KR101910540B1 - 시간 주파수 분석과 신경망을 이용한 레이더 변조 형태 인식 장치 및 방법 - Google Patents
시간 주파수 분석과 신경망을 이용한 레이더 변조 형태 인식 장치 및 방법 Download PDFInfo
- Publication number
- KR101910540B1 KR101910540B1 KR1020180029948A KR20180029948A KR101910540B1 KR 101910540 B1 KR101910540 B1 KR 101910540B1 KR 1020180029948 A KR1020180029948 A KR 1020180029948A KR 20180029948 A KR20180029948 A KR 20180029948A KR 101910540 B1 KR101910540 B1 KR 101910540B1
- Authority
- KR
- South Korea
- Prior art keywords
- radar signal
- time
- sampling
- frequency
- modulation
- Prior art date
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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (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)
- Image Analysis (AREA)
Abstract
본 발명의 일실시예에 따르면, 시간 주파수 분석과 신경망을 이용한 레이더 변조 형태 인식에 있어서, 탐지된 타겟 레이더 신호의 샘플링 감소 비율을 설정하고, 탐지된 타겟 레이더 신호에 대해 시간 주파수 분석 방법 중 CWD를 이용하여 시간에 따른 주파수 에너지 분포 이미지를 얻어내고, 얻어낸 이미지를 콘볼루션 신경망에 입력하여 타겟 레이더 신호의 변조 형태를 인식하도록 함으로써, LFM(Linear Frequency Modulation), Costas Code, BPSK(Binary Phase Shift Keying), Polyphase(Frank, P1, P2, P3, P4), Polytime(T1, T2, T3, T4) 등 12가지 변조 방식 펄스내 변조 및 지속파 레이더 신호의 변조형태를 noise가 많은 환경에서도 자동으로 빠르고 정확하게 인식할 수 있고 동시에 다른 변조방식의 레이더 신호의 변조형태에 대해서도 쉽게 인식할 수 있다.
Description
본 발명은 전자전 지원 시스템에 관한 것으로, 특히 전자전 지원 시스템에서 시간 주파수 분석과 신경망을 이용하여 레이더 신호의 변조 형태를 인식하는 장치 및 방법에 관한 것이다.
전자전 지원 시스템에서 레이더 신호를 탐지 및 식별하는 시스템은 중요한 기술 중 하나이다.
위와 같은 시스템에서 레이더 신호를 정확히 탐지 및 식별하기 위해서는 각 레이더 신호원을 수신 후, 수신된 레이더 신호로부터 해당 레이더 신호가 가지는 특성 분석한 후 식별인자를 얻어야한다.
이때, 각 레이더 신호원의 변조 형태는 레이더 신호의 식별을 위한 중요한 식별 변수 중 하나이며, 알아낸 레이더 변조 형태를 기반으로 레이더 신호의 주기, 주파수 등과 같은 식별인자들을 얻을 수 있다.
이어, 최종적으로 위와 같이 얻어진 식별인자들과 내장하고 있는 미리 저장된 식별 라이브러리를 비교하여 레이더 신호를 식별하게 된다.
그러나, 최근 들어, 레이더 기술의 점진적 발전과 전자파 신호를 사용하는 전장비의 급격한 증가 추세로 인하여 레이더 신호원을 정확하게 식별하는 것이 더욱 어려워지고 있다.
한편, 종래에는 위와 같은 레이더 신호의 식별을 위한 레이더 신호의 변조 형태 인식 방법으로서 레이더 신호 파워 스펙트럼의 지니계수값 또는 순시 주파수와 통계적 테스트(Statistical Test) 등과 같이 레이더 신호로부터 얻을 수 있는 다양한 특징 인자들을 사용하여 레이더 신호의 변조 형태를 인식하는 방법이 제안되어 왔다.
그러나, 종래의 특징 인자들을 이용하여 레이더 신호의 변조 형태를 인식하는 방법에서는 레이더 신호의 특정한 변조 형태만을 식별할 수 있으며, 기존에 알려진 특징 인자들로 식별되지 않는 레이더 신호의 식별을 위해서는 또 다른 특징 인자를 찾아내는 과정이 필요하다.
또한 레이더 신호의 수신 환경은 일반적으로 잡음이 많은 환경이기 때문에 신호 잡음이 많은 환경에서는 종래의 특징 인자들이 정확히 추출되지 않아 레이더 신호의 식별 성능이 저하되는 문제점이 있었다.
따라서, 본 발명의 일실시예에서는 전자전 지원 시스템에서 탐지된 타겟 레이더 신호에 대해 시간 주파수 분석 방법을 이용하여 시간에 따른 주파수 에너지 분포 이미지를 얻어내고, 얻어낸 이미지를 콘볼루션 신경망(Convolution Neural Network) 계열의 분류기에 입력하여 타겟 레이더 신호의 변조 형태를 인식하도록 하는 시간 주파수 분석과 신경망을 이용한 레이더 변조 형태 인식 장치 및 방법을 제공하고자 한다.
상술한 본 발명의 일실시예에 따른 레이더 변조 형태 인식 장치로서, 타겟 레이더 신호를 디지털 신호로 변환하여 이산 레이더 신호를 생성하는 레이더 신호 수신부와, 시간 주파수 분석 알고리즘을 이용하여 상기 전처리된 이산 레이더 신호에 대한 시간 주파수 이미지를 생성하는 시간 주파수 분석 처리부와, 상기 시간 주파수 이미지의 용량을 줄이는 전처리를 수행하는 이미지 전처리부와, 상기 전처리된 시간 주파수 이미지를 학습용 시간 주파수 이미지를 통해 상기 시간 주파수 이미지와 변조 형태 사이의 관계를 학습한 콘벌루션 신경망(Convolution Neural Network : CNN) 계열의 분류기에 입력하여 상기 타겟 레이더 신호의 변조 형태를 분석하는 변조 형태 인식부를 포함한다.
또한, 상기 시간 주파수 분석 처리부는, 상기 시간 주파수 분석 알고리즘으로서, 시간 주파수 분석 기술을 사용하여 상기 시간 주파수 이미지를 생성하는 것을 특징으로 한다.
또한, 상기 이미지 전처리부는, 상기 시간 주파수 이미지상 각 픽셀의 밝기값을 상기 시간 주파수 이미지상 각 픽셀의 밝기값 중 최대값으로 나눈 값을 상기 각 픽셀의 밝기값으로 대체하여 상기 이미지를 재구성하는 것을 특징으로 한다.
