JPH04294444A - 信号識別装置 - Google Patents
信号識別装置Info
- Publication number
- JPH04294444A JPH04294444A JP3058953A JP5895391A JPH04294444A JP H04294444 A JPH04294444 A JP H04294444A JP 3058953 A JP3058953 A JP 3058953A JP 5895391 A JP5895391 A JP 5895391A JP H04294444 A JPH04294444 A JP H04294444A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- reliability
- identified
- result
- cluster
- 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
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 description 10
- 238000002592 echocardiography Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 7
- 238000000034 method Methods 0.000 description 5
- 239000010426 asphalt Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 101000582320 Homo sapiens Neurogenic differentiation factor 6 Proteins 0.000 description 1
- 102100030589 Neurogenic differentiation factor 6 Human genes 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【０００１】
【産業上の利用分野】この発明はニューラルネットワー
クによるレーダ受信信号識別装置に関するものである。
クによるレーダ受信信号識別装置に関するものである。
【０００２】
【従来の技術】レーダの受信信号から観測対象の種類を
識別することは重要な課題である。受信信号からなんら
かの特徴量を算出し、その値に応じて観測対象をいくつ
かのクラスタ、例えば地表面や海面や航空機などに分離
することができる。従来、ニューラルネットワークを用
いた信号識別装置を用いて識別結果を評価する際には、
学習させたクラスタを代表するベクトルのうち、ニュー
ラルネットワークの出力ベクトルに最も近いものを識別
結果として判定するものが一般的であった。この種の装
置の判定方法として、例えば図１２に示すようなものが
あった。この図は Ｇ．Ｖｒｃｋｏｖｎｉｋ，Ｃ．Ｒ
．Ｃａｒｔｅｒ， Ｓ．Ｈａｙｋｉｎ『Ｒａｄｉａｌ
Ｂａｓｉｓ Ｆｕｎｃｔｉｏｎ Ｃｌａｓｓｉ
ｆｉｃａｔｉｏｎ ｏｆ Ｉｍｐｕｌｓｅ Ｒａ
ｄａｒ Ｗａｖｅｆｏｒｍｓ』Ｉｎｔｅｒｎａｔｉｏ
ｎａｌ Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏ
ｎ ＮｅｕｒａｌＮｅｔｗｏｒｋｓ １９９０，Ｖ
ＯＬＵＭＥ１，ｐｐ４５−５０から類推されるものであ
り、橋で反射してきたレーダの受信信号から橋の構造を
３つの種類に識別している例である。図１２の識別結果
評価手段４のフローチャートを図１３に示す。ステップ
３９はニューラルネットワークの出力層の３つの素子の
出力値を比較して、最大値を出力した素子の番号ｉを求
める。ステップ４０はｉが１であるかを調べて、１であ
ればステップ４２により橋の構造を２ＡＭＣＲ（コンク
リートと防水層と２層のアスファルトからなる構造）で
あると識別する。ステップ４１はｉが２であるかを調べ
て、２であればステップ４３により橋の構造を３ＡＣＲ
（コンクリートと３層のアスファルトからなる構造）で
あると識別する。またｉがどちらでもない場合にはステ
ップ４４により橋の構造を２ＡＣＲ（コンクリートと２
層のアスファルトからなる構造）であると識別する。こ
の例ではニューラルネットワークによる全ての識別結果
を、必ず３つの構造のいずれかであると判定している。
識別することは重要な課題である。受信信号からなんら
かの特徴量を算出し、その値に応じて観測対象をいくつ
