CN110146855A - 雷达间断干扰抑制门限计算方法及装置 - Google Patents
雷达间断干扰抑制门限计算方法及装置 Download PDFInfo
- Publication number
- CN110146855A CN110146855A CN201910502578.XA CN201910502578A CN110146855A CN 110146855 A CN110146855 A CN 110146855A CN 201910502578 A CN201910502578 A CN 201910502578A CN 110146855 A CN110146855 A CN 110146855A
- Authority
- CN
- China
- Prior art keywords
- panel
- thresholding
- radar
- intermittent
- calculation method
- 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
Classifications
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Radar, Positioning & Navigation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了雷达间断干扰抑制门限计算方法及装置,涉及雷达信号处理领域。该方法包括:根据获取的雷达间断干扰数据生成特征向量;根据卷积神经网络构建干扰抑制门限计算模型;根据特征向量对干扰抑制门限计算模型进行训练;根据训练后的干扰抑制门限计算模型计算雷达的干扰抑制门限值;其中,干扰抑制门限计算模型包括输入层、n个卷积层、n个降采样层和全连接层,n个卷积层和n个降采样层交替连接,n≥2。本发明具有计算过程简便、效率高、不易受干扰的优点,并且具有较强的学习能力和泛化能力,能够满足现代电子战对于自动化、信息化、智能化的电子侦察***及设备的需要,具有广阔的应用价值和市场前景。
Description
技术领域
本发明涉及雷达信号处理领域,尤其涉及雷达间断干扰抑制门限计算方法及装置。
背景技术
雷达干扰抑制技术一直是雷达信号处理领域最为重要的研究方向之一,雷达***必须在复杂的电磁干扰环境中保持正常运转,才能在实际电子对抗中赢得优势。间断干扰抑制一直是干扰抑制技术领域的研究重点,其中,干扰抑制门限的计算可以抽象为数据的回归预测,即根据有限的观测数据建立起反映输出和输入之间联系的函数关系,基于先验信息和直方图统计设定一个固定的门限值。
然而,随着高速数字电路技术的快速发展,雷达***所面临的电磁干扰环境日益恶劣,干扰信号参数多变、形式多样且变化规律复杂,传统的门限值计算方法存在计算量大、过程繁琐和效率较低等问题,严重影响了当前间断干扰抑制技术的发展,难以满足现代电子战对于自动化、信息化、智能化的电子侦察***及设备的需要。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供了雷达间断干扰抑制门限计算方法、装置及存储介质。
本发明解决上述技术问题的技术方案如下:
一种雷达间断干扰抑制门限计算方法,包括:
根据获取的雷达间断干扰数据生成特征向量;
根据卷积神经网络构建干扰抑制门限计算模型;
根据所述特征向量对所述干扰抑制门限计算模型进行训练;
根据训练后的所述干扰抑制门限计算模型计算雷达的干扰抑制门限值;
其中,所述干扰抑制门限计算模型包括输入层、n个卷积层、n个降采样层和全连接层,n个所述卷积层和n个所述降采样层交替连接,n≥2。
本发明的有益效果是:本发明提供的方法,通过卷积神经网络构建的模型计算干扰抑制门限值,具有计算过程简便、效率高、不易受干扰的优点,并且具有较强的学习能力和泛化能力,能够满足现代电子战对于自动化、信息化、智能化的电子侦察***及设备的需要,具有广阔的应用价值和市场前景。
本发明解决上述技术问题的另一种技术方案如下:
一种存储介质,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如上述技术方案所述的雷达间断干扰抑制门限计算方法。
本发明解决上述技术问题的另一种技术方案如下:
一种雷达间断干扰抑制门限计算装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,实现如上述技术方案所述的雷达间断干扰抑制门限计算方法。
本发明附加的方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明实践了解到。
附图说明
图1为本发明一种雷达间断干扰抑制门限计算方法的实施例提供的流程示意图;
图2为本发明一种雷达间断干扰抑制门限计算方法的实施例提供的卷积神经网络结构示意图;
