CN117851837A - 一种基于细微直方图特征的辐射源目标识别方法与系统 - Google Patents
一种基于细微直方图特征的辐射源目标识别方法与系统 Download PDFInfo
- Publication number
- CN117851837A CN117851837A CN202410245807.5A CN202410245807A CN117851837A CN 117851837 A CN117851837 A CN 117851837A CN 202410245807 A CN202410245807 A CN 202410245807A CN 117851837 A CN117851837 A CN 117851837A
- Authority
- CN
- China
- Prior art keywords
- radiation source
- radar radiation
- source signal
- radar
- fine histogram
- 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
- 230000005855 radiation Effects 0.000 title claims abstract description 323
- 238000000034 method Methods 0.000 title claims abstract description 84
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 66
- 239000013598 vector Substances 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 230000001174 ascending effect Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000012098 association analyses Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出一种基于细微直方图特征的辐射源目标识别方法与系统，属于雷达辐射源数据处理技术领域。所述方法构建若干个细微直方图区间，统计各个雷达辐射源信号所属的细微直方图区间以确定分布概率；将分布概率映射到标准工作域，以获取雷达辐射源信号序列的个体特征；计算个体特征与标准个体向量之间的相似度，并计算相似度的置信度，将高于识别置信度阈值的标准个体向量对应的雷达辐射源作为识别结果。本发明能够有效解决对大体量，多目标数据混杂的雷达辐射源全脉冲数据的分析识别问题，并能够有效克服噪声异常值的影响。
Description
技术领域
本发明属于雷达辐射源数据处理技术领域，尤其涉及一种基于细微直方图特征的辐射源目标识别方法与系统。
背景技术
当前，随着雷达技术和雷达信号侦测技术快速发展，一方面新体制雷达广泛运用，雷达的波形规律越来约复杂，反截获能力越来越强。另一方面，雷达信号侦测技术突飞猛进，灵敏度越来越高，瞬时宽带越来越宽，单位时间内采集的数据量越来越大，尤其是携带雷达辐射源侦测设备的武器系统和作战平台越来越多，导致海量数据快速处理难，精确识别目标难的挑战越来越严峻。因此，如何快速地分析处理各种平台截获的海量雷达辐射源特征数据（此处特指雷达辐射源全脉冲数据），准确识别出其中包含的各型辐射源目标，并形成武器系统精确打击需要的参数情报和电子干扰引导需要的目标情报，是全面发挥侦测系统效能，提升情报保障能力亟待解决的问题。
现有技术中，采用的方案包括：
根据接受的雷达全脉冲数据分布范围，构建直方图并统计落入每个直方图区间的概率大小，并将此概率大小进行可视化处理生成灰度图；联合载频，脉宽，重复间隔三个通道的灰度图得到雷达全脉冲数据彩色特征图。
根据雷达全脉冲数据，对各参数域序列进行基于直方图的统计分析；针对不同辐射源的直方图统计分析结果展开关联比对，从而得到相似度最小，辨识度最高的特征类型作为该辐射源的典型特征。
针对不同雷达航迹数据距离开展直方图统计，从而对不同航迹数据进行关联分析。虽然其也用到了直方图技术，但该技术方案应用领域与本文差别较大，且技术路线与本文不一致。
上述方案虽然都针对辐射源信号运用直方图统计提取序列特征，并做进一步分析处理，但仍存在以下缺点：（1）直方图方法只统计到了序列信号的大概分布特征，是一种粗略的特征统计，无法精确描述辐射源个体特征，对于特征相近或相似的目标信号，这种粗略的分布特征无法有效区分；（2）只涉及直方图特征的提取和处理，并未针对这种直方图特征作进一步研究，并未结合这种直方图特征提出有效的雷达辐射源目标识别方法。
发明内容
本发明针对上述技术问题，提出了一种基于细微直方图特征的辐射源目标识别方案。
本发明第一方面提出一种基于细微直方图特征的辐射源目标识别方法。所述方法包括：
步骤S1、接收雷达辐射源信号序列，对所述雷达辐射源信号序列中各个雷达辐射源信号基于雷达辐射源参数的数值大小进行升序排序，得到经排序的雷达辐射源信号序列；
步骤S2、基于所述经排序的雷达辐射源信号序列的序列值和细微直方图的最小分辨单元构建若干个细微直方图区间，统计所述经排序的雷达辐射源信号序列中各个雷达辐射源信号所属的细微直方图区间，以确定所述若干个细微直方图区间各自的统计频次，并基于所述统计频次计算分布概率；
步骤S3、利用所述最小分辨单元将所述雷达辐射源参数的标准工作域划分为多个子空间，得到每个子空间的左边界和右边界，结合所述若干个细微直方图区间将所述分布概率映射到所述标准工作域，以获取所述雷达辐射源信号序列针对所述雷达辐射源参数在稀疏向量空间的个体特征；
步骤S4、计算所述个体特征与雷达辐射源目标库中的标准个体向量之间的相似度，并基于所述相似度确定置信度，将高于置信度阈值的标准个体向量对应的雷达辐射源作为识别结果。
