CN114676721A - 基于径向基神经网络的雷达有源压制干扰识别方法及*** - Google Patents
基于径向基神经网络的雷达有源压制干扰识别方法及*** Download PDFInfo
- Publication number
- CN114676721A CN114676721A CN202210197833.6A CN202210197833A CN114676721A CN 114676721 A CN114676721 A CN 114676721A CN 202210197833 A CN202210197833 A CN 202210197833A CN 114676721 A CN114676721 A CN 114676721A
- Authority
- CN
- China
- Prior art keywords
- neural network
- interference
- radar
- rbf neural
- radial basis
- 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
- 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
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
-
- 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
- G06F2218/08—Feature extraction
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于径向基神经网络的雷达有源压制干扰识别方法及***,包括如下步骤:特征分别提取步骤:选择雷达有源干扰信号的时频域特征,对时频域特征进行分析和提取,完成预处理;神经网络训练步骤:选择RBF神经网络参数特征,确定RBF神经网络结构,并对所选择的参数特征构成的数据集进行训练集和测试集划分,分别进行RBF神经网络的训练和测试,得到RBF神经网络模型;识别结果输出步骤:将训练好的RBF神经网络模型用于雷达有源干扰样式识别,将经过预处理的时频域特征作为RBF神经网络模型的输入,得到RBF神经网络模型的输出结果。本发明能够提高雷达有源压制识别概率,为实现雷达有源压制干扰识别解决了技术难点。
Description
技术领域
本发明涉及雷达有源干扰识别技术领域,具体地,涉及一种基于径向基神经网络的雷达有源压制干扰识别方法及***。
背景技术
有源压制类干扰作为电子战中重要的干扰方式,也是战场环境下作战装备面临的主要软杀伤,为提高己方作战装备的抗干扰性能,合理调度抗干扰资源,需准确识别其干扰类型,为抗干扰措施生成提供依据。
目前,国内对复杂电磁环境下的干扰识别技术还处于相对初级阶段,如何对有源压制干扰进行有效识别,采取何种抗干扰措施,都依靠操作员的经验,具有较大不确定性和模糊性。目前有采用针对FRFT域,提取盒维数和信息维数作为特征参数来区分压制干扰和高斯白噪声的方法,并依此来识别压制干扰,但是由于采用FRFT,使得计算量较大,还有基于三种常规压制干扰在功率谱上与白噪声的差异,计算相关系数,并用门限监测方法识别干扰信号,但由于主要正对高干信比条件下的门限设置,使得低干信比时识别率较低。
因此,为提高己方雷达在实际作战过程中的抗干扰能力,亟需研究雷达有源压制干扰样式识别问题,提高对雷达有源压制干扰的识别概率和实时性,并具备工程可实现性。
公开号为CN107015207A的专利文献公开了一种基于FRFT域峰值离散特性的有源压制干扰分类识别方法,该方法主要包括以下步骤:(1)将连续多时段的雷达回波信号通过FRFT变换到FRFT域,通过峰值搜索得到多段信号在FRFT域的峰值所在变换阶次;(2)在FRFT域LFM信号与压制干扰信号的峰值表现出明显差异,在干信比较小的情况下,回波信号的目标特性明显,不需要进行压制干扰的分类识别,利用LFM信号的峰值特性对目标直接进行识别;(3)在干信比较大的情况下,无法对目标进行识别,但此时回波信号的压制干扰特性明显,根据不同压制干扰类型之间的峰值特性差异完成压制干扰的分类。但是该专利文献仍然存在计算量大,识别率低的缺陷。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于径向基神经网络的雷达有源压制干扰识别方法及***。
根据本发明提供的一种基于径向基神经网络的雷达有源压制干扰识别方法,包括如下步骤:
特征分别提取步骤:选择雷达有源干扰信号的时频域特征,对时频域特征进行分析和提取,完成预处理;