图3为本发明一种雷达间断干扰抑制门限计算装置的实施例提供的结构框架示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实施例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,为本发明一种雷达间断干扰抑制门限计算方法的实施例提供的流程示意图,该方法包括:
S1,从雷达***获取大量雷达间断干扰数据;
S2,根据获取的雷达间断干扰数据生成特征向量;
优选地,可以取雷达回波信号幅度特征的前b维形成特征向量,b的数值可以根据实际需求设置,例如,可以取前1500维;
优选地,可以将特征向量分成训练集和测试集,其中,训练集用于训练卷积神经网络,测试集用于测试卷积神经网络。
S3,根据卷积神经网络构建干扰抑制门限计算模型;
S4,根据所述特征向量对所述干扰抑制门限计算模型进行训练;
优选地,将特征向量分成训练集和测试集后,可以将训练集按固定数量分块后,再输入到卷积神经网络中。
S5,根据训练后的干扰抑制门限计算模型计算雷达的干扰抑制门限值;
其中,干扰抑制门限计算模型包括输入层、n个卷积层、n个降采样层和全连接层,n个卷积层和n个降采样层交替连接,n≥2。
应理解,雷达间断干扰数据指的是雷达***在电磁干扰环境中,雷达***的信号处理装置得到雷达回波信号,雷达回波信号经信号处理离散采样得到,例如,雷达回波信号可以为5000点,即幅度和相位均为5000点,可以取幅度的前1500点形成特征向量,即数据的维度是1500维。
在一些可能的实施例中,如图2所示,卷积神经网络可以包括2个卷积层和2个降采样层,该卷积神经网络的输入层I1、卷积层C1、降采样层S1、卷积层C2、降采样层S2和全连接层F1依次连接,其中,输入层I1的大小可以为32*32,卷积核可以为5*5,通过卷积核对输入层I1的图像进行卷积运算,卷积核沿图像逐个像素滑动,每移动一个像素卷积运算得到一个值,并将运算结果输入到激活函数中,并分配一个对应权值得到一个输出,该输出就是相邻卷积层C1的一个单元。
根据卷积运算定义,输出的特征图大小为(32-5+1)*(32-5+1)=28*28,可以采用6个卷积核对图像做卷积,因此经过卷积核特征映射之后在卷积层C1输出6个特征图,每一个特征图的大小为28*28。
降采样层S1的大小为14*14,卷积核大小是5*5,其作用是进一步减小卷积层C1得到的特征图的维度,同时降低运算量。
卷积层C2的大小为10*10,卷积核大小为2*2,其作用同卷积层C1。
降采样层S2的大小为5*5,,其作用同降采样层S1。
全连接层F1的作用是对前面得到的全部特征进行运算,得到输出值,即干扰抑制门限值。
可选地,卷积神经网络还可以包括3个卷积层和3个降采样层,该卷积神经网络的输入层I1、卷积层C1、降采样层S1、卷积层C2、降采样层S2、卷积层C3、降采样层S3和全连接层F1依次连接,各层作用同上,具体数值可以根据实际需求设置,不再赘述。
需要说明的是,本申请可以通过雷达***中自带的处理器、计算终端等实现干扰抑制门限值的计算。
本申请的计算方法也可以通过计算机、手机、工业计算机等具有运算功能的终端实现,为了从雷达***获取雷达间断干扰数据,可以通过数据线、光纤、蓝牙、wifi等有线或无线的通讯方式从雷达***获取数据,将数据传输到预存有预先训练完成的卷积神经网络的计算终端中进行计算,以实现干扰抑制门限值的计算。
例如,以有线传输为例,可以通过USB数据线及接口连接计算终端和雷达***,通过预先编写的执行程序从雷达***读取雷达间断干扰数据。
其中,数据的具体传输方法系本领域公知技术,实现方法有很多,在此不再赘述。
本实施例提供的方法,通过卷积神经网络计算干扰抑制门限值,具有计算过程简便、效率高、不易受干扰的优点,并且具有较强的学习能力和泛化能力,能够满足现代电子战对于自动化、信息化、智能化的电子侦察***及设备的需要,具有广阔的应用价值和市场前景。
可选地,在一些实施例中,S4之前,还可以包括:
补全特征向量中缺失的数据,对补全后的特征向量进行归一化处理。
应理解,在实际数据采集和录取的过程中可能会出现某条数据缺失的现象,可以通过补全的方式,提高数据的有效性。
例如,可以将该数据对应的全部特征量的均值代替缺失的数据。
又例如,也可以将该数据对应的两端预设数量的特征量的均值代替缺失的数据。
对特征向量进行归一化处理,去掉数据的量纲,可以避免计算过程中因量纲不同而产生较大的误差,可以加快模型的收敛速度,能够提高计算的效率和准确率。
例如,可以将数据均归一化到[0,1]之间。
可选地,在一些实施例中,补全特征向量中缺失的数据,具体可以包括:
获取缺失的数据所在维度的特征向量的平均值;
用平均值补全缺失的数据。
假设某个数据的特征向量分别是a1、a2、_、a4、a5,其中,数据a3因某些原因丢失,如雷达***偶然故障等,信号受干扰接收失败等,那么对于该数据而言,可以取a1、a2、a4、a5的平均值,将平均值作为a3完成数据的补全。
可选地,在一些实施例中,可以根据以下公式对补全后的特征向量进行归一化处理:
其中,xi为第j个样本的第i个特征向量,xmaxi为第i个特征向量的最大值,xmini为第i个特征向量的最小值,i=1,2,…,h,h为特征向量的数量,j=1,2,…,k,k为样本的数量。
应理解,特征向量有多个样本,以3个样本为例,对于数据a而言,其每个样本可以包含10条特征向量的记录,那么对于某个特征向量而言,其就会有3个对应的记录,分别在3个样本中,其中,最大值就是xmaxi,最小值就是xmini。
可选地,在一些实施例中,S4具体可以包括:
根据特征向量对卷积神经网络的超参数进行训练优化,直到超参数收敛。
训练优化的过程主要是对卷积神经网络进行有监督训练,并将误差逐层反向传播,微调各层超参数,直到收敛。
超参数指的是卷积神经网络的框架参数,也就是进行模型训练时需要预先确定的参数。
可选地,在一些实施例中,超参数可以包括:模型结构、训练过程中的分块大小和循环次数。
其中,模型结构是指隐藏层的个数以及各隐藏层节点的个数,在训练时,需要将训练样本按照固定数量分块输入网络,分块大小是指每块训练样本的数量。
需要说明的是,在能够实现本发明的前提下,本领域技术人员还可以根据实际需求选择和设置其他超参数。
可选地,在一些实施例中,根据训练集对卷积神经网络的超参数进行训练优化,直到超参数收敛,具体可以包括:
设置每种超参数的取值范围;
对每种超参数进行组合,建立多个预测模型;
在取值范围内,计算每个预测模型的预测误差;
将预测误差最小的预测模型作为训练后的干扰抑制门限计算模型,训练后的干扰抑制门限计算模型中的超参数收敛。
需要说明的是,对每种超参数进行组合,指的是对任意两个及以上的超参数进行组合,例如,组合可以为模型结构+分块大小,也可以为分块大小+循环次数,也可以为模型结构+分块大小+循环次数。
通过对不同的超参数进行组合,选择预测误差最小的超参数组合,能够提高预测的精度,得到最优的干扰抑制门限计算模型,一旦确定模型参数,就无需再次训练,有效提升了效率。
可选地,在一些实施例中,计算每个预测模型的预测误差,具体可以包括:
将特征向量输入到第m个预测模型中,分别得到每个特征向量对应的干扰抑制门限的计算值;
分别计算每个特征向量的干扰抑制门限的计算值与实际值的差值,对得到的差值取平均值,得到第m个预测模型的预测误差;
其中,m=1,2,3,…,M,M为预测模型的数量。
可以理解,在一些实施例中,可以包含如上述各实施例中的部分或全部可选实施方式。
在本发明的其他实施例中,还提供一种存储介质,存储介质中存储有指令,当计算机读取指令时,使计算机执行如上述任意实施例所述的雷达间断干扰抑制门限计算方法。
需要说明的是,上述实施例是包含在先方法实施例的产品实施例,对于产品实施例的说明可以参考上述各方法实施例中的对应说明,在此不再赘述。
如图3所示,为本发明一种雷达间断干扰抑制门限计算装置的实施例提供的结构框架示意图,该装置包括:
存储器1,用于存储计算机程序;
处理器2,用于执行计算机程序,实现如上述任意实施例所述的雷达间断干扰抑制门限计算方法。
需要说明的是,上述实施例是包含在先方法实施例的产品实施例,对于产品实施例的说明可以参考上述各方法实施例中的对应说明,在此不再赘述。
读者应理解,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的方法实施例仅仅是示意性的,例如,步骤的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个步骤可以结合或者可以集成到另一个步骤,或一些特征可以忽略,或不执行。
本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种雷达间断干扰抑制门限计算方法,其特征在于,包括:
根据获取的雷达间断干扰数据生成特征向量;
根据卷积神经网络构建干扰抑制门限计算模型;
根据所述特征向量对所述干扰抑制门限计算模型进行训练;
根据训练后的所述干扰抑制门限计算模型计算雷达的干扰抑制门限值;
其中,所述干扰抑制门限计算模型包括输入层、n个卷积层、n个降采样层和全连接层,n个所述卷积层和n个所述降采样层交替连接,n≥2。
2.根据权利要求1所述的雷达间断干扰抑制门限计算方法,其特征在于,根据所述特征向量对所述干扰抑制门限计算模型进行训练之前,还包括:
补全所述特征向量中缺失的数据,对补全后的所述特征向量进行归一化处理。
3.根据权利要求2所述的雷达间断干扰抑制门限计算方法,其特征在于,补全所述特征向量中缺失的数据,具体包括:
获取所述缺失的数据所在维度的特征向量的平均值;
用所述平均值补全所述缺失的数据。
4.根据权利要求2所述的雷达间断干扰抑制门限计算方法,其特征在于,根据以下公式对补全后的所述特征向量进行归一化处理:
其中,xij为第j个样本的第i个特征向量,xmaxi为第i个特征向量的最大值,xmini为第i个特征向量的最小值,i=1,2,…,h,h为特征向量的数量,j=1,2,…,k,k为样本的数量。