かのクラスタ、例えば地表面や海面や航空機などに分離
することができる。従来、ニューラルネットワークを用
いた信号識別装置を用いて識別結果を評価する際には、
学習させたクラスタを代表するベクトルのうち、ニュー
ラルネットワークの出力ベクトルに最も近いものを識別
結果として判定するものが一般的であった。この種の装
置の判定方法として、例えば図１２に示すようなものが
あった。この図は Ｇ．Ｖｒｃｋｏｖｎｉｋ，Ｃ．Ｒ
．Ｃａｒｔｅｒ， Ｓ．Ｈａｙｋｉｎ『Ｒａｄｉａｌ
Ｂａｓｉｓ Ｆｕｎｃｔｉｏｎ Ｃｌａｓｓｉ
ｆｉｃａｔｉｏｎ ｏｆ Ｉｍｐｕｌｓｅ Ｒａ
ｄａｒ Ｗａｖｅｆｏｒｍｓ』Ｉｎｔｅｒｎａｔｉｏ
ｎａｌ Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏ
ｎ ＮｅｕｒａｌＮｅｔｗｏｒｋｓ １９９０，Ｖ
ＯＬＵＭＥ１，ｐｐ４５−５０から類推されるものであ
り、橋で反射してきたレーダの受信信号から橋の構造を
３つの種類に識別している例である。図１２の識別結果
評価手段４のフローチャートを図１３に示す。ステップ
３９はニューラルネットワークの出力層の３つの素子の
出力値を比較して、最大値を出力した素子の番号ｉを求
める。ステップ４０はｉが１であるかを調べて、１であ
ればステップ４２により橋の構造を２ＡＭＣＲ（コンク
リートと防水層と２層のアスファルトからなる構造）で
あると識別する。ステップ４１はｉが２であるかを調べ
て、２であればステップ４３により橋の構造を３ＡＣＲ
（コンクリートと３層のアスファルトからなる構造）で
あると識別する。またｉがどちらでもない場合にはステ
ップ４４により橋の構造を２ＡＣＲ（コンクリートと２
層のアスファルトからなる構造）であると識別する。こ
の例ではニューラルネットワークによる全ての識別結果
を、必ず３つの構造のいずれかであると判定している。
【０００３】
【発明が解決しようとする課題】従来の信号識別装置に
おける識別結果の評価方式は以上のように構成されてい
るので、入力データがニューラルネットワークに学習さ
せたどのクラスタとも異なる場合や、ニューラルネット
ワークの学習が十分でない場合にも、識別結果をいづれ
かのクラスタとして強制的に判定してしまうため、誤識
別率が増加して識別率が低下するという問題点があった
。
おける識別結果の評価方式は以上のように構成されてい
るので、入力データがニューラルネットワークに学習さ
せたどのクラスタとも異なる場合や、ニューラルネット
ワークの学習が十分でない場合にも、識別結果をいづれ
かのクラスタとして強制的に判定してしまうため、誤識
別率が増加して識別率が低下するという問題点があった
。
【０００４】この発明は上記のような問題点を解決する
ためになされたもので、入力データがニューラルネット
ワークに学習させたどのクラスタとも異なる場合や、ニ
ューラルネットワーク学習が不十分な場合でも、誤識別
率を低下させることのできる信号識別装置を得ることを
目的とする。
ためになされたもので、入力データがニューラルネット
ワークに学習させたどのクラスタとも異なる場合や、ニ
ューラルネットワーク学習が不十分な場合でも、誤識別
率を低下させることのできる信号識別装置を得ることを
目的とする。
【０００５】
【課題を解決するための手段】この発明に係る信号識別
装置は、あらかじめ既知の信号を学習させて未知の信号
を識別するニューラルネットワークと、その識別結果の
信頼度を評価する信頼度評価手段と、その信頼度が一定
値以下であれば識別結果を棄却する識別結果棄却手段を
備えたものである。
装置は、あらかじめ既知の信号を学習させて未知の信号
を識別するニューラルネットワークと、その識別結果の
信頼度を評価する信頼度評価手段と、その信頼度が一定
値以下であれば識別結果を棄却する識別結果棄却手段を
備えたものである。
【０００６】
【作用】この発明においては、ニューラルネットワーク
の識別結果の信頼度が一定値以下であれば識別結果を棄
却するので、誤識別率を低下させることができる。
の識別結果の信頼度が一定値以下であれば識別結果を棄
却するので、誤識別率を低下させることができる。
【０００７】
【実施例】実施例１．図１〜図９はこの発明の一実施例
を示す説明図である。図１は構成図である。１は識別を
行なうニューラルネットワーク、２はその識別結果の信
頼度を評価する信頼度評価手段、３はその信頼度に基い
て識別結果を棄却する識別結果棄却手段、４は識別結果
評価手段、５は最終的な識別結果を表示する識別結果表
