CN107729916B - 一种基于isodata的干扰源分类识别算法 - Google Patents
一种基于isodata的干扰源分类识别算法 Download PDFInfo
- Publication number
- CN107729916B CN107729916B CN201710812785.6A CN201710812785A CN107729916B CN 107729916 B CN107729916 B CN 107729916B CN 201710812785 A CN201710812785 A CN 201710812785A CN 107729916 B CN107729916 B CN 107729916B
- Authority
- CN
- China
- Prior art keywords
- cluster
- isodata
- value
- samples
- interference source
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/14—Systems for determining direction or deviation from predetermined direction
- G01S3/46—Systems for determining direction or deviation from predetermined direction using antennas spaced apart and measuring phase or time difference between signals therefrom, i.e. path-difference systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Mobile Radio Communication Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于ISODATA的干扰源分类识别算法及装置,属于电子信息领域,针对空间中未知的干扰源进行分类识别:使用干扰源监测定位设备获得该区域内各信号的PDW,将干扰源监测定位设备输出的每一类特征值进行一维ISODATA解算,从特征值数据库中按待检索队列取出一段时间内原始特征值,采用多维ISODATA对其进行聚类分析,实时向用户输出聚类数目及特征聚类中心值,以此作为最可能的干扰信号的有效特征;对干扰源监测定位设备原始监测结果进行准实时的无监督聚类分析,从而将其监测结果中关键信号的特征参数清晰地呈现给用户,灵活性更强,更为合理。
Description
技术领域
本发明涉及一种基于ISODATA的干扰源分类识别算法,属于电子信息领域。
背景技术
随着信息技术的飞速发展和广泛应用,电磁空间已被纳入国家利益的范畴。复杂电磁环境是信息化时代的重要特征,电子信息***中的雷达探测、通信联络、导航识别等电子设备的辐射功率越来越大,频谱越来越宽,设备数量成倍增加,工作频率严重交叠,导致周围电磁环境日趋复杂,使有限空间的电磁环境变得十分恶劣。有鉴于此,行业市场对局部空间内复杂电磁环境进行电磁监测、获取监测区域内的频谱、信号特征、对监测区域内的干扰源进行识别、分类管理和定位定向的需求十分迫切。
在现有成熟产品中,采用相关干涉仪测向体制的干扰源监测定位设备相对占据主流地位,其优点在于其测向灵敏度、测向准确度、最小测量时间相对于其他方法都具备一定优势,且成本相对可控,成熟应用案例较多。然而,在实际应用中,空间环境中存在各种各样的干扰,干扰形式比较复杂,城市环境下信号的多路径效应也无法避免,故使用该类型设备对干扰源进行监测存在原始观测数据较多、真实信号与多路径反射信号混杂、初始参数选择困难等诸多不便,制约干扰源监测定位相关应用的开展。因此,一种具有自适应能力的干扰源分类识别算法将能极大地提高干扰源监测定位设备的用户体验。
目前针对干扰源专用的分类识别算法鲜见于公开发表的刊物,然而参考雷达领域相关研究,现有雷达领域与本专利相关的研究主要围绕电子对抗场景下未知雷达信号的处理而展开,其处理算法对实时性、硬件化、并行化的要求较高。可将本专利与以下几类技术手段类比:
第一类为雷达信号分选技术。目前,传统雷达信号分选方法多数是基于雷达脉冲到达角(AOA)、脉宽(PW)、载频(RF)等做相关处理进行预分选,然后基于脉冲重复间隔(PRI)去交错处理进行主分选。具有代表性的PRI分选算法包括动态关联法、直方图法、PRI变换法等;
发明内容
本发明的目的在于提供一种基于ISODATA的干扰源分类识别算法,用于克服现有技术的不足。
本发明的原理是迭代自组织数据分析算法,ISODATA是Iterative Self-Organizing Data Analysis Technique Algorithm的缩写,意为迭代自组织数据分析技术。这个算法与K均值算法相似,也是以均值迭代确定聚类中心,但它加进了人机对话环节,可以调整参数,并且引入了归并与***的机制,即当某两类别中心间距小于某一阈值时,将它们合并为一类,而在某类样本标准差大于某一阈值时,或其样本数目超过某一阈值时,则将它分为两类,在类别数目少于某一阈值时,也实行***。另外,在某类样本数目少于某阈值时,又需要将其消除。