5.根据权利要求1至4中任一项所述的雷达间断干扰抑制门限计算方法,其特征在于,根据所述特征向量对所述干扰抑制门限计算模型进行训练,具体包括:
根据所述特征向量对所述卷积神经网络的超参数进行训练优化,直到所述超参数收敛。
6.根据权利要求5所述的雷达间断干扰抑制门限计算方法,其特征在于,所述超参数包括:模型结构、训练过程中的分块大小和循环次数。
7.根据权利要求5所述的雷达间断干扰抑制门限计算方法,其特征在于,根据所述特征向量对所述卷积神经网络的超参数进行训练优化,直到所述超参数收敛,具体包括:
设置每种所述超参数的取值范围;
对每种所述超参数进行组合,建立多个预测模型;
在所述取值范围内,计算每个所述预测模型的预测误差;
将预测误差最小的预测模型作为训练后的干扰抑制门限计算模型,训练后的所述干扰抑制门限计算模型中的超参数收敛。
8.根据权利要求7所述的雷达间断干扰抑制门限计算方法,其特征在于,计算每个所述预测模型的预测误差,具体包括:
将所述特征向量输入到第m个预测模型中,分别得到每个特征向量对应的干扰抑制门限的计算值;
分别计算每个特征向量的干扰抑制门限的计算值与实际值的差值,对得到的差值取平均值,得到第m个预测模型的预测误差;
其中,m=1,2,3,…,M,M为所述预测模型的数量。
9.一种存储介质,其特征在于,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如权利要求1至8中任一项所述的雷达间断干扰抑制门限计算方法。
10.一种雷达间断干扰抑制门限计算装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,实现如权利要求1至8中任一项所述的雷达间断干扰抑制门限计算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910502578.XA CN110146855B (zh) | 2019-06-11 | 2019-06-11 | 雷达间断干扰抑制门限计算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910502578.XA CN110146855B (zh) | 2019-06-11 | 2019-06-11 | 雷达间断干扰抑制门限计算方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110146855A true CN110146855A (zh) | 2019-08-20 |
CN110146855B CN110146855B (zh) | 2020-10-23 |
Family
ID=67591051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910502578.XA Active CN110146855B (zh) | 2019-06-11 | 2019-06-11 | 雷达间断干扰抑制门限计算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110146855B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111007496A (zh) * | 2019-11-28 | 2020-04-14 | 成都微址通信技术有限公司 | 基于神经网络关联雷达的穿墙透视方法 |
CN112214929A (zh) * | 2020-09-27 | 2021-01-12 | 电子科技大学 | 针对间歇采样重复转发式干扰的雷达干扰抑制方法 |
CN112560596A (zh) * | 2020-12-01 | 2021-03-26 | 中国航天科工集团第二研究院 | 一种雷达干扰类别识别方法及*** |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002029445A1 (en) * | 2000-09-29 | 2002-04-11 | Exxonmobil Upstream Research Company | Method for seismic facies interpretation using textural analysis and neural networks |
CN101334469A (zh) * | 2008-08-04 | 2008-12-31 | 北京理工大学 | 基于分数阶傅立叶变换的风廓线雷达杂波抑制方法 |
CN102353970A (zh) * | 2011-06-10 | 2012-02-15 | 北京航空航天大学 | 一种高抗干扰性能gps/sins组合导航***及实现方法 |
CN103076597A (zh) * | 2012-12-28 | 2013-05-01 | 成都天奥信息科技有限公司 | 基于统计数据检测的同频干扰抑制模块及同频干扰抑制方法 |