또한, 상기 변조 형태 인식부는, 서로 다른 변조 형태를 가지는 복수의 학습용 레이더 신호에 대한 학습용 시간 주파수 이미지를 상기 콘볼루션 신경망에 입력하여 상기 콘볼루션 신경망을 학습시키는 것을 특징으로 한다.
또한, 상기 시간 주파수 이미지는, 상기 전처리된 이산 레이더 신호의 시간에 따른 주파수별 에너지 분포를 이미지로 나타낸 것인 것을 특징으로 한다.
또한, 본 발명의 다른 일실시예에 따른 레이더 변조 형태 인식 장치로서, 타겟 레이더 신호를 디지털 신호로 변환하여 이산 레이더 신호를 생성하는 레이더 신호 수신부와, 상기 타겟 레이더 신호의 최대 주파수값을 이용하여 상기 이상 레이더 신호에 대한 샘플링 실행 여부와 상기 샘플링 실행 시의 샘플링 감소 비율을 결정하는 샘플링 결정부와, 상기 샘플링 실행이 결정되는 경우에만, 상기 이산 레이더 신호에 대해 전처리를 수행하여 상기 이산 레이더 신호의 샘플 개수를 기설정된 상기 샘플링 감소 비율에 따라 감소시키는 레이더 신호 전처리부와, 시간 주파수 분석 알고리즘을 이용하여 상기 전처리된 이산 레이더 신호에 대한 시간 주파수 이미지를 생성하는 시간 주파수 분석 처리부와, 상기 시간 주파수 이미지의 용량을 줄이는 전처리를 수행하는 이미지 전처리부와, 상기 전처리된 시간 주파수 이미지를 학습용 시간 주파수 이미지를 통해 상기 시간 주파수 이미지와 변조 형태 사이의 관계를 학습한 콘벌루션 신경망(Convolution Neural Network : CNN) 계열의 분류기에 입력하여 상기 타겟 레이더 신호의 변조 형태를 분석하는 변조 형태 인식부를 포함한다.
또한, 상기 샘플링 결정부는, 상기 최대 주파수값을 이용하여 상기 타겟 레이더 신호의 샘플 개수를 몇 배로 줄일지 여부를 나타내는 상기 샘플링 감소 비율을 산출하고, 상기 샘플링 감소 비율이 기설정된 비율 이상으로 산출되는 경우 상기 타겟 레이더 신호에 대해 샘플링을 실행하는 결정하고, 상기 샘플링 감소 비율이 기설정된 비율 미만인 경우 상기 타겟 레이더 신호에 대해 상기 샘플링을 실행하지 않는 것을 결정하는 것을 특징으로 한다.
또한, 상기 레이더 신호 전처리부는, 상기 이산 레이더 신호내에서 복수개의 연속된 샘플의 평균값을 산출하고, 상기 복수개의 샘플을 상기 산출된 평균값을 가지는 하나의 샘플로 대체하여 상기 이산 레이더 신호의 샘플 개수를 상기 샘플링 감소 비율에 따라 감소시키는 것을 특징으로 한다.
또한, 상기 시간 주파수 분석 처리부는, 상기 시간 주파수 분석 알고리즘으로서, 시간 주파수 분석 기술을 사용하여 상기 시간 주파수 이미지를 생성하는 것을 특징으로 한다.
또한, 상기 시간 주파수 이미지는, 상기 전처리된 이산 레이더 신호의 시간에 따른 주파수별 에너지 분포를 이미지로 나타낸 것을 특징으로 한다.
또한, 상기 이미지 전처리부는, 상기 시간 주파수 이미지상 각 픽셀의 밝기값을 상기 시간 주파수 이미지상 각 픽셀의 밝기값 중 최대값으로 나눈 값을 상기 각 픽셀의 밝기값으로 대체하여 상기 이미지를 재구성하는 것을 특징으로 한다.
또한, 상기 변조 형태 인식부는, 서로 다른 변조 형태를 가지는 복수의 학습용 레이더 신호에 대한 학습용 시간 주파수 이미지를 상기 콘볼루션 신경망에 입력하여 상기 콘볼루션 신경망을 학습시키는 것을 특징으로 한다.
또한, 상기 장치는, 상기 변조 형태 인식부를 통해 상기 타겟 레이더 신호의 변조 형태가 폴리페이즈(polyphase)로 변조된 지속파 레이더 신호로 인식된 경우, 상기 타겟 레이더 신호의 중심 주파수와 주기를 추정하여 상기 타겟 레이더 신호의 코드 길이와 특징 인자를 추출하고, 상기 코드 길이와 상기 특징 인자를 이용하여 상기 타겟 레이더 신호의 세부 변조 형태를 인식하는 변조 형태 인식 보조부를 더 포함하는 것을 특징으로 한다.
또한, 상기 특징 인자는, 상기 레이더 신호의 주파수 또는 대역폭에 대한 정보인 것을 특징으로 한다.
또한, 본 발명의 일실시예에 따른 레이더 변조 형태 인식 방법으로서, 타겟 레이더 신호가 수신되는 경우 디지털 신호로 변환하여 이산 레이더 신호를 생성하는 단계와, 상기 타겟 레이더 신호의 최대 주파수값을 이용하여 상기 이상 레이더 신호에 대한 샘플링 실행 여부와 상기 샘플링 실행 시의 샘플링 감소 비율을 결정하는 단계와, 상기 샘플링 실행이 결정되는 경우, 상기 이산 레이더 신호의 샘플링 개수를 기설정된 상기 샘플링 감소 비율로 감소시키는 단계와, 시간 주파수 분석 알고리즘을 이용하여 상기 이산 레이더 신호에 대한 시간 주파수 이미지를 생성하는 단계와, 상기 시간 주파수 이미지의 용량을 줄이는 전처리를 수행하는 단계와, 상기 전처리된 시간 주파수 이미지를 학습용 시간 주파수 이미지를 통해 상기 시간 주파수 이미지와 변조 형태 사이의 관계를 학습한 콘벌루션 신경망에 입력하여 상기 타겟 레이더 신호의 변조 형태를 인식하는 단계를 포함한다.