相关干涉仪测向体制的测向原理是:依据电波在行进中,从不同方向来的电波到达测向天线阵时,在空间上各测向天线单元接收的相位不同,因而相互间的相位差也不同,通过测定来波相位和相位差,即可确定来波方向。在相关干涉仪测向方式中,是直接测量测向天线感应电压的相位,而后求解相位差。
本发明的技术方案包括,针对空间中未知的干扰源,通过以下步骤对其进行分类识别:
步骤1:使用干扰源监测定位设备获得各信号的PDW,根据常规信号设定判决门限值(如-80dBm),将功率强度大于判决门限值的信号判决为疑似干扰信号,实时监测干扰信号的原始特征值并存入特征值数据库;
步骤2:将干扰源监测定位设备输出的每一类特征值进行一维ISODATA解算,将其聚类数目大于3的特征值纳入待检索队列;
步骤3:从特征值数据库中按待检索队列取出任意时间段内的原始特征值(如5分钟,用户可自定义),采用多维ISODATA对其进行聚类分析,实时向用户输出聚类数目及特征聚类中心值,以此作为最可能的干扰信号的有效特征。
其中,步骤2、步骤3中ISODATA的算法步骤如下:
第一步:对于N个模式样本的集合,确定C个初始聚类中心Z1,Z2,……ZC,C不一定等于K,这些聚类中心可为模式集合中的任意样本;
第二步:对以下六个参数进行初始化,即K,θN,θS,θC,L,I,
其中K:所要求的聚类中心数;
θN:一个类别至少应具有的样本数目;
θS:一个类别样本标准差阈值;
θC:聚类中心之间距离的阈值,即归并系数;
L:在一次迭代中可以归并的类别的最多对数;
I:允许迭代的最多次数;
第三步:将N个样本按最小距离分类,即若
Dj=min(||x-zi||,i=1,2,…C)→x∈fj;
第四步:若对于某一聚类域fj,其样本数目Nj<θN则取消该子集fj和zj并且C=C-1,即类别数减少1;
第五步:修正各聚类中心值:
其中Nj为fj的样本数;
第六步:对每一聚类域fj,计算其所有样本到其聚类中心的距离的平均值;
第七步:计算所有样本到其相应聚类中心的距离的平均值;
第八步:
①若迭代次数达到I次,置θc=0,转入第十二步,运算结束,
②若C≤K/2,即聚类中心数目等于或不到规定数目的二分之一,则转入第九步,以对现有类别进行***,
③若C≥2K,跳过***,转入第十二步,否则转下,
④若K/2<C<2K,当迭代次数是奇数转第九步***,迭代次数为偶数时,转入第十二步合并;
第九步:计算每一类别中样本与聚类中心距离的标准差向量:
σj=(σ1j,σ2j,…σnj)t;
第十步:对每一标准差向量σj,j=1,2,…C,求其中最大分量σjmax,
第十一步:在最大分量集{σjmax,j=1,2,…C}中若有σjmax>θS并且满足下列条件之一:
***完毕,转入第三步。如果没有可***的类别,则继续;
第十二步:计算每两个聚类中心之间的距离:
第十五步:如果是最后一次迭代计算(即第I次),算法结束:否则,如果需要改变参数则转入第二步,不需要改变参数则转入第三步。
一种基于ISODATA的干扰源分类识别装置,主要包括通过信号线与控制线互相连接的监测测向天线和监测测向主机;
监测测向天线由监测侧向天线阵、开关矩阵、电子罗盘构成,监测测向天线通过天线支架支撑;
监测测向主机由射频模块、中频模块、电源模块构成,
监测测向主机通过供电单元供电;
监测测向主机还通过综合电缆与北斗通信定位设备连接,以及通过网络通信与网络交换机连接;
北斗通信定位设备通过北斗链路与卫星进行通信和上报;
网络交换机还与显控终端连接,并通过网络与卫星进行网络上报和网络通信。
本发明包括以下方法:监测测向天线接收空间中的电磁波信号,开关矩阵完成天线输出信号的切换,电子罗盘提供方向,监测测向接收机接收测向天线的信号,完成对信号的搜索、截获、监视及测向功能;其输出的原始特征值包括干扰中心频点、带宽、功率、制式、方向、持续时间。
本发明具有以下优点,本发明所关注的干扰源监测定位设备的具体应用场景一般对以上特性无迫切需求,尤其在民用领域,用户对算法的简洁性、通用性更加关注,并且成本因素亦为重要考量指标,故本发明提出一种基于ISODATA,即迭代自组织数据分析算法的干扰源分类识别算法,旨在实现对干扰源监测定位设备原始监测结果进行准实时的无监督聚类分析,从而将其监测结果中关键信号的特征参数清晰地呈现给用户,灵活性更强,更为合理。
附图说明
附图1为干扰源监测定位设备原理框图。
附图2为算法流程图。
附图3为原始监测数据图。
附图4为最终实验结果图。
附图5为具体数值图。
具体实施方式
下面结合附图1至2对本发明的优选实施例作进一步说明,干扰源监测定位设备主要包括通过信号线与控制线互相连接的监测测向天线1和监测测向主机2;
监测测向天线1由监测侧向天线阵11、开关矩阵12、电子罗盘13构成,监测测向天线1通过天线支架14支撑;