CN104267379A (zh) * | 2014-09-15 | 2015-01-07 | 电子科技大学 | 一种基于波形设计的主被动雷达协同抗干扰方法 |
CN104463325A (zh) * | 2014-12-04 | 2015-03-25 | 中国科学院电子学研究所 | 一种极地探冰雷达原始数据噪声抑制方法 |
CN105044686A (zh) * | 2015-08-03 | 2015-11-11 | 中国电子科技集团公司第二十八研究所 | 一种雷达密集假目标干扰抑制方法 |
US20160019459A1 (en) * | 2014-07-18 | 2016-01-21 | University Of Southern California | Noise-enhanced convolutional neural networks |
CN106228201A (zh) * | 2016-06-20 | 2016-12-14 | 电子科技大学 | 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法 |
CN106330385A (zh) * | 2016-08-29 | 2017-01-11 | 电子科技大学 | 一种干扰类型识别方法 |
CN106443598A (zh) * | 2016-12-08 | 2017-02-22 | 中国人民解放军海军航空工程学院 | 基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法 |
CN107301381A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学昆山创新研究院 | 基于深度学习和多任务学习策略的雷达辐射源识别方法 |
CN107358162A (zh) * | 2017-06-12 | 2017-11-17 | 西安电子科技大学 | 基于深度堆栈网络的极化sar影像变化检测方法 |
CN107907864A (zh) * | 2017-10-27 | 2018-04-13 | 北京无线电测量研究所 | 一种风廓线雷达降水干扰抑制方法和*** |
CN108830331A (zh) * | 2018-06-22 | 2018-11-16 | 西安交通大学 | 一种基于全卷积网络的探地雷达目标检测方法 |
CN108920993A (zh) * | 2018-03-23 | 2018-11-30 | 武汉雷博合创电子科技有限公司 | 一种基于雷达及多网络融合的行人姿态识别方法及*** |
CN108957406A (zh) * | 2018-05-18 | 2018-12-07 | 电子科技大学 | 一种基于神经网络的雷达主瓣干扰抑制方法 |
CN109034127A (zh) * | 2018-08-31 | 2018-12-18 | 中国电子科技集团公司第三十六研究所 | 一种频谱异常检测方法、装置和电子设备 |
CN109389058A (zh) * | 2018-09-25 | 2019-02-26 | 中国人民解放军海军航空大学 | 海杂波与噪声信号分类方法及*** |
CN109444820A (zh) * | 2018-12-13 | 2019-03-08 | 中国人民解放军空军预警学院 | 杂波和干扰共存时多通道雷达先干扰抑制后目标检测方法 |
CN109471074A (zh) * | 2018-11-09 | 2019-03-15 | 西安电子科技大学 | 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 |
CN109709553A (zh) * | 2019-02-01 | 2019-05-03 | 北京航空航天大学 | 一种基于卷积神经网络的射频压制干扰分类方法 |
-
2019
- 2019-06-11 CN CN201910502578.XA patent/CN110146855B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002029445A1 (en) * | 2000-09-29 | 2002-04-11 | Exxonmobil Upstream Research Company | Method for seismic facies interpretation using textural analysis and neural networks |
CN101334469A (zh) * | 2008-08-04 | 2008-12-31 | 北京理工大学 | 基于分数阶傅立叶变换的风廓线雷达杂波抑制方法 |
CN102353970A (zh) * | 2011-06-10 | 2012-02-15 | 北京航空航天大学 | 一种高抗干扰性能gps/sins组合导航***及实现方法 |
