CN107480689B - 一种基于相似性专家知识的未知辐射源体制自动识别方法 - Google Patents
一种基于相似性专家知识的未知辐射源体制自动识别方法 Download PDFInfo
- Publication number
- CN107480689B CN107480689B CN201710507034.3A CN201710507034A CN107480689B CN 107480689 B CN107480689 B CN 107480689B CN 201710507034 A CN201710507034 A CN 201710507034A CN 107480689 B CN107480689 B CN 107480689B
- Authority
- CN
- China
- Prior art keywords
- radiation source
- result
- classification result
- parameter
- unknown
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Measurement Of Radiation (AREA)
Abstract
本发明公开了一种基于相似性专家知识的未知辐射源体制自动识别方法,基于属性重合度和参数相似度两大要素对未知辐射源进行了两次分类,再对两次分类结果进行融合,得到体制融合判决结果:基于特定专家知识的融合体制判决改进过程,如针对辐射源大时宽带宽积特性专家知识的脉压或扩频体制融合判决过程,等等;提升了对未知辐射源的体制识别能力,以及对批量未知辐射源的体制识别效率。
Description
技术领域
本发明属于辐射源识别技术领域,涉及一种基于相似性专家知识的未知辐射源体制自动识别方法。
背景技术
随着电子技术的发展,特别是雷达、通信等技术的广泛应用,使得辐射源工作体制变得复杂多样,电磁环境变得愈加复杂。电子侦察***侦获的辐射源参数也愈加多样化,仅依靠人工判读或简单比较查询方式去识别辐射源所属类型或型号存在耗时耗力、识别速度慢、识别准确率较低、未知辐射源体制难以识别等缺陷,因而对辐射源的自动识别提出了越来越高的要求,一方面要求针对已知或未知辐射源的自动分类识别能力逐渐加强,另一方面对知识库里不掌握参数的未知辐射源的体制识别需求日益迫切,对未知辐射源的体制自动识别是进一步了解掌握未知辐射源的重要途径。
目前基于模式识别的辐射源识别方法研究较多,总体可分为比较查询、神经网络、模糊集多属性理论三类,这几类方法基于构建的雷达知识库可应用于对已知辐射源进行识别及未知辐射源的判别,但对于未知辐射源的体制自动识别在参数变化较多的复杂情况下往往无法直接应用。
发明内容
有鉴于此,本发明提出一种相似性专家知识的未知辐射源体制自动识别方法,可应用于对批量未知辐射源进行体制自动识别,以提高对未知辐射源的掌握能力,以提升对未知辐射源的体制识别能力和体制识别效率。
一种未知辐射源体制的识别方法,具体包括如下步骤:
步骤1、根据输入的单组未知辐射源至少三个参数的变化特征与辐射源知识库模板矩阵中的每个类型或型号的对应参数的变化特征分别进行比较,估算相对于各类型或型号的重合度系数序列Cj,其中,j=1,2,...,M,M为辐射源知识库模板矩阵中的辐射源类型或型号总数目;
将各个重合度系数与设定的重合度门限CT进行比较:
将大于门限CT的所有辐射源知识库模板矩阵中的类型或型号对应体制作为体制粗分类结果,同时记录辐射源知识库模板矩阵中对应的辐射源类型或型号代号作为参考类型或型号结果;
若所有重合度系数均小于门限CT,则将重合度系数最大值Cmax对应的辐射源知识库模板矩阵中辐射源类型或型号代号作为参考类型或型号结果,将其所属体制作为体制粗分类结果;
步骤2、根据输入的单组未知辐射源的至少三个参数变化特征及变化范围,与辐射源知识库模板矩阵中的每个类型或型号的对应参数变化特征及变化范围,估算未知辐射源相对于各类型或型号辐射源的相似性度量值序列Sj,并求取其中的相似性度量值最大值Smax,及确定最大值Smax对应于辐射源知识库模板矩阵中的类型或型号所属的体制,将该体制作为体制识别二次分类结果,同时记录对应于辐射源知识库模板矩阵中的类型或型号代号作为参考类型或型号结果;