监测测向主机2由射频模块21、中频模块22、电源模块23构成,
监测测向主机2通过供电单元24供电;
监测测向主机2还通过综合电缆与北斗通信定位设备3连接,以及通过网络通信与网络交换机4连接;
北斗通信定位设备3通过北斗链路与卫星进行通信和上报;
网络交换机4还与显控终端5连接,并通过网络与卫星进行网络上报和网络通信。
干扰源监测定位设备包括以下方法:监测测向天线1接收空间中的电磁波信号,开关矩阵12完成天线输出信号的切换,电子罗盘13提供方向,监测测向主机2接收监测测向天线1的信号,完成对信号的搜索、截获、监视及测向功能;其输出的原始特征值包括干扰中心频点、带宽、功率、制式、方向、持续时间。
针对空间中未知的干扰源,通过以下步骤对其进行分类识别:
步骤1:使用干扰源监测定位设备获得该区域内各信号的PDW,根据常规信号设定判决门限值(如-80dBm),将功率强度大于判决门限值的信号判决为疑似干扰信号,实时监测干扰信号的原始特征值并存入特征值数据库;
步骤2:将干扰源监测定位设备输出的每一类特征值进行一维ISODATA解算,将其聚类数目大于3的特征值纳入待检索队列;
步骤3:从特征值数据库中按待检索队列取出任意时间段内的原始特征值(如5分钟,用户可自定义),采用多维ISODATA对其进行聚类分析,实时向用户输出聚类数目及特征聚类中心值,以此作为最可能的干扰信号的有效特征。
其中,步骤2、步骤3中ISODATA的算法步骤如下:
第一步:对于N个模式样本的集合,确定C个初始聚类中心Z1,Z2,……ZC,C不一定等于K,这些聚类中心可为模式集合中的任意样本;
第二步:对以下六个参数进行初始化,即K,θN,θS,θC,L,I,
其中K:所要求的聚类中心数;
θN:一个类别至少应具有的样本数目;
θS:一个类别样本标准差阈值;
θC:聚类中心之间距离的阈值,即归并系数;
L:在一次迭代中可以归并的类别的最多对数;
I:允许迭代的最多次数;
第三步:将N个样本按最小距离分类,即若
Dj=min(||x-zi||,i=1,2,…C)→x∈fj;
第四步:若对于某一聚类域fj,其样本数目Nj<θN则取消该子集fj和zj并且C=C-1,即类别数减少1;
第五步:修正各聚类中心值:
其中Nj为fj的样本数;
第六步:对每一聚类域fj,计算其所有样本到其聚类中心的距离的平均值;
第七步:计算所有样本到其相应聚类中心的距离的平均值;
第八步:
①若迭代次数达到I次,置θc=0,转入第十二步,运算结束,
②若C≤K/2,即聚类中心数目等于或不到规定数目的二分之一,则转入第九步,以对现有类别进行***,
③若C≥2K,跳过***,转入第十二步,否则转下,
④若K/2<C<2K,当迭代次数是奇数转第九步***,迭代次数为偶数时,转入第十二步合并;
第九步:计算每一类别中样本与聚类中心距离的标准差向量:
σj=(σ1j,σ2j,…σnj)t;
第十步:对每一标准差向量σj,j=1,2,…C,求其中最大分量σjmax,
第十一步:在最大分量集{Cjmax,j=1,2,…C}中若有σjmax>θS并且满足下列条件之一:
***完毕,转入第三步。如果没有可***的类别,则继续;
第十二步:计算每两个聚类中心之间的距离:
第十五步:如果是最后一次迭代计算(即第I次),算法结束;否则,如果需要改变参数则转入第二步,不需要改变参数则转入第三步。
实验采用湖南中森通信有限公司的ZSTX-F21PP型干扰源监测定位设备对1250.1MHz进行监测,针对实际情况,选取干扰功率、干扰方向两组特征值纳入待检索队列,其一分钟内生成的原始监测数据示例如图3所示,实验实际数据采集共持续4分钟,产生132组数据,针对以上原始观测数据,采用在Matlab下编写的ISODATA程序进行计算,其初始参数取值范围如下:
K=2~10(所要求的聚类中心数):
L=2~5在一次迭代中可以归并的类别的最多对数;
I=5~20允许迭代的最多次数。
最终实验结果如图4所示,图中所有特征值被聚合为三组信号(颜色不同),红色星号点分别表示其对应的聚类中心,也就是最终将呈现给用户的干扰信号特征,其具体数值如图5所示。
经过以上处理,呈现给用户的特征值数据从原始的132组杂乱的原始特征值精简抽象为3组结果,且整个过程完全不需人工干预,极大地提高了数据处理效率并优化用户体验。
Claims (2)
1.一种基于ISODATA的干扰源分类识别算法,其特征在于:针对空间中未知的干扰源,
通过以下步骤对其进行分类识别:
步骤1:使用干扰源监测定位设备获得各信号的PDW,根据常规信号设定判决门限值,将功率强度大于判决门限值的信号判决为疑似干扰信号,实时监测干扰信号的原始特征值并存入特征值数据库;
步骤2:将干扰源监测定位设备输出的每一类特征值进行一维ISODATA解算,将其聚类数目大于3的特征值纳入待检索队列;
步骤3:从特征值数据库中按待检索队列取出设定时间段内的原始特征值,采用多维ISODATA对其进行聚类分析,实时向用户输出聚类数目及特征聚类中心值,以此作为最可能的干扰信号的有效特征。
2.根据权利要求1所述的一种基于ISODATA的干扰源分类识别算法,其特征在于,步骤2、步骤3中ISODATA的算法步骤如下:
第一步:对于N个模式样本的集合,确定C个初始聚类中心Z1,Z2,……Zc,C不一定等于K,这些聚类中心可为模式集合中的任意样本;
第二步:对以下六个参数进行初始化,即K,θN,θs,θc,L,I,
其中K:所要求的聚类中心数;
θN:一个类别至少应具有的样本数目;
θs:一个类别样本标准差阈值;
θc:聚类中心之间距离的阈值,即归并系数;
L:在一次迭代中可以归并的类别的最多对数;
I:允许迭代的最多次数;
第三步:将N个样本按最小距离分类,即若
Dj=min(||x-zi||,i=1,2,…C)→x∈fj;
第四步:若对于某一聚类域fj,其样本数目Nj<θN则取消该子集fj和zj并且C=C-1,即类别数减少1;
第五步:修正各聚类中心值:
其中Nj为fj的样本数;
第六步:对每一聚类域fj,计算其所有样本到其聚类中心的距离的平均值;
第七步:计算所有样本到其相应聚类中心的距离的平均值;
第八步:
①若迭代次数达到I次,置θc=0,转入第十二步,运算结束,
②若C≤K/2,即聚类中心数目等于或不到规定数目的二分之一,则转入第九步,以对现有类别进行***,
③若C≥2K,跳过***,转入第十二步,否则转下,
④若K/2<C<2K,当迭代次数是奇数转第九步***,迭代次数为偶数时,转入第十二步合并;
第九步:计算每一类别中样本与聚类中心距离的标准差向量:
σj=(σ1j,σ2j,...σnj)t;
第十步:对每一标准差向量σj,j=1,2,…C,求其中最大分量σjmax,
第十一步:在最大分量集{σjmax,j=1,2,…C}中若有σjmax>θS并且满足下列条件之一:
***完毕,转入第三步:如果没有可***的类别,则继续;
第十二步:计算每两个聚类中心之间的距离:
第十五步:如果是最后一次迭代计算, 即第I次,算法结束;否则,如果需要改变参数则转入第二步,不需要改变参数则转入第三步。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710812785.6A CN107729916B (zh) | 2017-09-11 | 2017-09-11 | 一种基于isodata的干扰源分类识别算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710812785.6A CN107729916B (zh) | 2017-09-11 | 2017-09-11 | 一种基于isodata的干扰源分类识别算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107729916A CN107729916A (zh) | 2018-02-23 |
CN107729916B true CN107729916B (zh) | 2021-11-19 |
Family
ID=61205981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710812785.6A Active CN107729916B (zh) | 2017-09-11 | 2017-09-11 | 一种基于isodata的干扰源分类识别算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107729916B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108964830B (zh) * | 2018-05-18 | 2020-11-24 | 中通服建设有限公司 | 一种无人机干扰定位*** |
CN109557562B (zh) * | 2018-12-03 | 2023-03-31 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于电波传播模型的gnss干扰源定位方法 |
CN109557560A (zh) * | 2018-12-17 | 2019-04-02 | 北斗航天卫星应用科技集团有限公司 | 一种基于isodata聚类算法的北斗导航***故障检测方法及检测*** |
CN109765555B (zh) * | 2018-12-28 | 2023-06-20 | 通鼎互联信息股份有限公司 | 通过构建虚拟sar图像实现wsn节点定位的方法及装置 |
CN110390028B (zh) * | 2019-04-16 | 2021-08-10 | 杭州电子科技大学 | 一种植物光谱库的建立方法 |
CN112543411B (zh) * | 2019-09-20 | 2023-07-11 | 中兴通讯股份有限公司 | 一种无线通信***的干扰定位方法、装置和*** |
CN112231392A (zh) * | 2020-10-29 | 2021-01-15 | 广东机场白云信息科技有限公司 | 民航客源数据分析方法、电子设备、计算机可读存储介质 |