또한, 상기 결정하는 단계는, 상기 최대 주파수값을 이용하여 상기 타겟 레이더 신호의 샘플 개수를 몇 배로 줄일지 여부를 나타내는 상기 샘플링 감소 비율을 산출하는 단계와, 상기 샘플링 감소 비율이 기설정된 비율 이상으로 산출되는 경우 상기 샘플링 실행을 결정하는 단계와, 상기 샘플링 감소 비율이 기설정된 비율 미만인 경우 상기 타겟 레이더 신호에 대한 샘플링을 실행하지 않는 것을 결정하는 단계를 포함하는 것을 특징으로 한다.
또한, 상기 레이더 신호의 샘플 수를 감소시키는 단계는, 상기 이산 레이더 신호 내에서 복수개의 연속된 샘플의 평균값을 산출하는 단계와, 상기 복수개의 샘플을 상기 산출된 평균값을 가지는 하나의 샘플로 대체하여 상기 이산 레이더 신호의 샘플 개수를 상기 샘플링 감소 비율에 따라 감소시키는 단계를 포함하는 것을 특징으로 한다.
또한, 상기 시간 주파수 이미지는, 상기 시간 주파수 분석 알고리즘으로서, 시간 주파수 분석 기술을 사용하여 생성되는 것을 특징으로 한다.
또한, 상기 이미지 전처리를 수행하는 단계는, 상기 시간 주파수 이미지상 각 픽셀의 밝기값을 상기 시간 주파수 이미지상 각 픽셀의 밝기값 중 최대값으로 나눈 값을 상기 각 픽셀의 밝기값으로 대체하여 상기 이미지를 재구성하는 단계인 것을 특징으로 한다.
또한, 상기 인식하는 단계는, 서로 다른 변조 형태를 가지는 복수의 학습용 레이더 신호에 대한 학습용 시간 주파수 이미지를 콘볼루션 신경망에 입력하여 상기 콘볼루션 신경망을 학습시키는 단계와, 상기 전처리된 시간 주파수 이미지를 상기 학습된 콘볼루션 신경망에 입력하여 상기 타겟 레이더 신호의 변조 형태를 인식하는 단계를 포함하는 것을 특징으로 한다.
또한, 상기 방법은, 상기 타겟 레이더 신호의 변조 형태가 폴리페이즈(polyphase)로 변조된 지속파 레이더 신호로 인식된 경우, 상기 타겟 레이더 신호의 중심 주파수와 주기를 추정하여 상기 타겟 레이더 신호의 코드 길이와 특징 인자를 추출하는 단계와, 상기 코드 길이와 상기 특징 인자를 이용하여 상기 타겟 레이더 신호의 세부 변조 형태를 인식하는 단계를 더 포함하는 것을 특징으로 한다.
본 발명의 일실시예에 따르면, 시간 주파수 분석과 신경망을 이용한 레이더 변조 형태 인식에 있어서, 탐지된 타겟 레이더 신호에 대해 시간 주파수 분석 방법을 이용하여 시간에 따른 주파수 에너지 분포 이미지를 얻어내고, 얻어낸 이미지를 콘볼루션 신경망에 입력하여 타겟 레이더 신호의 변조 형태를 인식하도록 함으로써, LFM(Linear Frequency Modulation), Costas Code, BPSK(Binary Phase Shift Keying), Polyphase(Frank, P1, P2, P3, P4), Polytime(T1, T2, T3, T4) 등 12가지 변조 방식 펄스 내 변조 및 지속파 레이더 신호의 변조형태를 자동으로 인식할 수 있고 동시에 다른 변조방식의 레이더 신호의 변조형태에 대해서도 쉽게 인식할 수 있다.
본 발명의 일실시예에 따르면, 이산 레이더 신호의 샘플링 개수를 기설정된 샘플링 감소 비율로 감소시키는 단계와 시간주파수 분석 및 CNN 계열 분류기를 사용함으로써 신호의 세기 대비 noise가 많은 환경에서도 레이더 변조형태를 빠르고 정확하게 인식 할 수 있다.
도 1은 본 발명의 일실시예에 따른 시간 주파수 분석과 신경망을 이용한 레이더 변조 형태 인식 장치의 기능 블록 구성도.
도 2는 본 발명의 일실시예에 따른 레이더 신호 전처리부의 동작 제어 흐름도.
도 3은 본 발명의 일실시예에 따라 CWD를 통해 분석되는 12가지 펄스 내 변조 레이더 신호의 변조 형태 각각에 대응되는 시간 주파수 이미지 예시도.
도 4은 본 발명의 일실시예에 따라 CWD를 통해 분석되는 12가지 지속파 레이더 신호의 변조 형태 각각에 대응되는 시간 주파수 이미지 예시도.
도 5은 본 발명의 일실시예에 따른 이미지 전처리부의 동작 제어 흐름도.
도 6은 본 발명의 일실시예에 따른 변조 형태 인식부의 동작 제어 흐름도.
도 2는 본 발명의 일실시예에 따른 레이더 신호 전처리부의 동작 제어 흐름도.
도 3은 본 발명의 일실시예에 따라 CWD를 통해 분석되는 12가지 펄스 내 변조 레이더 신호의 변조 형태 각각에 대응되는 시간 주파수 이미지 예시도.
도 4은 본 발명의 일실시예에 따라 CWD를 통해 분석되는 12가지 지속파 레이더 신호의 변조 형태 각각에 대응되는 시간 주파수 이미지 예시도.
도 5은 본 발명의 일실시예에 따른 이미지 전처리부의 동작 제어 흐름도.
도 6은 본 발명의 일실시예에 따른 변조 형태 인식부의 동작 제어 흐름도.
이하, 첨부된 도면을 참조하여 본 발명의 동작 원리를 상세히 설명한다. 하기에서 본 발명을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 본 발명의 일실시예에 따른 시간 주파수 분석과 신경망을 이용한 레이더 변조 형태 인식 장치의 기능 블록 구성을 도시한 것이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 시간 주파수 분석과 신경망을 이용한 레이더 변조 형태 인식장치(100)는 레이더 신호 수신부(102), 샘플링 결정부(104) 레이더 신호 전처리부(106), 시간 주파수 분석 처리부(108), 이미지 전처리부(110), 변조형태 인식부(112), 변조형태 인식보조부(114) 등을 포함할 수 있다.
먼저, 레이더 신호 수신부(102)는 변조 형태 인식이 필요한 타겟 레이더 신호를 수신하는 경우 수신된 타겟 레이더 신호의 주파수를 다운 컨버전(down conversion)시킨 후, 다운 컨버전된 아날로그 타겟 레이더 신호를 샘플링(sampling)하여 디지털 신호로 변환시킨다. 이에 따라 타겟 레이더 신호는 디지털 변환을 통해 이산(discrete) 레이더 신호로 변환될 수 있다.