CN103076597A (zh) * | 2012-12-28 | 2013-05-01 | 成都天奥信息科技有限公司 | 基于统计数据检测的同频干扰抑制模块及同频干扰抑制方法 |
US20160019459A1 (en) * | 2014-07-18 | 2016-01-21 | University Of Southern California | Noise-enhanced convolutional neural networks |
CN104267379A (zh) * | 2014-09-15 | 2015-01-07 | 电子科技大学 | 一种基于波形设计的主被动雷达协同抗干扰方法 |
CN104463325A (zh) * | 2014-12-04 | 2015-03-25 | 中国科学院电子学研究所 | 一种极地探冰雷达原始数据噪声抑制方法 |
CN105044686A (zh) * | 2015-08-03 | 2015-11-11 | 中国电子科技集团公司第二十八研究所 | 一种雷达密集假目标干扰抑制方法 |
CN106228201A (zh) * | 2016-06-20 | 2016-12-14 | 电子科技大学 | 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法 |
CN106330385A (zh) * | 2016-08-29 | 2017-01-11 | 电子科技大学 | 一种干扰类型识别方法 |
CN106443598A (zh) * | 2016-12-08 | 2017-02-22 | 中国人民解放军海军航空工程学院 | 基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法 |
CN107301381A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学昆山创新研究院 | 基于深度学习和多任务学习策略的雷达辐射源识别方法 |
CN107358162A (zh) * | 2017-06-12 | 2017-11-17 | 西安电子科技大学 | 基于深度堆栈网络的极化sar影像变化检测方法 |
CN107907864A (zh) * | 2017-10-27 | 2018-04-13 | 北京无线电测量研究所 | 一种风廓线雷达降水干扰抑制方法和*** |
CN108920993A (zh) * | 2018-03-23 | 2018-11-30 | 武汉雷博合创电子科技有限公司 | 一种基于雷达及多网络融合的行人姿态识别方法及*** |
CN108957406A (zh) * | 2018-05-18 | 2018-12-07 | 电子科技大学 | 一种基于神经网络的雷达主瓣干扰抑制方法 |
CN108830331A (zh) * | 2018-06-22 | 2018-11-16 | 西安交通大学 | 一种基于全卷积网络的探地雷达目标检测方法 |
CN109034127A (zh) * | 2018-08-31 | 2018-12-18 | 中国电子科技集团公司第三十六研究所 | 一种频谱异常检测方法、装置和电子设备 |
CN109389058A (zh) * | 2018-09-25 | 2019-02-26 | 中国人民解放军海军航空大学 | 海杂波与噪声信号分类方法及*** |
CN109471074A (zh) * | 2018-11-09 | 2019-03-15 | 西安电子科技大学 | 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 |
CN109444820A (zh) * | 2018-12-13 | 2019-03-08 | 中国人民解放军空军预警学院 | 杂波和干扰共存时多通道雷达先干扰抑制后目标检测方法 |
CN109709553A (zh) * | 2019-02-01 | 2019-05-03 | 北京航空航天大学 | 一种基于卷积神经网络的射频压制干扰分类方法 |
Non-Patent Citations (6)
Title |
---|
MOU-FA GUO 等: "Deep-Learning-Based Earth Fault Detection Using Continuous Wavelet Transform and Convolutional Neural Network in Resonant Grounding Distribution Systems", 《IEEE SENSORS JOURNAL》 * |
YU JUNFEI 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》 * |