CN115884416A (zh) * | 2021-09-23 | 2023-03-31 | 中兴通讯股份有限公司 | 一种干扰信号的规避方法、装置、基站和存储介质 |
CN116628481A (zh) * | 2023-07-21 | 2023-08-22 | 江西红声技术有限公司 | 电子对抗信源识别方法、***、计算机及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06215196A (ja) * | 1992-11-27 | 1994-08-05 | Ind Technol Res Inst | 文字認識におけるグループデータベース確立の方法 |
CN202587395U (zh) * | 2012-04-16 | 2012-12-05 | 成都光大灵曦科技发展有限公司 | Gsm-r车载式无线干扰测试*** |
CN102945238A (zh) * | 2012-09-05 | 2013-02-27 | 南京航空航天大学 | 一种基于模糊isodata的特征选取方法 |
CN103139816A (zh) * | 2011-12-01 | 2013-06-05 | 鼎桥通信技术有限公司 | 一种干扰源定位方法和装置 |
CN105182282A (zh) * | 2015-10-23 | 2015-12-23 | 成都九华圆通科技发展有限公司 | 一种基于飞行器载升空干涉仪的监测测向*** |
-
2017
- 2017-09-11 CN CN201710812785.6A patent/CN107729916B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06215196A (ja) * | 1992-11-27 | 1994-08-05 | Ind Technol Res Inst | 文字認識におけるグループデータベース確立の方法 |
CN103139816A (zh) * | 2011-12-01 | 2013-06-05 | 鼎桥通信技术有限公司 | 一种干扰源定位方法和装置 |
CN202587395U (zh) * | 2012-04-16 | 2012-12-05 | 成都光大灵曦科技发展有限公司 | Gsm-r车载式无线干扰测试*** |
CN102945238A (zh) * | 2012-09-05 | 2013-02-27 | 南京航空航天大学 | 一种基于模糊isodata的特征选取方法 |
CN105182282A (zh) * | 2015-10-23 | 2015-12-23 | 成都九华圆通科技发展有限公司 | 一种基于飞行器载升空干涉仪的监测测向*** |
Non-Patent Citations (4)
Title |
---|
An enhanced ISODATA algorithm for recognizing multiple electric appliances from the aggregated power consumption dataset;MingchaoLi 等;《Energy and Buildings》;20170401;第140卷;第305-316页 * |
基于ISODATA聚类的复杂体制雷达信号分选;张洪亮 等;《电子信息对抗技术》;20101130;第25卷(第6期);引言 * |
基于抗ISODATA聚类分析的辐射源反侦察研究;王文松 等;《电子信息对抗技术》;20120331;第27卷(第2期);第41-45页 * |
未知雷达辐射源信号分选方法研究;周文辉;《中国优秀硕士学位论文全文数据库信息科技辑》;20170315(第3期);I136-2174 * |
Also Published As
Publication number | Publication date |
---|---|
CN107729916A (zh) | 2018-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107729916B (zh) | 一种基于isodata的干扰源分类识别算法 | |
US20200143279A1 (en) | Radio frequency band segmentation, signal detection and labelling using machine learning | |
CN111585671B (zh) | 电力lte无线专网电磁干扰监测及识别方法 | |
CN108520023A (zh) | 一种基于混合聚类算法的雷暴核识别及追踪方法 | |
CN108924756A (zh) | 基于WiFi双频带的室内定位方法 | |
Ghadimi et al. | Deep learning-based approach for low probability of intercept radar signal detection and classification | |