根据本发明第一方面的方法，所述雷达辐射源参数为雷达辐射源信号的载频、脉宽、重复间隔、幅度或到达方向角，所述雷达辐射源信号序列为，所述经排序的雷达辐射源信号序列为/>，其中，b i 表示所述雷达辐射源信号序列中第i个雷达辐射源信号，a i 表示所述经排序的雷达辐射源信号序列中第i个雷达辐射源信号，n表示雷达辐射源信号的数目。
根据本发明第一方面的方法，所述步骤S2包括：
基于所述经排序的雷达辐射源信号序列的起始序列值a 1 和细微直方图的最小分辨单元构建第一个细微直方图区间/>，其中，/>，/>；
以所述第一个细微直方图区间为查询区间，从所述经排序的雷达辐射源信号序列/>中依次判断雷达辐射源信号a i 是否属于所述第一个细微直方图区间/>；
若是，则所述第一个细微直方图区间的统计频次加1，并继续判断下一雷达辐射源信号a i+1 ；
若否，则构建第二个细微直方图区间，其中：
当时，/>，/>，继续判断雷达辐射源信号a i 是否属于所述第二个细微直方图区间/>；若是，则所述第二个细微直方图区间/>的统计频次加1，并继续判断下一雷达辐射源信号a i+1 ；若否，则构建第三个细微直方图区间；
当时，/>，/>，继续判断雷达辐射源信号a i 是否属于所述第二个细微直方图区间/>；若是，则所述第二个细微直方图区间/>的统计频次加1，并继续判断下一雷达辐射源信号a i+1 ；若否，则构建第三个细微直方图区间/>；
以此类推，直到完成对所述经排序的雷达辐射源信号序列中每个雷达辐射源信号的遍历，获取所述若干个细微直方图区间/>、所述统计频次以及所述分布概率/>，k表示细微直方图区间的数目。
根据本发明第一方面的方法，在所述步骤S3中：
所述雷达辐射源参数的标准工作域为，其中，/>表示所述标准工作域的下边界，/>表示所述标准工作域的上边界；
经划分为多个子空间的所述标准工作域为，/>表示第i个所述子空间，M表示所述子空间的数目；其中，/>，/>，，/>表示空集，/>表示交运算，/>表示并运算，c i 和d i 分别表示子空间/>的左边界和右边界，/>，/>，。
根据本发明第一方面的方法，在所述步骤S3中：遍历所述标准工作域的各个子空间，若子空间满足/>，则子空间/>的分布概率值为/>，否则，其分布概率值为0；从而将所述分布概率映射到所述标准工作域，以获取所述雷达辐射源信号序列针对所述雷达辐射源参数在稀疏向量空间的个体特征p。
根据本发明第一方面的方法，在所述步骤S4中，所述雷达辐射源目标库中的N个标准个体向量表示为，所述个体特征p与雷达辐射源目标库中的第i个标准个体向量/>之间的相似度S i 的计算方式为/>，所述置信度为/>。
根据本发明第一方面的方法，当所述雷达辐射源参数的数目不止一个时，将所述雷达辐射源信号序列针对不止一个雷达辐射源参数在稀疏向量空间的个体特征进行拼接，将得到的拼接特征作为所述雷达辐射源信号序列的所述个体特征p。本发明第二方面提出一种基于细微直方图特征的辐射源目标识别系统。所述系统包括：
第一处理单元，被配置为：接收雷达辐射源信号序列，对所述雷达辐射源信号序列中各个雷达辐射源信号基于雷达辐射源参数的数值大小进行升序排序，得到经排序的雷达辐射源信号序列；
第二处理单元，被配置为：基于所述经排序的雷达辐射源信号序列的序列值和细微直方图的最小分辨单元构建若干个细微直方图区间，统计所述经排序的雷达辐射源信号序列中各个雷达辐射源信号所属的细微直方图区间，以确定所述若干个细微直方图区间各自的统计频次，并基于所述统计频次计算分布概率；
第三处理单元，被配置为：利用所述最小分辨单元将所述雷达辐射源参数的标准工作域划分为多个子空间，得到每个子空间的左边界和右边界，结合所述若干个细微直方图区间将所述分布概率映射到所述标准工作域，以获取所述雷达辐射源信号序列针对所述雷达辐射源参数在稀疏向量空间的个体特征；
第四处理单元，被配置为：计算所述个体特征与雷达辐射源目标库中的标准个体向量之间的相似度，并基于所述相似度确定置信度，将高于置信度阈值的标准个体向量对应的雷达辐射源作为识别结果。
根据本发明第二方面的系统，所述雷达辐射源参数为雷达辐射源信号的载频、脉宽、重复间隔、幅度或到达方向角，所述雷达辐射源信号序列为，所述经排序的雷达辐射源信号序列为/>，其中，b i 表示所述雷达辐射源信号序列中第i个雷达辐射源信号，a i 表示所述经排序的雷达辐射源信号序列中第i个雷达辐射源信号，n表示雷达辐射源信号的数目。根据本发明第二方面的系统，所述第二处理单元具体被配置为：
基于所述经排序的雷达辐射源信号序列的起始序列值a 1 和细微直方图的最小分辨单元构构建第一个细微直方图区间/>，其中，/>，/>；
以所述第一个细微直方图区间为查询区间，从所述经排序的雷达辐射源信号序列/>中依次判断雷达辐射源信号a i 是否属于所述第一个细微直方图区间；
若是，则所述第一个细微直方图区间的统计频次加1，并继续判断下一雷达辐射源信号a i+1 ；
若否，则构建第二个细微直方图区间，其中：
当时，/>，/>，继续判断雷达辐射源信号a i 是否属于所述第二个细微直方图区间/>；若是，则所述第二个细微直方图区间/>的统计频次加1，并继续判断下一雷达辐射源信号a i+1 ；若否，则构建第三个细微直方图区间/>；
当时，/>，/>，继续判断雷达辐射源信号a i 是否属于所述第二个细微直方图区间/>；若是，则所述第二个细微直方图区间/>的统计频次加1，并继续判断下一雷达辐射源信号a i+1 ；若否，则构建第三个细微直方图区间/>；
以此类推，直到完成对所述经排序的雷达辐射源信号序列中每个雷达辐射源信号的遍历，获取所述若干个细微直方图区间/>、所述统计频次/>以及所述分布概率/>，k表示细微直方图区间的数目。
根据本发明第二方面的系统，所述雷达辐射源参数的标准工作域为，其中，/>表示所述标准工作域的下边界，/>表示所述标准工作域的上边界；经划分为多个子空间的所述标准工作域为/>，/>表示第i个所述子空间，M表示所述子空间的数目；其中，/>，/>，，/>表示空集，/>表示交运算，/>表示并运算，c i 和d i 分别表示子空间/>的左边界和右边界，/>，/>，。
