CN117992760A - 一种基于认知图谱的电磁环境监测任务规划方法 - Google Patents
一种基于认知图谱的电磁环境监测任务规划方法 Download PDFInfo
- Publication number
- CN117992760A CN117992760A CN202410404982.4A CN202410404982A CN117992760A CN 117992760 A CN117992760 A CN 117992760A CN 202410404982 A CN202410404982 A CN 202410404982A CN 117992760 A CN117992760 A CN 117992760A
- Authority
- CN
- China
- Prior art keywords
- radiation source
- event
- radar radiation
- parameters
- signal
- 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 60
- 238000012544 monitoring process Methods 0.000 title claims abstract description 40
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 17
- 230000005855 radiation Effects 0.000 claims abstract description 149
- 238000010219 correlation analysis Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 38
- 241001112285 Berta Species 0.000 claims description 26
- 230000007613 environmental effect Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000000873 masking effect Effects 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000005562 fading Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000012876 topography Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000010276 construction Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000002546 full scan Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于认知图谱的电磁环境监测任务规划方法，其包括：通过对雷达辐射源信号进行时域频域分析，得到雷达辐射源的信号特征参数；通过对所采集到的雷达辐射源信号进行事件类型识别与级别识别，得到雷达辐射源的事件参数，信号特征参数与事件参数共同组成所需的雷达辐射源数据；利用从雷达辐射源信号中获得的信号特征参数，对其进行时空关联分析，利用从雷达辐射源信号中获得的事件参数，对其进行事件关联分析；构建雷达辐射源知识图谱本体，进而构建和加工雷达辐射源知识图谱；将雷达辐射源知识图谱嵌入推理模型，进而输出推理结果。本发明提升了电磁环境监测任务规划的智能性和效率。
Description
技术领域
本发明涉及电磁环境监测技术领域，特别是一种基于认知图谱的电磁环境监测任务规划方法。
背景技术
电磁环境监测是对环境中电磁波的强度、频率、来源等进行监测和分析的过程，其在电子通信、天气预报、环境保护等领域具有重要应用价值。然而，传统的电磁环境监测方法受限于传感器布设、数据处理和分析等方面的挑战，难以满足对电磁环境进行深入理解和智能感知的需求。
基于认知知识图谱的电磁环境监测任务规划方法是针对传统监测方法存在的问题提出的一种新型解决方案。认知知识图谱技术融合了人工智能、自然语言处理等技术，以构建具有丰富语义信息的知识图谱为核心，通过对多源数据的整合和分析，实现对电磁环境的智能感知和理解。在电磁环境监测任务规划方面，认知知识图谱技术不仅可以利用知识图谱中的语义关联和实体属性，实现对电磁环境的深层次分析和推理，而且可以基于认知知识图谱的电磁环境监测任务规划方法能够实现对任务执行过程中的实时性和安全性等要求，为监测系统的智能化和自主化提供技术支持。因此，基于认知知识图谱的电磁环境监测任务规划方法是一种创新的技术方案，为解决传统监测方法存在的问题提供了新的思路和解决方案，具有重要的理论和应用价值。
发明内容
鉴于此，本发明提供一种基于认知图谱的电磁环境监测任务规划方法。
本发明公开了一种基于认知图谱的电磁环境监测任务规划方法，其包括：
步骤1：通过对所采集到的雷达辐射源信号进行时域频域分析，得到雷达辐射源的信号特征参数；所述雷达辐射源的信号特征参数包括辐射源的峰值、频谱分布和时域频域特性；通过对所采集到的雷达辐射源信号进行事件类型识别与级别识别，得到雷达辐射源的事件参数，信号特征参数与事件参数共同组成所需的雷达辐射源数据；所述雷达辐射源的事件参数包括事件类型和事件级别；事件类型包括排查、监视、测量、全扫、查表和检测；事件级别按照执行紧急程度划分为低级别事件、中等级别的事件、较高级别的事件以及最高级别的事件；
步骤2：时空关联分析与事件关联分析，采用时空变差函数，利用从雷达辐射源信号中获得的信号特征参数，对其进行时空关联分析，采用Apriori算法，利用从雷达辐射源信号中获得的事件参数，对其进行事件关联分析；
步骤3：构建雷达辐射源知识图谱本体，进而构建和加工雷达辐射源知识图谱；
步骤4：将雷达辐射源知识图谱嵌入推理模型，进而输出推理结果。