ZHONGLING HUANG 等: "Transfer Learning with Deep Convolutional Neural Network for SAR Target Classification with Limited Labeled Data", 《REMOTE SENSING》 * |
张建中 等: "一种基于间歇采样的新型干扰技术及实现", 《现代雷达》 * |
李骥阳 等: "对空时自适应技术的卷积调制干扰研究", 《雷达科学与技术》 * |
王勇 等: "基于小波变换的风廓线雷达间歇杂波抑制方法", 《北京理工大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111007496A (zh) * | 2019-11-28 | 2020-04-14 | 成都微址通信技术有限公司 | 基于神经网络关联雷达的穿墙透视方法 |
CN111007496B (zh) * | 2019-11-28 | 2022-11-04 | 成都微址通信技术有限公司 | 基于神经网络关联雷达的穿墙透视方法 |
CN112214929A (zh) * | 2020-09-27 | 2021-01-12 | 电子科技大学 | 针对间歇采样重复转发式干扰的雷达干扰抑制方法 |
CN112214929B (zh) * | 2020-09-27 | 2022-12-02 | 电子科技大学 | 针对间歇采样重复转发式干扰的雷达干扰抑制方法 |
CN112560596A (zh) * | 2020-12-01 | 2021-03-26 | 中国航天科工集团第二研究院 | 一种雷达干扰类别识别方法及*** |
CN112560596B (zh) * | 2020-12-01 | 2023-09-19 | 中国航天科工集团第二研究院 | 一种雷达干扰类别识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110146855B (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Deep learning based energy efficiency optimization for distributed cooperative spectrum sensing | |
CN110146855A (zh) | 雷达间断干扰抑制门限计算方法及装置 | |
CN101706882B (zh) | 基于嵌入式平台的神经网络模型在线训练方法 | |
CN107529222A (zh) | 一种基于深度学习的WiFi室内定位*** | |
CN112512069A (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
CN112949820A (zh) | 基于生成对抗网络的认知抗干扰目标检测方法 | |
CN109359665A (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
CN108966120A (zh) | 一种用于动态集群网络改进的组合三边定位方法及*** | |
CN113610069A (zh) | 基于知识蒸馏的目标检测模型训练方法 | |
CN112560981A (zh) | 生成对抗模型的训练方法、装置、设备、程序和存储介质 | |
CN103885867A (zh) | 一种模拟电路性能的在线评价方法 | |
CN109343019B (zh) | 一种地质雷达数据解释方法及装置 | |
CN111541255A (zh) | 基于动力学***的低频振荡模态识别方法及*** | |
CN110222098A (zh) | 基于流数据聚类算法的电力大数据流异常检测 | |
CN109117352B (zh) | 服务器性能预测方法和装置 | |
CN111353391A (zh) | 雷达干扰效果评估方法、装置、电子设备及其存储介质 | |
CN113156473B (zh) | 信息融合定位***卫星信号环境的自适应判别方法 | |
CN110069997A (zh) | 场景分类方法、装置及电子设备 | |
CN109065176A (zh) | 一种血糖预测方法、装置、终端和存储介质 | |
CN112949944A (zh) | 一种基于时空特征的地下水位智能预测方法及*** | |
CN115905817B (zh) | 一种多通道非均匀场信号降噪方法、装置和存储介质 | |
CN110133425A (zh) | 一种海底电缆故障信号滤波方法、终端设备及存储介质 | |
CN115183884A (zh) | 电热协同***的红外测温补偿方法及装置 | |
CN115171211A (zh) | 信道状态信息的动作和位置的联合估计方法 | |
CN107359610A (zh) | 一种输电网注入转移分布因子估计方法及设备 |
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 |