CN112904282A - 基于pwvd与卷积神经网络的雷达干扰信号识别方法 - Google Patents
基于pwvd与卷积神经网络的雷达干扰信号识别方法 Download PDFInfo
- Publication number
- CN112904282A CN112904282A CN202110077522.1A CN202110077522A CN112904282A CN 112904282 A CN112904282 A CN 112904282A CN 202110077522 A CN202110077522 A CN 202110077522A CN 112904282 A CN112904282 A CN 112904282A
- Authority
- CN
- China
- Prior art keywords
- interference
- frequency
- pwvd
- time
- signal
- 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
Images
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
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- 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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于PWVD与卷积神经网络的雷达干扰信号识别方法,针对目前基于特征参数的识别方法受噪声影响大,不易准确提取干扰特征,模型泛化能力差的问题,选择利用干扰与目标回波混合信号的PWVD分布生成高分辨率时频数据集,并通过去噪、信号检测、灰度化、缩放等操作增强泛化能力,然后设计了一个卷积神经网络来训练识别模型,利用该模型可以完成对每个经过预处理的干扰信号的识别,对于提高雷达干扰识别正确率、增强模型的泛化能力有着重要意义。
Description
技术领域
本发明属于雷达干扰识别技术领域,尤其涉及一种基于PWVD与卷积神经网络的雷达干扰信号识别方法。
背景技术
随着现代战争趋于信息化,雷达起着越来越重要的作用,而基于数字射频存储器(DRFM)的有源欺骗干扰技术的大力研究和发展,使得雷达抗干扰技术面临着极大的挑战。因此,当务之急是如何在复杂的电磁环境下采取恰当的抗干扰措施,而抗干扰的前提是能够正确识别这些干扰。近年来,一些基于机器学习的干扰识别算法不断涌现,它们的主要关注点在于信号的特征参数提取,通过分析信号在时域、频域及时频域等的特点,人工提取多维特征参数,设计决策树、支持向量机、神经网络等不同的分类器对有源干扰类型进行识别。但是由于特征参数只是在小样本情况下信号分布规律的总结,人工特征选择又有可能引入实验者主观因素,得到的结果不一定符合整体规律,导致模型泛化能力较差。
在利用卷积神经网络识别雷达干扰信号方面,前人已经做了相关研究。专利申请号为201911259145.2,专利申请名称为“基于卷积神经网络的雷达干扰检测识别方法”,利用短时傅里叶变换生成时频图像训练卷积神经网络,但是短时傅里叶变换分辨率较低,受窗长的影响很大,不易获得高质量图像,而且所识别信号为纯干扰信号,这与实际对抗场景不符。专利申请号为201911089194.6,专利申请名称为“基于深度卷积神经网络集成的雷达干扰信号识别方法”,提出了一种一维的卷积神经网络,主要利用目标的方位、距离、时间、高度、俯仰角等信息构造数据集进行训练,但是该方法只能识别出干扰属于压制干扰还是欺骗干扰,并不能得到干扰的具体类型。因此,针对雷达干扰信号的识别仍是一个值得研究的问题。
发明内容
为解决上述问题,本发明提供一种基于PWVD与卷积神经网络的雷达干扰信号识别方法,能够优化现有识别方法中特征参数提取过程繁琐、模型泛化能力差等问题,同时可以提高干扰识别正确率。
一种基于PWVD与卷积神经网络的雷达干扰信号识别方法,包括以下步骤:
S1:获取雷达回波的伪Wigner-Ville分布时频图以及雷达回波在不同干扰信号下的伪Wigner-Ville分布时频图,其中,所述干扰信号包括窄带瞄准干扰信号、宽带阻塞干扰信号、灵巧噪声干扰信号、间歇采样转发干扰信号以及多假目标干扰信号;
S2:分别对无干扰信号下以及不同干扰信号下的伪Wigner-Ville分布时频图进行预处理,得到各干扰情况下的灰度时频图;
S3:将各干扰情况下的灰度时频图作为输入,各灰度时频图对应的干扰情况作为输出,对卷积神经网络进行训练,得到雷达干扰信号识别模型;