进一步地，所述步骤1中，所述通过对所采集到的雷达辐射源信号进行时域频域分析，得到雷达辐射源的信号特征参数，包括：
通过时域频域分析，并将雷达辐射源信号建模为时域的脉冲信号，绘制脉冲信号的时域图，展示其幅度随时间的变化，并记录脉冲参数；脉冲参数包括脉冲宽度、脉冲幅度以及脉冲重复频率；对脉冲信号进行傅里叶变换，得到频域表示，并绘制频谱图以展示不同频率成分的幅度，记录频谱图信息；频谱图信息包括中心频率、带宽和谱形，从而获得雷达辐射源的信号特征参数；
对雷达辐射源信号进行事件类型识别与级别识别所采用的方法一致，二者均采用SVM分类方法，将类型识别与级别识别过程统称为类别识别过程，该类别识别过程包括：
对获取到的雷达辐射源信号进行预处理，从预处理后的雷达辐射源信号中提取不同事件的类型和级别，形成事件集数据库；
将事件集数据库划分为训练集和测试集；将训练集输入SVM模型进行训练，以实现针对每个事件类别得到一个训练好的SVM二分类器；将新的雷达辐射源数据分别输入训练好的所有SVM二分类器中，得到其属于每个类别的概率并从中选取最高概率对应的类别作为该新的雷达辐射源数据所属类别，并使用测试集评估每个二分类器的性能。
进一步地，所述SVM模型的决策函数为：
其中，为决策函数，/>为事件集数据库，/>是权重向量，/>是偏置项；
对于新的雷达辐射源信号，使用每个二分类器预测其属于每个类别的概率，使用/>作为/>属于类别c的评判标准，其中，/>的表达式为：
其中，是事件所属类别，k是总事件类别数，/>是权重向量，/>偏置项，/>是所有事件类别预测值的加权，/>是以自然常数e为底的指数函数。
进一步地，在所述步骤2中，采用时空变差函数，利用从雷达辐射源信号中获得的信号特征参数，对其进行时空关联分析，包括：
通过对时空变差函数中的每个时刻和空间滞后向量/>进行计算，得到时空变差函数的值，以用于描述雷达辐射源信号在不同时刻和空间位置之间的协方差。
进一步地，所述时空变差函数表示随机场在时空上的变异性，定义时空变差函数为：
其中，是时空变差函数，/>是时间，/>是空间滞后向量，/>是时刻/>处的观测数量，/>是在时刻/>和空间位置/>处的观测值，/>是在时刻/>和空间位置/>处的观测值，/>是在时刻/>和空间位置/>处的观测值，/>是在时刻/>和空间位置/>处的观测值，/>是时刻/>处样本/>和样本/>的权重。
进一步地，在所述步骤2中，采用Apriori算法，利用从雷达辐射源信号中获得的事件参数，对其进行事件关联分析，得到频繁事件集、关联规则、支持度和置信度：
首先准备包含雷达辐射源信号的事件信息的数据集；使用Apriori算法，将单个事件作为初始候选事件集，并通过组合已知的频繁事件集生成候选事件集；然后，计算每个候选事件集在数据中的支持度，剪枝去除支持度低于设定阈值的候选事件集；直到不能再生成新的频繁事件集为止；根据频繁事件集生成关联规则，计算每个关联规则的支持度和置信度。
进一步地，所述构建雷达辐射源知识图谱本体，包括：
通过BERTa模型抽取步骤1的雷达辐射源的信号特征参数、雷达辐射源的事件参数以及步骤2中通过时空关联分析与事件关联分析所获得知识中的语义实体，并映射到语义空间；
通过BERTa模型抽取步骤1的雷达辐射源的信号特征参数、雷达辐射源的事件参数以及步骤2中通过时空关联分析与事件关联分析所获得知识中的语义实体，并映射到语义空间，其中所获得的知识指的是频繁事件集、关联规则、支持度和置信度；
BERTa模型的训练过程分为预训练阶段和微调阶段，其中，预训练阶段包括：BERTa模型首先在大规模无标签的雷达辐射源语料库上进行预训练，以学习雷达辐射源信号的知识与参数的上下文表示，通过MLM和NSP任务来优化BERTa模型参数；MLM任务是通过随机地掩盖输入中的部分雷达辐射源信号的知识与参数并要求模型预测该知识与参数来训练BERTa模型；NSP任务是判断BERTa模型的预测结果之间是否相关联；
微调阶段包括：在电磁环境监测任务上进行微调，利用预训练阶段的模型参数，通过带有标签的数据对BERTa模型进行微调以适应电磁环境监测任务；标签指的是样本所属的事件类型或级别、环境条件和信号特征的语义标签。
进一步地，所述构建和加工雷达辐射源知识图谱，包括：
安装和配置图形数据库；定义雷达辐射源知识图谱本体的节点和关系；节点表示实体，实体包括信号特征节点、事件类型节点、事件级别节点和环境条件节点；信号特征节点包括脉宽、脉冲重复频率和多普勒频率；事件类型节点包括排查、监视、测量、全扫、查表和检测；事件级别节点包括低级别事件、中等级别的事件、较高级别的事件以及最高级别的事件；环境条件节点包括与雷达辐射源信号相关的环境条件，环境条件包括地形地貌条件、气象条件以及信道条件；关系表示实体之间的关联；
定义每个节点和关系相应的属性；属性包括信号特征的具体数值、事件类型与级别的描述和环境条件的状态，其中，环境条件属性中，地形地貌条件包括平原、山地、丘陵和水域；气象条件包括温度、湿度、风速风向和气压；信道条件包括多径传播、多径衰落、多径干扰和多径反射；
编写查询语句；查询语句包括创建信号特征节点，创建事件类型节点，以及建立节点之间的关系；执行查询语句，将提取的实体和关系信息导入到图形数据库中；通过查询语句验证雷达辐射源知识图谱中的节点和关系；使用图形数据库的可视化工具查看构建的雷达辐射源知识图谱。
进一步地，所述步骤4包括：
每个雷达辐射源信号均被建模为雷达辐射源知识图谱中的一个节点，而雷达辐射源知识图谱中的边表示雷达辐射源信号之间的相互关系；相互关系包括频谱相似性和时域上的相关性，事件类型与级别的相关性以及事件类型与级别与环境条件之间的相关性；信号特征节点包括信号特征、事件所属类型与级别以及环境条件；
推理模型的图卷积层通过迭代更新雷达辐射源知识图谱中的节点的表示，对节点的信息进行聚合；其中，节点的邻居信息被聚合并用于更新节点的表示；
针对当前雷达捕获的时间空中目标，并分析获取不同目标之间的时空关联以及事件关联信息，通过推理链调用雷达辐射源知识图谱中的属性特征，最终给出电磁环境监测任务规划的最佳决策。
进一步地，图卷积层的公式如下：
其中，表示节点/>在第/>层的表示，/>表示节点/>的邻居节点集合，/>是权重矩阵，/>是偏置向量，/>是激活函数，/>是归一化因子。