示手段である。図２は図１のニューラルネットワークを
示す構成図であり、６は入力層の素子群、７は隠れ層の
素子群、８は出力層の素子群をそれぞれ示す。図３と図
４は図１の信頼度評価手段を示すグラフであり、図３の
関数はニューラルネットワークの出力層の素子出力の絶
対値を評価し、図４の関数は素子出力の相対値を評価す
る。図５はニューラルネットワークに識別させるレーダ
のクラッタエコー（不要信号）のスペクトル分布を示し
、図６はニューラルネットワークに学習させるクラスタ
を示す。ここに９〜１７は学習させた信号が属するクラ
スタである。図７は従来の識別評価手段のみによる識別
結果の評価結果、図８は本発明による識別結果の評価結
果である。図９は動作手順を示すフローチャートである
。
を示す説明図である。図１は構成図である。１は識別を
行なうニューラルネットワーク、２はその識別結果の信
頼度を評価する信頼度評価手段、３はその信頼度に基い
て識別結果を棄却する識別結果棄却手段、４は識別結果
評価手段、５は最終的な識別結果を表示する識別結果表
示手段である。図２は図１のニューラルネットワークを
示す構成図であり、６は入力層の素子群、７は隠れ層の
素子群、８は出力層の素子群をそれぞれ示す。図３と図
４は図１の信頼度評価手段を示すグラフであり、図３の
関数はニューラルネットワークの出力層の素子出力の絶
対値を評価し、図４の関数は素子出力の相対値を評価す
る。図５はニューラルネットワークに識別させるレーダ
のクラッタエコー（不要信号）のスペクトル分布を示し
、図６はニューラルネットワークに学習させるクラスタ
を示す。ここに９〜１７は学習させた信号が属するクラ
スタである。図７は従来の識別評価手段のみによる識別
結果の評価結果、図８は本発明による識別結果の評価結
果である。図９は動作手順を示すフローチャートである
。
【０００８】次に動作について説明する。ここでは、レ
ーダの受信信号に含まれるクラッタエコーを、ニューラ
ルネットワークにより識別させる例を用いて説明する。 クラッタエコーを除去するには、通常、帯域除去フィル
タにより、クラッタエコーの周波数成分を受信信号から
除去する。しかし、例えば雲のように移動している物体
では、レーダプラットフォームに対して相対速度をもつ
ために、ドプラー効果を生じてそのスペクトル分布がゼ
ロからずれる。また、雲中の気流の乱れによりそのスペ
クトル分布に広がりを生じている。このためこのような
クラッタエコーを、帯域除去フィルタにより除去するた
めには、あらかじめクラッタエコーのスペクトルの分布
中心周波数と分布帯域幅とを知っておく必要がある。そ
こで、ここでは、図５に示すようなスペクトル分布を持
つクラッタエコーの分布中心周波数と、分布帯域幅とを
ニューラルネットワークを用いて識別し、その識別結果
を評価する手順を図９に従い説明する。
ーダの受信信号に含まれるクラッタエコーを、ニューラ
ルネットワークにより識別させる例を用いて説明する。 クラッタエコーを除去するには、通常、帯域除去フィル
タにより、クラッタエコーの周波数成分を受信信号から
除去する。しかし、例えば雲のように移動している物体
では、レーダプラットフォームに対して相対速度をもつ
ために、ドプラー効果を生じてそのスペクトル分布がゼ
ロからずれる。また、雲中の気流の乱れによりそのスペ
クトル分布に広がりを生じている。このためこのような
クラッタエコーを、帯域除去フィルタにより除去するた
めには、あらかじめクラッタエコーのスペクトルの分布
中心周波数と分布帯域幅とを知っておく必要がある。そ
こで、ここでは、図５に示すようなスペクトル分布を持
つクラッタエコーの分布中心周波数と、分布帯域幅とを
ニューラルネットワークを用いて識別し、その識別結果
を評価する手順を図９に従い説明する。
【０００９】ステップ３１）まず最初に、分布中心周波
数と帯域幅とが既知の信号を用いてニューラルネットワ
ーク１を学習させる。ここでは図６に示す９つのクラス
タに属する疑似クラッタエコーを用いて、図２に示した
階層構造のニューラルネットワークを学習させている。 なお、ニューラルネットワークの出力層の各素子は、識
別させる各クラスタと１対１で対応している。たとえば
クラスタＡの学習では出力層の９つの素子８のそれぞれ
に（ １．０ ０．０ ０．０ ０．０ ０．０ ０．
０ ０．０ ０．０ ０．０ ）の値が出力されるよ
うに学習させるものとする。このように各クラスタ毎に
ニューラルネットワークに学習させる出力値を、まとめ
