一类且在V中为同一类的数据点对数。FMI的取值范围为[0,1]，FMI的取值越大，代表聚类效果越好。
表2展示了ACDPC算法与其他经典算法在不同数据集下聚类结果的FMI值，表中每个数据集下取得的最优聚类效果值都已加粗表示。由表2的结果可知，K-means算法在前6个数据集上，都未能取得满意的聚类结果，DPC算法在Twomoons、Threecircles、Smile、Pathbased及Fourlines等数据集上聚类效果都不佳。相较于其它三种算法，ACDPC算法在除Square数据集(其簇间数据点交织在一起)外的其他数据集上都取得了最佳的聚类效果，相较于标准DPC算法，新算法的聚类性能得到较大提升。
表2.ACDPC算法与其他经典算法在不同数据集下的FMI
| K-Means | DBSCAN | DPC | FKNN-DPC | ACDPC | |
| Twomoons | 0.5646 | 0.9948 | 0.6347 | 0.6347 | 1 |
| Threecircles | 0.4031 | 0.9193 | 0.4876 | 0.4316 | 1 |
| Smile | 0.6144 | 1 | 0.5846 | 0.6369 | 1 |
| Pathbased | 0.6617 | 0.9340 | 0.6664 | 0.9165 | 1 |
| Fourlines | 0.6011 | 1 | 0.2677 | 0.6033 | 1 |
| Flame | 0.7200 | 0.9418 | 0.7942 | 0.7010 | 1 |
| Square | 0.8760 | 0.5518 | 0.4620 | 0.4831 | 0.6460 |
其次，对基于二阶差分奇异值分解的时延估计算法对聚类分选后的信号的降噪效果进行了验证。实验采用余弦信号，并加入不同信噪比SNR的高斯白噪声。
图6展示了原始信号、加噪信号及采用基于二阶差分的奇异值分解降噪后的信号对比。从图6中可以看出，基于二阶差分奇异值分解的时延估计算法中的降噪部分有效的去除了噪声，在较低信噪比的情形下，依然能有效的滤除噪声，并很好的保留了信号的形变信息，可见，新降噪方法具有更好的有效性和可靠性。
最后，对基于二阶差分奇异值分解的时延估计算法进行了评估。实验中采用余弦信号s1及其延迟信号s2，并分别对其加入信噪比为SNR的高斯白噪声。图7展示了在不同信噪比组合下，时延估计峰值对比图。从图7中可以看出，基于二阶差分奇异值分解的时延估计算法使得互相关函数的峰值更尖锐，并且在较低的信噪比组合下，依然能够在峰值图中准确估计出时延点。
进一步，采用均方根误差RMSE作为评价指标衡量算法的时延估计性能，其定义为：
其中，N为实验的总次数，表示第i次实验的时延估计值，t为实际时延值。
表3展示了信号s1及其延迟信号s2在不同信噪比组合下的实验100次，时延估计的均方根误差。从表3的结果可知，基于二阶差分奇异值分解的时延估计算法具有很好的时延估计性能，尤其是在有一路信号信噪比较低的情形下，依然保持了较高的时延估计准确性。
表3.不同信噪比组合下时延估计的RMSE
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，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，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种多辐射源信号分选时延估计方法，其特征在于，包括以下步骤：
步骤一，采用基于相对参量的自适应密度峰值聚类算法，根据接收信号的特征数据集，完成对多辐射源信号的聚类分选；
步骤二，采用基于二阶差分奇异值分解的时延估计算法对分选后的信号完成时延估计。
2.如权利要求1所述的多辐射源信号分选时延估计方法，其特征在于，所述基于相对参量的自适应密度峰值聚类算法包括：计算数据集中数据点的相对局部密度ρi和相对连通距离θi；根据每个数据点的相对局部密度ρi和相对连通距离θi绘制决策图，确定簇中心；根据新的点分配策略分配剩余数据点。
3.如权利要求1所述的多辐射源信号分选时延估计方法，其特征在于，所述基于相对参量的自适应密度峰值聚类算法具体包括以下步骤：
步骤一，对数据集X中的数据进行标准化处理；
步骤二，自适应的确定K值并计算每个数据点的相对局部密度ρi；
步骤三，计算每个数据点的欧氏距离dij、连通距离d(i，j)；
步骤四，计算每个数据点的相对连通距离θi；
步骤五，以ρi和θi为坐标轴，绘制决策图并选取簇中心；
步骤六，根据点分配策略分配剩余点；
步骤七，返回聚类结果簇集C。
4.如权利要求3所述的多辐射源信号分选时延估计方法，其特征在于，通过构造信息熵函数，根据数据集中数据点的分布情况自适应的设置最佳K值；
构造相对局部密度信息熵H(K)：
式中，N为数据集中的数据点数，/>表示相对局部密度值最大的M个数据点的相对局部密度之和；
最佳的K值为：
5.如权利要求3所述的多辐射源信号分选时延估计方法，其特征在于，对于数据集中的数据点i，相对局部密度ρi为：