Zhou et al. | Specific emitter identification via bispectrum‐radon transform and hybrid deep model | |
CN110427878A (zh) | 一种快速射电暴信号识别方法与*** | |
He et al. | Random forests based path loss prediction in mobile communication systems | |
Yang et al. | Model-based learning network for 3-D localization in mmWave communications | |
Doan et al. | MoDANet: Multi-task deep network for joint automatic modulation classification and direction of arrival estimation | |
Wang et al. | Adaptive grid refinement method for doa estimation via sparse bayesian learning | |
CN117574187A (zh) | 一种多辐射源信号分选时延估计方法及*** | |
CN103076595B (zh) | 一种多元离散雷达辐射源信号的异常类型识别方法 | |
Zhang et al. | Joint design of transmit weight sequence and receive filter for improved target information acquisition in high-resolution radar | |
Song et al. | Electromagnetic situation generation algorithm based on information geometry | |
Shu et al. | An interference recognition method based on improved genetic algorithm | |
Chen et al. | Indoor location method of interference source based on deep learning of spectrum fingerprint features in Smart Cyber-Physical systems | |
CN116340533A (zh) | 一种基于知识图谱的星载电磁频谱大数据智能处理*** | |
Man et al. | On the technology of frequency hopping communication network-station selection | |
CN116033345A (zh) | 一种室内异常信号高精度定位方法、***及装置 | |
Wang et al. | Radar emitter classification based on a multiperspective collaborative clustering method and radar characteristic spectrum | |
Wu et al. | A novel power spectrum-based sequential tracker for time-variant radio propagation channel | |
CN112130119A (zh) | 一种分布式多站电子侦察协同信号处理***及方法 | |
US11108457B2 (en) | Spatial energy rank detector and high-speed alarm |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211222 Address after: 610000 c129 and C130, floor 1, Zone C, No. 4, Xixin Avenue, high tech Zone, Chengdu, Sichuan Patentee after: Chengdu Zhongsen Communication Technology Co.,Ltd. Address before: 410006 11th floor, headquarters building, Changsha Zhongdian Software Park, 39 Jianshan Road, Yuelu Avenue, Yuelu District, Changsha City, Hunan Province Patentee before: HUNAN ZHONGSEN COMMUNICATION TECHNOLOGY Co.,Ltd. |