CN111951611A - 基于多特征融合的ads-b微弱信号检测装置及方法 - Google Patents

基于多特征融合的ads-b微弱信号检测装置及方法 Download PDF

Info

Publication number
CN111951611A
CN111951611A CN202010629775.0A CN202010629775A CN111951611A CN 111951611 A CN111951611 A CN 111951611A CN 202010629775 A CN202010629775 A CN 202010629775A CN 111951611 A CN111951611 A CN 111951611A
Authority
CN
China
Prior art keywords
signal
ads
feature
fusion
encoder
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
Application number
CN202010629775.0A
Other languages
English (en)
Inventor
杨阳
王海波
曹东
赵杨
刘林岩
卢德勇
李保山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
Original Assignee
Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Computational Aerodynamics Institute of China Aerodynamics Research and Development Center filed Critical Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
Priority to CN202010629775.0A priority Critical patent/CN111951611A/zh
Publication of CN111951611A publication Critical patent/CN111951611A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0073—Surveillance aids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多特征融合的ADS‑B微弱信号检测装置及方法。本发明各实施例的基于多特征融合的ADS‑B微弱信号检测方法及装置，突破现行信号检测***主要以信号的能量特征为依据，采用门限检测的常规模式，利用接收信号本身包含的多特征信息，改善强噪声干扰条件下由于目标信号状态信息弱化导致的检测性能下降的问题。