步骤3、根据步骤1的体制粗分类结果及步骤2的二次分类结果,采用体制融合判决得出体制融合判决结果,具体为:
(1)当Cj>CT时,若二次分类结果与粗分类结果一致或二次分类结果只是粗分类结果的一个子集,体制融合判决结果采用二次分类结果;若二次分类结果与粗分类结果不一致或起冲突,体制融合判决结果仍以二次分类结果为准;
(2)当Cj≤CT时,若二次分类结果与粗分类结果一致或二次分类结果是粗分类结果的一个子集,体制融合判决结果采用二次分类结果;若二次分类结果与粗分类结果不一致或起冲突,体制识别结果仍以二次分类结果为准;
步骤4、采用专家知识,对未知辐射源的体制进行判断,得到专家知识判决结果,具体为:
S41、根据大时宽带宽积特性的脉压或扩频体制的基本特征,对未知辐射源参数进行判断:a、若单组侦测辐射源频率Fc参数变化特征为分集类型,则将信号带宽B估计为B≈|fmax-fmin|,fmin~fmax表示参数变化范围;b、若Fc参数变化特征不为分集类型,但信号带宽参数Br已知,则信号带宽B=Br;
S42、根据所给的辐射源侦测信号脉宽范围,取其最小值τmin作为信号时宽T估计值,即T≈τmin,若认为其是内部无调制的常规脉冲信号,则常规脉冲信号带宽B0估计为B0≈1/T,在信号脉宽参数缺省条件下,若调制方式已知,且为编码形式,则信号时宽T由码宽Tc及码周期数Nc的乘积确定,即T≈NcTc,此时常规信号带宽B0仍估计为B0≈1/T;
S43、在B和B0均获取条件下,最终专家知识的判决结果如下:若B>B0,则认为是脉压或扩频体制辐射源;否则,则认为是常规非脉压或扩频体制辐射源;
S44、在认为是脉压或扩频体制辐射源情况下:
若信号脉宽参数已知则认为是脉压体制辐射源;若调制方式为编码形式则认为是扩频体制辐射源;
步骤5、将步骤3的体制融合判决结果和步骤4的专家知识判决结果进行融合,得到最终体制判决结果,具体为:
若步骤3的体制融合判决结果和步骤4的专家知识判决结果不一致时,将两个结果一并作为最终的体制识别结果;当两者结果一致或步骤四的专家知识判决结果无输出时,最终的体制识别结果为采用步骤3的体制融合判决结果。
较佳的,所述步骤1中,具体的,步骤1中,重合度系数的计算方法如下:
设集合X表示未知辐射源的参数变化特征;集合Vj表示辐射源知识模板矩阵中第j个类型或型号辐射源所属体制对应的参数变化特征,则重合度系数计算公式如下:
其中,length(·)表示集合(·)中元素的个数,X∩Vj表示两个集合的交集,N表示参数变化特征的数目。
较佳的,所述设定门限CT=0.6。
较佳的,所述步骤2中,相似性度量值Sj,公式如下:
式中n为参与计算相似性度量值的辐射源参数个数;是反映辐射源知识模板矩阵中第j类辐射源各参数重要程度的权系数,且 是体现辐射源知识模板矩阵中第j类辐射源参数变化范围相似度的关联系数,定义为其中为未知辐射源的对应参数变化范围,为辐射源知识库模板矩阵中待比对类型或型号体制的对应参数变化范围。
较佳的,还包括步骤6,计算体制识别相似度参数SS,具体公式如下:
SS=WcCi0+WsSi0 (3)
公式(3)中,i0为未知辐射源步骤5中最终判决结果所认为的未知辐射源的参考类型或型号代号,Ci0为参考代号为i0的辐射源对应的重合度系数,Si0为参考代号为i0的辐射源对应的相似性度量值,Wc为重合度系数权值,Ws为相似性度量值权值,且具有关系式Wc+Ws=1。
较佳的,在辐射源参数包含3个的情形下,Wc=0.3,Ws=0.7。
本发明具有如下有益效果:
本方法针对知识库里不掌握参数的未知辐射源基于相似性专家知识进行体制自动识别,构建了一种未知辐射源体制自动识别方法,提升了对未知辐射源的体制识别能力,以及对批量未知辐射源的体制识别效率。
基于相似性专家知识的未知辐射源体制自动识别方法中,相似性专家知识包含属性重合度和参数相似度两大要素:属性重合度考虑了多参数属性变化特征的一致性度量,通过重合度系数估算;参数相似度考虑了多参数变化范围或取值的相似性度量,基于各参数识别置信度通过估算相似性度量值实现。