てベクトル状に表記したものをクラスタコードベクトル
、またその要素数をクラスタコードベクトルの次数と呼
ぶことにする。クラスタコードベクトルの次数は、識別
すべきクラスタ数と一致させておく必要がある。
数と帯域幅とが既知の信号を用いてニューラルネットワ
ーク１を学習させる。ここでは図６に示す９つのクラス
タに属する疑似クラッタエコーを用いて、図２に示した
階層構造のニューラルネットワークを学習させている。 なお、ニューラルネットワークの出力層の各素子は、識
別させる各クラスタと１対１で対応している。たとえば
クラスタＡの学習では出力層の９つの素子８のそれぞれ
に（ １．０ ０．０ ０．０ ０．０ ０．０ ０．
０ ０．０ ０．０ ０．０ ）の値が出力されるよ
うに学習させるものとする。このように各クラスタ毎に
ニューラルネットワークに学習させる出力値を、まとめ
てベクトル状に表記したものをクラスタコードベクトル
、またその要素数をクラスタコードベクトルの次数と呼
ぶことにする。クラスタコードベクトルの次数は、識別
すべきクラスタ数と一致させておく必要がある。
【００１０】ステップ３２）学習が終了したニューラル
ネットワークの入力層の素子群６に、未知の中心周波数
と帯域幅をもつクラッタエコーのスペクトルパターンを
入力して、出力層の素子群８にその識別結果を出力する
。
ネットワークの入力層の素子群６に、未知の中心周波数
と帯域幅をもつクラッタエコーのスペクトルパターンを
入力して、出力層の素子群８にその識別結果を出力する
。
【００１１】ステップ３３）上記識別結果を信頼度評価
手段２に入力して、識別結果の信頼度を出力する。信頼
度評価手段は図３と図４の各々の評価関数による評価値
の積を出力する。図３の評価関数は出力層の素子群８の
出力の中で最大のものが、学習させた値１．０に近い値
を出力しているかどうか調べるもので０から１の値を出
力する。図４の評価関数は出力層の素子群８の出力の中
で最大のものが、その平均値に比べてどの程度大きいか
調べるもので０から１の値を出力する。図３と図４の評
価関数はどちらの値も１に近いほど出力の信頼度が高い
ことを表しており、両者がバランス良く高い評価値を示
すことが望ましい。このため両者の積をとって総合評価
値としている。
手段２に入力して、識別結果の信頼度を出力する。信頼
度評価手段は図３と図４の各々の評価関数による評価値
の積を出力する。図３の評価関数は出力層の素子群８の
出力の中で最大のものが、学習させた値１．０に近い値
を出力しているかどうか調べるもので０から１の値を出
力する。図４の評価関数は出力層の素子群８の出力の中
で最大のものが、その平均値に比べてどの程度大きいか
調べるもので０から１の値を出力する。図３と図４の評
価関数はどちらの値も１に近いほど出力の信頼度が高い
ことを表しており、両者がバランス良く高い評価値を示
すことが望ましい。このため両者の積をとって総合評価
値としている。
【００１２】ステップ３４・３５）上記信頼度を識別結
果棄却手段３に入力して、ニューラルネットワーク１の
識別結果の棄却を行う。信頼度があるしきい値を越えた
場合には、識別結果を識別結果評価手段４に送り、信頼
度があるしきい値に達しない場合には、識別結果を棄却
する信号を識別結果表示手段５に送る。
果棄却手段３に入力して、ニューラルネットワーク１の
識別結果の棄却を行う。信頼度があるしきい値を越えた
場合には、識別結果を識別結果評価手段４に送り、信頼
度があるしきい値に達しない場合には、識別結果を棄却
する信号を識別結果表示手段５に送る。
【００１３】ステップ３６）識別結果評価手段４は、出
力層の素子群８のうち最大の素子出力を示す素子番号に
対応するクラスタ名を識別結果表示手段５に送る。
力層の素子群８のうち最大の素子出力を示す素子番号に
対応するクラスタ名を識別結果表示手段５に送る。
【００１４】ステップ３７）識別結果表示手段５は、識
別結果の棄却の有無、および識別したクラスタ名を表示
する。
別結果の棄却の有無、および識別したクラスタ名を表示
する。
【００１５】図８は、図６のＡ〜Ｉのクラスタを含む多
数の未知信号の識別結果を、本発明の手法により評価し
た例である。図７は従来の識別手段のみによる識別結果
の例である。図８の結果では、図７の結果に比べて識別
率は低下しているが、誤識別率が低減している。従って
、本発明により、未知のクラスタに属する信号を識別さ
せた場合などに誤識別率を低減することができる。
数の未知信号の識別結果を、本発明の手法により評価し