S4:采集混合回波信号,并按照步骤S1~S2获取混合回波信号的灰度时频图,再将混合回波信号的灰度时频图输入所述雷达干扰信号识别模型,实现混合回波信号中存在的干扰信号的识别。
进一步地,所述伪Wigner-Ville分布时频图的获取方法为:
其中,PWVDs(t,ω)为混合回波信号的伪Wigner-Ville分布时频图,且混合回波信号为雷达回波或者混杂有干扰信号的雷达回波,h(τ)为设定的窗函数,s(t)为混合回波信号,表示混合回波信号延迟表示混合回波信号超前e-jωτ表示傅里叶变换中的旋转因子,*为共轭,j表示虚部,t表示时域变量,ω表示频域变量,τ表示积分变量。
进一步地,所述窗函数为汉宁窗。
进一步地,步骤S2中对无干扰信号下以及不同干扰信号下的伪Wigner-Ville分布时频图进行预处理具体为:分别将各干扰情况下的伪Wigner-Ville分布时频图作为当前PWVD分布时频图执行以下步骤:
S21:对当前PWVD分布时频图取对数,将得到的分布值最大值的5%作为噪声剔除门限,并将小于噪声剔除门限的分布值统一设置为噪声剔除门限,得到去噪后的PWVD分布时频图;
S22:对去噪后的PWVD分布时频图进行信号剔除操作,得到有效PWVD分布时频图,其中,信号剔除操作为:分别统计去噪后的PWVD分布时频图的每一行以及每一列中分布值大于噪声剔除门限的有效像素点数,剔除有效像素点数小于设定阈值的行和列;
S23:将有效PWVD分布时频图进行灰度化并缩放至设定尺寸,得到灰度时频图。
进一步地,所述卷积神经网络包括两层卷积层、两层池化层以及两个全连接层。
有益效果:
1、本发明提供一种基于PWVD与卷积神经网络的雷达干扰信号识别方法,基于雷达回波的伪Wigner-Ville分布时频图以及雷达回波在不同干扰信号下的伪Wigner-Ville分布时频图对卷积神经网络进行训练,得到雷达干扰信号识别模型;由于信号的伪Wigner-Ville分布能够有效衰减交叉项的影响,又有着较好的频率分辨率,使得其能从根本上获得雷达回波以及混杂有干扰信号的雷达回波的时频域联合特征,不再需要人工特征提取过程;由此可见,本发明能够优化现有识别方法中特征参数提取过程繁琐、模型泛化能力差等问题,并能够提高干扰识别正确率。
2、本发明提供一种基于PWVD与卷积神经网络的雷达干扰信号识别方法,通过对时频图像的检测、缩放等预处理过程,使得不同带宽、脉宽及重频下的信号展现出近乎相同的特性,增加了模型的泛化能力,大大降低了对训练样本数的要求。
附图说明
图1为本发明提供的基于卷积神经网络的雷达干扰识别方法流程图;
图2(a)为本发明提供的目标在无干扰信号情况下的PWVD时频图像;
图2(b)为本发明提供的目标与窄带瞄准干扰信号混合后的PWVD时频图像;
图2(c)为本发明提供的目标与宽带阻塞干扰信号混合后的PWVD时频图像;
图2(d)为本发明提供的目标与灵巧噪声干扰信号混合后的PWVD时频图像;
图2(e)为本发明提供的目标与间歇采样转发干扰信号混合后的PWVD时频图像;
图2(f)为本发明提供的目标与多假目标干扰信号混合后的PWVD时频图像;
图3为本发明提供的卷积神经网络结构示意图;
图4为本发明提供的实验结果中训练集混淆矩阵示意图;
图5为本发明提供的实验结果中测试集混淆矩阵示意图;
图6为本发明提供的各种干扰在不同干信比下的识别正确率示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
图1是本发明实施例提供的一种基于卷积神经网络的雷达干扰信号识别方法流程图,它以雷达回波与干扰混合信号的伪Wigner-Ville分布时频图像为基础,通过对大量样本的训练达到准确识别干扰类型的目的,具体包括步骤S1~步骤S4:
S1:获取雷达回波的伪Wigner-Ville分布时频图以及雷达回波在不同干扰信号下的伪Wigner-Ville分布时频图,其中,所述干扰信号包括窄带瞄准干扰信号、宽带阻塞干扰信号、灵巧噪声干扰信号、间歇采样转发干扰信号以及多假目标干扰信号。
需要说明的是,在步骤S1中对接收到的雷达回波及干扰混合信号,下变频至中频,然后求其伪Wigner-Ville分布,对于信号s(t),它的PWVD分布就是对瞬时自相关函数加窗后进行傅里叶变换,也即所述伪Wigner-Ville分布时频图的计算公式如下:
其中,PWVDs(t,ω)为混合回波信号的伪Wigner-Ville分布时频图,下标s表示混合回波信号,且混合回波信号为雷达回波或者混杂有干扰信号的雷达回波,h(τ)为设定的窗函数,s(t)为混合回波信号,表示混合回波信号延迟 表示混合回波信号超前e-jωτ表示傅里叶变换中的旋转因子,*为共轭,j表示虚部,t表示时域变量,ω表示频域变量,τ表示积分变量。
需要说明的是,伪Wigner-Ville分布的计算公式中的加窗处理相当于PWVD分布在频域平滑,减小了计算量的同时,还大大衰减了相干项的震荡。