Description

基于多特征融合的ADS-B微弱信号检测装置及方法
技术领域
本发明涉及信号处理技术领域，具体涉及一种基于多特征融合的ADS-B微弱信号检测装置及方法。
背景技术
ADS-B广播式自动相关监测***是一种广泛应用于空中交通管制的技术手段，它将卫星导航、通信技术、数据链、机载设备及地面设备等技术结合，提供了更加安全、高效的空中监视手段，可有效扩大监视覆盖范围，为管制员和飞行员提供详尽的空中飞行器状态信息。
随着人类电磁空间活动的逐渐密集以及世界各国低空领域管制的放宽，空间电磁环境日益复杂和恶化。ADS-B***由于采用全向广播方式工作，极易受到各类环境及人为噪声的影响。当强噪声对ADS-B信号产生压制时，会导致目标ADS-B信号淹没在噪声中，使得接收***即使感知到了信号，也由于较低的信噪比，难以将微弱的ADS-B目标信号从强噪声中有效地分离出来，从而无法准确提取飞行器身份状态信息和空中态势信息，对空中交通安全造成极为严重的威胁。
常用的ADS-B检测方案主要分为两类，一类是基于阵列天线及阵列理论的空域处理，通过波束形成方法进行空间滤波，降低噪声对目标方位信号的影响；另一类是基于时域信息的检测技术，它通过对采集的时间采样序列进行变换域处理，提取信号能量特征参数实现信号检测。
目前，针对ADS-B信号检测基本上都是以信号的个别特征为检测依据，主要是时域、频域或空域强度特征，通过滤波、积累等处理提高信噪比，然后在皮尔逊准则下以强度门限来进行目标的判决。然而，在实际复杂的电磁环境下，目标信号的单一特征往往会出现起伏、弱化、被干扰、乃至消失的情况，单一的门限处理技术不能够满足ADS-B弱信号的提取需要，从而造成信号检测率不高甚至无法实现检测。
现有技术对信号特征信息利用单一，对ADS-B微弱信号检测能力不足，在强噪声条件下难以有效满足对空中态势信息和飞行器身份信息的感知需求。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于多特征融合的ADS-B微弱信号检测装置及方法提高了对ADS-B微弱信号的检测能力。
为了达到上述发明目的，本发明采用的技术方案为：一种基于多特征融合的ADS-B微弱信号检测装置，包括依次连接的信号获取模块、特征提取模块和信号检测模块；
所述信号获取模块用于获取待检测的周期性广播ADS-B脉冲信号，并将其划分为信号段和噪声段；
所述特征提取模块用于提取信号段和噪声段的多特征分量，对多特征分量进行标准化，并通过串联方式实现特征融合，将串联融合后的特征向量及样本标签信息进行UDP数据包打包并上传至上位机；
所述信号检测模块用于接收上位机下发的网络和分类器模型参数，基于训练生成的堆栈自编码器及SVM二分类器模型，对输入目标信号进行二分类判决，实现ADS-B微弱信号的检测。
进一步地：所述信号获取模块包括依次连接的射频前端电路和中频电路；
所述射频前端电路用于对ADS-B信号进行接收、放大、混频和滤波；
所述中频电路用于对中频信号进行采样及数字下变频处理；
所述中频电路的A/D采样芯片为AD9655芯片。
进一步地：所述特征提取模块包括第一FPGA芯片，所述第一FPGA芯片的型号为Xilinx Zynq 7100。
进一步地：所述信号检测模块包括Nor Flash片外存储芯片和第二FPGA芯片，所述Nor Flash片外存储芯片的型号为Micron N25Q0128A13ES，用于存储上位机下发的堆栈自编码器网络和SVM分类器参数，所述第二FPGA芯片的型号为Xilinx XC7VX690T，用于实现网络接口的控制及接收上位机下发的控制指令，并在运行时加载特征提取模块发送的目标信号串联融合特征及所述Nor Flash片外存储芯片保存的网络、分类器参数，通过网络前向运算，实现对输入信号的判决检测。
进一步地：还包括上位机高层语义特征提取模型及SVM分类器生成模块，所述上位机高层语义特征提取模型及SVM分类器生成模块包括：
训练集生成单元，用于接收经UDP包发送的ADS-B脉冲信号串联融合特征训练集，所述训练集中包含多个ADS-B信号段和噪声段训练样本，对训练样本标注标签信息；
模型初始化单元，用于对堆栈自编码器及SVM二分类器模型参数进行随机初始化；
模型训练单元，用于基于上位机GPU利用串联融合特征训练集对堆栈自编码器网络参数进行调整，实现利用低维高层语义特征对输入特征向量的重构，直至满足预设收敛条件，在自编码器顶层编码层添加SVM分类器，利用标签信息对分类参数进行微调，直至满足收敛条件。
一种基于多特征融合的ADS-B微弱信号检测方法，包括以下步骤：