た例である。図７は従来の識別手段のみによる識別結果
の例である。図８の結果では、図７の結果に比べて識別
率は低下しているが、誤識別率が低減している。従って
、本発明により、未知のクラスタに属する信号を識別さ
せた場合などに誤識別率を低減することができる。
【００１６】実施例２．また図１０は信頼度評価手段２
の他の実施例を示すもので、１８はある入力信号に対し
てニューラルネットワーク１の出力層の素子群８から得
られる出力ベクトル、１９はニューラルネットワーク１
を学習させる際に用いた全てのクラスタコードベクトル
、２０はこれら２つのベクトルの距離を演算するベクト
ル距離演算装置、２１は全てのクラスタコードベクトル
について演算したベクトル距離のうち、最小値を選択し
、信頼度に換算する信頼度換算手段である。
の他の実施例を示すもので、１８はある入力信号に対し
てニューラルネットワーク１の出力層の素子群８から得
られる出力ベクトル、１９はニューラルネットワーク１
を学習させる際に用いた全てのクラスタコードベクトル
、２０はこれら２つのベクトルの距離を演算するベクト
ル距離演算装置、２１は全てのクラスタコードベクトル
について演算したベクトル距離のうち、最小値を選択し
、信頼度に換算する信頼度換算手段である。
【００１７】クラスタコードベクトル１９は実施例１で
説明したように、各クラスタ毎にニューラルネットワー
クに学習させる出力値を、まとめてベクトル状に表記し
たものであるが、実施例２ではその次数を識別すべきク
ラスタ数と一致させておく必要はない。たとえばクラス
タＡの学習では出力層の３つの素子のそれぞれに（ １
．０ １．０ １．０）の値が出力されるように学
習させるものとする。
説明したように、各クラスタ毎にニューラルネットワー
クに学習させる出力値を、まとめてベクトル状に表記し
たものであるが、実施例２ではその次数を識別すべきク
ラスタ数と一致させておく必要はない。たとえばクラス
タＡの学習では出力層の３つの素子のそれぞれに（ １
．０ １．０ １．０）の値が出力されるように学
習させるものとする。
【００１８】ベクトル距離演算装置２０は、例えば２つ
のベクトルのハミング距離Ｄを式１により計算する。た
だしここに、Ｏｉはニューラルネットワークの第ｉ出力
素子の出力、Ｃｋｉは第ｋクラスタを表わすクラスタコ
ードベクトルの第ｉ要素の値、Ｎはこれらのベクトルの
ベクトル長である。クラスタコードベクトルの次数が３
の場合の距離Ｄの例を図１１に示す。
のベクトルのハミング距離Ｄを式１により計算する。た
だしここに、Ｏｉはニューラルネットワークの第ｉ出力
素子の出力、Ｃｋｉは第ｋクラスタを表わすクラスタコ
ードベクトルの第ｉ要素の値、Ｎはこれらのベクトルの
ベクトル長である。クラスタコードベクトルの次数が３
の場合の距離Ｄの例を図１１に示す。
【００１９】
【数１】
【００２０】また信頼度換算手段２１は、全てのクラス
タコードベクトルのうち、ニューラルネットワークの出
力ベクトルに最も距離の近いものを選び出し、その距離
を式２により信頼度αに換算して出力する。
タコードベクトルのうち、ニューラルネットワークの出
力ベクトルに最も距離の近いものを選び出し、その距離
を式２により信頼度αに換算して出力する。
【００２１】
【数２】
【００２２】このように構成すれば、クラスタを表現す
るクラスタコードベクトルの次数を識別するクラスタ数
と一致させない場合でも、ニューラルネットワークによ
る識別結果の信頼度を評価することができて、クラスタ
コードベクトルを自由に設定できるという効果がある。
るクラスタコードベクトルの次数を識別するクラスタ数
と一致させない場合でも、ニューラルネットワークによ
る識別結果の信頼度を評価することができて、クラスタ
コードベクトルを自由に設定できるという効果がある。
【００２３】
【発明の効果】以上のようにこの発明によれば、信頼度
評価手段によりニューラルネットワークの出力の信頼度
を評価して、識別結果棄却手段により、その信頼度が一
定値以上であれば、従来の評価方式によりいづれかのク
ラスタへ識別を行ない、信頼度が一定値以下であれば、
識別結果を棄却する機能をもたせたので、入力データが
ニューラルネットワークに学習させたどのクラスタとも
異なる場合や、ニューラルネットワークの学習が不十分
な場合にも、誤識別率を低減させることができるという
効果がある。
評価手段によりニューラルネットワークの出力の信頼度
を評価して、識別結果棄却手段により、その信頼度が一
定値以上であれば、従来の評価方式によりいづれかのク
