CN109709553A - 一种基于卷积神经网络的射频压制干扰分类方法 - Google Patents
一种基于卷积神经网络的射频压制干扰分类方法 Download PDFInfo
- Publication number
- CN109709553A CN109709553A CN201910103580.XA CN201910103580A CN109709553A CN 109709553 A CN109709553 A CN 109709553A CN 201910103580 A CN201910103580 A CN 201910103580A CN 109709553 A CN109709553 A CN 109709553A
- Authority
- CN
- China
- Prior art keywords
- signal
- interference
- echo
- interference signal
- neural networks
- 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
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于卷积神经网络的射频压制干扰分类方法,包括:初始化SAR***发射信号参数、目标信号参数和干扰信号参数,计算得到目标信号和干扰信号,将干扰信号叠加到目标信号上得到受干扰的回波信号,标记每个回波信号中干扰信号的干扰类型;将回波信号进行离散傅里叶变换得到回波信号的频域形式,并按比例随机地分为训练集和测试集;将训练集放入卷积神经网络VGG16中进行训练,得到测试网络;将测试集放入测试网络中,验证测试网络对测试集的分类效果。本发明能够保证合成孔径雷达正常工作且不改变信号参数、成像范围及分辨率等关键参数的情况下,通过回波信号实现对干扰信号的分类识别。
Description
技术领域
本发明涉及合成孔径雷达信号处理技术领域,具体涉及一种基于卷积神经网络的射频压制干扰分类方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种具有全天时、全天候工作能力的主动式高分辨率微波成像***。相比于其他较短波长的SAR***,低频段(如L、P波段)的SAR***具有较强穿透能力,能够获取被植被覆盖和掩埋在浅层地表的目标信息。因此,这类***在战场侦查、森林监测及资源勘测等应用方面具有巨大优势。然而,SAR***经常被无线通信信号、闭路电视网络信号和其他雷达***发射的无线信号所干扰,这一类干扰一般被称为射频干扰(Radio Frequency Interference,RFI)。射频干扰的存在会使得目标信号被干扰信号湮没或遮挡,造成回波信号的信号-干扰比大幅度降低,进而严重降低SAR***的成像质量,干扰SAR***的正常工作。
目前根据SAR***回波信号进行压制干扰分类的一般流程是:首先将SAR***回波信号变换到频域,然后根据事先设定的阈值判断干扰在频域中所占的带宽,最后利用干扰信号带宽与发射信号带宽的比值对干扰信号进行分类,当该比值不大于1%时干扰被定义为窄带干扰,当该比值大于1%时该干扰被定义为宽带干扰。
上述干扰分类方法存在的问题是必须通过设置合理的阈值来完成干扰的分类,这使得信号处理***只有在具备精确的先验信息的情况下才能取得较好的分类效果;然而在实际中,先验信息的缺乏和不可避免的***误差都会使得这种方法的精度难以达到要求。
发明内容
针对上述问题中存在的不足之处,为提升SAR***在复杂电磁环境中的对抗能力,改善压制干扰抑制算法的效果;本发明提供一种基于卷积神经网络的射频压制干扰分类方法。
本发明公开了一种基于卷积神经网络的射频压制干扰分类方法,包括:
初始化SAR***发射信号参数、目标信号参数和干扰信号参数,计算得到目标信号和干扰信号,将所述干扰信号叠加到所述目标信号上得到受干扰的回波信号,标记每个所述回波信号中干扰信号的干扰类型;
将所述回波信号进行离散傅里叶变换得到回波信号的频域形式,并按比例随机地分为训练集和测试集;
将所述训练集放入卷积神经网络VGG16中进行训练,训练完成后,得到测试网络;将所述测试集放入所述测试网络中,验证所述测试网络对所述测试集的分类效果。
作为本发明的进一步改进,所述初始化SAR***发射信号参数、目标信号参数和干扰信号参数,包括:
向计算机输入SAR***发射信号参数,包括发射信号脉宽T、发射信号调频率K;
向计算机输入目标信号参数,包括采样频率fs、接收窗的时间宽度Tw、均匀散射场景SAR复图像的幅度范围a、均匀散射场景SAR复图像的相位变化范围θ;根据采样频率和接收窗的时间宽度计算得到离散采样时间序列n:
其中1≤z≤fs·Tw且z∈N*