神经网络训练步骤:选择RBF神经网络参数特征,确定RBF神经网络结构,并对所选择的参数特征构成的数据集进行训练集和测试集划分,分别进行RBF神经网络的训练和测试,得到RBF神经网络模型;
识别结果输出步骤:将训练好的RBF神经网络模型用于雷达有源干扰样式识别,将经过预处理的时频域特征作为RBF神经网络模型的输入,得到RBF神经网络模型的输出结果。
优选的,所述时频域特征包括频域峰均值功率比、包络起伏度、脉压后最大值与脉压前信号绝对值的均值比和相关系数。
优选的,所述RBF神经网络采用三层结构的神经网络,所述三层结构分别为输入层、隐含层以及输出层。
优选的,采用径向基函数作为所述隐含层的神经元的激活函数。
优选的,所述径向基函数的分布密度为1。
优选的,所述隐含层的神经元的个数为40。
优选的,所述雷达有源干扰样式识别包括瞄频干扰识别、阻塞干扰识别、扫频干扰识别、噪声卷积干扰识别以及噪声乘积干扰识别。
优选的,雷达有源压制干扰识别的时间在3s以内,所述雷达有源压制干扰识别时间包含网络训练时间。
本发明还提供一种基于径向基神经网络的雷达有源压制干扰识别***,包括如下模块:
特征分别提取模块:选择雷达有源干扰信号的时频域特征,对时频域特征进行分析和提取,完成预处理;
神经网络训练模块:选择RBF神经网络参数特征,确定RBF神经网络结构,并对所选择的参数特征构成的数据集进行训练集和测试集划分,分别进行RBF神经网络的训练和测试,得到RBF神经网络模型;
识别结果输出模块:将训练好的RBF神经网络模型用于雷达有源干扰样式识别,将经过预处理的时频域特征作为RBF神经网络模型的输入,得到RBF神经网络模型的输出结果。
与现有技术相比,本发明具有如下的有益效果:
1、本发明能够提高雷达有源压制识别概率,为实现雷达有源压制干扰识别解决了技术难点;
2、本发明干扰识别准确率达到95%以上,满足工程应用需求,具有工程可实现性;
3、本发明通过调节隐含层的神经元个数,设置隐含层的神经元个数为40,保证了神经网络模型进行有源压制干扰识别的综合性能。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的基于径向基神经网络的雷达有源压制干扰识别方法的流程图;
图2是频域峰均值功率比随干信比变化曲线图;
图3是包络起伏度随干信比变化曲线图;
图4是脉压后最大值与脉压前喜好绝对值的均值比随干信比变化曲线图;
图5是相关系数随干信比变化曲线图;
图6是隐含层神经元个数对RBF神经网络性能影响图;
图7是基于RBF神经网络的有源压制干扰识别率图;
图8是RBF神经网络训练误差收敛曲线图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1:
如图1所示,本实施例提供一种基于径向基神经网络的雷达有源压制干扰识别方法,包括如下步骤:
特征分别提取步骤:选择雷达有源干扰信号的时频域特征,对时频域特征进行分析和提取,完成预处理,时频域特征包括频域峰均值功率比、包络起伏度、脉压后最大值与脉压前信号绝对值的均值比和相关系数。
神经网络训练步骤:选择RBF神经网络参数特征,确定RBF神经网络结构,并对所选择的参数特征构成的数据集进行训练集和测试集划分,分别进行RBF神经网络的训练和测试,得到RBF神经网络模型,RBF神经网络采用三层结构的神经网络,三层结构分别为输入层、隐含层以及输出层,采用径向基函数作为隐含层的神经元的激活函数,径向基函数为高斯函数径向基函数的分布密度为1,隐含层的神经元的个数为40。
识别结果输出步骤:将训练好的RBF神经网络模型用于雷达有源干扰样式识别,将经过预处理的时频域特征作为RBF神经网络模型的输入,得到RBF神经网络模型的输出结果,雷达有源干扰样式识别包括瞄频干扰识别、阻塞干扰识别、扫频干扰识别、噪声卷积干扰识别以及噪声乘积干扰识别,雷达有源压制干扰识别的时间在3s以内,雷达有源压制干扰识别时间包含网络训练时间。
实施例2:
本实施例提供一种基于径向基神经网络的雷达有源压制干扰识别***,包括如下模块:
特征分别提取模块:选择雷达有源干扰信号的时频域特征,对时频域特征进行分析和提取,完成预处理;
神经网络训练模块:选择RBF神经网络参数特征,确定RBF神经网络结构,并对所选择的参数特征构成的数据集进行训练集和测试集划分,分别进行RBF神经网络的训练和测试,得到RBF神经网络模型;
识别结果输出模块:将训练好的RBF神经网络模型用于雷达有源干扰样式识别,将经过预处理的时频域特征作为RBF神经网络模型的输入,得到RBF神经网络模型的输出结果。
实施例3:
本领域技术人员可以将本实施例理解为实施例1、实施例2的更为具体的说明。