式中，dij表示数据点i与数据点j之间的欧氏距离，K为数据点的近邻点个数，KNN(i)表示数据点i的K近邻点集合，指数部分的分子表示数据点i所处的局部区域的样本点的疏密程度，分母表示数据点i的离群程度，相对局部密度ρi则表示了数据点i邻近区域相对于该区域周边的密度；
数据点i与数据点j之间的连通距离d(i，j)为：
式中，Pij表示连通数据点i和数据点j的所有路径集合，p表示Pij中的一条路径，|p|表示路径p的步数，pk和pk+1是路径p上第k步经过的两个相邻数据点，则表示数据点pk和pk+1之间的欧氏距离；
对于数据集中的数据点i，其相对连通距离θi定义为：
6.如权利要求3所述的多辐射源信号分选时延估计方法，其特征在于，点分配策略为在确定簇中心后，计算剩余点到簇中心的连通距离，将点分配给到该簇中心连通距离最近的簇中心所属的簇。
7.如权利要求1所述的多辐射源信号分选时延估计方法，其特征在于，所述基于二阶差分奇异值分解的时延估计算法具体包括以下步骤：
步骤一，对分选后的原始含噪声信号X＝{x(i)}构造Hankle矩阵A；
步骤二，对Hankle矩阵A进行奇异值分解；
步骤三，对奇异值进行处理，求出二阶差分值bi，确定A的有效秩阶次k；
步骤四，根据效秩阶次k，重构新的矩阵A′；
步骤五，采用平均法，对A′中相同时刻的元素求平均，还原降噪后的信号X′；
步骤六，对还原降噪后的信号进行PHAT加权滤波；
步骤七，对滤波后的两路接收信号求互相关函数
步骤八，对互相关函数进行峰值搜索，得到信号的时延估计
8.如权利要求8所述的多辐射源信号分选时延估计方法，其特征在于，对完成聚类分选后的原始含噪声信号X＝{x(i)}，i＝1，2，…，N，N为信号的采样长度，构造具有如下形式的Hankel矩阵：
式中，m＝N-n+1，1＜n＜N，将Hankel矩阵构造成接近方阵的形式；
根据矩阵奇异值分解定理，对Hankle矩阵A的奇异值分解为：
式中，U为m阶正交矩阵，V为n阶正交矩阵，Δ＝diag(σ1，σ2，…，σr)，σ1，σ2，…，σr为A的奇异值，且σ1≥σ2≥…≥σr，r为矩阵A的秩，0表示元素全为0的矩阵，非零奇异矩阵Δ中的元素代表了信号和噪声能量的分布，较大的非零奇异值代表有用信号，较小的非零奇异值代表噪声；通过选取合适的有效秩阶次，将较小的奇异值归零，达到去除噪声的目的。
9.如权利要求8所述的多辐射源信号分选时延估计方法，其特征在于，通过对Δ中的奇异值进行进一步处理，根据其奇异值的分布规律，用一种基于二阶差分运算的方式，来确定有效秩阶次；对奇异值数据做归一化处理，得到：
接下来定义：
ai＝tanθi+1-tanθi，i＝1，2，…，r-3
bi＝ai+1-ai，i＝1，2，…，r-4
则有效秩阶次为
根据Hankel矩阵A的有效秩阶次k，对矩阵进行重构，重构后的矩阵A′为：
式中，Δ′＝diag(σ1，σ2，…，σk)；之后采用平均法，对A′中相同时刻的元素求平均，还原降噪后的信号X′；
采用广义互相关法得到时延估计；对两路信号接收信号还原降噪后，进行PHAT加权滤波，PHAT加权函数的表达式：
对滤波后的两路接收信号求互相关函数，则互相关函数为：
式中，为两路还原信号的互功率谱密度函数；
对互相关函数进行峰值搜索，得到信号的时延估计；则时延估计值为：
10.如权利要求1～15任一项所述的一种基于多辐射源信号分选时延估计方法的多辐射源信号分选时延估计系统，其特征在于，该系统包括：
信号接收模块，用于接收多辐射源信号，并输出信号特征数据；
信号分选模块，用于通过采用基于相对参量的聚类算法，根据信号的特征数据，完成对多辐射源信号的聚类分选；
信号降噪模块，用于通过采用基于二阶差分的奇异值分解降噪对分选后信号进行降噪处理；
数据传输模块，用于将降噪后的信号数据传输到信号处理模块；
信号处理模块，用于通过采用广义互相关法对信号数据进行时延估计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311489201.8A CN117574187A (zh) | 2023-11-09 | 2023-11-09 | 一种多辐射源信号分选时延估计方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311489201.8A CN117574187A (zh) | 2023-11-09 | 2023-11-09 | 一种多辐射源信号分选时延估计方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117574187A true CN117574187A (zh) | 2024-02-20 |
Family