此外,在本实施例中,设置雷达发射信号带宽3MHz、脉宽100μs、采样频率30MHz。根据以上雷达参数,设置相应干扰信号参数进行仿真并生成伪Wigner-Ville分布时频图数据集,针对窄带瞄准干扰、宽带阻塞干扰、灵巧噪声干扰、间歇采样转发干扰、多假目标干扰及无干扰六种情况,分别计算其伪Wigner-Ville分布;对于伪Wigner-Ville分布时频图整个数据集,具体的干扰参数范围如表1所示,在此范围内选择12组参数,分别在干信比0~10dB情况下每间隔1dB仿真获取5个干扰样本,这样每种干扰信号可以得到660个干扰样本,然后对信号样本进行上述处理后生成最终的伪Wigner-Ville分布时频图数据集。
表1干扰参数设置
S2:分别对无干扰信号下以及不同干扰信号下的伪Wigner-Ville分布时频图进行预处理,得到各干扰情况下的灰度时频图,具体为:分别将各干扰情况下的伪Wigner-Ville分布时频图作为当前PWVD分布时频图执行以下步骤:
S21:对当前PWVD分布时频图取对数,将得到的分布值最大值的5%作为噪声剔除门限,并将小于噪声剔除门限的分布值统一设置为噪声剔除门限,得到去噪后的PWVD分布时频图。
S22:对去噪后的PWVD分布时频图进行信号剔除操作,得到有效PWVD分布时频图,如图2(a)~(f)所示,其中,信号剔除操作为:分别统计去噪后的PWVD分布时频图的每一行以及每一列中分布值大于噪声剔除门限的有效像素点数,剔除有效像素点数小于设定阈值的行和列,保留其余行和列;
S23:将有效PWVD分布时频图进行灰度化并缩放至设定尺寸,得到灰度时频图。
也就是说,在步骤S2中需要对得到的伪Wigner-Ville分布时频图进行预处理,在预处理过程中,首先要去除信号中的噪声,得到一张分辨率较高的时频图像,但是由于去噪后的时频图像中还包含了整个脉冲重复周期内的信息,真正的目标信号仅占一小部分,因此还需要进行信号检测,完成有效信息提取。之后为了减小计算量及匹配当前网络,还需要对获得图像有用信息后将彩色的时频图像进行灰度化并将大小缩放至100×100,形成灰度时频图数据集。
S3:将各干扰情况下的灰度时频图作为输入,各灰度时频图对应的干扰情况作为输出,对卷积神经网络进行训练,得到雷达干扰信号识别模型。
也就是说,步骤S3为卷积神经网络的训练,整个网络结构如图3所示。网络输入为100×100的灰度图像,共包括两个卷积层,第一层有6个大小为5×5的卷积核,每次移动步长为1,通过Relu激活函数后得到下一层的FeatureMap大小为为96×96×6,接下来是2×2的平均池化,然后进入第二个卷积层,它有16个大小为5×5×6的卷积核,通过4×4的均值池化后进入全连接层,全连接层也有两层,分别有120个、84个节点;最后利用Softmax输出层对干扰信号进行多分类,输出层节点依据分类的类别数而设置。
其中,卷积神经网络的训练方法为:将生成的各干扰情况下的灰度时频图按一定比例随机划分为训练集和测试集输入卷积神经网络训练,并根据训练结果不断调整学习参数,直至达到所需要求;其中每种干扰包括训练集500张,测试集160张。训练结果通过混淆矩阵给出,如图4和图5所示,图中序号0~5分别代表无干扰、窄带瞄准、宽带阻塞、灵巧噪声、间歇采样转发和多假目标干扰,借助混淆矩阵可以观察各种干扰误判情况,从而合理调整训练参数,以满足所需要求。
S4:采集混合回波信号,并按照步骤S1~S2获取混合回波信号的灰度时频图,再将混合回波信号的灰度时频图输入所述雷达干扰信号识别模型,实现混合回波信号中存在的干扰信号的识别。
也就是说,雷达干扰信号识别模型训练完成后,只需要把训练好的网络权值保存起来,当有新的干扰信号出现需要识别时,只需重复步骤S1~S2计算PWVD分布,获得经过预处理的时频图像后输入训练好的卷积神经网络即可给出识别结果。
进一步的,如图6所示,本发明实施例还给出了不包含在训练集中的干扰参数在不同干信比下的识别正确率,由图6可知,在本发明采用的数据集上,在干信比大于0dB时,各种干扰的识别正确率均达到了100%,在干信比大于-1dB时,各种干扰的识别正确率达到了80%以上。
由此可见,针对目前基于特征参数的识别方法受噪声影响大,不易准确提取干扰特征,模型泛化能力差的问题,本发明选择利用干扰与目标回波混合信号的PWVD分布生成高分辨率时频数据集,并通过去噪、信号检测、灰度化、缩放等操作增强泛化能力,然后设计了一个卷积神经网络来训练识别模型,利用该模型可以完成对每个经过预处理的干扰信号的识别,对于提高雷达干扰识别正确率、增强模型的泛化能力有着重要意义。