由于采用了上述技术方案，本发明具有如下的优点：
1、本发明构建了雷达辐射源知识图谱，相比于传统的数据库，融合了多源的异构知识，使得知识更加全面且具备推理出隐藏关系的能力。
2、本发明设计的基于认知图谱的电磁环境监测任务规划框架与方法，相比于传统的任务规划方法，能够综合利用雷达辐射源知识图谱进行电磁环境监测任务规划，能够更合理、更准确、更快速地做出决策，具有较高的实用性。
3、本发明将时空关联分析与事件关联分析方法、BERTa自然语言模型以及GNN推理模型融合成一个新的决策规划系统，相比与传统的规划系统，减少了人为主观意识的影响，显著提高了决策的准确率和快速性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种基于认知图谱的电磁环境监测任务规划方法的流程图；
图2是本发明实施例的一种SVM的分类示例图；
图3是本发明实施例的一种自然语言模型BERTa的结构图；
图4是本发明实施例的一种GNN的结构图；
图5是本发明实施例的一种知识图谱构建框架图。
具体实施方式
结合附图和实施例对本发明作进一步说明，所描述的实施例仅是本发明实施例一部分实施例，而不是全部的实施例。本领域普通技术人员所获得的所有其他实施例，都应当属于本发明实施例保护的范围。
参见图1，本发明提供了一种基于认知图谱的电磁环境监测任务规划方法的实施例，其包括以下步骤：
S1，对获取的雷达辐射源信号进行处理，得到雷达辐射源的信号特征参数以及雷达辐射源的事件参数；
雷达辐射源知识图谱的构建需要对采集到的辐射源进行分析，有两种层次的分析：
一种分析是时域频域分析，整理雷达辐射源的基本参数，并将其信号建模为时域的脉冲信号，包括矩形波或高斯波等。绘制脉冲信号的时域图，展示其幅度随时间的变化。接着，对脉冲信号进行傅里叶变换，得到频域表示，具体的傅里叶变换函数如下所示：
其中，是信号在频域的表示，/>是原始信号在时域的表示，/>是角频率，/>是时间变量，/>是虚数单位，/>是自然对数的底数。
之后绘制频谱图以展示不同频率成分的幅度。并对频域进一步分析，包括分析主要频率成分、计算带宽等操作，具体步骤如下所示：
1.分析主要频率成分：
幅度谱计算公式：
其中，和/>分别代表/>的实部和虚部。
通过观察幅度谱可以识别出幅度最大的峰值，这些峰值对应于信号的主要频率成分。
2．计算带宽：
带宽的计算要根据信号的功率谱密度（PSD）进行。功率谱密度提供了信号功率分布在频率域的信息。
功率谱密度（PSD）计算：为功率谱密度。
其中，是信号在频域的表示，/>是角频率。
计算总功率：
其中，是功率谱密度，/>是角频率。
确定功率累积范围：找到频率，使得从/>到/>的功率累积占总功率的90%，具体计算公式如下：
带宽计算：
这里的BW就是信号的带宽，即包含主要功率成分（90%总功率）的频率范围。
另一种分析是通过对所采集到的雷达辐射源信号进行事件类型识别与级别识别，得到雷达辐射源的事件参数，信号特征参数与事件参数共同组成所需的雷达辐射源数据，雷达辐射源的事件参数包括事件类型和事件级别；事件类型包括排查、监视、测量、全扫、查表和检测；事件级别按照执行紧急程度划分为低级别事件、中等级别的事件、较高级别的事件以及最高级别的事件；
对采集到的雷达辐射源信号数据集进行预处理（数据清洗和数据集划分），其中数据清洗使用基于窗函数的平滑方法进行平滑处理和使用小波变化的方法进行去噪处理，窗函数使用的是汉宁窗，具体函数表达如下：
其中，n是窗口的样本索引，N是窗口的长度。
小波变化去噪，首先使用小波变化将原始信号分解成多个尺度的近似系数和细节系数，其中近似系数表示信号的低频成分，而细节系数表示信号的高频成分。然后对小波分解得到的细节系数进行阈值处理。阈值处理的目标是将小于某个阈值的细节系数设为零，保留大于阈值的系数。这样可以将噪声系数消除，同时保留信号的结构。最后使用处理后的近似系数和细节系数进行小波逆变换，将信号重构。重构后的信号已经经过噪声的抑制处理。
将预处理完的数据进行特征提取，特征提取的目标是准确地捕捉不同事件类型和级别的特征，形成一个事件集数据库。对事件集数据库进行划分，训练集和测试集的比例选取为8:2。
之后对SVM模型进行训练，SVM模型的决策函数为：
其中，为决策函数，/>为事件集数据库，/>是权重向量，/>是偏置项；
对于新的雷达辐射源信号，使用每个二分类器预测其属于每个类别的概率，使用/>作为新样本属于类别c的评判标准，其中，/>的具体表达如下：
其中，是事件所属类别，k是总事件类别数，/>是权重向量，/>偏置项，/>是所有事件类别预测值的加权，/>是以自然常数e为底的指数函数。
以此引导模型向正确方向收敛，将以上步骤在训练集上进行50-60个epoch后在测试集上进行模型评估。SVM的分类示例图如图2所示。
S2，时空关联分析与事件关联分析；
经过以上两种参数分析方法后，雷达辐射源的信号特征参数和雷达辐射源事件参数已经准备就绪，之后进行时空关联分析与事件关联分析，采用的方法分别是时空变差函数模型和Apriori算法。信号特征参数包括辐射源的峰值、频谱分布和时域频域特性；
时空变差函数用于描述随时间和空间位置变化的随机过程中，不同时间点和空间位置之间的相关性。这是在时空统计学中常用的工具，用于建模和分析时空数据。时空变差函数通常用来度量两个时空位置之间的协变异，即它测量了这两个位置上的随机过程值如何随时间和空间的变化而变化，因此本发明采用时空变差函数对雷达辐射源信号的时空关联进行分析，具体如下：
通过对每个时间点和每个空间延迟向量/>在时空变差函数内的运算，可以获得该函数的具体值。通过这一过程去量化雷达辐射源信号在时间上的变化以及在不同空间点之间的相互关系，即其协方差。
其中，时空变差函数的具体表达式如下：
其中，是时空变差函数，/>是时间，/>是空间滞后向量，/>是时刻/>处的观测数量，/>是在时刻/>和空间位置/>处的观测值，/>是在时刻/>和空间位置/>处的观测值，/>是在时刻/>和空间位置/>处的观测值，/>是在时刻/>和空间位置/>处的观测值，/>是时刻/>处样本/>和样本/>的权重。