向计算机输入干扰信号参数,包括单频压制干扰信号、窄带压制干扰信号和宽带压制干扰信号的幅度范围U0、U1、U2,单频压制干扰信号、窄带压制干扰信号和宽带压制干扰信号的脉宽范围W0、W1、W2,单频压制干扰信号频率范围f0,窄带压制干扰信号和宽带压制干扰信号的调频率范围R1、R2,单频压制干扰信号、窄带压制干扰信号和宽带压制干扰信号的相位范围
作为本发明的进一步改进,所述计算得到目标信号和干扰信号,包括:
根据SAR***发射信号参数和目标信号参数,计算得到目标信号s(n):
根据干扰信号参数,计算得到干扰信号Irfni(n)、Inbi(n)和Iwbi(n):
作为本发明的进一步改进,所述将所述干扰信号叠加到所述目标信号上得到受干扰的回波信号,标记每个所述回波信号中干扰信号的干扰类型;包括:
根据计算得到的目标信号s(n)和干扰信号Irfni(n)、Inbi(n)及Iwbi(n),分别将这三种干扰信号与目标信号相叠加得到受干扰的回波信号Erfni(n)、Enbi(n)及Ewbi(n):
根据干扰信号类型标记三类回波信号Erfni(n)、Enbi(n)及Ewbi(n),将所有Erfni(n)标记为第一类,将所有Enbi(n)标记为第二类,将所有Ewbi(n)标记为第三类。
作为本发明的进一步改进,所述离散傅里叶变换的公式为:
式中,S(k)为回波信号的频域形式,k为离散频率点,x(n)为输入的回波信号,N为该回波信号的抽样点数。
作为本发明的进一步改进,所述训练集与测试集的分配比例为8:2。
作为本发明的进一步改进,所述将所述训练集放入卷积神经网络VGG16中进行训练,训练完成后,得到测试网络;包括:
初始化卷积神经网络VGG16;
将所述训练集放入完成初始化的卷积神经网络VGG16中进行训练,当分类准确率P的变化率小于0.01%时,说明训练完成,得到测试网络。
与现有技术相比,本发明的有益效果为:
本发明适用于解决SAR射频压制干扰分类的问题;
本发明能够在保证合成孔径雷达正常工作且不改变信号参数、成像范围及分辨率等关键参数的情况下,通过回波信号实现对干扰信号的分类识别;
本发明可对干扰信号类型进行高效、精确的分类识别,其突破性地解决了现有方法的不足,填补了技术空白。
附图说明
图1为本发明一种实施例公开的基于卷积神经网络的射频压制干扰分类方法的流程图;
图2为本发明一种实施例公开的目标信号与干扰信号的示例图;
图3为本发明一种实施例公开的受干扰的回波信号的示例图;
图4为本发明一种实施例公开的回波信号的频域形式的示例图;
图5为本发明实施例1中网络的分类准确率的变化情况图。
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,所描述的实施例是本发明的一部分实施例,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的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。
下面结合附图对本发明做进一步的详细描述:
如图1所示,本发明提供一种基于卷积神经网络的射频压制干扰分类方法,包括:
S1、初始化SAR***发射信号参数、目标信号参数和干扰信号参数,计算得到目标信号和干扰信号,将干扰信号叠加到目标信号上得到受干扰的回波信号,标记每个回波信号中干扰信号的干扰类型;具体包括:
S11、向计算机输入SAR***发射信号参数,包括发射信号脉宽T、发射信号调频率K;
S12、向计算机输入目标信号参数,包括采样频率fs、接收窗的时间宽度Tw;
根据采样频率和接收窗的时间宽度计算得到离散采样时间序列n:
其中1≤z≤fs·Tw且z∈N*
除此之外还需输入的目标信号参数有:均匀散射场景SAR复图像的幅度范围a、均匀散射场景SAR复图像的相位变化范围θ;
S13、向计算机输入干扰信号参数,包括单频压制干扰信号、窄带压制干扰信号和宽带压制干扰信号的幅度范围U0、U1、U2,单频压制干扰信号、窄带压制干扰信号和宽带压制干扰信号的脉宽范围W0、W1、W2,单频压制干扰信号频率范围f0,窄带压制干扰信号和宽带压制干扰信号的调频率范围R1、R2,单频压制干扰信号、窄带压制干扰信号和宽带压制干扰信号的相位范围
S14、根据SAR***发射信号参数和目标信号参数,计算得到目标信号s(n):
根据干扰信号参数,计算得到干扰信号Irfni(n)、Inbi(n)和Iwbi(n):
S15、根据计算得到的目标信号s(n)和干扰信号Irfni(n)、Inbi(n)及Iwbi(n),分别将这三种干扰信号与目标信号相叠加得到受干扰的回波信号Erfni(n)、Enbi(n)及Ewbi(n):
S16、根据干扰信号类型标记三类回波信号Erfni(n)、Enbi(n)及Ewbi(n),将所有Erfni(n)标记为第一类,将所有Enbi(n)标记为第二类,将所有Ewbi(n)标记为第三类。
S2、将回波信号进行离散傅里叶变换得到回波信号的频域形式,并按比例随机地分为训练集和测试集;具体包括:
S21、将上一步骤中得到的回波信号Erfni(n)、Enbi(n)及Ewbi(n)进行离散傅里叶变换,得到其频域形式S(k),离散傅里叶变换的公式为:
式中,k为离散频率点,x(n)为输入的回波信号,即Erfni(n)、Enbi(n)及Ewbi(n);N为该回波信号的抽样点数;
S22、将以上得到的信号频域形式S(k),按照8:2的比例随机地将其分为训练集A和测试集B。
S3、将训练集放入卷积神经网络VGG16中进行训练,训练完成后,得到测试网络;将测试集放入测试网络中,验证测试网络对测试集的分类效果;具体包括:
S31、按照表1完成卷积神经网络VGG16的初始化,表1为卷积神经网络VGG16的网络结构和初始化方式;
表1
层 | 核大小 | 卷积核初始化方式 | 激活函数 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
池化层 | 1×2 | 无 | 无 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
池化层 | 1×2 | 无 | 无 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
池化层 | 1×2 | 无 | 无 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
池化层 | 1×2 | 无 | 无 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
池化层 | 1×2 | 无 | 无 |
全连接层 | 无 | 无 | 线性整流函数 |
全连接层 | 无 | 无 | 线性整流函数 |
全连接层 | 无 | 无 | 归一化指数函数 |
S32、将训练集A放入完成初始化的VGG16网络中进行训练,当分类准确率P的变化率小于0.01%时,说明训练完成,并得到具有压制干扰分类能力的VGG16网络,即得到测试网络;
S33、将测试集B放入训练完成的VGG16网络进行验证,最终得到分类结果和分类准确率。
实施例1
本发明提供一种基于卷积神经网络的射频压制干扰分类方法,包括:
S1、初始化SAR***发射信号参数、目标信号参数和干扰信号参数,计算得到目标信号和干扰信号,将干扰信号叠加到目标信号上得到受干扰的回波信号,标记每个回波信号中干扰信号的干扰类型;具体包括:
S11、向计算机输入SAR***发射信号参数,包括发射信号脉宽T=2.5μs、发射信号调频率K=2×1013Hz/s;
S12、向计算机输入目标信号参数,包括采样频率fs=100MHz、接收窗的时间宽度Tw=10μs;均匀散射场景SAR复图像的幅度范围a是服从[0,50]dB瑞利分布的随机数,均匀散射场景SAR复图像的相位变化范围θ是服从[-2π,2π]均匀分布的随机数;
根据采样频率和接收窗的时间宽度计算得到离散采样时间序列n:
其中1≤z≤fs·Tw且z∈N*
S13、向计算机输入干扰信号参数,单频压制干扰信号、窄带压制干扰信号和宽带压制干扰信号的幅度范围U0、U1、U2均为服从[68,70]dB均匀分布的随机数,窄带压制干扰信号和宽带压制干扰信号的脉宽范围W0、W1、W2均为服从均匀分布的随机数,单频压制干扰信号频率范围f0为服从[0,50]MHz的随机数,窄带压制干扰信号和宽带压制干扰信号的调频率范围R1、R2为服从[4×1010,1.6×1012]Hz/s均匀分布的随机数,单频压制干扰信号、窄带压制干扰信号和宽带压制干扰信号的相位范围为服从[-2π,2π]均匀分布的随机数。
S14、根据SAR***发射信号参数和目标信号参数,计算得到目标信号s(n):
根据干扰信号参数,计算得到干扰信号Irfni(n)、Inbi(n)和Iwbi(n):
根据上述公式,计算得到800组目标信号s(n),干扰信号Irfni(n)、Inbi(n)和Iwbi(n)各800组。在目标信号s(n)与干扰信号Irfni(n)、Inbi(n)和Iwbi(n)中,各取一组作为示例,如图2所示。
S15、根据计算得到的目标信号s(n)和干扰信号Irfni(n)、Inbi(n)及Iwbi(n),分别将这三种干扰信号与目标信号相叠加得到受干扰的回波信号Erfni(n)、Enbi(n)及Ewbi(n):
根据上述公式,计算得到受干扰的回波信号Erfni(n)、Enbi(n)及Ewbi(n)各800组。在受干扰的回波信号Erfni(n)、Enbi(n)及Ewbi(n)中,各取一组作为示例,如图3所示。
S16、根据干扰信号类型标记三类回波信号Erfni(n)、Enbi(n)及Ewbi(n),将所有Erfni(n)标记为第一类,将所有Enbi(n)标记为第二类,将所有Ewbi(n)标记为第三类。
S2、将回波信号进行离散傅里叶变换得到回波信号的频域形式,并按比例随机地分为训练集和测试集;具体包括:
S21、将上一步骤中得到的回波信号Erfni(n)、Enbi(n)及Ewbi(n)进行离散傅里叶变换,得到其频域形式S(k),离散傅里叶变换的公式为:
式中,k为离散频率点,x(n)为输入的回波信号,即Erfni(n)、Enbi(n)及Ewbi(n);N为该回波信号的抽样点数;
即
在回波信号的频域形式Frfni(k)、Fnbi(k)及Fwbi(k)中,各取一组作为示例,如图4所示。
S22、将以上得到的信号频域形式S(k),按照8:2的比例随机地将其分为训练集A和测试集B。
S3、将训练集放入卷积神经网络VGG16中进行训练,训练完成后,得到测试网络;将测试集放入测试网络中,验证测试网络对测试集的分类效果;具体包括:
S31、按照表1完成卷积神经网络VGG16的初始化,表1为卷积神经网络VGG16的网络结构和初始化方式;
表1
层 | 核大小 | 卷积核初始化方式 | 激活函数 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
池化层 | 1×2 | 无 | 无 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
池化层 | 1×2 | 无 | 无 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
池化层 | 1×2 | 无 | 无 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
池化层 | 1×2 | 无 | 无 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
一维卷积层 | 1×3 | Glorot均匀分布 | 线性整流函数 |
池化层 | 1×2 | 无 | 无 |
全连接层 | 无 | 无 | 线性整流函数 |
全连接层 | 无 | 无 | 线性整流函数 |
全连接层 | 无 | 无 | 归一化指数函数 |
S32、将训练集A放入完成初始化的VGG16网络中进行训练,当分类准确率P的变化率小于0.01%时,网络对训练集的分类准确率P1为99.49%;说明训练完成,并得到具有压制干扰分类能力的VGG16网络,即得到测试网络;
S33、将测试集B放入训练完成的VGG16网络进行验证,最终得到分类结果和分类准确率;最终得到分类准确率P2为96.72%。在网络训练过程中分类准确率的变化情况参见图5。说明此时,经过训练的卷积神经网络VGG16能够以高的分类准确率,将干扰信号的干扰类型从回波信号中识别出来。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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)
1.一种基于卷积神经网络的射频压制干扰分类方法,其特征在于,包括:
初始化SAR***发射信号参数、目标信号参数和干扰信号参数,计算得到目标信号和干扰信号,将所述干扰信号叠加到所述目标信号上得到受干扰的回波信号,标记每个所述回波信号中干扰信号的干扰类型;
将所述回波信号进行离散傅里叶变换得到回波信号的频域形式,并按比例随机地分为训练集和测试集;
将所述训练集放入卷积神经网络VGG16中进行训练,训练完成后,得到测试网络;将所述测试集放入所述测试网络中,验证所述测试网络对所述测试集的分类效果。
2.如权利要求1所述的基于卷积神经网络的射频压制干扰分类方法,其特征在于,所述初始化SAR***发射信号参数、目标信号参数和干扰信号参数,包括:
向计算机输入SAR***发射信号参数,包括发射信号脉宽T、发射信号调频率K;
向计算机输入目标信号参数,包括采样频率fs、接收窗的时间宽度Tw、均匀散射场景SAR复图像的幅度范围a、均匀散射场景SAR复图像的相位变化范围θ;根据采样频率和接收窗的时间宽度计算得到离散采样时间序列n:
其中1≤z≤fs·Tw且z∈N*
向计算机输入干扰信号参数,包括单频压制干扰信号、窄带压制干扰信号和宽带压制干扰信号的幅度范围U0、U1、U2,单频压制干扰信号、窄带压制干扰信号和宽带压制干扰信号的脉宽范围W0、W1、W2,单频压制干扰信号频率范围f0,窄带压制干扰信号和宽带压制干扰信号的调频率范围R1、R2,单频压制干扰信号、窄带压制干扰信号和宽带压制干扰信号的相位范围
3.如权利要求2所述的基于卷积神经网络的射频压制干扰分类方法,其特征在于,所述计算得到目标信号和干扰信号,包括:
根据SAR***发射信号参数和目标信号参数,计算得到目标信号s(n):
根据干扰信号参数,计算得到干扰信号Irfni(n)、Inbi(n)和Iwbi(n):
4.如权利要求3所述的基于卷积神经网络的射频压制干扰分类方法,其特征在于,所述将所述干扰信号叠加到所述目标信号上得到受干扰的回波信号,标记每个所述回波信号中干扰信号的干扰类型;包括:
根据计算得到的目标信号s(n)和干扰信号Irfni(n)、Inbi(n)及Iwbi(n),分别将这三种干扰信号与目标信号相叠加得到受干扰的回波信号Erfni(n)、Enbi(n)及Ewbi(n):
根据干扰信号类型标记三类回波信号Erfni(n)、Enbi(n)及Ewbi(n),将所有Erfni(n)标记为第一类,将所有Enbi(n)标记为第二类,将所有Ewbi(n)标记为第三类。
5.如权利要求1所述的基于卷积神经网络的射频压制干扰分类方法,其特征在于,所述离散傅里叶变换的公式为:
式中,S(k)为回波信号的频域形式,k为离散频率点,x(n)为输入的回波信号,N为该回波信号的抽样点数。
6.如权利要求1所述的基于卷积神经网络的射频压制干扰分类方法,其特征在于,所述训练集与测试集的分配比例为8:2。
7.如权利要求1所述的基于卷积神经网络的射频压制干扰分类方法,其特征在于,所述将所述训练集放入卷积神经网络VGG16中进行训练,训练完成后,得到测试网络;包括:
初始化卷积神经网络VGG16;
将所述训练集放入完成初始化的卷积神经网络VGG16中进行训练,当分类准确率P的变化率小于0.01%时,说明训练完成,得到测试网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910103580.XA CN109709553A (zh) | 2019-02-01 | 2019-02-01 | 一种基于卷积神经网络的射频压制干扰分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910103580.XA CN109709553A (zh) | 2019-02-01 | 2019-02-01 | 一种基于卷积神经网络的射频压制干扰分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109709553A true CN109709553A (zh) | 2019-05-03 |
Family
ID=66264099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910103580.XA Pending CN109709553A (zh) | 2019-02-01 | 2019-02-01 | 一种基于卷积神经网络的射频压制干扰分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109709553A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110146855A (zh) * | 2019-06-11 | 2019-08-20 | 北京无线电测量研究所 | 雷达间断干扰抑制门限计算方法及装置 |
CN110426680A (zh) * | 2019-07-20 | 2019-11-08 | 中国船舶重工集团公司第七二四研究所 | 一种基于干扰信号时频及相关系数多维特征联合分类方法 |
CN111983569A (zh) * | 2020-08-17 | 2020-11-24 | 西安电子科技大学 | 基于神经网络的雷达干扰抑制方法 |
CN113126050A (zh) * | 2021-03-05 | 2021-07-16 | 沃尔夫曼消防装备有限公司 | 一种基于神经网络的生命探测方法 |
CN113176543A (zh) * | 2021-03-26 | 2021-07-27 | 上海卫星工程研究所 | 多维度信息联合的射频干扰抑制方法和*** |
CN113298846A (zh) * | 2020-11-18 | 2021-08-24 | 西北工业大学 | 基于时频语义感知的干扰智能检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101631102A (zh) * | 2009-04-10 | 2010-01-20 | 北京理工大学 | 一种跳频***干扰样式识别技术 |
CN107340504A (zh) * | 2017-07-03 | 2017-11-10 | 中国人民解放军海军航空工程学院 | 基于frft域峰值特性的压制干扰存在性检测方法 |
US20180081053A1 (en) * | 2016-09-19 | 2018-03-22 | Nec Laboratories America, Inc. | Video to radar |
CN108197545A (zh) * | 2017-12-25 | 2018-06-22 | 广东海格怡创科技有限公司 | 干扰类型的识别方法和*** |
CN108509911A (zh) * | 2018-04-03 | 2018-09-07 | 电子科技大学 | 基于卷积神经网络的干扰信号识别方法 |