ラスタへ識別を行ない、信頼度が一定値以下であれば、
識別結果を棄却する機能をもたせたので、入力データが
ニューラルネットワークに学習させたどのクラスタとも
異なる場合や、ニューラルネットワークの学習が不十分
な場合にも、誤識別率を低減させることができるという
効果がある。
【図１】この発明の一実施例を示す構成図である。
【図２】ニューラルネットワークを示す構成図である。
【図３】信頼度評価手段を実現する評価関数の一例であ
る。
る。
【図４】信頼度評価手段を実現する評価関数の一例であ
る。
る。
【図５】ニューラルネットワークに識別させるレーダの
クラッタエコーのスペクトル分布の一例である。
クラッタエコーのスペクトル分布の一例である。
【図６】ニューラルネットワークに学習させるクラッタ
エコーのスペクトル分布のクラスタである。
エコーのスペクトル分布のクラスタである。
【図７】従来の識別評価手段のみによる識別結果の評価
結果である。
結果である。
【図８】本発明による識別結果の評価結果である。
【図９】本発明の動作手順を示すフローチャートである
。
。
【図１０】本発明の信頼度評価手段の他の実施例を示す
構成図である。
構成図である。
【図１１】クラスタコードベクトルのハミング距離を示
す説明図である。
す説明図である。
【図１２】従来の信号識別装置を示す構成図である。
【図１３】従来の識別結果評価手段の判定方法を示すフ
ローチャートである。
ローチャートである。
１ ニューラルネットワーク
２ 信頼度評価手段
３ 識別結果棄却手段
Claims (1)
- 【請求項１】 入力した信号に対して識別すべき最適
なクラスタを表現するクラスタベクトルを出力するニュ
ーラルネットワーク、上記ニューラルネットワークの出
力ベクトルから識別結果の信頼度を評価する信頼度評価
手段、上記信頼度に基いて識別結果を棄却する識別結果
棄却手段を備えたことを特徴とする信号識別装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3058953A JPH04294444A (ja) | 1991-03-22 | 1991-03-22 | 信号識別装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3058953A JPH04294444A (ja) | 1991-03-22 | 1991-03-22 | 信号識別装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH04294444A true JPH04294444A (ja) | 1992-10-19 |
Family
ID=13099202
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3058953A Pending JPH04294444A (ja) | 1991-03-22 | 1991-03-22 | 信号識別装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH04294444A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19639884A1 (de) * | 1995-09-27 | 1997-04-03 | Hitachi Ltd | Mustererkennungssystem |
| JP2020180875A (ja) * | 2019-04-25 | 2020-11-05 | 三菱電機株式会社 | クラッタ学習装置及びクラッタ識別装置 |
| JP2021135941A (ja) * | 2020-02-28 | 2021-09-13 | Ａｉスクリーニング株式会社 | 癌罹患リスク判定評価システム及び癌罹患リスク判定評価方法 |
-
1991
- 1991-03-22 JP JP3058953A patent/JPH04294444A/ja active Pending
Non-Patent Citations (1)
| Title |
|---|
| INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS=1989 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19639884A1 (de) * | 1995-09-27 | 1997-04-03 | Hitachi Ltd | Mustererkennungssystem |