Apriori算法能够有效地发现在大量数据中频繁出现的项集合并生成关联规则。这种方法特别适合于那些需要从大量事件中发现隐藏模式的应用场景。此外，Apriori算法的灵活性和可扩展性意味着它可以通过调整支持度和置信度阈值来适应特定分析需求，从而进行基于事件的关联分析，因此本发明采用Apriori算法对雷达辐射源信号的事件关联进行分析，具体如下：
准备数据集：收集包含雷达辐射源信号事件信息的数据集。每个事务表示一段时间内的雷达观测，其中包含了一组雷达事件；
生成候选事件集：事件集是数据中的一个集合，而频繁事件集是支持度（Support）大于等于设定阈值的事件集。开始时，将所有单个事件作为初始的候选事件集，这被称为1-事件集。然后，通过组合已知的频繁(k-1)-事件集，生成候选k-事件集；
1-事件集：，其中，/>表示1-事件集，表示第n个事件；
候选k-事件集的生成：，其中，/>表示k-事件集，表示第n个事件，/>表示频繁(k-1)-项集中的一个子项集，/>表示频繁(k-1)-项集中的另一个子项集，k表示事件集的序号，/>表示频繁/>-事件集；
计算支持度：扫描每个候选事件集中的项集，统计项集在总的事件集中的支持度；
支持度计算：，其中，表示事件集数据库/>的支持度，/>表示包含/>项的事件集合，/>表示总的事件集；
剪枝：去除支持度低于设定阈值的候选事件集；
迭代生成频繁事件集：重复S2至S4，直到不能再生成新的频繁事件集为止；
生成关联规则：对于每个频繁事件集，生成关联规则。每个规则包含一个前项和一个后项，其中前项和后项都是频繁事件集的子集；
关联规则生成：，其中，表示频繁事件集；
计算关联规则的支持度和置信度：计算每个关联规则的支持度和置信度；
支持度的计算公式为：
其中，表示子项集A至子项集B的支持度；
置信度的计算公式为：
其中，表示子项集A至子项集B的置信度；
S3，构建雷达辐射源知识图谱本体，其包括：
利用自然语言模型-BERTa模型抽取语义实体；抽取步骤1的雷达辐射源的信号特征参数、雷达辐射源的事件参数以及步骤2中通过时空关联分析与事件关联分析所获得知识中的语义实体，并映射到语义空间，从而构建雷达辐射源知识图谱本体。其中所获得的知识指的是频繁事件集、关联规则、支持度和置信度；BERTa模型结构具体如图3所示，其结构描述如下：
BERTa模型是由编码器组成的双向结构，其中包含多个Transformer编码器层。每个编码器层由多头自注意力机制和前馈神经网络组成。这些层的参数在预训练阶段进行调整，通过大规模的雷达辐射源语料库进行无监督的预训练学习。
多头自注意力机制：如图3的下半部分，允许模型在不同位置对输入序列进行注意力权重的计算，捕捉不同位置之间的关系。它能够同时考虑输入序列中的雷达辐射源信号知识与参数并学习它们之间的关联。
前馈神经网络：如图3的上半部分，用于每个位置上对特征进行非线性变换和映射。
BERTa模型的训练过程分为预训练阶段和微调阶段，其中，预训练阶段包括：BERTa模型首先在大规模无标签的雷达辐射源语料库上进行预训练，以学习雷达辐射源信号的知识与参数的上下文表示，通过MLM和NSP任务来优化BERTa模型参数；MLM任务是通过随机地掩盖输入中的部分雷达辐射源信号的知识与参数并要求模型预测该知识与参数来训练BERTa模型；NSP任务是判断BERTa模型的预测结果之间是否相关联；
预训练阶段：BERTa首先在大规模无标签的雷达辐射源语料库上进行预训练，目标是学习雷达辐射源信号知识与参数的上下文表示。通过MLM和NSP等任务来优化模型参数。MLM任务是通过随机地掩盖输入中的一些雷达辐射源信号知识与参数并要求模型预测这些知识与参数来训练模型。NSP任务是判断预测的结果是否相关联，以此训练模型。
微调阶段包括：在电磁环境监测任务上进行微调，利用预训练阶段的模型参数，通过带有标签的数据对BERTa模型进行微调以适应电磁环境监测任务；标签指的是样本所属的事件类型或级别、环境条件和信号特征的语义标签。
微调阶段：在特定任务上进行微调，利用预训练的模型参数，通过有标签的数据对模型进行微调以适应特定任务。
S4，构建和加工雷达辐射源知识图谱，使用的工具为Neo4J，完整构建过程如图5所示，在完成S3本体构建工作后，进行实体抽取、构建关系和属性提取过程，具体内容包括：
Neo4J数据库准备：在计算机上安装和配置Neo4J数据库；
安装和初始化图形数据库配置：基于S3抽取到的雷达辐射源知识图谱实体，定义雷达辐射源知识图谱本体的节点和关系来构造图模型；随后，定义每个节点和关系相应的属性。属性包括信号特征的具体数值、事件类型的描述、环境条件的状态等；节点表示实体，包括信号特征节点、事件类型节点、事件级别节点和环境条件节点，关系表示这些实体之间的关联，具体如下：
SignalFeature节点：包含脉宽、脉冲重复频率、多普勒频率等信号特征；
EventType节点：包含排查、监视、测量、全扫、查表、检测等事件类型；
EventLevel节点：包含低级别事件、中等级别的事件、较高级别的事件以及最高级别的事件等事件级别；
EnvironmentCondition节点：包含与雷达辐射源信号相关的环境条件，包括地形地貌条件如平原、山地、丘陵和水域等、气象条件如温度、湿度、风速风向和气压等以及信道条件如多径传播、多径衰落、多径干扰和多径反射等；
关系：例如，`HAS_FEATURE`表示信号特征属于某个事件类型；
编写查询语句；使用Cypher查询语句编写用于向Neo4J导入数据的脚本，这些查询语句包括创建信号特征节点，创建事件类型节点，以及建立节点之间的关系并设置属性等操作。具体如下：
//创建信号特征节点
CREATE(:SignalFeature {name: "PulseWidth", value: "10 microseconds"})
// 创建事件类型节点
CREATE (:EventType {name: "Detection"})
// 建立关系
MATCH (s:SignalFeature), (e:EventType)
WHERE s.name = "PulseWidth" AND e.name = "Detection"