基于相似性专家知识的体制自动识别方法包含结合相似性专家知识两大要素的体制融合判决准则:属性重合度检测可视为对体制识别的粗分类结果,参数相似度检测可视为体制识别的二次分类结果,体制融合判决准则给出粗分类结果及二次分类结果一致或冲突条件下的体制自动识别判决过程。
基于相似性专家知识的体制自动识别方法还包含基于特定专家知识的融合体制判决改进过程,如针对辐射源大时宽带宽积特性专家知识的脉压或扩频体制融合判决过程,等等。
基于相似性专家知识的体制自动识别方法可输出自动识别的体制类型(可能多种)、相对于辐射源知识库的参考类型或型号,相对于该参考类型或型号的体制识别相似度等参量,体制识别相似度参量由专家知识两大要素基于特定赋权准则综合形成。
附图说明
图1为基于相似性专家知识的未知辐射源体制自动识别方法流程图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明的一种基于相似性专家知识的未知辐射源体制自动识别方法,如图1所示,具体包括如下步骤:
步骤1、根据输入的单组未知辐射源的至少三个参数变化特征(每个参数有一个变化特征参与比较,当未知辐射源与知识中某个类型或型号辐射源为同类型时,参数对应的变化特征相同,当类型不同时,参数对应的变化特征不同;其中,某些变化特征可未知),与辐射源知识库模板矩阵(其中包含每个类型或型号名称代号,以数字形式表示的各参数变化特征、变化个数及变化范围,以及对应改型辐射源的体制类型示数)中的每个类型或型号的参数变化特征分别比较,估算相对于各类型或型号的重合度系数序列Cj(j=1,2,…,M,M为知识库中的辐射源类型或型号总数目),并一一与重合度门限CT进行比较:
将大于门限CT的所有知识库的类型或型号对应体制示数作为体制粗分类结果,同时记录知识库中对应的辐射源类型或型号代号作为参考类型或型号结果;
若所有重合度系数均小于门限CT,则将重合度系数最大值Cmax对应的知识库中辐射源类型或型号代号作为参考类型或型号结果,将其体制示数作为体制粗分类结果;
具体的,步骤1中,重合度系数是与参与比较的辐射源参数变化特征个数N(N≥3)相关的归一化参数,参与比较的辐射源参数变化特征个数N由输入的辐射源知识库模板矩阵参数变化特征个数确定。设集合X={x1,x2,...,xN}表示输入的辐射源频率(Fc)、脉冲重复周期(PRI)、脉宽(PW)、信号带宽(Br)、调制方式(MF)等辐射源参数变化特征(至少包含三个,可缺省),集合表示辐射源知识库中第j个类型或型号辐射源所属体制对应的Fc、PRI、PW、Br、MF等参数变化特征(至少包含三个,可缺省),则重合度系数计算公式如下:
其中,length(·)表示集合(·)中元素的个数,A=X∩Vj表示两个集合的交集,即表示输入辐射源参数的变化特征与辐射源知识库中第j个类型或型号辐射源对应参数的变化特征重合的个数,在实现时各参数变化特征可用数字形式表示。
按式(1)计算重合度系数Cj,Cj值越大,表示隶属于该类辐射源体制的程度越高,预先设置一个门限CT=0.6,该门限值可根据试验进行调整。
步骤2、根据输入的单组未知辐射源的至少三个参数的变化特征及变化范围,与辐射源知识库模板矩阵中的每个类型或型号的对应参数的变化特征及变化范围,估算相对于各类型或型号的相似性度量值序列Sj(j=1,2,…,M),并求取其中的相似性度量值最大值Smax,及对应于辐射源知识库中的类型或型号体制示数,将该体制示数作为体制识别二次分类结果,同时记录对应于知识库中的类型或型号代号作为参考类型或型号结果;
具体的,在步骤2中,将根据知识库中第j(j=1,2,…,M)类辐射源Fc、PRI、PW、Br、MF等参数(至少包含三个,允许部分参数缺省)的变化特征及变化范围来计算相似性度量值Sj,公式如下:
式中n为参与计算相似性度量值的辐射源参数个数,将根据输入的辐射源参数及构建的辐射源知识库中的参数共同来确定,至少包含其中三个参数,是反映知识库中第j类辐射源各参数重要程度的权系数,可综合考虑参数变化特征来确定,具有关系式 是体现知识库中第j类辐射源参数变化范围相似度的关联系数,定义为其中为输入的对应参数变化范围,为辐射源知识库中待比对类型或型号体制的对应参数变化范围。