S1、通过信号获取模块获取周期性广播的ADS-B脉冲信号样本集，将ADS-B脉冲信号划分为信号段和噪声段；
S2、通过特征提取模块提取ADS-B脉冲信号样本集信号段和噪声段的多特征分量，并将特征分量标准化进行串联特征融合，得到串联融合特征向量；
S3、通过信号检测模块对串联融合特征向量利用离线训练生成的堆栈自编码器神经网络提取信号低维高层语义特征；
S4、通过信号检测模块利用信号低维高层语义特征，基于离线训练生成的SVM二分类器对目标信号进行判决，实现ADS-B微弱信号的检测。
进一步地：所述步骤S1中ADS-B脉冲信号划分的具体步骤为：对获取的ADS-B脉冲信号样本集进行滤波、放大和下变频处理，得到中频信号；对中频信号进行采样和数字下变频处理得到零中频信号；将零中频信号划分为包含信号和噪声的信号段以及只包含噪声的噪声段。
进一步地：所述步骤S2的具体步骤为：
S21、分别提取对信号段和噪声段进行多维度表征的多特征分量；
所述多特征分量包括时域AR系数特征、频域能量聚点特征、时频图像Renyi熵特征、时频图像伪Zernike矩特征和双谱特征；
其中，时域AR系数特征的计算公式为：
Figure BDA0002568107370000041
上式中，R(i)为信号自相关值，i＝0,1,...p，ai为ADS-B信号集时域AR模型p阶系数特征。
频域能量聚点特征的提取方法为：
A1.计算信号x(n)的功率谱s(ω)；
A2.给定尺度d，利用滑窗在功率谱序列s(ω)上定步长移动，计算各点ω0处信号功率P(ω0,d)，并求取平均值Pa和最大值Pm；
Figure BDA0002568107370000051
Pa＝mean{P(ω0,d)}
Pm＝max{P(ω0,d)}
A3.给定λ水平值，得到信号功率谱s(ω)的λ水平能量聚点；
P(ω0,d)≥(1-f(λ))Pa+f(λ)Pm
A4.根据各λ水平能量聚点处信号能量，建立频率域特征量模型。
Renyi熵特征和伪Zernike矩特征提取的具体步骤为：
B1.计算信号x(n)的改进B分布，得到二维时频图像；
B2.根据时频图的亮度等级表达灰度值，将时频图转化为灰度图，进行灰度归一化和中值滤波；
B3.提取信号3阶、5阶、7阶、9阶、11阶、13阶灰度图Renyi熵特征；
B4.将灰度图二值化，提取二值图像中信号时频分布1-4阶9种伪Zernike矩特征。
双谱特征提取的具体步骤为：
C1.取一段持续时间内的N段同类数据，分别计算双谱估计，然后求平均得到待分析数据的双谱；
C2.将得到的双谱数据向量化，利用K-L变换对双谱数据向量降维。
S22、计算多特征分量的均值和标准差，标准化特征分量；
S23、将标准化后的特征分量前后串联进行特征融合，得到串联融合特征向量。
进一步地：所述步骤S3中堆栈自编码器神经网络的生成方法为：对堆栈自编码器神经网络模型参数进行随机初始化，基于自编码器神经网络自监督机制并根据串联融合特征向量，对自编码器神经网络模型的网络参数进行调整，直至满足收敛条件。
进一步地：所述步骤S4中SVM二分类器的生成方法为：在自编码器神经网络最顶编码层添加SVM二分类器，利用训练样本类别标签对SVM二分类器参数进行微调，直至满足收敛条件。
本发明的有益效果为：本发明各实施例的基于多特征融合的ADS-B微弱信号检测装置及方法，突破现行信号检测***主要以信号的能量特征为依据，采用门限检测的常规模式，利用接收信号本身包含的多特征信息，改善强噪声干扰条件下由于目标信号状态信息弱化导致的检测性能下降的问题。
与现有技术相比，本发明具有以下优势：
1.本发明采用多特征融合的方法提取接收信号多特征信息，通过增加特征维数，降低了目标信号与噪声的相似性，从而提高***对ADS-B微弱信号的检测能力；
2.本发明对提取的多特征进行二次融合处理，通过堆栈自编码器网络对特征降维，以降低特征间冗余信息，提取出人工设计难以获得的对信号本质进行高层表达的抽象特征；
3.本发明通过搭建硬件信号接收单元，可充分利用丰富的实测ADS-B信号资源，有效解决信号检测小样本及仿真信号可信度不高的问题。
附图说明
图1为本发明装置示意图；
图2为本发明装置原理框图；
图3为本发明的方法流程图；
图4为本发明采用的堆栈自编码器神经网络结构示意图；
图5为本发明采用的信号高层语义特征提取模型结构示意图；
图6为本发明提供的仿真数据方法性能对比示意图；
图7为本发明提供的实测数据方法检测结果对比示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种基于多特征融合的ADS-B微弱信号检测装置，包括依次连接的信号获取模块、特征提取模块和信号检测模块；