根据本发明第二方面的系统，所述第三处理单元具体被配置为：遍历所述标准工作域的各个子空间，若子空间满足/>，则子空间/>的分布概率值为/>，否则，其分布概率值为0；从而将所述分布概率映射到所述标准工作域，以获取所述雷达辐射源信号序列针对所述雷达辐射源参数在稀疏向量空间的个体特征p。
根据本发明第二方面的系统，所述雷达辐射源目标库中的N个标准个体向量表示为，所述个体特征p与雷达辐射源目标库中的第i个标准个体向量/>之间的相似度S i 的计算方式为/>，所述置信度为/>。
根据本发明第二方面的系统，当所述雷达辐射源参数的数目不止一个时，将所述雷达辐射源信号序列针对不止一个雷达辐射源参数在稀疏向量空间的个体特征进行拼接，将得到的拼接特征作为所述雷达辐射源信号序列的所述个体特征p。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本公开第一方面的一种基于细微直方图特征的辐射源目标识别方法。
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本公开第一方面的一种基于细微直方图特征的辐射源目标识别方法。
综上，本发明提出的技术方案构建若干个细微直方图区间，统计各个雷达辐射源信号所属的细微直方图区间以确定分布概率；将分布概率映射到标准工作域，以获取雷达辐射源信号序列的个体特征；计算个体特征与标准个体向量之间的相似度，并计算相似度的置信度，将高于识别置信度阈值的标准个体向量对应的雷达辐射源作为识别结果。本发明能够有效解决对大体量，多目标数据混杂的雷达辐射源全脉冲数据的分析识别问题，并能够有效克服噪声异常值的影响。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为根据本发明第一实施例的基于细微直方图特征的辐射源目标识别方法的流程示意图。
图2为根据本发明第二实施例的基于细微直方图特征的全脉冲数据处理装置的组成示意图。
图3为根据本发明第三实施例的基于细微直方图特征的雷达辐射源目标数据库构建与实时更新装置的组成示意图。
图4为根据本发明第四实施例的基于细微直方图特征的辐射源目标识别装置的组成示意图。
图5为根据本发明实施例的一种电子设备的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例只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。
本发明的技术方案中涉及的缩略语和关键词包括：
全脉冲数据：侦察机接获的雷达辐射源目标工作参数序列，包括工作频率序列，简称载频序列；脉冲宽度序列，简称脉宽序列；重复间隔序列（到达时间的一次差分）；信号幅度序列；到达方向角序列等。
：雷达全脉冲数据中各参数序列的工作域，例如对于载频而言，/>的分布范围一般为[0,18GHz]；对于脉宽而言，/>分布范围一般为[0, 600us]；对于重复间隔而言，/>的分布范围一般为[0, 4000us]。
RF: 载频；PRI: 重复间隔；PW：脉宽；DOA：到达方位角；PA：脉冲幅度。
本发明第一方面提出一种基于细微直方图特征的辐射源目标识别方法。所述方法包括：
步骤S1、接收雷达辐射源信号序列，对所述雷达辐射源信号序列中各个雷达辐射源信号基于雷达辐射源参数的数值大小进行升序排序，得到经排序的雷达辐射源信号序列；
步骤S2、基于所述经排序的雷达辐射源信号序列的序列值和细微直方图的最小分辨单元构建若干个细微直方图区间，统计所述经排序的雷达辐射源信号序列中各个雷达辐射源信号所属的细微直方图区间，以确定所述若干个细微直方图区间各自的统计频次，并基于所述统计频次计算分布概率；
步骤S3、利用所述最小分辨单元将所述雷达辐射源参数的标准工作域划分为多个子空间，得到每个子空间的左边界和右边界，结合所述若干个细微直方图区间将所述分布概率映射到所述标准工作域，以获取所述雷达辐射源信号序列针对所述雷达辐射源参数在稀疏向量空间的个体特征；
步骤S4、计算所述个体特征与雷达辐射源目标库中的标准个体向量之间的相似度，并基于所述相似度确定置信度，将高于置信度阈值的标准个体向量对应的雷达辐射源作为识别结果。
根据本发明第一方面的方法，所述雷达辐射源参数为雷达辐射源信号的载频、脉宽、重复间隔、幅度或到达方向角，所述雷达辐射源信号序列为，所述经排序的雷达辐射源信号序列为/>，其中，b i 表示所述雷达辐射源信号序列中第i个雷达辐射源信号，a i 表示所述经排序的雷达辐射源信号序列中第i个雷达辐射源信号，n表示雷达辐射源信号的数目。
根据本发明第一方面的方法，所述步骤S2包括：
基于所述经排序的雷达辐射源信号序列的起始序列值a 1 和细微直方图的最小分辨单元构建第一个细微直方图区间/>，其中，/>，/>；
以所述第一个细微直方图区间为查询区间，从所述经排序的雷达辐射源信号序列/>中依次判断雷达辐射源信号a i 是否属于所述第一个细微直方图区间；
若是，则所述第一个细微直方图区间的统计频次加1，并继续判断下一雷达辐射源信号a i+1 ；
若否，则构建第二个细微直方图区间，其中：
当时，/>，/>，继续判断雷达辐射源信号a i 是否属于所述第二个细微直方图区间/>；若是，则所述第二个细微直方图区间/>的统计频次加1，并继续判断下一雷达辐射源信号a i+1 ；若否，则构建第三个细微直方图区间/>；
当时，/>，/>，继续判断雷达辐射源信号a i 是否属于所述第二个细微直方图区间/>；若是，则所述第二个细微直方图区间/>的统计频次加1，并继续判断下一雷达辐射源信号a i+1 ；若否，则构建第三个细微直方图区间/>；
以此类推，直到完成对所述经排序的雷达辐射源信号序列中每个雷达辐射源信号的遍历，获取所述若干个细微直方图区间/>、所述统计频次/>以及所述分布概率/>，k表示细微直方图区间的数目。
根据本发明第一方面的方法，在所述步骤S3中：
所述雷达辐射源参数的标准工作域为，其中，/>表示所述标准工作域的下边界，/>表示所述标准工作域的上边界；
经划分为多个子空间的所述标准工作域为，/>表示第i个所述子空间，M表示所述子空间的数目；
其中，，/>，/>，/>表示空集，/>表示交运算，/>表示并运算，c i 和d i 分别表示子空间/>的左边界和右边界，，/>，/>。