按式(2)计算相似性度量值Sj,Sj值越大,表示与第j类辐射源对应体制的参数相似程度越高。拥有最大Sj的辐射源类型或型号所属的体制作为体制识别二次分类结果。
步骤3、根据步骤1的体制粗分类结果及步骤2的二次分类结果,采用体制融合判决得出体制融合判决结果,具体为:
(1)当Cj>CT时,若二次分类结果与粗分类结果一致或二次分类结果只是粗分类结果的一个子集,体制融合判决结果采用二次分类结果;若二次分类结果与粗分类结果不一致或起冲突,体制融合判决结果仍以二次分类结果为准;
(2)当Cj≤CT时,若二次分类结果与粗分类结果一致或二次分类结果是粗分类结果的一个子集,体制融合判决结果采用二次分类结果;若二次分类结果与粗分类结果不一致或起冲突,体制识别结果仍以二次分类结果为准。
得到的判决结果中含识别体制类型示数、知识库中识别体制参考类型或型号代号。
步骤4、采用专家知识,对未知辐射源的体制进行判断,得到专家知识判决结果,融合专家知识的体制改进子过程主要体现在融合大时宽带宽积特性的脉压或扩频体制改进过程,具体为:
S41,根据大时宽带宽积特性的脉压或扩频体制的基本特征,对未知辐射源参数进行判断:a、若单组侦测辐射源频率Fc参数变化特征为分集类型,则将信号带宽B估计为B≈|fmax-fmin|,fmin~fmax表示参数变化范围;b、若Fc参数变化特征不为分集类型,但信号带宽参数Br已知,则信号带宽B=Br;
S42、根据所给的辐射源侦测信号脉宽范围,取其最小值τmin作为信号时宽T估计值,即T≈τmin,若认为其是内部无调制的常规脉冲信号,则常规脉冲信号带宽B0可估计为B0≈1/T,在信号脉宽参数缺省条件下,若调制方式已知,且为编码形式,则信号时宽T可由码宽Tc及码周期数Nc的乘积确定,即T≈NcTc,此时常规信号带宽B0仍可估计为B0≈1/T;
S43、在B和B0均可获取条件下,最终融合专家知识的改进判决规则如下:若B>B0,则认为是脉压或扩频体制辐射源;;否则,则认为是常规非脉压或扩频体制辐射源。
S44、在认为是脉压或扩频体制辐射源情况下:
若信号脉宽参数已知可认为是脉压体制辐射源;若调制方式为编码形式可认为是扩频体制辐射源。
步骤5、将步骤3的体制融合判决结果和步骤4的专家知识判决结果进行融合,得到最终体制判决结果,具体为:
若步骤3的体制融合判决结果和步骤4的专家知识判决结果不一致时,将两个结果一并作为最终的体制识别结果,即此时存在体制识别结果的多值性;当两者结果一致或融合专家知识的体制改进结果无输出时,最终的体制识别结果为采用步骤3的体制融合判决结果。
其中准则(1)、(2)可视为体制融合判决基本准则,准则(3)可视为最终的融合判决改进准则。
步骤6、上述步骤表明,最终体制识别结果肯定包含基于重合度系数及相似性度量值的融合判决识别结果,因此,体制识别相似度参数SS的估算以这两者为基础,采用加权融合思想估算,具体加权融合公式如下:
SS=WcCi0+WsSi0 (3)
公式(3)中,i0为未知辐射源被上述体制识别过程中所认为的参考类型或型号代号,Ci0为参考代号为i0的辐射源对应的重合度系数,Si0为参考代号为i0的辐射源对应的相似性度量值,Wc为重合度系数权值,Ws为相似性度量值权值,且具有关系式Wc+Ws=1。在辐射源参数至少包含3个情形下,一种可行的设置为Wc=0.3,Ws=0.7。实际执行时也可根据辐射源参数的个数对权值Wc、Ws做适当调整。
步骤7,对于待识别的批量未知辐射源参数,按批内序号顺次读取每组未知辐射源参数,执行步骤1-步骤6,记录当组未知辐射源体制识别结果(包含识别体制类型示数、参考类型或型号代号、体制识别相似度),直至所有批内序号下参数数据读取完毕,最终形成未知辐射源体制识别结果记录列表。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种未知辐射源体制的识别方法,其特征在于,具体包括如下步骤:
步骤1、根据输入的单组未知辐射源参数的至少三个变化特征与辐射源知识库模板矩阵中的每个类型或型号的参数变化特征分别比较,估算相对于各类型或型号的重合度系数序列Cj,其中,j=1,2,…,M,M为辐射源知识库模板矩阵中的辐射源类型或型号总数目;