所述信号获取模块用于获取待检测的周期性广播ADS-B脉冲信号，并将其划分为信号段和噪声段；
所述特征提取模块用于提取信号段和噪声段的多特征分量，对多特征分量进行标准化，并通过串联方式实现特征融合，将串联融合后的特征向量及样本标签信息进行UDP数据包打包并上传至上位机；
所述信号检测模块用于接收上位机下发的网络和分类器模型参数，基于训练生成的堆栈自编码器及SVM二分类器模型，对输入目标信号进行二分类判决，实现ADS-B微弱信号的检测。
如图2所示，所述信号获取模块用于获取周期性广播的1090MHz ADS-B脉冲信号样本集，将ADS-B脉冲信号划分为信号段和噪声段；包含用于对ADS-B信号进行接收、放大、混频和滤波的射频前端电路；用于对140MHz中频信号进行采样及数字下变频处理的中频电路。
具体地，所述射频电路包括依次连接的接收天线、低噪放大器、混频器、带通滤波器；所述中频电路包括依次连接的中频放大器、A/D芯片和数字下变频电路；所述A/D芯片为AD9655芯片，采样率设为112MHz。
特征提取模块用于对数字零中频信号进行多特征提取，提取的多特征包括时域AR系数特征、频域能量聚点特征、时频域Renyi熵特征和伪Zernike矩特征、双谱特征；将提取的各特征分量分别进行标准化，并进行串联特征融合，得到融合后的特征向量。
特征提取模块包含一片FPGA处理芯片，所述FPGA处理芯片采用Xilinx Zynq7100芯片，包含PS和PL两部分，其中PS部分进行采样率设置及网络通信控制等；PL部分负责实现数字下变频处理、信号多特征分量提取、特征标准化、串联特征融合等操作。
信号检测模块用于接收上位机下发的网络和分类器参数，基于训练生成的堆栈自编码器及SVM模型，对特征提取模块发送的目标信号进行信号或噪声的二分类判决，实现ADS-B微弱信号检测。
信号检测模块包含一片Nor Flash片外存储芯片和一片FPGA芯片；所述Nor Flash片外存储芯片为Micron N25Q0128A13ES芯片，用于存储上位机下发的堆栈自编码器网络和SVM分类器参数；所述FPGA芯片采用Xilinx XC7VX690T芯片，可实现网络接口控制及接收上位机下发的控制指令；在运行时加载特征提取模块发送的目标信号串联融合特征及所述Nor Flash片外存储芯片保存的网络、分类器参数，通过网络前向运算，实现对输入信号的判决检测。
堆栈自编码器网络和SVM分类器是预先通过大量的样本数据基于BP算法训练生成的，具有良好的高层语义特征提取能力和信号噪声判决分类能力。
基于多特征融合的ADS-B微弱信号检测装置还包括上位机信号高层语义特征提取模型及SVM分类器生成模块，所述上位机信号高层语义特征提取模型及SVM分类器生成模块包括：
训练集产生单元，接收经UDP包发送的ADS-B脉冲信号串联融合特征训练集，所述训练集中包含多个ADS-B信号段和噪声段训练样本，对训练样本人工标注标签信息；
模型初始化单元，对堆栈自编码器及SVM二分类器模型参数进行随机初始化；
模型训练单元，根据所述串联融合特征训练集，对所述堆栈自编码器网络参数进行调整，实现利用低维高层语义特征对输入特征向量的重构，直至满足预设收敛条件；在自编码器顶层编码层添加SVM分类器，利用标签信息对分类参数进行微调，直至满足收敛条件。
如图3所示，一种基于多特征融合的ADS-B微弱信号检测方法，包括以下步骤：
S1、通过信号获取模块获取周期性广播的ADS-B脉冲信号样本集，将ADS-B脉冲信号划分为信号段和噪声段；
对获取的1090MHz ADS-B信号集进行滤波、放大和下变频处理，得到140MHz中频信号；对中频信号进行112MHz采样和数字下变频处理得到零中频信号；将零中频信号划分为包含信号和噪声的信号段，以及只包含噪声的噪声段。
S2、通过特征提取模块提取ADS-B脉冲信号样本集信号段和噪声段的多特征分量，并将特征分量标准化进行串联特征融合，得到串联融合特征向量；
步骤S2的具体步骤为：
S21、分别提取对信号段和噪声段进行多维度表征的多特征分量；
所述多特征分量包括时域AR系数特征、频域能量聚点特征、时频图像Renyi熵特征、时频图像伪Zernike矩特征和双谱特征；
其中，提取ADS-B信号集信号段和噪声段时域AR系数特征的计算公式为：
Figure BDA0002568107370000101
上式中，R(i)为信号自相关值，i＝0,1,...p，ai为ADS-B信号集时域AR模型p阶系数特征。
提取ADS-B信号集信号段和噪声段频域能量聚点特征的提取方法为：