根据本发明第一方面的方法，在所述步骤S3中：遍历所述标准工作域的各个子空间，若子空间满足/>，则子空间/>的分布概率值为/>，否则，其分布概率值为0；从而将所述分布概率映射到所述标准工作域，以获取所述雷达辐射源信号序列针对所述雷达辐射源参数在稀疏向量空间的个体特征p。
根据本发明第一方面的方法，在所述步骤S4中，所述雷达辐射源目标库中的N个标准个体向量表示为，所述个体特征p与雷达辐射源目标库中的第i个标准个体向量/>之间的相似度S i 的计算方式为/>，所述置信度为/>。
根据本发明第一方面的方法，当所述雷达辐射源参数的数目不止一个时，将所述雷达辐射源信号序列针对不止一个雷达辐射源参数在稀疏向量空间的个体特征进行拼接，将得到的拼接特征作为所述雷达辐射源信号序列的所述个体特征p。
本发明能够有效解决对大体量，多目标数据混杂的雷达辐射源全脉冲数据的分析识别问题，并能够有效克服噪声异常值的影响。与传统的依据人工经验构建直方图的做法不同；在本发明的技术方案中，构建细微直方图特征有如下特点：（1）本发明直方图能够根据序列数据特点自适应生成；（2）本发明每个细微直方图的区间长度为其所在工作参数域上的最小分辨单元，足够细微，因此本发明提出的直方图能够更加有力地表达雷达辐射源全脉冲数据序列的个体特征；（3）在细微直方图特征的基础上，本发明进一步地将当前辐射源序列细微直方图特征映射为其所在工作参数域上的稀疏编码向量，因为工作域足够宏观，因此该稀疏编码向量能够统一的表达其范围内的所有雷达辐射源个体；（4）本发明结合细微直方图数据特点，进一步提出一种基于稀疏向量内积的辐射源识别方法，克服了传统基于机器学习和深度学习方法存在的解释性差，训练过程繁琐，容易过拟合等问题。经过实验表明，本发明运行速度快，识别效果精准。
第一实施例（如图1所示）
接收雷达辐射源序列信号序列 ；将序列其按照升序进行排列得到新序列/>。
以序列起始值为基础，构造第一个细微直方图区间，/>，/>，其中/>为能够有效区分雷达辐射源序列值的最小分辨单元（故称细微直方图）。例如对于RF序列而言，/>一般为1MHz；对于PRI序列而言，/>一般为1us；对于PW序列而言，/>一般为0.1us。
令其为当前直方图查询区间。从/>中第一个元素开始，查询当前元素/>以及后续序列值是否位于当前直方图区间，如果是，则该区间频数加1。如果否，则结束该当前直方图频数统计，并构建第二个细微直方图区间/>，令其为当前直方图区间。
和/>的取值依据为：
① 如果，则/>，/>，继续查询当前元素a i 以及后续序列值是否位于当前直方图区间，如果是，则该区间频数加1；
② 如果，则/>，/>，继续查询当前元素a i 以及后续序列值是否位于当前直方图区间，如果是，则该区间频数加1。
对中的所有元素进行遍历，得到K个细微直方图区间/>，及其对应的频次/>，及其分布概率/>。
雷达辐射源该参数的常用工作域为，（例如常见雷达的工作频段为为0-18000MHz），则以最小分辨单元/>为单位，把/>划分为一系列子空间集/>，子空间集/>构建满足以下条件：
式中，表示空集，/>表示两个集合的交运算，/>表示两个集合的并运算，/>，/>分别表示子区间/>的左右边界，其定义如下：/>，，同时有/>。
基于细微直方图的个体特征构建。以为依据，如果有区间/>满足关系：，则令区间/>的分布概率值为/>，如果没有该对应关系，则令其分布概率值为0。
由于每一个雷达辐射源个体各参数的工作空间都只是其所在工作域的子集，从而得到该雷达辐射源参数序列在其工作域上的稀疏向量p。由于工作域/>足够宏观，因此在/>上的稀疏编码能够统一的表达其所涵盖范围内的所有雷达辐射源个体；又由于子集空间/>足够微观，具有足够的分辨力，因此，p能够独一无二的表达辐射源序列的个体特征。
辐射源目标库构建。假设辐射源识别库中共有N部雷达辐射源个体的全脉冲序列，按前述步骤共得到由N个雷达辐射源个体特征向量组成的辐射源目标库。
对于接受到的未知辐射源序列，判断其类别的过程为：按照前述步骤得到个体特征向量p，计算p与目标库中每个元素的相似度S i 及其置信度L i 。其中，/>，。
其中，表示内积运算，对两个向量求取内积；/>表示模运算，代表的含义为对一个向量取模。由于个体特征p是稀疏向量，因此，可以有效避免原始参数序列中异常值的影响。
在另一些实施例中，在所述步骤S4中，所述雷达辐射源目标库中的N个类别标准个体向量表示为，所述个体细微分布特征p相对于雷达辐射源目标库中的第i个类别标准个体向量/>之间的相似度/>的计算方式为：
其中，表示分布/>相对于/>的相似度，/>表示在个体细微分布特征/>中取值为/>时的概率大小，/>表示在类别标准个体向量/>中取值为/>时的概率大小。/>为相似比归一化函数，定义为：
所述置信度为：。
根据任务选择判断依据得出识别结果。如果为单一目标识别，则取识别置信度最高的类别作为识别结果。如果为多目标识别，则设置置信度阈值，将高于置信度阈值的作为识别结果。
第二实施例（如图2所示）
一种基于细微直方图特征的全脉冲数据处理装置。包括依次连接的数据接入模块、数据预处理模块、细微直方图特征提取模块、细微直方图特征提取、稀疏特征向量映射等模块。
数据接入模块用于接收雷达辐射源全脉冲数据。数据预处理模块用于将全脉冲数据按照载频，脉宽，重复间隔，幅度，到达方向划分为五类数据序列，并将每个序列进行升序排列。细微直方图特征提取模块用于将载频，脉宽，重复间隔，幅度，到达方向序列分别按照技术方案步骤3-步骤6进行处理，得到该辐射源每个参数序列的细微直方图特征表示。辐射源个体特征生成模块用于将每个序列的细微直方图特征表示经映射后得到系数向量，并进行级联，进而得到该辐射源的个体特征。特征输出模块用于输出该辐射源的个体特征向量。
第三实施例（如图3所示）
库数据标签设置模块。根据专家经验知识，将辐射源目标数据库按照种类属性划分为T个类别（人工划分，相当于打标签）。
数据预处理模块。假设每个类别有/>个全脉冲数据样本，共/>条全脉冲数据，将所有全脉冲按照载频，脉宽，重复间隔，幅度，到达方向五个维度划分为五个序列；