将各个重合度系数与设定的重合度门限CT进行比较:
将大于门限CT的所有知识库的类型或型号对应体制示数作为体制粗分类结果,同时记录知识库中对应的辐射源类型或型号代号作为第一参考类型或第一型号结果;
若所有重合度系数均小于门限CT,则将重合度系数最大值Cmax对应的知识库中辐射源类型或型号代号作为第一参考类型或第一型号结果,将其体制示数作为体制粗分类结果;
步骤2、根据输入的单组未知辐射源的至少三个参数及参数变化范围,与辐射源知识库模板矩阵中的每个类型或型号的参数及变化范围,估算未知辐射源相对于各类型或型号的辐射源的相似性度量值序列Sj,并求取其中的相似性度量值最大值Smax,及确定最大值Smax对应于辐射源知识库中的类型或型号体制示数,将该体制示数作为体制识别二次分类结果,同时记录对应于知识库中的类型或型号代号作为第二参考类型或第二型号结果;
步骤3、根据步骤1的体制粗分类结果及步骤2的二次分类结果,采用体制融合判决得出体制融合判决结果,具体为:
(1)当Cj>CT时,若二次分类结果与粗分类结果一致或二次分类结果只是粗分类结果的一个子集,体制融合判决结果采用二次分类结果;若二次分类结果与粗分类结果不一致或起冲突,体制融合判决结果仍以二次分类结果为准;
(2)当Cj≤CT时,若二次分类结果与粗分类结果一致或二次分类结果是粗分类结果的一个子集,体制融合判决结果采用二次分类结果;若二次分类结果与粗分类结果不一致或起冲突,体制识别结果仍以二次分类结果为准;
步骤4、采用专家知识,对未知辐射源的体制进行判断,得到专家知识判决结果,融合专家知识的体制改进子过程主要体现在融合大时宽带宽积特性的脉压或扩频体制改进过程,具体为:
S41,根据大时宽带宽积特性的脉压或扩频体制的基本特征,对未知辐射源参数进行判断:a、若单组侦测辐射源频率Fc参数变化特征为分集类型,则将信号带宽B估计为B≈|fmax-fmin|,fmin~fmax表示参数变化范围;b、若Fc参数变化特征不为分集类型,但信号带宽参数Br已知,则信号带宽B=Br;
S42、根据所给的辐射源侦测信号脉宽范围,取其最小值τmin作为信号时宽T估计值,即T≈τmin,若认为其是内部无调制的常规脉冲信号,则常规脉冲信号带宽B0可估计为B0≈1/T,在信号脉宽参数缺省条件下,若调制方式已知,且为编码形式,则信号时宽T可由码宽Tc及码周期数Nc的乘积确定,即T≈NcTc,此时常规信号带宽B0仍可估计为B0≈1/T;
S43、在B和B0均可获取条件下,最终融合专家知识的改进判决规则如下:若B>B0,则认为是脉压或扩频体制辐射源;
S44、在认为是脉压或扩频体制辐射源情况下:
若信号脉宽参数已知可认为是脉压体制辐射源;若调制方式为编码形式可认为是扩频体制辐射源;否则,则认为是常规非脉压或扩频体制辐射源;
步骤5、将步骤3的体制融合判决结果和步骤4的专家知识判决结果进行融合,得到最终体制判决结果,具体为:
若步骤3的体制融合判决结果和步骤4的专家知识判决结果不一致时,将两个结果一并作为最终的体制识别结果;当两者结果一致或融合专家知识的体制改进结果无输出时,最终的体制识别结果为采用步骤3的体制融合判决结果。
2.如权利要求1所述的一种未知辐射源体制的识别方法,其特征在于,所述步骤1中,参数的至少三个变化特征为一个参数的三个变化特征,或者是两个以上参数对应的共三个以上变化特征。
4.如权利要求1所述的一种未知辐射源体制的识别方法,其特征在于,所述设定门限CT=0.6。
6.如权利要求1所述的一种未知辐射源体制的识别方法,其特征在于,还包括步骤6,计算体制识别相似度参数SS,具体公式如下:
SS=WcCi0+WsSi0 (3)
公式(3)中,i0为未知辐射源步骤5中最终判决结果所认为的未知辐射源的参考类型或型号代号,Ci0为参考代号为i0的辐射源对应的重合度系数,Si0为参考代号为i0的辐射源对应的相似性度量值,Wc为重合度系数权值,Ws为相似性度量值权值,且具有关系式Wc+Ws=1。