-
2019
- 2019-02-01 CN CN201910103580.XA patent/CN109709553A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101631102A (zh) * | 2009-04-10 | 2010-01-20 | 北京理工大学 | 一种跳频***干扰样式识别技术 |
US20180081053A1 (en) * | 2016-09-19 | 2018-03-22 | Nec Laboratories America, Inc. | Video to radar |
CN107340504A (zh) * | 2017-07-03 | 2017-11-10 | 中国人民解放军海军航空工程学院 | 基于frft域峰值特性的压制干扰存在性检测方法 |
CN108197545A (zh) * | 2017-12-25 | 2018-06-22 | 广东海格怡创科技有限公司 | 干扰类型的识别方法和*** |
CN108509911A (zh) * | 2018-04-03 | 2018-09-07 | 电子科技大学 | 基于卷积神经网络的干扰信号识别方法 |
Non-Patent Citations (8)
Title |
---|
于凤芹: "数字信号处理简明教程", 《西安电子科技大学出版社》 * |
余俊飞等: "BARRAGE JAMMING DETECTION AND CLASSIFICATION BASED ON CONVOLUTIONAL NEURAL NETWORK FOR SYNTHETIC APERTURE RADAR", 《IGARSS 2018 - 2018 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
吴春志等: "基于一维卷积神经网络的齿轮箱故障诊断", 《振动与冲击》 * |
周奇才等: "旋转机械一维深度卷积神经网络故障诊断研究", 《振动与冲击》 * |
李涉川等: "基于卷积神经网络的永磁同步电机转矩观测器", 《集成技术》 * |
陈建廷等: "深度神经网络训练中梯度不稳定现象研究综述", 《软件学报》 * |
高志强等: "《深度学习 从入门到实战》", 30 June 2018 * |
黄孝平: "《当代机器深度学习方法与应用研究》", 30 November 2017 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110146855A (zh) * | 2019-06-11 | 2019-08-20 | 北京无线电测量研究所 | 雷达间断干扰抑制门限计算方法及装置 |
CN110146855B (zh) * | 2019-06-11 | 2020-10-23 | 北京无线电测量研究所 | 雷达间断干扰抑制门限计算方法及装置 |
CN110426680A (zh) * | 2019-07-20 | 2019-11-08 | 中国船舶重工集团公司第七二四研究所 | 一种基于干扰信号时频及相关系数多维特征联合分类方法 |
CN111983569A (zh) * | 2020-08-17 | 2020-11-24 | 西安电子科技大学 | 基于神经网络的雷达干扰抑制方法 |
CN111983569B (zh) * | 2020-08-17 | 2024-01-19 | 西安电子科技大学 | 基于神经网络的雷达干扰抑制方法 |
CN113298846A (zh) * | 2020-11-18 | 2021-08-24 | 西北工业大学 | 基于时频语义感知的干扰智能检测方法 |
CN113298846B (zh) * | 2020-11-18 | 2024-02-09 | 西北工业大学 | 基于时频语义感知的干扰智能检测方法 |
CN113126050A (zh) * | 2021-03-05 | 2021-07-16 | 沃尔夫曼消防装备有限公司 | 一种基于神经网络的生命探测方法 |
CN113126050B (zh) * | 2021-03-05 | 2022-08-19 | 沃尔夫曼消防装备有限公司 | 一种基于神经网络的生命探测方法 |
CN113176543A (zh) * | 2021-03-26 | 2021-07-27 | 上海卫星工程研究所 | 多维度信息联合的射频干扰抑制方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109709553A (zh) | 一种基于卷积神经网络的射频压制干扰分类方法 | |
Martone et al. | Spectrum allocation for noncooperative radar coexistence | |