当然,本发明还可有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当然可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (5)
1.一种基于PWVD与卷积神经网络的雷达干扰信号识别方法,其特征在于,包括以下步骤:
S1:获取雷达回波的伪Wigner-Ville分布时频图以及雷达回波在不同干扰信号下的伪Wigner-Ville分布时频图,其中,所述干扰信号包括窄带瞄准干扰信号、宽带阻塞干扰信号、灵巧噪声干扰信号、间歇采样转发干扰信号以及多假目标干扰信号;
S2:分别对无干扰信号下以及不同干扰信号下的伪Wigner-Ville分布时频图进行预处理,得到各干扰情况下的灰度时频图;
S3:将各干扰情况下的灰度时频图作为输入,各灰度时频图对应的干扰情况作为输出,对卷积神经网络进行训练,得到雷达干扰信号识别模型;
S4:采集混合回波信号,并按照步骤S1~S2获取混合回波信号的灰度时频图,再将混合回波信号的灰度时频图输入所述雷达干扰信号识别模型,实现混合回波信号中存在的干扰信号的识别。
3.如权利要求2所述的一种基于PWVD与卷积神经网络的雷达干扰信号识别方法,其特征在于,所述窗函数为汉宁窗。
4.如权利要求1所述的一种基于PWVD与卷积神经网络的雷达干扰信号识别方法,其特征在于,步骤S2中对无干扰信号下以及不同干扰信号下的伪Wigner-Ville分布时频图进行预处理具体为:分别将各干扰情况下的伪Wigner-Ville分布时频图作为当前PWVD分布时频图执行以下步骤:
S21:对当前PWVD分布时频图取对数,将得到的分布值最大值的5%作为噪声剔除门限,并将小于噪声剔除门限的分布值统一设置为噪声剔除门限,得到去噪后的PWVD分布时频图;
S22:对去噪后的PWVD分布时频图进行信号剔除操作,得到有效PWVD分布时频图,其中,信号剔除操作为:分别统计去噪后的PWVD分布时频图的每一行以及每一列中分布值大于噪声剔除门限的有效像素点数,剔除有效像素点数小于设定阈值的行和列;
S23:将有效PWVD分布时频图进行灰度化并缩放至设定尺寸,得到灰度时频图。
5.如权利要求1所述的一种基于PWVD与卷积神经网络的雷达干扰信号识别方法,其特征在于,所述卷积神经网络包括两层卷积层、两层池化层以及两个全连接层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110077522.1A CN112904282A (zh) | 2021-01-20 | 2021-01-20 | 基于pwvd与卷积神经网络的雷达干扰信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110077522.1A CN112904282A (zh) | 2021-01-20 | 2021-01-20 | 基于pwvd与卷积神经网络的雷达干扰信号识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112904282A true CN112904282A (zh) | 2021-06-04 |
Family
ID=76117200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110077522.1A Pending CN112904282A (zh) | 2021-01-20 | 2021-01-20 | 基于pwvd与卷积神经网络的雷达干扰信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112904282A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113721215A (zh) * | 2021-08-25 | 2021-11-30 | 上海交通大学 | 一种基于SMRA和BiGRU的雷达HRRP海杂波分类方法 |
CN114429156A (zh) * | 2022-01-21 | 2022-05-03 | 西安电子科技大学 | 雷达干扰多域特征对抗学习与检测识别方法 |
CN114818828A (zh) * | 2022-05-18 | 2022-07-29 | 电子科技大学 | 雷达干扰感知模型的训练方法及雷达干扰信号识别方法 |
CN114997244A (zh) * | 2022-07-19 | 2022-09-02 | 亿慧云智能科技(深圳)股份有限公司 | 一种基于人工智能的雷达信号特征识别管理***及方法 |
CN115840875A (zh) * | 2022-11-10 | 2023-03-24 | 北京擎天信安科技有限公司 | 一种基于Anomaly Transformer的毫米波雷达异常信号检测方法及*** |