7.如权利要求6所述的一种未知辐射源体制的识别方法,其特征在于,在辐射源参数至少包含3个情形下,Wc=0.3,Ws=0.7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710507034.3A CN107480689B (zh) | 2017-06-28 | 2017-06-28 | 一种基于相似性专家知识的未知辐射源体制自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710507034.3A CN107480689B (zh) | 2017-06-28 | 2017-06-28 | 一种基于相似性专家知识的未知辐射源体制自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107480689A CN107480689A (zh) | 2017-12-15 |
CN107480689B true CN107480689B (zh) | 2020-07-14 |
Family
ID=60594875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710507034.3A Active CN107480689B (zh) | 2017-06-28 | 2017-06-28 | 一种基于相似性专家知识的未知辐射源体制自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107480689B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108984482B (zh) * | 2018-07-12 | 2022-06-24 | 中国船舶重工集团公司第七二四研究所 | 一种相控阵雷达辐射源目标大数据实时关联方法 |
CN109343005A (zh) * | 2018-09-19 | 2019-02-15 | 李波 | 自主智能决策的辐射源自动识别*** |
CN109726734B (zh) * | 2018-11-23 | 2023-05-23 | 山东航天电子技术研究所 | 一种基于辐射源侦察信息的目标平台自动识别*** |
CN112163636B (zh) * | 2020-10-15 | 2023-09-26 | 电子科技大学 | 基于孪生神经网络的电磁信号辐射源的未知模式识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436588A (zh) * | 2011-11-15 | 2012-05-02 | 哈尔滨工程大学 | 一种辐射源识别方法 |
CN102749615A (zh) * | 2012-07-11 | 2012-10-24 | 天津理工大学 | 一种信号识别的方法 |
CN104408474A (zh) * | 2014-12-08 | 2015-03-11 | 中国铁路总公司 | 辐射源识别方法和装置 |
CN106597365A (zh) * | 2016-11-18 | 2017-04-26 | 中国船舶重工集团公司第七二四研究所 | 一种基于时域聚类的复杂电子信号时差定位方法 |
-
2017
- 2017-06-28 CN CN201710507034.3A patent/CN107480689B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436588A (zh) * | 2011-11-15 | 2012-05-02 | 哈尔滨工程大学 | 一种辐射源识别方法 |
CN102749615A (zh) * | 2012-07-11 | 2012-10-24 | 天津理工大学 | 一种信号识别的方法 |
CN104408474A (zh) * | 2014-12-08 | 2015-03-11 | 中国铁路总公司 | 辐射源识别方法和装置 |
CN106597365A (zh) * | 2016-11-18 | 2017-04-26 | 中国船舶重工集团公司第七二四研究所 | 一种基于时域聚类的复杂电子信号时差定位方法 |