A1.计算信号x(n)的功率谱s(ω)；
A2.给定尺度d，利用滑窗在功率谱序列s(ω)上定步长移动，计算各点ω0处信号功率P(ω0,d)，并求取平均值Pa和最大值Pm；
Figure BDA0002568107370000102
Pa＝mean{P(ω0,d)}
Pm＝max{P(ω0,d)}
A3.给定λ水平值，得到信号功率谱s(ω)的λ水平能量聚点；
P(ω0,d)≥(1-f(λ))Pa+f(λ)Pm
A4.根据各λ水平能量聚点处信号能量，建立频率域特征量模型。
对ADS-B信号集进行时频变换，生成二维时频图像，对时频图像进行预处理，提取预处理后时频图像的Renyi熵特征和伪Zernike矩特征，具体步骤为：
B1.计算信号x(n)的改进B分布，得到二维时频图像；
B2.根据时频图的亮度等级表达灰度值，将时频图转化为灰度图，进行灰度归一化和中值滤波；
B3.提取信号3阶、5阶、7阶、9阶、11阶、13阶灰度图Renyi熵特征；
B4.将灰度图二值化，提取二值图像中信号时频分布1-4阶9种伪Zernike矩特征。
提取ADS-B信号集信号段和噪声段双谱特征，利用K-L变换进行特征降维。
C1.取一段持续时间内的N段同类数据，分别计算双谱估计，然后求平均得到待分析数据的双谱；
C2.将得到的双谱数据向量化，利用K-L变换对双谱数据向量降维。
S22、计算多特征分量的均值和标准差，标准化特征分量；
S23、将标准化后的特征分量前后串联进行特征融合，得到串联融合特征向量。
S3、对串联融合特征向量利用离线训练生成的堆栈自编码器神经网络提取信号低维高层语义特征；
通过多个训练样本数据基于BP算法训练生成堆栈自编码器神经网络的步骤为：
D1.获取ADS-B脉冲信号串联融合特征训练集，所述训练集中包含多个ADS-B信号段和噪声段训练样本；
D2.对堆栈自编码器神经网络模型参数进行随机初始化；
D3.基于自编码器神经网络自监督机制并根据所述串联融合特征训练集，对所述自编码器网络参数进行调整，实现利用低维高层语义特征对输入特征向量的重构，直至满足预设收敛条件。
如图4所示，栈式自编码器神经网络结构可分为编码器和解码器，在对输入样本进行学习时，其训练目标是根据目标表达对输入样本进行重构，因此训练时把目标输出设置为输入信号自身。通过最小化输入样本和复原样本之间的误差来优化网络参数，各编码器神经元的输出值则是通过神经网络加工处理后得到的信号不同层次的抽象特征。
栈式自编码器神经网络训练样本输入信号为x，输出信号为y，使用反向传播BP算法对神经网络中的权值进行不断迭代调整和更新，使得y能尽可能接近x。一般情况下，y不是输入变量x的精确重构，而是尽可能从概率分布上逼近x，因此自编码器神经网络的目标函数可表示为对下式重构误差的优化：min(J(x,y))
其中J为具体的代价函数，可选择交叉熵、最小方法等经典代价函数，也可根据具体情况自定义代价函数。
如图5所示，当堆栈自编码神经网络训练完成后，只保留编码器，得到实现深度抽象特征提取的神经网络结构，其输出向量为信号低维高层语义特征。
S4、通过信号检测模块利用信号低维高层语义特征，基于离线训练生成的SVM二分类器对目标信号进行判决，实现ADS-B微弱信号的检测。
离线训练生成的SVM二分类器生成方法具体为：
E1.获取ADS-B脉冲信号串联融合特征训练，所述训练集中包含多个ADS-B信号段和噪声段训练样本，对训练样本人工标注标签信息；
E2.在堆栈自编码器最顶编码层添加SVM分类器，利用训练样本类别标签对SVM分类器参数进行微调，直至满足收敛条件条件；
E3.基于训练好的SVM分类器，对目标信号进行二分类判决，实现ADS-B微弱信号检测任务。
利用蒙特卡洛仿真，对仿真产生的1090MHz S模式ADS-B应答脉冲信号进行数字零中频处理后，分别利用本发明方法和目前常用的包络检波方法进行对比试验。比较了虚警率为10-3时，在不同信噪比下的检测性能，参见图6，在信噪比大于6dB时，2种方法都能获得高于99％的检测率，但当信噪比低于3dB时，包络检波方法检测率迅速下降，在信噪比为2dB时，检测率已低于85％，而本发明方法在0dB情况下，检测率仍高于95％。这表明，本发明方法可有效提高低信噪比条件下对ADS-B微弱信号的检测能力。
如图7所示，为某次实际获取的1090MHz S模式ADS-B接收信号，分别利用本发明方法和目前常用的包络检波方法进行对比试验，由图可见，本发明方法可在保持低虚警的前提下，有效提高对ADS-B微弱脉冲信号的检测能力，且基于该检测结果，可提高对脉冲时域参数的估计精度。