| US5911002A (en) * | 1995-09-27 | 1999-06-08 | Hitachi, Ltd. | Pattern recognition system |
| DE19639884C2 (de) * | 1995-09-27 | 2000-09-21 | Hitachi Ltd | Mustererkennungssystem |
| JP2020180875A (ja) * | 2019-04-25 | 2020-11-05 | 三菱電機株式会社 | クラッタ学習装置及びクラッタ識別装置 |
| JP2021135941A (ja) * | 2020-02-28 | 2021-09-13 | Ａｉスクリーニング株式会社 | 癌罹患リスク判定評価システム及び癌罹患リスク判定評価方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107607925B (zh) | 一种雷达应用的目标rcs实时评估方法 | |
| CN111123257B (zh) | 基于图时空网络的雷达动目标多帧联合检测方法 | |
| AU2015271047B2 (en) | Data fusion analysis for maritime automatic target recognition | |
| Ozturk et al. | RF-based low-SNR classification of UAVs using convolutional neural networks | |
| CN111123212B (zh) | 一种基于复杂杂波背景下的场面监视雷达的信号处理方法 | |
| US11915602B2 (en) | Drone detection, classification, tracking, and threat evaluation system employing field and remote identification (ID) information | |
| CN112560803A (zh) | 基于时频分析与机器学习的雷达信号调制识别方法 | |
| US20230039196A1 (en) | Small unmanned aerial systems detection and classification using multi-modal deep neural networks | |
| CN111323756B (zh) | 一种基于深度学习的航海雷达目标检测方法及装置 | |
| CN113640768B (zh) | 一种基于小波变换的低分辨雷达目标识别方法 | |
| Nuhoglu et al. | Image segmentation for radar signal deinterleaving using deep learning | |
| CN111323757B (zh) | 一种航海雷达目标检测方法及装置 | |
| CN111796250A (zh) | 一种基于风险评估的虚假点迹多维层次化抑制方法 | |
| KR20220141748A (ko) | 레이더 신호로부터 표적 정보를 추출하는 방법 및 컴퓨터 판독가능 저장 매체 | |
| JPH10239428A (ja) | 物体の自動分類方法および自動分類装置 | |
| JPH04294444A (ja) | 信号識別装置 | |
| CN110658506B (zh) | 一种基于角度聚类和多普勒分析的微多普勒杂波滤除方法 | |
| JP2004505282A (ja) | 追跡システムにおける自己警報の検知及び除去 | |
| KR102038381B1 (ko) | 도플러 정보를 이용한 보행자 및 차량 인식 장치 및 그 방법 | |
| JP2021015079A (ja) | レーダ監視装置及び方法 | |
| KR102227393B1 (ko) | 도플러 정보 기반의 보행자 및 차량 인식 장치 및 그 방법 | |
| CN116010798A (zh) | 一种基于YOLOv5的复杂典型通信信号快速识别分类方法 | |
| CN112034432B (zh) | 一种雷达目标聚类方法以及相关装置 | |
| CN112183534A (zh) | 基于视频合成孔径雷达的动目标智能联合检测方法 | |
| CN112764022A (zh) | 公共安全管理方法及公共安全管理系统 |