ID=89889084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311489201.8A Pending CN117574187A (zh) | 2023-11-09 | 2023-11-09 | 一种多辐射源信号分选时延估计方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117574187A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117786583A (zh) * | 2024-02-26 | 2024-03-29 | 四川九洲软件有限公司 | 基于变分模态分解的故障诊断方法、装置、及计算机装置 |
-
2023
- 2023-11-09 CN CN202311489201.8A patent/CN117574187A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117786583A (zh) * | 2024-02-26 | 2024-03-29 | 四川九洲软件有限公司 | 基于变分模态分解的故障诊断方法、装置、及计算机装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Melvin et al. | Knowledge-aided signal processing: a new paradigm for radar and other advanced sensors | |
| Leung et al. | Prediction of noisy chaotic time series using an optimal radial basis function neural network | |
| CN109188344B (zh) | 脉冲噪声环境下基于互循环相关music算法信源个数与来波方向角估计方法 | |
| CN107729916B (zh) | 一种基于isodata的干扰源分类识别算法 | |
| CN108287333B (zh) | 一种联合jade和clean的主瓣抗干扰方法 | |
| CN117574187A (zh) | 一种多辐射源信号分选时延估计方法及系统 | |
| Patton | On the satisfaction of modulus and ambiguity function constraints in radar waveform optimization for detection | |
| CN111580099A (zh) | 基于联合熵值的穿墙成像雷达墙体杂波抑制方法 | |
| Wang | Electronic radar signal recognition based on wavelet transform and convolution neural network | |
| CN111796242B (zh) | 一种基于功率特征值提取的改进块稀疏贝叶斯抗干扰方法 | |
| CN111948618A (zh) | 一种基于卫星外辐射源的前向散射目标探测方法及系统 | |
| Li et al. | Parameter estimation based on fractional power spectrum density in bistatic MIMO radar system under impulsive noise environment | |
| CN110727915B (zh) | 一种基于数据相关约束的鲁棒自适应波束形成方法 | |
| CN115932749A (zh) | 一种基于盲源分离算法的主瓣干扰抑制方法 | |
| CN111817803A (zh) | 一种基于相关系数和k-均值聚类算法的频谱感知方法、系统及计算机可读存储介质 | |
| CN113376607B (zh) | 机载分布式雷达小样本空时自适应处理方法 | |
| CN113484838B (zh) | 一种多基地雷达有源假目标鉴别方法及系统 | |
| CN111090089A (zh) | 一种基于两类辅助数据的空时自适应检测方法 | |
| CN115575921B (zh) | 一种基于俯仰向多通道多干扰基压制干扰抑制方法 | |
| CN116106829B (zh) | 部分均匀杂波加干扰下目标智能检测方法 | |
| Liu et al. | Hierarchical agglomerative clustering and LSTM-based load prediction for dynamic spectrum allocation | |
| CN115905919A (zh) | 基于afgan的雷达信号样本数据处理方法、目标识别方法及系统 | |
| Lee | Underwater acoustic localisation by GMM fingerprinting with noise reduction | |
| CN114047481A (zh) | 一种基于子空间正交性的稳健自适应波束形成方法 | |
| CN113447916A (zh) | 非平稳干扰下的自适应目标检测方法 |
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 |