CREATE (s)-[:HAS_FEATURE]->(e)
数据导入：执行 Cypher 查询语句，将提取的实体和关系信息导入到 Neo4J 图形数据库中。这可以通过 Neo4J 的 Web 界面、Neo4J Desktop 工具或编写脚本实现；
验证和调整：在导入数据后，通过查询语句验证雷达辐射源知识图谱中的节点和关系。确保数据正确地映射到图谱中，并根据需要进行调整和优化；
图形数据库可视化：使用图形数据库Neo4J的可视化工具查看构建的知识图谱。这有助于检查图谱的结构、发现潜在的关联关系，并进行系统的调试和优化。
S5，将S4得到的雷达辐射源知识图谱嵌入推理模型，其包括：每个雷达辐射源信号均被建模为雷达辐射源知识图谱中的一个节点，而雷达辐射源知识图谱中的边表示雷达辐射源信号之间的相互关系，包括频谱相似性和时域上的相关性等；相互关系包括频谱相似性和时域上的相关性，事件类型与级别的相关性以及事件类型与级别与环境条件之间的相关性；信号特征节点包括信号特征、事件所属类型与级别以及环境条件；节点特征包括频谱、脉冲宽度、幅度等信息。
GNN被广泛应用于处理复杂的信号关系，能更好地理解和分析不同雷达辐射源信号之间的交互作用，因此选择GNN网络作为推理模型。GNN模型推理过程如图4所示，其内部网络通过迭代更新雷达辐射源知识图谱中节点的表示，将节点的信息聚合到一起。这一过程可以通过图卷积层来实现，其中节点的邻居信息被聚合并用于更新节点的表示。图卷积层的公式如下：
其中，表示节点/>在第/>层的表示，/>表示节点/>的邻居节点集合，/>是权重矩阵，/>是偏置向量，/>是激活函数，/>是归一化因子。
表1是采用本发明的基于认知图谱的电磁环境监测任务规划框架与方法的效果。软件显示针对当前雷达捕获的时间空中目标，并分析获取不同目标之间的时空关联以及事件关联信息，通过推理链调用雷达辐射源知识图谱中的属性特征，最终给出电磁环境监测任务规划的最佳决策。随着场景演示，系统给出的最佳决策分别为测量>全扫>检测>识别>控守>测向、排查>全扫>检测>识别>信号统计、监视>查表>检测>噪声统计、测量>全扫>检测>利用率统计。
表1 基于认知图谱推理的结果
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于认知图谱的电磁环境监测任务规划方法，其特征在于，包括：
步骤1：通过对所采集到的雷达辐射源信号进行时域频域分析，得到雷达辐射源的信号特征参数；所述雷达辐射源的信号特征参数包括辐射源的峰值、频谱分布和时域频域特性；通过对所采集到的雷达辐射源信号进行事件类型识别与级别识别，得到雷达辐射源的事件参数，信号特征参数与事件参数共同组成所需的雷达辐射源数据；所述雷达辐射源的事件参数包括事件类型和事件级别；事件类型包括排查、监视、测量、全扫、查表和检测；事件级别按照执行紧急程度划分为低级别事件、中等级别的事件、较高级别的事件以及最高级别的事件；
步骤2：时空关联分析与事件关联分析，采用时空变差函数，利用从雷达辐射源信号中获得的信号特征参数，对其进行时空关联分析，采用Apriori算法，利用从雷达辐射源信号中获得的事件参数，对其进行事件关联分析；
步骤3：构建雷达辐射源知识图谱本体，进而构建和加工雷达辐射源知识图谱；
步骤4：将雷达辐射源知识图谱嵌入推理模型，进而输出推理结果。
2.根据权利要求1所述的方法，其特征在于，所述步骤1中，所述通过对所采集到的雷达辐射源信号进行时域频域分析，得到雷达辐射源的信号特征参数，包括：
通过时域频域分析，并将雷达辐射源信号建模为时域的脉冲信号，绘制脉冲信号的时域图，展示其幅度随时间的变化，并记录脉冲参数；脉冲参数包括脉冲宽度、脉冲幅度以及脉冲重复频率；对脉冲信号进行傅里叶变换，得到频域表示，并绘制频谱图以展示不同频率成分的幅度，记录频谱图信息；频谱图信息包括中心频率、带宽和谱形，从而获得雷达辐射源的信号特征参数；
对雷达辐射源信号进行事件类型识别与级别识别所采用的方法一致，二者均采用SVM分类方法，将类型识别与级别识别过程统称为类别识别过程，该类别识别过程包括：
对获取到的雷达辐射源信号进行预处理，从预处理后的雷达辐射源信号中提取不同事件的类型和级别，形成事件集数据库；
将事件集数据库划分为训练集和测试集；将训练集输入SVM模型进行训练，以实现针对每个事件类别得到一个训练好的SVM二分类器；将新的雷达辐射源数据分别输入训练好的所有SVM二分类器中，得到其属于每个类别的概率并从中选取最高概率对应的类别作为该新的雷达辐射源数据所属类别，并使用测试集评估每个二分类器的性能。
3.根据权利要求2所述的方法，其特征在于，所述SVM模型的决策函数为：
其中，为决策函数，/>为事件集数据库，/>是权重向量，/>是偏置项；
对于新的雷达辐射源信号，使用每个二分类器预测其属于每个类别的概率，使用作为/>属于类别c的评判标准，其中，/>的表达式为：
其中，是事件所属类别，k是总事件类别数，/>是权重向量，/>偏置项，/>是所有事件类别预测值的加权，/>是以自然常数e为底的指数函数。
4.根据权利要求1所述的方法，其特征在于，在所述步骤2中，采用时空变差函数，利用从雷达辐射源信号中获得的信号特征参数，对其进行时空关联分析，包括：
通过对时空变差函数中的每个时刻和空间滞后向量/>进行计算，得到时空变差函数的值，以用于描述雷达辐射源信号在不同时刻和空间位置之间的协方差。
5.根据权利要求4所述的方法，其特征在于，所述时空变差函数表示雷达辐射源信号在时空上的关联性，定义时空变差函数为：
其中，是时空变差函数，/>是时间，/>是空间滞后向量，/>是时刻/>处的观测数量，/>是在时刻/>和空间位置/>处的观测值，/>是在时刻/>和空间位置处的观测值，/>是在时刻/>和空间位置/>处的观测值，/>是在时刻和空间位置/>处的观测值，/>是时刻/>处样本/>和样本/>的权重。
6.根据权利要求1所述的方法，其特征在于，在所述步骤2中，采用Apriori算法，利用从雷达辐射源信号中获得的事件参数，对其进行事件关联分析，得到频繁事件集、关联规则、支持度和置信度：