目标库个体特征表示模块。将以上五个序列进行基于第一实施例的处理，分别得到关于载频、脉宽、重复间隔、幅度、到达方向的编码向量，/>，/>，/>，/>，并将他们进行级联，得到关于辐射源/>的个体特征/>。
目标库个体特征存储模块。对每类辐射源分别进行处理，得到每类辐射源的个体特征，从而构建起雷达辐射源目标数据库。
目标库更新模块。如果接受到某类辐射源目标新的全脉冲数据共条，得到稀疏编码向量/>。如果经过判定其属于已有辐射源类别/>，那么对库/>进行更新如下：，/>。如果经过判定，其不属于任何已有的辐射源类别，则创建一个新的类别，那么对库/>进行更新如下：，其中：/>。
第四实施例（如图4所示）
一种基于细微直方图特征的辐射源目标识别装置，包括依次链接的数据接收模块、参数序列分离模块、序列排序模块、细微直方图生成模块、细微直方图特征提取模块、辐射源个体特征生成模块、目标特征库关联模块、识别结果输出模块。
全脉冲数据输入模块用于接受新采集的雷达辐射源全脉冲数据。数据预处理模块用于所有全脉冲按照载频，脉宽，重复间隔，幅度，到达方向五个维度划分为五个序列，并分别进行升序排列。细微直方图特征提取模块用于依次提取全脉冲数据中各参数序列的细微直方图特征。个体特征生成模块用于将各参数序列的细微直方图特征进行级联，得到待识别辐射源个体特征向量。目标识别模块用于将待识别辐射源个体特征向量与目标库特征向量进行关联分析，得到每类识别结果的置信度。识别结果输出模块用于根据任务选择判断依据得出识别结果。如果为单一目标识别，则取识别置信度最高的类别作为识别结果。如果为多目标识别，则设置置信度阈值，将高于置信度阈值类别的作为识别结果。/>
本发明第二方面提出一种基于细微直方图特征的辐射源目标识别系统。所述系统包括：
第一处理单元，被配置为：接收雷达辐射源信号序列，对所述雷达辐射源信号序列中各个雷达辐射源信号基于雷达辐射源参数的数值大小进行升序排序，得到经排序的雷达辐射源信号序列；
第二处理单元，被配置为：基于所述经排序的雷达辐射源信号序列的序列值和细微直方图的最小分辨单元构建若干个细微直方图区间，统计所述经排序的雷达辐射源信号序列中各个雷达辐射源信号所属的细微直方图区间，以确定所述若干个细微直方图区间各自的统计频次，并基于所述统计频次计算分布概率；
第三处理单元，被配置为：利用所述最小分辨单元将所述雷达辐射源参数的标准工作域划分为多个子空间，得到每个子空间的左边界和右边界，结合所述若干个细微直方图区间将所述分布概率映射到所述标准工作域，以获取所述雷达辐射源信号序列针对所述雷达辐射源参数在稀疏向量空间的个体特征；
第四处理单元，被配置为：计算所述个体特征与雷达辐射源目标库中的标准个体向量之间的相似度，并基于所述相似度确定置信度，将高于置信度阈值的标准个体向量对应的雷达辐射源作为识别结果。
根据本发明第二方面的系统，所述雷达辐射源参数为雷达辐射源信号的载频、脉宽、重复间隔、幅度或到达方向角，所述雷达辐射源信号序列为，所述经排序的雷达辐射源信号序列为/>，其中，b i 表示所述雷达辐射源信号序列中第i个雷达辐射源信号，a i 表示所述经排序的雷达辐射源信号序列中第i个雷达辐射源信号，n表示雷达辐射源信号的数目。
根据本发明第二方面的系统，所述第二处理单元具体被配置为：
基于所述经排序的雷达辐射源信号序列的起始序列值a 1 和细微直方图的最小分辨单元构建第一个细微直方图区间/>，其中，/>，/>；
以所述第一个细微直方图区间为查询区间，从所述经排序的雷达辐射源信号序列/>中依次判断雷达辐射源信号a i 是否属于所述第一个细微直方图区间；
若是，则所述第一个细微直方图区间的统计频次加1，并继续判断下一雷达辐射源信号a i+1 ；
若否，则构建第二个细微直方图区间，其中：
当时，/>，/>，继续判断雷达辐射源信号a i 是否属于所述第二个细微直方图区间/>；若是，则所述第二个细微直方图区间/>的统计频次加1，并继续判断下一雷达辐射源信号a i+1 ；若否，则构建第三个细微直方图区间/>；/>
当时，/>，/>，继续判断雷达辐射源信号a i 是否属于所述第二个细微直方图区间/>；若是，则所述第二个细微直方图区间/>的统计频次加1，并继续判断下一雷达辐射源信号a i+1 ；若否，则构建第三个细微直方图区间/>；
以此类推，直到完成对所述经排序的雷达辐射源信号序列中每个雷达辐射源信号的遍历，获取所述若干个细微直方图区间/>、所述统计频次/>以及所述分布概率/>，k表示细微直方图区间的数目。
根据本发明第二方面的系统，所述雷达辐射源参数的标准工作域为，其中，/>表示所述标准工作域的下边界，/>表示所述标准工作域的上边界；经划分为多个子空间的所述标准工作域为/>，/>表示第i个所述子空间，M表示所述子空间的数目；其中，/>，/>，，/>表示空集，/>表示交运算，/>表示并运算，c i 和d i 分别表示子空间/>的左边界和右边界，/>，/>，/>。
根据本发明第二方面的系统，所述第三处理单元具体被配置为：遍历所述标准工作域的各个子空间，若子空间满足/>，则子空间/>的分布概率值为/>，否则，其分布概率值为0；从而将所述分布概率映射到所述标准工作域，以获取所述雷达辐射源信号序列针对所述雷达辐射源参数在稀疏向量空间的个体特征p。
根据本发明第二方面的系统，所述雷达辐射源目标库中的N个标准个体向量表示为，所述个体特征p与雷达辐射源目标库中的第i个标准个体向量/>之间的相似度/>的计算方式为/>，所述置信度为/>。
根据本发明第二方面的系统，当所述雷达辐射源参数的数目不止一个时，将所述雷达辐射源信号序列针对不止一个雷达辐射源参数在稀疏向量空间的个体特征进行拼接，将得到的拼接特征作为所述雷达辐射源信号序列的所述个体特征p。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本公开第一方面的一种基于细微直方图特征的辐射源目标识别方法。