Non-Patent Citations (3)
Title |
---|
a novel and effficient approach for automatic classification of radar emitter signals;Ashraf M.Aziz er.al;《2013 IEEE Aerospace Conference》;20130309;第1-2页 * |
未知雷达信号PRI分选算法研究;明焱;《中国优秀硕士学位论文全文数据库信息科技辑》;20131215(第S2期);第I136-1276页 * |
未知雷达信号PRI的快速分选识别算法研究;王宇;《中国优秀硕士学位论文全文数据库信息科技辑》;20101115(第11期);第I136-393页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107480689A (zh) | 2017-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480689B (zh) | 一种基于相似性专家知识的未知辐射源体制自动识别方法 | |
CN109800648B (zh) | 基于人脸关键点校正的人脸检测识别方法及装置 | |
JP6453968B2 (ja) | 閾値変更装置 | |
CN108399428B (zh) | 一种基于迹比准则的三元组损失函数设计方法 | |
CN107423754B (zh) | 一种基于参数多属性自主智能决策的辐射源自动识别*** | |
CN109934269B (zh) | 一种电磁信号的开集识别方法和装置 | |
CN108627798B (zh) | 基于线性判别分析和梯度提升树的wlan室内定位算法 | |
CN110569982A (zh) | 一种基于元学习的主动采样方法 | |
JP2008262331A (ja) | オブジェクト追跡装置およびオブジェクト追跡方法 | |
CN115617882B (zh) | 基于gan的带有结构约束的时序图数据生成方法及*** | |
CN109299664A (zh) | 一种行人重识别的重排序方法 | |
US6317730B1 (en) | Method for optimizing a set of fuzzy rules using a computer | |
CN108924847B (zh) | 一种基于ann的认知无线电频谱预测方法及设备 | |
Blot et al. | Shade: Information-based regularization for deep learning | |
CN108845546A (zh) | 一种基于bp神经网络自回归模型的动态过程监测方法 | |
CN108596044A (zh) | 基于深度卷积神经网络的行人检测方法 | |
CN113313179B (zh) | 一种基于l2p范数鲁棒最小二乘法的噪声图像分类方法 | |
CN115758159B (zh) | 基于混合对比学习和生成式数据增强的零样本文本立场检测方法 | |
CN107229944B (zh) | 基于认知信息粒子的半监督主动识别方法 | |
Rabcan et al. | Classification by fuzzy decision trees inducted based on Cumulative Mutual Information | |
CN113868597B (zh) | 一种用于年龄估计的回归公平性度量方法 | |
CN112738724A (zh) | 一种区域目标人群的精准识别方法、装置、设备和介质 | |
CN114282585A (zh) | 基于天文光谱数据的离群天体分类方法 | |
CN114037866B (zh) | 一种基于可辨伪特征合成的广义零样本图像分类方法 | |
CN111242235B (zh) | 一种相似特征测试数据集生成方法 |
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 |