이때, 레이더 신호 수신부(102)를 통해 디지털 신호로 변환된 이산 레이더 신호(y[k])는 아래의 [수학식1]과 같이 표현될 수 있다.
여기서, 는 수신된 복조 이산 레이더 신호이고, 는 부가 백색 가우스 잡음(AWGN, additive white gaussian noise)이고, 는 0이 아닌 상수를 의미할 수 있다. 또한, 는 샘플링 비율(sampling rate)이며, 는 마다 얻어지는 샘플링 인덱스(sample index)를 나타낼 수 있다.
다음으로, 샘플링 결정부(104)는 레이더 신호 수신부(102)로부터 생성된 이산 데이터 신호에 대해 기설정된 복수개의 연속된 샘플을 선택하여, 선택된 복수개의 샘플의 크기에 대하여 평균하는 기술 사용 유무를 결정하고 동시에 샘플링 감소 비율을 설정한다.
다음으로, 레이더 신호 전처리부(106)는 레이더 신호 수신부(102)로부터 생성된 이산 레이더 신호에 대해 전처리를 수행할 수 있는 조건인지 샘플링 결정부(104)로부터 판단 후 처리할 수 있는 조건이 되면 이산 레이더 신호의 개수를 기설정된 샘플링 감소 비율로 감소시킨다.
도 2는 본 발명의 일실시예에 따른 레이더 신호 전처리부(106)의 동작 제어 흐름을 도시한 것이다. 이하에서는 도 2를 참조하여 샘플링 결정부(104)와 레이더 신호 전처리부(106)에서의 동작을 보다 상세히 설명하기로 한다.
샘플링 결정부(104)는 레이더 신호 수신부(102)로부터 디지털 처리된 이산 레이던 신호(y[k])를 입력받는다(S200).
이어, 샘플링 결정부(104)는 수신된 타겟 레이더 신호의 최대 주파수 값을 추정하여 샘플의 개수를 줄일지 결정하고 줄이게 될 경우의 샘플링 감소 비율을 정하게 된다.
위 [수학식 3]에서, 는 수신된 레이더 신호의 순간 주파수의 최대값이고, 는 중간 주파수이고, 는 레이더 신호 수신부(102)의 대역필터(band pass filter)의 대역폭(bandwidth)이다.
또한, [수학식 3]에서 얻은 수신된 레이더 신호 순간 주파수 최대값을 이용하여 [수학식 4]에서처럼 샘플링 감소 비율을 구할 수 있다.
위 [수학식 4]에서 은 한 개의 반송파(carrier wave)를 나타내는 샘플(sample)의 개수를 의미하고, 는 한 개의 반송파를 나타내는 데 필요한 최소 샘플의 개수를 의미하고, 는 샘플의 개수를 몇 배로 줄일지를 나타낸다.
즉, 라는 조건을 만족하면, 샘플링 결정부(104)에서 샘플링 실행 여부를 결정하게 되고, 이에 따라 레이더 신호 전처리부(106)는 평균값을 이용하여 이산 레이더 신호의 샘플링 개수를 줄인다(S204).
예를 들어, 레이더 신호 전처리부(106)는 이산 레이더 신호의 샘플링 개수를 줄이는 동작에 있어서, 디지털 변환된 이산 레이더 신호에 대해 기설정된 복수개의 연속된 샘플을 선택하여, 선택된 복수개의 샘플의 크기에 대한 평균값을 산출한다. 이어, 복수개의 샘플에 대해 산출된 평균값을 가지는 하나의 샘플로 대체한다. 이에 따라, 예를 들어 4개의 샘플을 선택하여 하나의 샘플로 생성하는 경우 이산 레이더 신호의 샘플 개수가 1/4로 줄어들게 되어 후속되는 시간 주파수 분석 처리부(108)에서 이산 레이더 신호의 시간에 따른 주파수 에너지 분포를 분석하기 위한 연산 과정이 보다 단순화될 수 있다.
또한, 위와 같이 이산 레이더 신호의 개수를 기설정된 개수 만큼 선택하여 그 선택된 신호들의 크기의 평균값을 산출하여 하나의 신호로 만드는 방법은 후속되는 시간 주파수 분석 처리부(108)에서의 시간 주파수 분석시 잡음(noise) 부분에 비해 신호에 해당하는 부분이 상대적으로 더 큰 값을 가지게 하는 효과가 있어 잡음에 더 강인해 질 수 있게 된다.
위와 같이, 전처리된 이산 레이더 신호는 시간 주파수 분석 처리부(108)로 인가되어 수신된 레이더 신호의 시간에 따른 주파수 에너지 분포를 분석하는데 사용될 수 있다.
다음으로, 시간 주파수 분석 처리부(108)는 레이더 신호 전처리부(106)에서 전처리된 이산 레이더 신호에 대해 시간 주파수 분석 알고리즘을 이용하여 시간 주파수 이미지를 생성한다. 이러한 시간 주파수 이미지는 이산 레이더 신호의 시간에 따른 주파수의 에너지 분포에 대한 정보를 포함한 이미지 이다.
이때, 시간 주파수 분석 처리부(108)는 시간에 따른 주파수 에너지양을 분석하기 위해 시간 주파수 분석 알고리즘을 사용하는데, 여기에서는 여러 가지 시간 주파수 분석 알고리즘 중 최-윌리암 분석(Choi-William Distribution, CWD) 알고리즘을 사용하는 것을 예를 들어 설명하나, 이에 한정되는 것은 아니다.
도 3은 본 발명의 일실시예에 따라 CWD를 통해 분석되는 12가지 펄스 내 변조 레이더 신호의 변조 형태 각각에 대응되는 시간 주파수 이미지 예시도이다.
도 4은 본 발명의 일실시예에 따라 CWD를 통해 분석되는 12가지 지속파 레이더 신호의 변조 형태 각각에 대응되는 시간 주파수 이미지 예시도이다.