CN117826113A (zh) * | 2024-03-05 | 2024-04-05 | 湖南赛能环测科技有限公司 | 一种深度感知的雷达微信号检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921110A (zh) * | 2018-07-06 | 2018-11-30 | 电子科技大学 | 新型卷积神经网络与Wigner-Ville分布结合的雷达信号分类方法 |
CN110764064A (zh) * | 2019-11-08 | 2020-02-07 | 哈尔滨工业大学 | 基于深度卷积神经网络集成的雷达干扰信号识别方法 |
CN110927706A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 基于卷积神经网络的雷达干扰检测识别方法 |
CN111783558A (zh) * | 2020-06-11 | 2020-10-16 | 上海交通大学 | 一种卫星导航干扰信号类型智能识别方法及*** |
US20200341109A1 (en) * | 2019-03-14 | 2020-10-29 | Infineon Technologies Ag | Fmcw radar with interference signal suppression using artificial neural network |
-
2021
- 2021-01-20 CN CN202110077522.1A patent/CN112904282A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921110A (zh) * | 2018-07-06 | 2018-11-30 | 电子科技大学 | 新型卷积神经网络与Wigner-Ville分布结合的雷达信号分类方法 |
US20200341109A1 (en) * | 2019-03-14 | 2020-10-29 | Infineon Technologies Ag | Fmcw radar with interference signal suppression using artificial neural network |
CN110764064A (zh) * | 2019-11-08 | 2020-02-07 | 哈尔滨工业大学 | 基于深度卷积神经网络集成的雷达干扰信号识别方法 |
CN110927706A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 基于卷积神经网络的雷达干扰检测识别方法 |
CN111783558A (zh) * | 2020-06-11 | 2020-10-16 | 上海交通大学 | 一种卫星导航干扰信号类型智能识别方法及*** |
Non-Patent Citations (2)
Title |
---|
金秋等: "基于深度卷积网络的雷达辐射源信号识别", 《现代防御技术》 * |
阮怀林等: "基于栈式稀疏自编码器的有源欺骗干扰识别", 《探测与控制学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113721215A (zh) * | 2021-08-25 | 2021-11-30 | 上海交通大学 | 一种基于SMRA和BiGRU的雷达HRRP海杂波分类方法 |
CN113721215B (zh) * | 2021-08-25 | 2024-01-30 | 上海交通大学 | 一种基于SMRA和BiGRU的雷达HRRP海杂波分类方法 |
CN114429156A (zh) * | 2022-01-21 | 2022-05-03 | 西安电子科技大学 | 雷达干扰多域特征对抗学习与检测识别方法 |
CN114429156B (zh) * | 2022-01-21 | 2023-06-20 | 西安电子科技大学 | 雷达干扰多域特征对抗学习与检测识别方法 |
CN114818828A (zh) * | 2022-05-18 | 2022-07-29 | 电子科技大学 | 雷达干扰感知模型的训练方法及雷达干扰信号识别方法 |
CN114818828B (zh) * | 2022-05-18 | 2024-04-05 | 电子科技大学 | 雷达干扰感知模型的训练方法及雷达干扰信号识别方法 |
CN114997244A (zh) * | 2022-07-19 | 2022-09-02 | 亿慧云智能科技(深圳)股份有限公司 | 一种基于人工智能的雷达信号特征识别管理***及方法 |