本实施例提供一种基于径向基神经网络的雷达有源压制干扰识别方法,包括时频域特征分析提取和RBF神经网络算法实现。选择频域峰均值功率比、包络起伏度、脉压后最大值与脉压前信号绝对值的均值比和相关系数作为特征参数;RBF神经网络算法采用三层结构的神经网络,分别为输入层、隐含层和输出层并采用径向基函数作为隐含层神经元的激活函数,从进行瞄频干扰、阻塞干扰、扫频干扰、噪声卷积干扰、噪声乘积干扰识别。雷达有源压制干扰识别方法结合干扰信号时频域特征进行分析。
雷达有源压制干扰识别方法利用RBF神经网络收敛速度快、非线性拟合能力强的优势,提高雷达有源压制干扰识别的准确率和实时性。
干扰信号的时频特征为频域峰均值功率比、包络起伏度、脉压后最大值与脉压前信号绝对值的均值比和相关系数。
RBF神经网络采用三层结构的神经网络,采用径向基函数作为隐含层神经元的激活函数,将输入适量映射至隐空间。RBF神经网络采用隐含层神经元个数选择为40个,保证该网络模型进行有源压制干扰识别的综合性能。RBF神经网络径向基函数分布密度为1。
干扰样式识别可实现瞄频干扰、阻塞干扰、扫频干扰、噪声卷积干扰、噪声乘积干扰的有效识别。雷达有源压制干扰识别准确率稳定保持在95%以上。雷达有源压制干扰识别时间(含网络训练时间)在3s以内。
实施例4:
本领域技术人员可以将本实施例理解为实施例1、实施例2的更为具体的说明。
如图1~8所示,本实施例提供了一种基于径向基神经网络的雷达有源压制干扰识别方法,通过时频域分析,结合干扰时域和频域特征建立数据集,并采用RBF神经网络作为雷达有源压制干扰识别算法,通过分析和确定神经网络的结构,将特征数据集作为神经网络的输入,有源压制干扰样式为输出,实现雷达有源压制干扰的准确、快速识别。
频域峰均值功率比是体现干扰信号在频域起伏度的重要参数,对扫频干扰而言,其中心频率是及进行周期性变化的,信号在频域起伏较大,则频域峰均值功率比,因此,频域峰均值功率比可对扫频干扰、噪声乘积干扰和噪声卷积干扰进行识别。包络起伏度可反应干扰信号采样离散后在时域上的包络变化,根据不同干扰类型的数学模型可知,瞄频干扰、阻塞式干扰和噪声卷积干扰信号的时域包络起伏变化不大,而扫频干扰和噪声乘积干扰信号的时域包络起伏变化较大;脉压前后信号绝对值的均值比能够反映经过匹配滤波后的脉压增益情况。相关系数能够描述信号之间的相关性,噪声乘积干扰和白噪声的相关系数较大,而瞄频干扰、阻塞干扰和扫频干扰与白噪声干扰的相关系数较小,因此,选择频域峰均值功率比、包络起伏度、脉压后最大值与脉压前信号绝对值的均值比和相关系数等作为雷达有源压制干扰识别的特征参数,从而实现对不同压制性干扰的准确区分。
RBF神经网络采用三层结构,包括输入层、隐含层和输出层,RBF神经网络采用径向基函数作为隐含层神经元的激活函数,将输入向量映射至隐空间。
为提高RBF神经网络进行有源压制干扰识别的准确率和实时性,需要确定神经网络的隐含层神经元个数和径向基函数分布密度。
进一步地,对有源压制干扰进行识别需要平衡其识别率和训练耗时,隐含层神经元个数是影响神经网络训练效率的重要因素,若隐含层神经元个数较少,可能出现网络训练不充分,学习能力较低,神经网络输出结果难以达到预期目标;若隐含层神经网络个数较多,虽可能会提升网络误差精度,但是权重矩阵大小和阈值数量会随之增加,网络复杂度提升,增加网络学习时间。通过调节隐含层神经元个数,当隐含层神经元个数为40,以保证该网络模型进行有源压制干扰识别的综合性能。
进一步地,径向基函数分布密度是RBF神经网络的重要参数,这里选择径向基函数为高斯函数径向基函数分布密度是指高斯函数在位置为x=0的分布密度,综合考虑RBF神经网络识别概率和训练耗时,这里选择RBF神经网络径向基函数分布密度为1。
进一步地,对干扰信号特征参数集进行归一化处理,并划分训练集和测试集,然后进行RBF神经网络训练,将测试集作为训练好的RBF神经网络的输入,得到RBF神经网络输出结果,并计算雷达有源压制干扰识别准确率和耗时。
本实施例公开了一种雷达有源压制干扰识别方法,有源压制干扰是战场环境下雷达面临的主要软杀伤,解决有源压制干扰识别问题是提高雷达抗压制干扰性能关键技术之一。本实施例的方法通过提取干扰信号频域峰均值功率比、包络起伏度、脉压后最大值与脉压前信号绝对值的均值比和相关系数等四个特征,并对特征参数预处理作为RBF神经网络输入,具有收敛速度快、非线性拟合能力强的优势。
本发明通过选择雷达有源干扰信号的时频域特征,包括:频域峰均值功率比、包络起伏度、脉压后最大值与脉压前信号绝对值的均值比和相关系数等四个参数特征;然后RBF神经网络参数选择,确定神经网络结构,并对所选择的参数特征构成的数据集进行训练集和测试集划分,分别进行神经网络的训练和测试,将训练好的模型用于雷达有源干扰样式识别,本发明具有工程可实现性,解决雷达有源压制干扰识别的技术难题。