Khawar et al. | Spectrum sharing between S-band radar and LTE cellular system: A spatial approach | |
CN106918804B (zh) | 雷达干扰识别信号处理*** | |
DE69229876T2 (de) | Schnurloses kommunikationssystem mit vielfachzugriff durch raummultiplexierung | |
Souryal et al. | Effect of federal incumbent activity on cbrs commercial service | |
DE112011104792T5 (de) | Drahtloskommunikationsvorrichtung und Drahtloskommunikationssystem | |
Owen et al. | Experimental demonstration of cognitive spectrum sensing & notching for radar | |
Martone et al. | Joint radar and communication system optimization for spectrum sharing | |
Martone et al. | Genetic algorithm for adaptable radar bandwidth | |
CN113518374B (zh) | Wifi干扰下无人机图传信号的射频识别方法 | |
CN109212494B (zh) | 一种针对组网雷达***的射频隐身干扰波形设计方法 | |
CN106033971B (zh) | 一种rru的空间干扰自动检测方法和设备 | |
Schuette et al. | Performance of RF mapping using opportunistic distributed devices | |
Krigslund et al. | Interference helps to equalize the read range and reduce false positives of passive RFID tags | |
DE102013219083A1 (de) | Verfahren zur Frequenzzuweisung eines drahtlosen Funk-Audioübertragungssystems sowie drahtloses Funk-Audioübertragungssystem | |
Pärlin et al. | Jamming and classification of drones using full-duplex radios and deep learning | |
Jin et al. | Cross-layer interference modeling and performance analysis in FMCW radar multiple access network | |
DE112007003649T5 (de) | Bestimmungsmethode und Kommunikationsmethode von Direktzugriff-Signalen sowie Basisstationsvorrichtungen, die diese Methoden einsetzen | |
CN111835453B (zh) | 一种通信对抗过程建模方法 | |
DE102021124351A1 (de) | Sendestörungsdetektion und -abschwächung für drahtloskommunikationsvorrichtungen | |
CN104155631B (zh) | 基于机载雷达杂波谱宽度的自适应脉冲个数分配方法 | |
Romanik et al. | Radio environment maps for military cognitive networks: analysis of measurement-based maps for uhf band | |
Baldo et al. | An evaluation of cognitive channel allocation strategies for coalition deployments | |
Wei et al. | Research and experiments on anti-UAV technology |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190503 |