首先准备包含雷达辐射源信号的事件信息的数据集；使用Apriori算法，将单个事件作为初始候选事件集，并通过组合已知的频繁事件集生成候选事件集；然后，计算每个候选事件集在数据中的支持度，剪枝去除支持度低于设定阈值的候选事件集；直到不能再生成新的频繁事件集为止；根据频繁事件集生成关联规则，计算每个关联规则的支持度和置信度。
7.根据权利要求1所述的方法，其特征在于，所述构建雷达辐射源知识图谱本体，包括：
通过BERTa模型抽取步骤1的雷达辐射源的信号特征参数、雷达辐射源的事件参数以及步骤2中通过时空关联分析与事件关联分析所获得知识中的语义实体，并映射到语义空间，其中所获得的知识指的是频繁事件集、关联规则、支持度和置信度；
BERTa模型的训练过程分为预训练阶段和微调阶段，其中，预训练阶段包括：BERTa模型首先在大规模无标签的雷达辐射源语料库上进行预训练，以学习雷达辐射源信号的知识与参数的上下文表示，通过MLM和NSP任务来优化BERTa模型参数；MLM任务是通过随机地掩盖输入中的部分雷达辐射源信号的知识与参数并要求模型预测该知识与参数来训练BERTa模型；NSP任务是判断BERTa模型的预测结果之间是否相关联；
微调阶段包括：在电磁环境监测任务上进行微调，利用预训练阶段的模型参数，通过带有标签的数据对BERTa模型进行微调以适应电磁环境监测任务；标签指的是样本所属的事件类型或级别、环境条件和信号特征的语义标签。
8.根据权利要求1所述的方法，其特征在于，所述构建和加工雷达辐射源知识图谱，包括：
安装和配置图形数据库；定义雷达辐射源知识图谱本体的节点和关系；节点表示实体，实体包括信号特征节点、事件类型节点、事件级别节点和环境条件节点；信号特征节点包括脉宽、脉冲重复频率和多普勒频率；事件类型节点包括排查、监视、测量、全扫、查表和检测；事件级别节点包括低级别事件、中等级别的事件、较高级别的事件以及最高级别的事件；环境条件节点包括与雷达辐射源信号相关的环境条件，环境条件包括地形地貌条件、气象条件以及信道条件；关系表示实体之间的关联；
定义每个节点和关系相应的属性；属性包括信号特征的具体数值、事件类型与级别的描述和环境条件的状态，其中，环境条件属性中，地形地貌条件包括平原、山地、丘陵和水域；气象条件包括温度、湿度、风速风向和气压；信道条件包括多径传播、多径衰落、多径干扰和多径反射；
编写查询语句；查询语句包括创建信号特征节点，创建事件类型节点，以及建立节点之间的关系；执行查询语句，将提取的实体和关系信息导入到图形数据库中；通过查询语句验证雷达辐射源知识图谱中的节点和关系；使用图形数据库的可视化工具查看构建的雷达辐射源知识图谱。
9.根据权利要求1所述的方法，其特征在于，所述步骤4包括：
每个雷达辐射源信号均被建模为雷达辐射源知识图谱中的一个节点，而雷达辐射源知识图谱中的边表示雷达辐射源信号之间的相互关系；相互关系包括频谱相似性和时域上的相关性，事件类型与级别的相关性以及事件类型与级别与环境条件之间的相关性；信号特征节点包括信号特征、事件所属类型与级别以及环境条件；
推理模型的图卷积层通过迭代更新雷达辐射源知识图谱中的节点的表示，对节点的信息进行聚合；其中，节点的邻居信息被聚合并用于更新节点的表示；
针对当前雷达捕获的时间空中目标，并分析获取不同目标之间的时空关联以及事件关联信息，通过推理链调用雷达辐射源知识图谱中的属性特征，最终给出电磁环境监测任务规划的最佳决策。
10.根据权利要求9所述的方法，其特征在于，图卷积层的公式如下：
其中，表示节点/>在第/>层的表示，/>表示节点/>的邻居节点集合，/>是权重矩阵，/>是偏置向量，/>是激活函数，/>是归一化因子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410404982.4A CN117992760B (zh) | 2024-04-07 | 2024-04-07 | 一种基于认知图谱的电磁环境监测任务规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410404982.4A CN117992760B (zh) | 2024-04-07 | 2024-04-07 | 一种基于认知图谱的电磁环境监测任务规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117992760A true CN117992760A (zh) | 2024-05-07 |
| CN117992760B CN117992760B (zh) | 2024-06-18 |
Family
ID=90890901
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410404982.4A Active CN117992760B (zh) | 2024-04-07 | 2024-04-07 | 一种基于认知图谱的电磁环境监测任务规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117992760B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106896348A (zh) * | 2017-01-16 | 2017-06-27 | 哈尔滨工程大学 | 一种基于概率数据关联的雷达信号分选方法 |
| CN109358602A (zh) * | 2018-10-23 | 2019-02-19 | 山东中创软件商用中间件股份有限公司 | 一种故障分析方法、装置及相关设备 |
| CN111913156A (zh) * | 2020-08-05 | 2020-11-10 | 电子科技大学 | 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 |