图5为根据本发明实施例的一种电子设备的结构图，如图5所示，电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、近场通信（NFC）或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本公开的技术方案相关的部分的结构图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本公开第一方面的一种基于细微直方图特征的辐射源目标识别方法。
与现有技术相比，本发明的显著优点有：
（1）对辐射源数据处理更加稳定，所提特征更加鲁棒。克服了各类雷达辐射源目标的全脉冲数据数量级大小不一致，异常值多，处理困难等问题，运用本文所提的细微直方图和稀疏映射技术，可实现对参数域涵盖范围内的雷达辐射源统一规范化处理，便于后续算法运行，而且所提特征能够有效区分不同辐射源个体，增强了处理不同场景下各型雷达辐射源目标的稳定性和鲁棒性。
（2）辐射源目标识别样本库构建和更新维护更加便捷，节约计算成本，识别结果更加准确，便于落地实施。本发明所提的基于细微直方图的识别技术方案能够有效克服传统机器学习或深度学习方法需要繁琐的预训练过程，模型复杂以及对数据依赖性强等弊端，能够有效克服数据异常值以及干扰目标对识别结果的影响。
表1列出了本发明在不同脉冲丢失率情况下的识别准确度与其他方法的对比实验结果，可见本发明在不同信噪比下均取得了100%的识别结果，充分说明了本发明的优越性和鲁棒性。
表1 不同脉冲丢失率情况下的识别效果对比
综上，本发明提出的技术方案构建若干个细微直方图区间，统计各个雷达辐射源信号所属的细微直方图区间以确定分布概率；将分布概率映射到标准工作域，以获取雷达辐射源信号序列的个体特征；计算个体特征与标准个体向量之间的相似度，并计算相似度的置信度，将高于识别置信度阈值的标准个体向量对应的雷达辐射源作为识别结果。本发明能够有效解决对大体量，多目标数据混杂的雷达辐射源全脉冲数据的分析识别问题，并能够有效克服噪声异常值的影响。
请注意，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于细微直方图特征的辐射源目标识别方法，其特征在于，所述方法包括：
步骤S1、接收雷达辐射源信号序列，对所述雷达辐射源信号序列中各个雷达辐射源信号基于雷达辐射源参数的数值大小进行升序排序，得到经排序的雷达辐射源信号序列；
步骤S2、基于所述经排序的雷达辐射源信号序列的序列值和细微直方图的最小分辨单元构建若干个细微直方图区间，统计所述经排序的雷达辐射源信号序列中各个雷达辐射源信号所属的细微直方图区间，以确定所述若干个细微直方图区间各自的统计频次，并基于所述统计频次计算分布概率；
步骤S3、利用所述最小分辨单元将所述雷达辐射源参数的标准工作域划分为多个子空间，得到每个子空间的左边界和右边界，结合所述若干个细微直方图区间将所述分布概率映射到所述标准工作域，以获取所述雷达辐射源信号序列针对所述雷达辐射源参数在稀疏向量空间的个体特征；
步骤S4、计算所述个体特征与雷达辐射源目标库中的标准个体向量之间的相似度，并基于所述相似度确定置信度，将高于置信度阈值的标准个体向量对应的雷达辐射源作为识别结果。
2.根据权利要求1所述的一种基于细微直方图特征的辐射源目标识别方法，其特征在于，所述雷达辐射源参数为雷达辐射源信号的载频、脉宽、重复间隔、幅度或到达方向角，所述雷达辐射源信号序列为，所述经排序的雷达辐射源信号序列为/>，其中，b i 表示所述雷达辐射源信号序列中第i个雷达辐射源信号，a i 表示所述经排序的雷达辐射源信号序列中第i个雷达辐射源信号，n表示雷达辐射源信号的数目。
3.根据权利要求2所述的一种基于细微直方图特征的辐射源目标识别方法，其特征在于，所述步骤S2包括：
基于所述经排序的雷达辐射源信号序列的起始序列值a 1 和细微直方图的最小分辨单元构建第一个细微直方图区间/>，其中，/>，/>；
以所述第一个细微直方图区间为查询区间，从所述经排序的雷达辐射源信号序列/>中依次判断雷达辐射源信号a i 是否属于所述第一个细微直方图区间/>；
若是，则所述第一个细微直方图区间的统计频次加1，并继续判断下一雷达辐射源信号a i+1 ；
若否，则构建第二个细微直方图区间，其中：
当时，/>，/>，继续判断雷达辐射源信号a i 是否属于所述第二个细微直方图区间/>；若是，则所述第二个细微直方图区间/>的统计频次加1，并继续判断下一雷达辐射源信号a i+1 ；若否，则构建第三个细微直方图区间/>；
当时，/>，/>，继续判断雷达辐射源信号a i 是否属于所述第二个细微直方图区间/>；若是，则所述第二个细微直方图区间/>的统计频次加1，并继续判断下一雷达辐射源信号a i+1 ；若否，则构建第三个细微直方图区间/>；
以此类推，直到完成对所述经排序的雷达辐射源信号序列中每个雷达辐射源信号的遍历，获取所述若干个细微直方图区间/>、所述统计频次/>以及所述分布概率/>，k表示细微直方图区间的数目。
4.根据权利要求3所述的一种基于细微直方图特征的辐射源目标识别方法，其特征在于，在所述步骤S3中：
所述雷达辐射源参数的标准工作域为，其中，/>表示所述标准工作域的下边界，/>表示所述标准工作域的上边界；
经划分为多个子空间的所述标准工作域为，/>表示第i个所述子空间，M表示所述子空间的数目；
其中，，/>，，/>表示空集，/>表示交运算，/>表示并运算，c i 和d i 分别表示子空间/>的左边界和右边界，/>，/>，。
5.根据权利要求4所述的一种基于细微直方图特征的辐射源目标识别方法，其特征在于，在所述步骤S3中：遍历所述标准工作域的各个子空间，若子空间满足/>，则子空间/>的分布概率值为/>，否则，其分布概率值为0；从而将所述分布概率映射到所述标准工作域，以获取所述雷达辐射源信号序列针对所述雷达辐射源参数在稀疏向量空间的个体特征p。
6.根据权利要求5所述的一种基于细微直方图特征的辐射源目标识别方法，其特征在于，在所述步骤S4中，所述雷达辐射源目标库中的N个标准个体向量表示为，所述个体特征p与雷达辐射源目标库中的第i个标准个体向量/>之间的相似度S i 的计算方式为，所述置信度为/>。