도 3, 4를 참조하면, 이러한, 12가지 펄스내 변조 및 지속파 레이더 신호의 변조 형태는 예를 들어 LFM(Linear Frequency Modulation), Costas Code, BPSK(Binary Phase Shift Keying), Polyphase(Frank, P1, P2, P3, P4), Polytime(T1, T2, T3, T4) 등이 포함될 수 있다. 한편, 도 3, 4에서는 12가지펄스내 변조 및 지속파 레이더 신호의 변조 형태를 예시하였으나, 12가지의 변조 형태외에 다른 것 혹은 더 많은 수의 변조 형태도 분석 가능함은 물론이다.
다음으로, 이미지 전처리부(110)는 시간 주파수 분석 처리부(108)에서 생성된 타겟 레이더 신호에 대한 시간 주파수 이미지에 대한 전처리를 수행한다.
도 5는 본 발명의 일실시예에 따른 이미지 전처리부(110)의 동작 제어 흐름을 도시한 것이다. 이하에서는 도 5를 참조하여 이미지 전처리부(110)에서의 동작을 보다 상세히 설명하기로 한다.
이어, 시간 주파수 이미지 상 각 픽셀의 밝기값 중 최대값을 찾아 각 픽셀의 밝기값을 최대값으로 나눈 값을 각 픽셀의 밝기값으로 대체하는 표준화처리를 수행하여 타겟 레이더 신호에 대한 시간 주파수 이미지를 재구성한다(S504).
이어, 이미지 전처리부(110)는 재구성된 시간 주파수 이미지를 변조 형태 인식부(112)의 CNN 분류기에서 처리 가능한 이미지 크기로 줄인다(S506). 이때, 이미지 전처리부(110)는 이미지 크기를 줄임에 있어서, 시간 주파수 이미지가 가지고 있는 정보를 잃는 정도와 변조 형태 인식부(112)에서의 연산처리 속도를 고려하여 이미지의 크기를 줄이는 정도를 결정할 수 있으나, 이에 한정되는 것은 아니다.
다음으로, 변조 형태 인식부(112)는 이미지 전처리부(110)로부터 생성된 전처리된 이미지를 학습용 시간 주파수 이미지를 통해 시간 주파수 이미지와 변조 형태 사이의 관계를 학습한 콘벌루션 신경망(Convolution Neural Network : CNN)에 입력하여 타겟 레이더 신호의 변조 형태를 인식한다. 한편, 변조형태 분류기는 CNN에 한정되지 않고, CNN 계열의 신경망으로 분류기가 될 수 있다.
도 6은 본 발명의 일실시예에 따른 변조 형태 인식부(112)의 동작 제어 흐름을 도시한 것이다. 이하에서는 도 6을 참조하여 변조 형태 인식부(112)의 동작을 보다 상세히 설명하기로 한다.
변조 형태 인식부(112)는 이미지 전처리부(110)에서 전처리된 타겟 레이더 신호의 시간 주파수 이미지를 읽어온다(S600).
이어, 변조 형태 인식부(112)는 읽어온 타겟 레이더 신호의 시간 주파수 이미지를 미리 학습된 CNN 분류기에 입력하여 타겟 레이더 신호의 변조 형태를 인식한다(S602).
이때, CNN 분류기는 일정한 크기의 이미지 필터(image filter)를 이동시키며, 기저장된 시간 주파수 이미지와 콘벌루션(convolution) 연산을 하여 특징을 추출해내고, 추출해낸 특징을 통해 원하는 결과를 분류하는 분류기를 의미할 수 있다.
변조 형태 인식부(112)는 본 발명의 일실시예에서는 이러한 CNN 분류기에 미리 알려진 서로 다른 변조 형태를 가지는 복수의 학습용 레이더 신호에 대한 학습용 시간 주파수 이미지를 입력하여 학습시킨 후, 타겟 레이더 신호에 대한 시간 주파수 이미지가 입력되는 경우 학습된 CNN 분류기를 이용하여 타겟 레이더 신호에 대한 변조 형태를 인식한다.
이어, 변조 형태 인식 보조부(114)는 일부 시간 주파수이미지 만으로 인식하기 모호한 레이더 신호가 분류 된 경우, 시간주파수 이미지와 레이더 신호 변조 인식 결과를 이용해 추출한 특징 인자들을 결정 트리(decision tree)나 신경망과 같은 분류기에 입력해 보다 세부적으로 인식한다(S604).
즉, 변조 형태 인식 보조부(114)는 변조 형태 인식부(112)에서 인식한 결과가 폴리페이즈(polyphase)로 변조 된 지속파 레이더 신호로 분류됐을 경우, 시간주파수 분석 처리부(108)로부터 수신한 저피탐 레이더 신호의 중심주파수, 주기, 대역폭, 코드 길이와 같은 특징 인자들을 얻어 세부적으로 저피탐 레이더 신호를 인식하게 된다.
이때, 예를 들어 Frank 또는 P1으로 분류 된 신호의 코드길이가 홀수 개면, 두 지속파 레이더 신호는 같은 신호이므로 구별 할 필요가 없다. 신호의 코드 길이가 짝수 개일 경우, 추출한 주파수, 코드길이 같은 특징 인자들을 이용해 Frank와 P1신호를 생성 후 수신한 신호와 상관관계(correlation) 연산 결과가 높은 신호로 분류한다.
또한 P3 또는 P4으로 분류 된 신호의 코드길이가 짝수 개면, 두 지속파 레이더 신호는 같은 신호이므로 구별할 필요가 없다. 신호의 코드길이가 홀수 개 일 경우, P3의 경우는 시간 주파수 이미지만을 특징으로 인식 할 수 있다.
상술한 바와 같이, 본 발명의 일실시예에 따르면, 시간 주파수 분석과 신경망을 이용한 레이더 변조 형태 인식에 있어서, 탐지된 타겟 레이더 신호의 샘플링 감소 비율을 설정하고, 탐지된 타겟 레이더 신호에 대해 시간 주파수 분석 방법 중 CWD를 이용하여 시간에 따른 주파수 에너지 분포 이미지를 얻어내고, 얻어낸 이미지를 콘볼루션 신경망에 입력하여 타겟 레이더 신호의 변조 형태를 인식하도록 함으로써, LFM(Linear Frequency Modulation), Costas Code, BPSK(Binary Phase Shift Keying), Polyphase(Frank, P1, P2, P3, P4), Polytime(T1, T2, T3, T4) 등 12가지 변조 방식 펄스내 변조 혹은 지속파 레이더 신호의 변조형태를 자동으로 인식할 수 있고 동시에 다른 변조방식의 레이더 신호의 변조형태에 대해서도 쉽게 인식할 수 있다.