| RU2738961C1 (ru) * | 2020-06-08 | 2020-12-21 | Федеральное государственное унитарное предприятие "Ростовский-на-Дону научно-исследовательский институт радиосвязи" (ФГУП "РНИИРС") | Способ определения пространственных параметров элементов телекоммуникационных систем, использующих широкополосные сигналы |
| CN112462343A (zh) * | 2020-11-11 | 2021-03-09 | 中国人民解放军空军预警学院 | 一种通过频域变换处理提取雷达信号脉内特征参数的方法 |
| CN114840616A (zh) * | 2021-12-28 | 2022-08-02 | 北京航空航天大学 | 一种基于时空插值的动态大气自然环境建模方法 |
| CN115203440A (zh) * | 2022-09-16 | 2022-10-18 | 北京大数据先进技术研究院 | 面向时空动向数据的事件图谱构建方法、装置及电子设备 |
| CN115293507A (zh) * | 2022-07-04 | 2022-11-04 | 中国电力科学研究院有限公司 | 面向电网调度运行管理的态势知识图谱构建方法及系统 |
| CN116166954A (zh) * | 2023-04-20 | 2023-05-26 | 南京桂瑞得信息科技有限公司 | 基于自适应信号特征嵌入知识图谱的辐射源个体识别方法 |
| CN116340533A (zh) * | 2023-02-23 | 2023-06-27 | 中国人民解放军军事科学院系统工程研究院 | 一种基于知识图谱的星载电磁频谱大数据智能处理系统 |
| CN117743595A (zh) * | 2023-12-19 | 2024-03-22 | 南京邮电大学 | 一种基于图神经网络的电力监控事件识别与智能分析方法 |
-
2024
- 2024-04-07 CN CN202410404982.4A patent/CN117992760B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106896348A (zh) * | 2017-01-16 | 2017-06-27 | 哈尔滨工程大学 | 一种基于概率数据关联的雷达信号分选方法 |
| CN109358602A (zh) * | 2018-10-23 | 2019-02-19 | 山东中创软件商用中间件股份有限公司 | 一种故障分析方法、装置及相关设备 |
| RU2738961C1 (ru) * | 2020-06-08 | 2020-12-21 | Федеральное государственное унитарное предприятие "Ростовский-на-Дону научно-исследовательский институт радиосвязи" (ФГУП "РНИИРС") | Способ определения пространственных параметров элементов телекоммуникационных систем, использующих широкополосные сигналы |
| CN111913156A (zh) * | 2020-08-05 | 2020-11-10 | 电子科技大学 | 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 |
| CN112462343A (zh) * | 2020-11-11 | 2021-03-09 | 中国人民解放军空军预警学院 | 一种通过频域变换处理提取雷达信号脉内特征参数的方法 |
| CN114840616A (zh) * | 2021-12-28 | 2022-08-02 | 北京航空航天大学 | 一种基于时空插值的动态大气自然环境建模方法 |
| CN115293507A (zh) * | 2022-07-04 | 2022-11-04 | 中国电力科学研究院有限公司 | 面向电网调度运行管理的态势知识图谱构建方法及系统 |
| CN115203440A (zh) * | 2022-09-16 | 2022-10-18 | 北京大数据先进技术研究院 | 面向时空动向数据的事件图谱构建方法、装置及电子设备 |
| CN116340533A (zh) * | 2023-02-23 | 2023-06-27 | 中国人民解放军军事科学院系统工程研究院 | 一种基于知识图谱的星载电磁频谱大数据智能处理系统 |
| CN116166954A (zh) * | 2023-04-20 | 2023-05-26 | 南京桂瑞得信息科技有限公司 | 基于自适应信号特征嵌入知识图谱的辐射源个体识别方法 |
| CN117743595A (zh) * | 2023-12-19 | 2024-03-22 | 南京邮电大学 | 一种基于图神经网络的电力监控事件识别与智能分析方法 |
Non-Patent Citations (8)
| Title |
|---|
| JIE WANG 等: "3D Spectrum Mapping and Reconstruction under Multi-Radiation Source Scenarios", 《ARXIV》, 13 March 2024 (2024-03-13), pages 1 - 16 * |
| RAMIN PAPI 等: "Knowledge discovery of Middle East dust sources using Apriori spatial data mining algorithm", 《ECOLOGICAL INFORMATICS》, 14 October 2022 (2022-10-14), pages 1 - 12 * |