7.根据权利要求6所述的一种基于细微直方图特征的辐射源目标识别方法，其特征在于，当所述雷达辐射源参数的数目不止一个时，将所述雷达辐射源信号序列针对不止一个雷达辐射源参数在稀疏向量空间的个体特征进行拼接，将得到的拼接特征作为所述雷达辐射源信号序列的所述个体特征p。
8.一种基于细微直方图特征的辐射源目标识别系统，其特征在于，所述系统包括：
第一处理单元，被配置为：接收雷达辐射源信号序列，对所述雷达辐射源信号序列中各个雷达辐射源信号基于雷达辐射源参数的数值大小进行升序排序，得到经排序的雷达辐射源信号序列；
第二处理单元，被配置为：基于所述经排序的雷达辐射源信号序列的序列值和细微直方图的最小分辨单元构建若干个细微直方图区间，统计所述经排序的雷达辐射源信号序列中各个雷达辐射源信号所属的细微直方图区间，以确定所述若干个细微直方图区间各自的统计频次，并基于所述统计频次计算分布概率；
第三处理单元，被配置为：利用所述最小分辨单元将所述雷达辐射源参数的标准工作域划分为多个子空间，得到每个子空间的左边界和右边界，结合所述若干个细微直方图区间将所述分布概率映射到所述标准工作域，以获取所述雷达辐射源信号序列针对所述雷达辐射源参数在稀疏向量空间的个体特征；
第四处理单元，被配置为：计算所述个体特征与雷达辐射源目标库中的标准个体向量之间的相似度，并基于所述相似度确定置信度，将高于置信度阈值的标准个体向量对应的雷达辐射源作为识别结果。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现权利要求1-7任一项所述的一种基于细微直方图特征的辐射源目标识别方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1-7任一项所述的一种基于细微直方图特征的辐射源目标识别方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410245807.5A CN117851837A (zh) | 2024-03-05 | 2024-03-05 | 一种基于细微直方图特征的辐射源目标识别方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410245807.5A CN117851837A (zh) | 2024-03-05 | 2024-03-05 | 一种基于细微直方图特征的辐射源目标识别方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117851837A true CN117851837A (zh) | 2024-04-09 |
Family
ID=90534802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410245807.5A Pending CN117851837A (zh) | 2024-03-05 | 2024-03-05 | 一种基于细微直方图特征的辐射源目标识别方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117851837A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120206293A1 (en) * | 2008-12-10 | 2012-08-16 | U.S Government as represented by the Secretary of the Army | Method and system for forming images by comparing subsets of image data |
| CN103778342A (zh) * | 2014-01-24 | 2014-05-07 | 关欣 | 一种基于区间数和证据理论的辐射源识别算法 |
| US8805858B1 (en) * | 2011-10-31 | 2014-08-12 | The Boeing Company | Methods and systems for spatial filtering using a stochastic sparse tree grid |
| CN105574495A (zh) * | 2015-12-14 | 2016-05-11 | 中国电子科技集团公司第二十八研究所 | 一种区间型雷达辐射源信号特征类型识别能力分析方法 |
| CN112505649A (zh) * | 2021-02-04 | 2021-03-16 | 中国人民解放军国防科技大学 | 一种对雷达辐射源信号进行可视化分析的方法和系统 |
| US20220268883A1 (en) * | 2021-02-25 | 2022-08-25 | Nxp B.V. | Radar detection using angle of arrival estimation based on scaling parameter with pruned sparse learning of support vector |
| WO2023031614A1 (en) * | 2021-09-01 | 2023-03-09 | Gordon Kenneth Andrew Oswald | Radar system and associated apparatus and methods |
-
2024
- 2024-03-05 CN CN202410245807.5A patent/CN117851837A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120206293A1 (en) * | 2008-12-10 | 2012-08-16 | U.S Government as represented by the Secretary of the Army | Method and system for forming images by comparing subsets of image data |