본 발명에 첨부된 각 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 흐름도의 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시예들에서는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
한편 상술한 본 발명의 설명에서는 구체적인 실시예에 관해 설명하였으나, 여러 가지 변형이 본 발명의 범위에서 벗어나지 않고 실시될 수 있다. 따라서 발명의 범위는 설명된 실시 예에 의하여 정할 것이 아니고 특허청구범위에 의해 정하여져야 한다.
102 : 레이더 신호 수신부 104 : 샘플링 결정부
106 : 레이더 신호 전처리부 108 : 시간 주파수 분석부
110 : 이미지 전처리부 112 : 변조형태 인식부
114 : 변조형태 인식 보조부
106 : 레이더 신호 전처리부 108 : 시간 주파수 분석부
110 : 이미지 전처리부 112 : 변조형태 인식부
114 : 변조형태 인식 보조부
Claims (16)
- 타겟 레이더 신호를 디지털 신호로 변환하여 이산 레이더 신호를 생성하는 레이더 신호 수신부와,
상기 타겟 레이더 신호의 최대 주파수값을 이용하여 상기 이산 레이더 신호에 대한 샘플링 실행 여부와 상기 샘플링 실행 시의 샘플링 감소 비율을 결정하는 샘플링 결정부와,
상기 샘플링 실행이 결정되는 경우에만, 상기 이산 레이더 신호에 대해 전처리를 수행하여 상기 이산 레이더 신호의 샘플 개수를 기설정된 상기 샘플링 감소 비율에 따라 감소시키는 레이더 신호 전처리부와,
시간 주파수 분석 알고리즘을 이용하여 상기 전처리된 이산 레이더 신호에 대한 시간 주파수 이미지를 생성하는 시간 주파수 분석 처리부와,
상기 시간 주파수 이미지의 용량을 줄이는 전처리를 수행하는 이미지 전처리부와,
상기 전처리된 시간 주파수 이미지를 학습용 시간 주파수 이미지를 통해 상기 시간 주파수 이미지와 변조 형태 사이의 관계를 학습한 콘벌루션 신경망(Convolution Neural Network : CNN) 계열의 분류기에 입력하여 상기 타겟 레이더 신호의 변조 형태를 분석하는 변조 형태 인식부와,
상기 변조 형태 인식부를 통해 상기 타겟 레이더 신호의 변조 형태가 폴리페이즈(polyphase)로 변조된 지속파 레이더 신호로 인식된 경우, 상기 타겟 레이더 신호로부터 추출한 특징 인자 - 상기 특징 인자는 중심 주파수, 주기, 대역폭, 상기 타겟 레이더 신호의 코드길이를 포함함 - 를 이용하여 상기 타겟 레이더 신호의 세부 변조 형태를 인식하는 변조 형태 인식 보조부를 포함하는
레이더 변조 형태 인식 장치.
- 제 1 항에 있어서,
상기 샘플링 결정부는,
상기 최대 주파수값을 이용하여 상기 타겟 레이더 신호의 샘플 개수를 몇 배로 줄일지 여부를 나타내는 상기 샘플링 감소 비율을 산출하고, 상기 샘플링 감소 비율이 기설정된 비율 이상으로 산출되는 경우 상기 타겟 레이더 신호에 대해 샘플링을 실행하는 결정하고, 상기 샘플링 감소 비율이 기설정된 비율 미만인 경우 상기 타겟 레이더 신호에 대해 상기 샘플링을 실행하지 않는 것을 결정하는
레이더 변조 형태 인식 장치.
- 제 1 항에 있어서,
상기 레이더 신호 전처리부는,
상기 이산 레이더 신호내에서 복수개의 연속된 샘플의 평균값을 산출하고, 상기 복수개의 샘플을 상기 산출된 평균값을 가지는 하나의 샘플로 대체하여 상기 이산 레이더 신호의 샘플 개수를 상기 샘플링 감소 비율에 따라 감소시키는
레이더 변조 형태 인식 장치.
- 제 1 항에 있어서,
상기 시간 주파수 분석 처리부는,
상기 시간 주파수 분석 알고리즘으로서, 시간 주파수 분석 기술을 사용하여 상기 시간 주파수 이미지를 생성하는
레이더 변조 형태 인식 장치.
- 제 1 항에 있어서,
상기 시간 주파수 이미지는,
상기 전처리된 이산 레이더 신호의 시간에 따른 주파수별 에너지 분포를 이미지로 나타낸 것인
레이더 변조 형태 인식 장치.
- 제 1 항에 있어서,
상기 이미지 전처리부는,
상기 시간 주파수 이미지상 각 픽셀의 밝기값을 상기 시간 주파수 이미지상 각 픽셀의 밝기값 중 최대값으로 나눈 값을 상기 각 픽셀의 밝기값으로 대체하여 상기 이미지를 재구성하는
레이더 변조 형태 인식 장치.
- 제 1 항에 있어서,
상기 변조 형태 인식부는,
서로 다른 변조 형태를 가지는 복수의 학습용 레이더 신호에 대한 학습용 시간 주파수 이미지를 상기 콘볼루션 신경망에 입력하여 상기 콘볼루션 신경망을 학습시키는
레이더 변조 형태 인식 장치.
- 삭제
- 삭제
- 타겟 레이더 신호가 수신되는 경우 디지털 신호로 변환하여 이산 레이더 신호를 생성하는 단계와,
상기 타겟 레이더 신호의 최대 주파수값을 이용하여 상기 이산 레이더 신호에 대한 샘플링 실행 여부와 상기 샘플링 실행 시의 샘플링 감소 비율을 결정하는 단계와,
상기 샘플링 실행이 결정되는 경우, 상기 이산 레이더 신호의 샘플링 개수를 기설정된 상기 샘플링 감소 비율로 감소시키는 단계와,
시간 주파수 분석 알고리즘을 이용하여 상기 이산 레이더 신호에 대한 시간 주파수 이미지를 생성하는 단계와,
상기 시간 주파수 이미지의 용량을 줄이는 전처리를 수행하는 단계와,
상기 전처리된 시간 주파수 이미지를 학습용 시간 주파수 이미지를 통해 상기 시간 주파수 이미지와 변조 형태 사이의 관계를 학습한 콘벌루션 신경망에 입력하여 상기 타겟 레이더 신호의 변조 형태를 인식하는 단계와,
상기 타겟 레이더 신호가 폴리페이즈(polyphase)로 변조된 지속파 레이더 신호로 인식될 경우, 상기 타겟 레이더 신호로부터 특징 인자 - 상기 특징 인자는 중심 주파수, 주기, 대역폭, 상기 타겟 레이더 신호의 코드길이를 포함함 - 를 추출하는 단계와,
상기 특징 인자를 이용하여 상기 타겟 레이더 신호의 세부 변조 형태를 인식하는 단계를 포함하는
레이더 변조 형태 인식 방법.