本发明通过选择雷达干扰信号时频域特征,然后通过调节RBF神经网络的结构,进行雷达有源压制干扰:瞄频干扰、阻塞干扰、扫频干扰、噪声卷积干扰、噪声乘积干扰识别,干扰识别准确率达到95%以上,满足工程应用需求,具有工程可实现性,为实现雷达有源压制干扰识别的技术难点。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的***及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于径向基神经网络的雷达有源压制干扰识别方法,其特征在于,包括如下步骤:
特征分别提取步骤:选择雷达有源干扰信号的时频域特征,对时频域特征进行分析和提取,完成预处理;
神经网络训练步骤:选择RBF神经网络参数特征,确定RBF神经网络结构,并对所选择的参数特征构成的数据集进行训练集和测试集划分,分别进行RBF神经网络的训练和测试,得到RBF神经网络模型;
识别结果输出步骤:将训练好的RBF神经网络模型用于雷达有源干扰样式识别,将经过预处理的时频域特征作为RBF神经网络模型的输入,得到RBF神经网络模型的输出结果。
2.根据权利要求1所述的基于径向基神经网络的雷达有源压制干扰识别方法,其特征在于,所述时频域特征包括频域峰均值功率比、包络起伏度、脉压后最大值与脉压前信号绝对值的均值比和相关系数。
3.根据权利要求1所述的基于径向基神经网络的雷达有源压制干扰识别方法,其特征在于,所述RBF神经网络采用三层结构的神经网络,所述三层结构分别为输入层、隐含层以及输出层。
4.根据权利要求3所述的基于径向基神经网络的雷达有源压制干扰识别方法,其特征在于,采用径向基函数作为所述隐含层的神经元的激活函数。
6.根据权利要求4所述的基于径向基神经网络的雷达有源压制干扰识别方法,其特征在于,所述径向基函数的分布密度为1。
7.根据权利要求3所述的基于径向基神经网络的雷达有源压制干扰识别方法,其特征在于,所述隐含层的神经元的个数为40。
8.根据权利要求1所述的基于径向基神经网络的雷达有源压制干扰识别方法,其特征在于,所述雷达有源干扰样式识别包括瞄频干扰识别、阻塞干扰识别、扫频干扰识别、噪声卷积干扰识别以及噪声乘积干扰识别。
9.根据权利要求1所述的基于径向基神经网络的雷达有源压制干扰识别方法,其特征在于,雷达有源压制干扰识别的时间在3s以内,所述雷达有源压制干扰识别时间包含网络训练时间。
10.一种基于径向基神经网络的雷达有源压制干扰识别***,其特征在于,包括如下模块:
特征分别提取模块:选择雷达有源干扰信号的时频域特征,对时频域特征进行分析和提取,完成预处理;
神经网络训练模块:选择RBF神经网络参数特征,确定RBF神经网络结构,并对所选择的参数特征构成的数据集进行训练集和测试集划分,分别进行RBF神经网络的训练和测试,得到RBF神经网络模型;
识别结果输出模块:将训练好的RBF神经网络模型用于雷达有源干扰样式识别,将经过预处理的时频域特征作为RBF神经网络模型的输入,得到RBF神经网络模型的输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210197833.6A CN114676721A (zh) | 2022-03-01 | 2022-03-01 | 基于径向基神经网络的雷达有源压制干扰识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210197833.6A CN114676721A (zh) | 2022-03-01 | 2022-03-01 | 基于径向基神经网络的雷达有源压制干扰识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114676721A true CN114676721A (zh) | 2022-06-28 |
Family
ID=82071517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210197833.6A Pending CN114676721A (zh) | 2022-03-01 | 2022-03-01 | 基于径向基神经网络的雷达有源压制干扰识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114676721A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116794611A (zh) * | 2023-08-28 | 2023-09-22 | 南京航天工业科技有限公司 | 一种恒干信比有源隐身目标干扰方法及*** |