| US8805858B1 (en) * | 2011-10-31 | 2014-08-12 | The Boeing Company | Methods and systems for spatial filtering using a stochastic sparse tree grid |
| CN103778342A (zh) * | 2014-01-24 | 2014-05-07 | 关欣 | 一种基于区间数和证据理论的辐射源识别算法 |
| CN105574495A (zh) * | 2015-12-14 | 2016-05-11 | 中国电子科技集团公司第二十八研究所 | 一种区间型雷达辐射源信号特征类型识别能力分析方法 |
| CN112505649A (zh) * | 2021-02-04 | 2021-03-16 | 中国人民解放军国防科技大学 | 一种对雷达辐射源信号进行可视化分析的方法和系统 |
| US20220268883A1 (en) * | 2021-02-25 | 2022-08-25 | Nxp B.V. | Radar detection using angle of arrival estimation based on scaling parameter with pruned sparse learning of support vector |
| WO2023031614A1 (en) * | 2021-09-01 | 2023-03-09 | Gordon Kenneth Andrew Oswald | Radar system and associated apparatus and methods |
Non-Patent Citations (2)
| Title |
|---|
| JUN WANG 等: "Visualization and classification of Radar Emitter Pulse Sequences based on 2D feature map", PHYSICAL COMMUNICATION, 19 August 2023 (2023-08-19), pages 1 - 8 * |
| 胡文龙 等: "基于空时编码的雷达脉冲辐射源识别算法", 器件与应用, vol. 45, no. 3, 31 December 2021 (2021-12-31), pages 58 - 63 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112036074B (zh) | 一种高脉冲密度环境下雷达信号分选方法及系统 | |
| CN112526513B (zh) | 基于聚类算法的毫米波雷达环境地图构建方法及装置 | |
| CN113721219B (zh) | 一种基于多参数聚类的雷达信号分选方法和系统 | |
| CN107729916B (zh) | 一种基于isodata的干扰源分类识别算法 | |
| CN111541511B (zh) | 复杂电磁环境下基于目标检测的通信干扰信号识别方法 | |
| Gupta et al. | Electronic warfare: Issues and challenges for emitter classification | |
| CN103941254A (zh) | 一种基于地质雷达的土壤物性类别识别方法和装置 | |
| CN104376335A (zh) | 一种基于信息熵的半监督高光谱遥感影像分类方法 | |
| CN106778680A (zh) | 一种基于关键波段提取的高光谱图像波段选择方法及装置 | |
| CN113759323B (zh) | 基于改进K-Means联合卷积自编码器的信号分选方法及装置 | |
| CN105574495A (zh) | 一种区间型雷达辐射源信号特征类型识别能力分析方法 | |
| CN111738319A (zh) | 一种基于大规模样本的聚类结果评价方法及装置 | |
| CN114757225A (zh) | 信号采样质量的确定方法、装置、设备及存储介质 | |
| CN113128584B (zh) | 一种多功能雷达脉冲序列的模式级无监督分选方法 | |
| CN114218244A (zh) | 一种在线色谱仪数据库更新方法、数据识别方法及装置 | |
| Sun et al. | Ship detection in SAR images based on multi-level superpixel segmentation and fuzzy fusion | |
| Fu et al. | A noise-resistant superpixel segmentation algorithm for hyperspectral images | |
| CN103076595B (zh) | 一种多元离散雷达辐射源信号的异常类型识别方法 | |
| CN116340533B (zh) | 一种基于知识图谱的星载电磁频谱大数据智能处理系统 | |
| CN117851837A (zh) | 一种基于细微直方图特征的辐射源目标识别方法与系统 | |
| CN109271902B (zh) | 复杂背景下基于时域经验模态分解的红外弱小目标检测方法 | |
| CN112505649B (zh) | 一种对雷达辐射源信号进行可视化分析的方法和系统 | |
| Yang et al. | Adaptive density peak clustering for determinging cluster center | |
| CN117310452B (zh) | 电磁信号泄露的确定方法、装置、计算机设备和存储介质 | |
| Žák et al. | A histogram based radar signal identification process |
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 |