- 제 10 항에 있어서,
상기 결정하는 단계는,
상기 최대 주파수값을 이용하여 상기 타겟 레이더 신호의 샘플 개수를 몇 배로 줄일지 여부를 나타내는 상기 샘플링 감소 비율을 산출하는 단계와,
상기 샘플링 감소 비율이 기설정된 비율 이상으로 산출되는 경우 상기 샘플링 실행을 결정하는 단계와,
상기 샘플링 감소 비율이 기설정된 비율 미만인 경우 상기 타겟 레이더 신호에 대한 샘플링을 실행하지 않는 것을 결정하는 단계를 포함하는
레이더 변조 형태 인식 방법.
- 제 10 항에 있어서,
상기 레이더 신호의 샘플 수를 감소시키는 단계는,
상기 이산 레이더 신호 내에서 복수개의 연속된 샘플의 평균값을 산출하는 단계와,
상기 복수개의 샘플을 상기 산출된 평균값을 가지는 하나의 샘플로 대체하여 상기 이산 레이더 신호의 샘플 개수를 상기 샘플링 감소 비율에 따라 감소시키는 단계를 포함하는
레이더 변조 형태 인식 방법.
- 제 10 항에 있어서,
상기 시간 주파수 이미지는,
상기 시간 주파수 분석 알고리즘으로서, 시간 주파수 분석 기술을 사용하여 생성되는
레이더 변조 형태 인식 방법.
- 제 10 항에 있어서,
상기 이미지 전처리를 수행하는 단계는,
상기 시간 주파수 이미지상 각 픽셀의 밝기값을 상기 시간 주파수 이미지상 각 픽셀의 밝기값 중 최대값으로 나눈 값을 상기 각 픽셀의 밝기값으로 대체하여 상기 이미지를 재구성하는 단계인
레이더 변조 형태 인식 방법.
- 제 10 항에 있어서,
상기 인식하는 단계는,
서로 다른 변조 형태를 가지는 복수의 학습용 레이더 신호에 대한 학습용 시간 주파수 이미지를 콘볼루션 신경망에 입력하여 상기 콘볼루션 신경망을 학습시키는 단계와,
상기 전처리된 시간 주파수 이미지를 상기 학습된 콘볼루션 신경망에 입력하여 상기 타겟 레이더 신호의 변조 형태를 인식하는 단계를 포함하는
레이더 변조 형태 인식 방법.
- 삭제
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180029948A KR101910540B1 (ko) | 2018-03-14 | 2018-03-14 | 시간 주파수 분석과 신경망을 이용한 레이더 변조 형태 인식 장치 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180029948A KR101910540B1 (ko) | 2018-03-14 | 2018-03-14 | 시간 주파수 분석과 신경망을 이용한 레이더 변조 형태 인식 장치 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR101910540B1 true KR101910540B1 (ko) | 2018-10-22 |
Family
ID=64102344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180029948A KR101910540B1 (ko) | 2018-03-14 | 2018-03-14 | 시간 주파수 분석과 신경망을 이용한 레이더 변조 형태 인식 장치 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101910540B1 (ko) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110048980A (zh) * | 2019-04-19 | 2019-07-23 | 中国电子科技集团公司第三十六研究所 | 一种数字通信盲解调方法和装置 |
CN110086737A (zh) * | 2019-03-13 | 2019-08-02 | 西安电子科技大学 | 一种基于图神经网络的通信信号调制方式的识别方法 |
CN111083077A (zh) * | 2019-12-06 | 2020-04-28 | 成都华日通讯技术有限公司 | 一种结合神经网络实现2ask信号及am信号调制识别的方法 |
KR102163698B1 (ko) * | 2019-12-13 | 2020-10-08 | 국방과학연구소 | 소형 무인기의 gps 기만신호 탐지방법 및 장치 |
CN112014801A (zh) * | 2020-09-08 | 2020-12-01 | 南京航空航天大学 | 一种基于SPWVD和改进AlexNet的复合干扰识别方法 |
KR102217159B1 (ko) * | 2020-10-30 | 2021-02-19 | 국방과학연구소 | 기만 신호 탐지를 위한 학습 방법 및 이를 이용한 기만 신호 탐지 장치 |
CN112859070A (zh) * | 2021-01-20 | 2021-05-28 | 应急管理部四川消防研究所 | 一种基于多域多特征和深度学习的生命探测雷达*** |
CN113076925A (zh) * | 2021-04-23 | 2021-07-06 | 扬州大学 | 基于cnn和elm的m-qam信号调制模式识别方法 |
CN113156386A (zh) * | 2021-03-15 | 2021-07-23 | 中国人民解放军海军工程大学 | 一种雷达、辐射源识别方法及计算机可读存储介质 |
CN113208566A (zh) * | 2021-05-17 | 2021-08-06 | 深圳大学 | 一种数据处理方法、装置、电子设备及存储介质 |
CN113536897A (zh) * | 2021-05-31 | 2021-10-22 | 东南大学 | 一种基于时频分析和星座图分析的混叠信号调制类型识别方法 |
CN114841195A (zh) * | 2022-03-30 | 2022-08-02 | 北京理工大学 | 航电空间信号建模方法和*** |
US11817977B2 (en) | 2021-08-18 | 2023-11-14 | Electronics And Telecommunications Research Institute | Method of determining single sampling frequency of classification target signal in order to predict modulation type of classification target signal, and method and apparatus for predicting modulation type by using classification target signal sampled with single sampling frequency |
CN118050740A (zh) * | 2024-04-16 | 2024-05-17 | 深圳市圳阳精密技术有限公司 | 一种调频连续波激光雷达信号分析方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004271213A (ja) * | 2003-03-05 | 2004-09-30 | Fujitsu Ten Ltd | レーダ装置 |
-
2018
- 2018-03-14 KR KR1020180029948A patent/KR101910540B1/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004271213A (ja) * | 2003-03-05 | 2004-09-30 | Fujitsu Ten Ltd | レーダ装置 |
Non-Patent Citations (1)
Title |
---|
Ming Zhang 외 3명. Neural Networks for Radar Waveform Recognition. Symmetry 2017, 9(5), 75. 2017.05.17., pp.1-20 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110086737A (zh) * | 2019-03-13 | 2019-08-02 | 西安电子科技大学 | 一种基于图神经网络的通信信号调制方式的识别方法 |
CN110086737B (zh) * | 2019-03-13 | 2021-07-02 | 西安电子科技大学 | 一种基于图神经网络的通信信号调制方式的识别方法 |