| RYAN SHEATSLEY 等: "Improving Radioactive Material Localization by Leveraging Cyber-Security Model Optimizations", 《IEEE SENSORS JOURNAL》, 1 February 2021 (2021-02-01), pages 1 - 11 * |
| 刘毓 等: "基于知识表示学习的通信辐射源威胁评估方法", 《移动通信》, no. 7, 15 July 2022 (2022-07-15), pages 10 - 16 * |
| 刘毓 等: "面向通信辐射源威胁评估的知识图谱构建", 《通信技术》, vol. 54, no. 12, 10 December 2021 (2021-12-10), pages 2650 - 2658 * |
| 张伟 等: "复杂环境下电磁目标信号认知处理架构与应用研究", 《电子科技大学学报》, vol. 53, no. 1, 30 January 2024 (2024-01-30), pages 40 - 49 * |
| 池庆玺 等: "基于知识图谱的辐射源威胁态势协同构建技术", 《战术导弹技术》, no. 4, 21 July 2022 (2022-07-21), pages 168 - 177 * |
| 郑博元 等: "自监督双流融合的小样本雷达辐射源识别方法", 《电讯技术》, vol. 63, no. 9, 19 July 2023 (2023-07-19), pages 1340 - 1347 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117992760B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
| CN110488351A (zh) | 基于机器学习的地震波震动性质识别方法 | |
| CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
| Li et al. | IncepTCN: A new deep temporal convolutional network combined with dictionary learning for strong cultural noise elimination of controlled-source electromagnetic data | |
| CN112733447B (zh) | 一种基于域自适应网络的水下声源定位方法及系统 | |
| CN111368892A (zh) | 一种广义s变换和svm的电能质量扰动高效识别方法 | |
| CN114201987B (zh) | 一种基于自适应识别网络的有源干扰识别方法 | |
| CN109753874A (zh) | 一种基于机器学习的低慢小雷达目标分类方法 | |
| Lin et al. | Spectrum prediction based on GAN and deep transfer learning: A cross-band data augmentation framework | |
| CN112434743A (zh) | 基于gil金属微粒局部放电时域波形图像的故障识别方法 | |
| CN116047427A (zh) | 一种小样本雷达有源干扰识别方法 | |
| Ghavidel et al. | Sonar data classification by using few-shot learning and concept extraction | |
| Huang et al. | Radar waveform recognition based on multiple autocorrelation images | |
| CN115114949A (zh) | 一种基于水声信号的舰船目标智能识别方法及系统 | |
| Zhong et al. | Recognition and prediction of ground vibration signal based on machine learning algorithm | |
| Li et al. | Desert seismic random noise reduction framework based on improved PSO–SVM | |
| Ding et al. | Mine microseismic time series data integrated classification based on improved wavelet decomposition and ELM | |
| CN117992760B (zh) | 一种基于认知图谱的电磁环境监测任务规划方法 | |
| CN111797690A (zh) | 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置 | |
| Liao et al. | Intra-pulse modulation recognition of radar signals based on multi-feature random matching fusion network | |
| CN116361685A (zh) | 一种基于集成学习与雷达短语的雷达工作模式识别方法 | |
| CN114580468A (zh) | 一种基于时频瀑布图和卷积神经网络的干扰信号识别方法 | |
| CN114676721A (zh) | 基于径向基神经网络的雷达有源压制干扰识别方法及系统 | |
| CN110489797B (zh) | 一种适用于外辐射源雷达的电磁环境辨识方法 | |
| CN112529035A (zh) | 识别不同电台个体种类的智能识别方法 |
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 |