CN115840875A (zh) * | 2022-11-10 | 2023-03-24 | 北京擎天信安科技有限公司 | 一种基于Anomaly Transformer的毫米波雷达异常信号检测方法及*** |
CN117826113A (zh) * | 2024-03-05 | 2024-04-05 | 湖南赛能环测科技有限公司 | 一种深度感知的雷达微信号检测方法 |
CN117826113B (zh) * | 2024-03-05 | 2024-05-10 | 湖南赛能环测科技有限公司 | 一种深度感知的雷达微信号检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112904282A (zh) | 基于pwvd与卷积神经网络的雷达干扰信号识别方法 | |
CN107301432B (zh) | 基于时频分析的自适应辐射源调制识别方法 | |
CN110927706B (zh) | 基于卷积神经网络的雷达干扰检测识别方法 | |
CN101727662B (zh) | Sar图像非局部均值去斑方法 | |
Huynh-The et al. | Accurate LPI radar waveform recognition with CWD-TFA for deep convolutional network | |
CN112859012B (zh) | 一种基于级联卷积神经网络的雷达欺骗干扰识别方法 | |
CN111175718B (zh) | 联合时频域的地面雷达自动目标识别方法及*** | |
CN110059700B (zh) | 图像摩尔纹识别方法、装置、计算机设备及存储介质 | |
CN110221256B (zh) | 基于深度残差网络的sar干扰抑制方法 | |
CN109543643B (zh) | 基于一维全卷积神经网络的载波信号检测方法 | |
CN112560803A (zh) | 基于时频分析与机器学习的雷达信号调制识别方法 | |
CN113673312B (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
CN114895263A (zh) | 基于深度迁移学习的雷达有源干扰信号识别方法 | |
CN115661649B (zh) | 一种基于bp神经网络的船载微波雷达图像溢油探测方法及*** | |
DE102010013637A1 (de) | Verfahren zur Klassifizierung von Signalen nach der verwendeten Modulationsart | |
Qin et al. | Radar waveform recognition based on deep residual network | |
Andriyanov et al. | Pattern recognition on radar images using augmentation | |
CN115097396A (zh) | 基于cnn和lstm串联模型的雷达有源干扰识别方法 | |
CN114779185A (zh) | 编解码卷积神经网络的雷达信号抗干扰低损恢复方法 | |
CN112731331A (zh) | 基于信噪比自适应网络的微动目标噪声稳健识别方法 | |
Jin et al. | Radar signal recognition based on deep residual network with attention mechanism | |
CN111398955A (zh) | 一种基于生成对抗神经网络的sar图像去旁瓣方法 | |
CN114936570A (zh) | 基于轻量化cnn网络的干扰信号智能识别方法 | |
Li et al. | Interference classification and identification of TDCS based on improved convolutional neural network | |
Tian et al. | Multiresolution jamming recognition with few-shot 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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210604 |
|
WD01 | Invention patent application deemed withdrawn after publication |