-
2022
- 2022-03-01 CN CN202210197833.6A patent/CN114676721A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116794611A (zh) * | 2023-08-28 | 2023-09-22 | 南京航天工业科技有限公司 | 一种恒干信比有源隐身目标干扰方法及*** |
CN116794611B (zh) * | 2023-08-28 | 2023-11-03 | 南京航天工业科技有限公司 | 一种恒干信比有源隐身目标干扰方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783558A (zh) | 一种卫星导航干扰信号类型智能识别方法及*** | |
CN109597043B (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
CN112308008B (zh) | 基于迁移学习的工作模式开集的雷达辐射源个体识别方法 | |
CN112882009B (zh) | 基于幅度相位双通道网络的雷达微多普勒目标识别方法 | |
CN109766791B (zh) | 一种基于自编码器的通信信号调制识别方法 | |
CN111680737B (zh) | 差异性信噪比条件下的雷达辐射源个体识别方法 | |
CN113657491A (zh) | 一种用于信号调制类型识别的神经网络设计方法 | |
CN112859012A (zh) | 一种基于级联卷积神经网络的雷达欺骗干扰识别方法 | |
CN111985349B (zh) | 一种雷达接收信号类型分类识别方法及*** | |
CN111612130B (zh) | 一种频移键控通信信号调制方式识别方法 | |
CN111695461B (zh) | 一种基于图频特性的雷达杂波智能分类方法 | |
Nuhoglu et al. | Image segmentation for radar signal deinterleaving using deep learning | |
Lin et al. | Unknown radar waveform recognition based on transferred deep learning | |
Huang et al. | Radar waveform recognition based on multiple autocorrelation images | |
CN114117912A (zh) | 一种数据模型双驱动下的海杂波建模与抑制方法 | |
CN114897002A (zh) | 基于LPINet的低截获概率雷达信号脉内调制识别方法 | |
Kotenko et al. | An approach for intelligent evaluation of the state of complex autonomous objects based on the wavelet analysis | |
CN114676721A (zh) | 基于径向基神经网络的雷达有源压制干扰识别方法及*** | |
CN116797796A (zh) | Drfm间歇采样下基于时频分析与深度学习的信号识别方法 | |
Ruan et al. | Automatic recognition of radar signal types based on CNN-LSTM | |
Guven et al. | Classifying LPI radar waveforms with time-frequency transformations using multi-stage CNN system | |
CN115905919A (zh) | 基于afgan的雷达信号样本数据处理方法、目标识别方法及*** | |
CN115219991A (zh) | 一种基于希尔伯特变换的二相编码调制信号识别方法 | |
CN114580468A (zh) | 一种基于时频瀑布图和卷积神经网络的干扰信号识别方法 | |
Kang et al. | Aircraft classification method based on the kurtosis–skewness feature and wavelet decomposition and linear discriminant analysis |
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 |