Claims (10)

1.一种基于多特征融合的ADS-B微弱信号检测装置，其特征在于，包括依次连接的信号获取模块、特征提取模块和信号检测模块；
所述信号获取模块用于获取待检测的周期性广播ADS-B脉冲信号，并将其划分为信号段和噪声段；
所述特征提取模块用于提取信号段和噪声段的多特征分量，对多特征分量进行标准化，并通过串联方式实现特征融合，将串联融合后的特征向量及样本标签信息进行UDP数据包打包并上传至上位机；
所述信号检测模块用于接收上位机下发的网络和分类器模型参数，基于训练生成的堆栈自编码器及SVM二分类器模型，对输入目标信号进行二分类判决，实现ADS-B微弱信号的检测。
2.根据权利要求1所述的基于多特征融合的ADS-B微弱信号检测装置，其特征在于，所述信号获取模块包括顺序连接的射频前端电路和中频电路；
所述射频前端电路用于对ADS-B信号进行接收、放大、混频和滤波；
所述中频电路用于对中频信号进行采样及数字下变频处理。
3.根据权利要求1所述的基于多特征融合的ADS-B微弱信号检测装置，其特征在于，所述特征提取模块包括第一FPGA芯片。
4.根据权利要求1所述的基于多特征融合的ADS-B微弱信号检测装置，其特征在于，所述信号检测模块包括Nor Flash片外存储芯片和第二FPGA芯片，所述Nor Flash片外存储芯片用于存储上位机下发的堆栈自编码器网络和SVM分类器参数，所述第二FPGA芯片用于实现网络接口的控制及接收上位机下发的控制指令，并在运行时加载特征提取模块发送的目标信号串联融合特征及所述Nor Flash片外存储芯片保存的网络、分类器参数，通过网络前向运算，实现对输入信号的判决检测。
5.根据权利要求1所述的基于多特征融合的ADS-B微弱信号检测装置，其特征在于，所述上位机包括高层语义特征提取模型及SVM分类器生成模块，所述高层语义特征提取模型及SVM分类器生成模块包括：
训练集生成单元，用于接收经UDP包发送的ADS-B脉冲信号串联融合特征训练集，所述训练集包含多个ADS-B信号段和噪声段训练样本，对训练样本标注标签信息；
模型初始化单元，用于对堆栈自编码器及SVM二分类器模型参数进行随机初始化；
模型训练单元，用于基于上位机GPU利用串联融合特征训练集对堆栈自编码器网络参数进行调整，实现利用低维高层语义特征对输入特征向量的重构，直至满足预设收敛条件，在自编码器顶层编码层添加SVM分类器，利用标签信息对分类参数进行微调，直至满足收敛条件。
6.一种基于多特征融合的ADS-B微弱信号检测方法，其特征在于，包括以下步骤：
S1、通过信号获取模块获取周期性广播的ADS-B脉冲信号样本集，将ADS-B脉冲信号划分为信号段和噪声段；
S2、通过特征提取模块提取ADS-B脉冲信号样本集信号段和噪声段的多特征分量，并将特征分量标准化后进行串联特征融合，得到串联融合特征向量；
S3、通过信号检测模块对串联融合特征向量利用离线训练生成的堆栈自编码器神经网络提取信号低维高层语义特征；
S4、通过信号检测模块利用信号低维高层语义特征，基于离线训练生成的SVM二分类器对目标信号进行判决，实现ADS-B微弱信号的检测。
7.根据权利要求6所述的基于多特征融合的ADS-B微弱信号检测方法，其特征在于，所述步骤S1中ADS-B脉冲信号划分的具体步骤为：对获取的ADS-B脉冲信号样本集进行滤波、放大和下变频处理，得到中频信号；对中频信号进行采样和数字下变频处理得到零中频信号；将零中频信号划分为包含信号和噪声的信号段以及只包含噪声的噪声段。
8.根据权利要求6所述的基于多特征融合的ADS-B微弱信号检测方法，其特征在于，所述步骤S2的具体步骤为：
S21、分别提取对信号段和噪声段进行多维度表征的多特征分量；
所述多特征分量包括时域AR系数特征、频域能量聚点特征、时频图像Renyi熵特征、时频图像伪Zernike矩特征和双谱特征；
S22、计算多特征分量的均值和标准差，标准化特征分量；
S23、将标准化后的特征分量前后串联进行特征融合，得到串联融合特征向量。
9.根据权利要求6所述的基于多特征融合的ADS-B微弱信号检测方法，其特征在于，所述步骤S3中堆栈自编码器神经网络的生成方法为：对堆栈自编码器神经网络模型参数进行随机初始化，基于堆栈自编码器神经网络自监督机制并根据串联融合特征向量，对堆栈自编码器神经网络模型的网络参数进行调整，直至满足收敛条件。
10.根据权利要求6所述的基于多特征融合的ADS-B微弱信号检测方法，其特征在于，所述步骤S4中SVM二分类器的生成方法为：在堆栈自编码器神经网络最顶编码层添加SVM二分类器，利用训练样本类别标签对SVM二分类器参数进行微调，直至满足收敛条件。
CN202010629775.0A 2020-07-03 2020-07-03 基于多特征融合的ads-b微弱信号检测装置及方法 Pending CN111951611A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010629775.0A CN111951611A (zh) 2020-07-03 2020-07-03 基于多特征融合的ads-b微弱信号检测装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010629775.0A CN111951611A (zh) 2020-07-03 2020-07-03 基于多特征融合的ads-b微弱信号检测装置及方法

Publications (1)

Publication Number Publication Date
CN111951611A true CN111951611A (zh) 2020-11-17

Family

ID=73337022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010629775.0A Pending CN111951611A (zh) 2020-07-03 2020-07-03 基于多特征融合的ads-b微弱信号检测装置及方法

Country Status (1)

Country Link
CN (1) CN111951611A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801065A (zh) * 2021-04-12 2021-05-14 中国空气动力研究与发展中心计算空气动力研究所 一种基于时空多特征信息的被动声纳目标探测方法及装置
CN113344093A (zh) * 2021-06-21 2021-09-03 成都民航空管科技发展有限公司 一种多源ads-b数据异常时标检测方法及***

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102799757A (zh) * 2012-06-12 2012-11-28 哈尔滨工程大学 一种去除强趋势项及瞬态脉冲干扰的微弱信号提取方法
CN105738929A (zh) * 2016-03-02 2016-07-06 北京盈想东方科技发展有限公司 一种北斗通信导航一体化机载终端
CN105894033A (zh) * 2016-04-01 2016-08-24 大连理工大学 一种海杂波背景下的弱目标检测方法及***
CN106230544A (zh) * 2016-07-27 2016-12-14 佛山科学技术学院 一种汽车遥控干扰信号的监测识别与定位方法
CN106504588A (zh) * 2016-10-25 2017-03-15 中国民航大学 基于北斗二代和移动网络的多平台低空域监视***及方法
US9773504B1 (en) * 2007-05-22 2017-09-26 Digimarc Corporation Robust spectral encoding and decoding methods
CN107578646A (zh) * 2017-08-28 2018-01-12 梁晓龙 低慢小目标探测监视管理***及方法
CN108737030A (zh) * 2018-05-17 2018-11-02 中国电子科技集团公司第五十四研究所 一种基于星载场景的ads-b信号低灵敏度接收方法
CN108764331A (zh) * 2018-05-25 2018-11-06 哈尔滨工程大学 基于分数阶傅里叶变换的联合分类器多信号调制识别方法
CN108960417A (zh) * 2018-06-28 2018-12-07 广东技术师范学院 一种可穿戴微弱信号的高效能处理方法
CN108985454A (zh) * 2018-06-28 2018-12-11 西南电子技术研究所（中国电子科技集团公司第十研究所） 民航客机个体目标识别方法
CN109117876A (zh) * 2018-07-26 2019-01-01 成都快眼科技有限公司 一种稠密小目标检测模型构建方法、模型及检测方法
CN109544555A (zh) * 2018-11-26 2019-03-29 陕西师范大学 基于生成式对抗网络的细小裂缝分割方法
CN109583499A (zh) * 2018-11-30 2019-04-05 河海大学常州校区 一种基于无监督sdae网络的输电线路背景目标分类***
CN109800700A (zh) * 2019-01-15 2019-05-24 哈尔滨工程大学 一种基于深度学习的水下声信号目标分类识别方法
CN110109080A (zh) * 2019-05-29 2019-08-09 南京信息工程大学 基于ia-svm模型的微弱信号检测方法
CN110826630A (zh) * 2019-11-08 2020-02-21 哈尔滨工业大学 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9773504B1 (en) * 2007-05-22 2017-09-26 Digimarc Corporation Robust spectral encoding and decoding methods
CN102799757A (zh) * 2012-06-12 2012-11-28 哈尔滨工程大学 一种去除强趋势项及瞬态脉冲干扰的微弱信号提取方法
CN105738929A (zh) * 2016-03-02 2016-07-06 北京盈想东方科技发展有限公司 一种北斗通信导航一体化机载终端
CN105894033A (zh) * 2016-04-01 2016-08-24 大连理工大学 一种海杂波背景下的弱目标检测方法及***
CN106230544A (zh) * 2016-07-27 2016-12-14 佛山科学技术学院 一种汽车遥控干扰信号的监测识别与定位方法
CN106504588A (zh) * 2016-10-25 2017-03-15 中国民航大学 基于北斗二代和移动网络的多平台低空域监视***及方法
CN107578646A (zh) * 2017-08-28 2018-01-12 梁晓龙 低慢小目标探测监视管理***及方法
CN108737030A (zh) * 2018-05-17 2018-11-02 中国电子科技集团公司第五十四研究所 一种基于星载场景的ads-b信号低灵敏度接收方法
CN108764331A (zh) * 2018-05-25 2018-11-06 哈尔滨工程大学 基于分数阶傅里叶变换的联合分类器多信号调制识别方法
CN108960417A (zh) * 2018-06-28 2018-12-07 广东技术师范学院 一种可穿戴微弱信号的高效能处理方法
CN108985454A (zh) * 2018-06-28 2018-12-11 西南电子技术研究所（中国电子科技集团公司第十研究所） 民航客机个体目标识别方法
CN109117876A (zh) * 2018-07-26 2019-01-01 成都快眼科技有限公司 一种稠密小目标检测模型构建方法、模型及检测方法
CN109544555A (zh) * 2018-11-26 2019-03-29 陕西师范大学 基于生成式对抗网络的细小裂缝分割方法
CN109583499A (zh) * 2018-11-30 2019-04-05 河海大学常州校区 一种基于无监督sdae网络的输电线路背景目标分类***
CN109800700A (zh) * 2019-01-15 2019-05-24 哈尔滨工程大学 一种基于深度学习的水下声信号目标分类识别方法
CN110109080A (zh) * 2019-05-29 2019-08-09 南京信息工程大学 基于ia-svm模型的微弱信号检测方法
CN110826630A (zh) * 2019-11-08 2020-02-21 哈尔滨工业大学 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法

Non-Patent Citations (26)

* Cited by examiner, † Cited by third party
Title
HONG YANG等: "A method of weak signal chaotic detection based on Labview", 《2012 INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE AND INFORMATION PROCESSING (CSIP)》 *
KELING FEI: "Automatic Detection of Conversion Blindness on Functional Brain Network Information", 《2019 IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICINE (BIBM)》 *
SUMIT KUMAR等: "Weak signal detection from noisy signal using stochastic resonance with particle swarm optimization technique", 《2017 INTERNATIONAL CONFERENCE ON NOISE AND FLUCTUATIONS (ICNF)》 *
吴小丹: "一种ADS-B空间信息采集***的设计", 《数字技术与应用》 *
孙佳佳等: "基于一维距离像序列的弹道目标融合识别研究", 《微波学报》 *
崔光照等: "基于小波变换的基因表达数据去噪聚类分析", 《信号处理》 *
张穆清等: "基于深度学习与支持向量机的低截获概率雷达信号识别", 《科技导报》 *
张靖: "基于特征提取的目标分类研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
曹东等: "基于分数阶傅立叶变换的湍流退化图像相位恢复算法研究", 《空气动力学学报》 *
李兆飞: "振动故障分形特征提取及诊断方法研究", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》 *
李楠: "水下弱目标信号的Duffing振子检测方法研究", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》 *
李秀坤等: "水下目标回波与混响的分数阶Fourier域盲分离", 《哈尔滨工程大学学报》 *
李陆军等: "基于时频分布的弹道导弹目标识别方法", 《火力与指挥控制》 *
杜京义: "混沌背景中微弱谐波信号检测的SVM方法", 《仪器仪表学报 》 *
杨兴宇: "雷达欺骗干扰信号识别技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
杨兴宇等: "基于栈式稀疏自编码器的新型干扰识别", 《现代雷达》 *
杨少奇等: "应用双谱分析和分形维数的雷达欺骗干扰识别", 《西安交通大学学报》 *
江志浩: "1090ES模式ADS-B信号自适应门限检测算法", 《无线电通信技术 》 *
牟洋: "基于稀疏表示分类器的极化SAR图像地物分类", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
白航等: "基于Choi-Williams时频图像特征的雷达辐射源识别", 《数据采集与处理》 *
罗晓清等: "应用多特征的红外弱小目标检测", 《计算机工程与应用》 *
胡伟文等: "一种基于能量聚点的目标检测方法", 《武汉理工大学学报(交通科学与工程版)》 *
胡伟文等: "能量聚点特征分析法及其在微弱目标信号检测中的应用", 《数据采集与处理》 *
邓博: "基于深度学习的红外弱小目标相关滤波跟踪算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
金森林: "基于压缩感知的微弱信号测量***的研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
闫琰等: "基于多特征联合处理的灵巧噪声干扰识别", 《雷达科学与技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801065A (zh) * 2021-04-12 2021-05-14 中国空气动力研究与发展中心计算空气动力研究所 一种基于时空多特征信息的被动声纳目标探测方法及装置
CN112801065B (zh) * 2021-04-12 2021-06-25 中国空气动力研究与发展中心计算空气动力研究所 一种基于时空多特征信息的被动声纳目标探测方法及装置
CN113344093A (zh) * 2021-06-21 2021-09-03 成都民航空管科技发展有限公司 一种多源ads-b数据异常时标检测方法及***
CN113344093B (zh) * 2021-06-21 2022-07-05 成都民航空管科技发展有限公司 一种多源ads-b数据异常时标检测方法及***

Similar Documents

Publication Publication Date Title
CN114201988B (zh) 卫星导航复合干扰信号识别方法和***
US20200163590A1 (en) Fall detection method, device, and system
Ozturk et al. RF-based low-SNR classification of UAVs using convolutional neural networks
CN110088635B (zh) 用于去噪和盲源分离的认知信号处理器、方法与介质
US11468273B2 (en) Systems and methods for detecting and classifying anomalous features in one-dimensional data
CN110532932B (zh) 一种多分量雷达信号脉内调制方式识别方法
CN111951611A (zh) 基于多特征融合的ads-b微弱信号检测装置及方法
CN112668498A (zh) 空中辐射源个体智能增量识别方法、***、终端及应用
US20190377063A1 (en) Method and device for adaptively configuring threshold for object detection by means of radar
CN113298846A (zh) 基于时频语义感知的干扰智能检测方法
CN116866129A (zh) 一种无线通信信号检测方法
Yin et al. Co-channel multi-signal modulation classification based on convolution neural network
Williams et al. Maritime radar target detection using convolutional neural networks
CN111046697A (zh) 一种基于模糊逻辑***的自适应调制信号识别方法
CN111597873B (zh) 一种基于支持向量数据描述的超短波威胁信号感知方法
CN112859025B (zh) 一种基于混合网络的雷达信号调制类型分类方法
CN112801065B (zh) 一种基于时空多特征信息的被动声纳目标探测方法及装置
CN114936570A (zh) 基于轻量化cnn网络的干扰信号智能识别方法
Cutajar et al. Track detection of high-velocity resident space objects in Low Earth Orbit
Wu et al. Radar small/mini target detection technology in strong clutter environment
Li et al. RF-Based on Feature Fusion and Convolutional Neural Network Classification of UAVs
Fan et al. Improving gravitational wave detection with 2d convolutional neural networks
Stringer et al. Application of Generative Machine Learning for Adaptive Detection with Limited Sample Support
Zhang et al. Classification of low probability of interception communication signal modulations based on time-frequency analysis and artificial neural network
Al Mudhafar et al. Image Noise Detection and Classification Based on Combination of Deep Wavelet and Machine Learning

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