CN110048980A (zh) * | 2019-04-19 | 2019-07-23 | 中国电子科技集团公司第三十六研究所 | 一种数字通信盲解调方法和装置 |
CN111083077B (zh) * | 2019-12-06 | 2022-03-01 | 成都华日通讯技术股份有限公司 | 一种结合神经网络实现2ask信号及am信号调制识别的方法 |
CN111083077A (zh) * | 2019-12-06 | 2020-04-28 | 成都华日通讯技术有限公司 | 一种结合神经网络实现2ask信号及am信号调制识别的方法 |
KR102163698B1 (ko) * | 2019-12-13 | 2020-10-08 | 국방과학연구소 | 소형 무인기의 gps 기만신호 탐지방법 및 장치 |
CN112014801A (zh) * | 2020-09-08 | 2020-12-01 | 南京航空航天大学 | 一种基于SPWVD和改进AlexNet的复合干扰识别方法 |
CN112014801B (zh) * | 2020-09-08 | 2023-10-24 | 南京航空航天大学 | 一种基于SPWVD和改进AlexNet的复合干扰识别方法 |
KR102217159B1 (ko) * | 2020-10-30 | 2021-02-19 | 국방과학연구소 | 기만 신호 탐지를 위한 학습 방법 및 이를 이용한 기만 신호 탐지 장치 |
CN112859070A (zh) * | 2021-01-20 | 2021-05-28 | 应急管理部四川消防研究所 | 一种基于多域多特征和深度学习的生命探测雷达*** |
CN112859070B (zh) * | 2021-01-20 | 2024-04-19 | 应急管理部四川消防研究所 | 一种基于多域多特征和深度学习的生命探测雷达*** |
CN113156386A (zh) * | 2021-03-15 | 2021-07-23 | 中国人民解放军海军工程大学 | 一种雷达、辐射源识别方法及计算机可读存储介质 |
CN113076925B (zh) * | 2021-04-23 | 2023-09-05 | 扬州大学 | 基于cnn和elm的m-qam信号调制模式识别方法 |
CN113076925A (zh) * | 2021-04-23 | 2021-07-06 | 扬州大学 | 基于cnn和elm的m-qam信号调制模式识别方法 |
CN113208566B (zh) * | 2021-05-17 | 2023-06-23 | 深圳大学 | 一种数据处理方法、装置、电子设备及存储介质 |
CN113208566A (zh) * | 2021-05-17 | 2021-08-06 | 深圳大学 | 一种数据处理方法、装置、电子设备及存储介质 |
CN113536897A (zh) * | 2021-05-31 | 2021-10-22 | 东南大学 | 一种基于时频分析和星座图分析的混叠信号调制类型识别方法 |
CN113536897B (zh) * | 2021-05-31 | 2024-04-30 | 东南大学 | 一种基于时频分析和星座图分析的混叠信号调制类型识别方法 |
US11817977B2 (en) | 2021-08-18 | 2023-11-14 | Electronics And Telecommunications Research Institute | Method of determining single sampling frequency of classification target signal in order to predict modulation type of classification target signal, and method and apparatus for predicting modulation type by using classification target signal sampled with single sampling frequency |
CN114841195A (zh) * | 2022-03-30 | 2022-08-02 | 北京理工大学 | 航电空间信号建模方法和*** |
CN114841195B (zh) * | 2022-03-30 | 2024-07-09 | 北京理工大学 | 航电空间信号建模方法和*** |
CN118050740A (zh) * | 2024-04-16 | 2024-05-17 | 深圳市圳阳精密技术有限公司 | 一种调频连续波激光雷达信号分析方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101910540B1 (ko) | 시간 주파수 분석과 신경망을 이용한 레이더 변조 형태 인식 장치 및 방법 | |
CN108229526B (zh) | 网络训练、图像处理方法、装置、存储介质和电子设备 | |
Chatlani et al. | Local binary patterns for 1-D signal processing | |
US9524558B2 (en) | Method, system and software module for foreground extraction | |
CN111783558A (zh) | 一种卫星导航干扰信号类型智能识别方法及*** | |
CN113498528A (zh) | 图像缺陷确定方法与装置、电子设备及存储介质 | |
US20200097775A1 (en) | Systems and methods for detecting and classifying anomalous features in one-dimensional data | |
US8457394B2 (en) | Method of detecting skin-colored area using variable skin color model | |
CN109389096B (zh) | 检测方法和装置 | |
US20140286527A1 (en) | Systems and methods for accelerated face detection | |
CN113780106B (zh) | 一种基于无线电波形数据输入的深度学习信号检测方法 | |
WO2020202505A1 (en) | Image processing apparatus, image processing method and non-transitoty computer readable medium | |
US20240053302A1 (en) | Ultrasonic non-destructive test method and system using deep learning, and auto-encoder-based prediction model training method used therefor | |
US20110001823A1 (en) | Method for Detecting a Target | |
CN117422643A (zh) | 图像数据智能处理选择*** | |
CN113239975A (zh) | 一种基于神经网络的目标检测方法和装置 | |
CN112562727B (zh) | 应用于音频监控的音频场景分类方法、装置以及设备 | |
CN111435457B (zh) | 对传感器获取的采集进行分类的方法 | |
US7576894B2 (en) | Device and method for sharpening image signal | |
CN109785312B (zh) | 一种图像模糊检测方法、***及电子设备 | |
KR101548455B1 (ko) | 객체 영역 추출 방법 및 그 장치 | |
CN113688953B (zh) | 基于多层gan网络的工控信号分类方法、装置和介质 | |
US8935158B2 (en) | Apparatus and method for comparing frames using spectral information of audio signal | |
JP2008232936A (ja) | 目標自動検出処理方法および装置 | |
GB2588500A (en) | Computer implemented method of decoding a signal |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |