公开(公告)号：CN114942410A

公开(公告)日：2022-08-26

申请号：CN202210607685.0

申请日：2022-05-31

Applicant: 哈尔滨工业大学

Inventor： 于雷 ,  李家祺 ,  位寅生

IPC: G01S7/36

Abstract: 基于数据增广的干扰信号识别方法，涉及雷达抗干扰技术领域。本发明是为了解决目前的干扰信号识别方法中的数据增广方法还存无法提升电子干扰数据多样性和丰富性进而导致使干扰数据分类模型分类精度低的问题。本发明包括：将待检测的电子干扰数据输入干扰识别网络中获得电子干扰类型；获得干扰识别网络具体为：获取电子干扰数据集，并分为增广训练集和测试集；用训练集训练构建的生成对抗网络获得增广模型；将电子干扰纯噪声输入增广模型中获得干扰样本；利电子干扰样本和增广训练集组成的分类训练集训练构建的卷积神经网络获得训练好的卷积神经网络；利用测试集测试训练好的卷积神经网络获得干扰识别网络。本发明用于识别电子干扰信号。

公开(公告)号：CN117031413A

公开(公告)日：2023-11-10

申请号：CN202310991202.6

申请日：2023-08-08

Applicant: 哈尔滨工业大学

Inventor： 于雷 ,  李家祺 ,  位寅生

IPC: G01S7/36 ,  G01S7/41 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08 ,  G06F18/213 ,  G06F18/214 ,  G06F18/2415

Abstract: 一种复杂干扰场景下的组合干扰识别方法及系统，涉及雷达抗干扰技术领域。本发明是为了解决现有组合干扰识别方法识别准确率低的问题。本发明包括：获取待检测的组合干扰数据，将待检测的组合干扰数据输入到组合干扰识别网络中，获得组合干扰的存在概率向量；将组合干扰的存在概率向量输入到多阈值函数中，获得获得即干扰识别结果。干扰识别网络通过以下方式获得：获取组合干扰数据集，将组合干扰数据集分为训练集和测试集；利用训练集训练一维卷积神经网络；利用测试集测试训练好的一维卷积神经网络，从而获得干扰识别网络。本发明用于识别组合干扰。

公开(公告)号：CN117031413B

公开(公告)日：2024-11-12

申请号：CN202310991202.6

申请日：2023-08-08

Applicant: 哈尔滨工业大学

Inventor： 李家祺 ,  于雷 ,  位寅生

IPC: G01S7/36 ,  G01S7/41 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08 ,  G06F18/213 ,  G06F18/214 ,  G06F18/2415

Abstract: 一种复杂干扰场景下的组合干扰识别方法及系统，涉及雷达抗干扰技术领域。本发明是为了解决现有组合干扰识别方法识别准确率低的问题。本发明包括：获取待检测的组合干扰数据，将待检测的组合干扰数据输入到组合干扰识别网络中，获得组合干扰的存在概率向量；将组合干扰的存在概率向量输入到多阈值函数中，获得获得即干扰识别结果。干扰识别网络通过以下方式获得：获取组合干扰数据集，将组合干扰数据集分为训练集和测试集；利用训练集训练一维卷积神经网络；利用测试集测试训练好的一维卷积神经网络，从而获得干扰识别网络。本发明用于识别组合干扰。

公开(公告)号：CN114942410B

公开(公告)日：2022-12-20

申请号：CN202210607685.0

申请日：2022-05-31

Applicant: 哈尔滨工业大学

Inventor： 于雷 ,  李家祺 ,  位寅生

IPC: G01S7/36

Abstract: 基于数据增广的干扰信号识别方法，涉及雷达抗干扰技术领域。本发明是为了解决目前的干扰信号识别方法中的数据增广方法还存无法提升电子干扰数据多样性和丰富性进而导致使干扰数据分类模型分类精度低的问题。本发明包括：将待检测的电子干扰数据输入干扰识别网络中获得电子干扰类型；获得干扰识别网络具体为：获取电子干扰数据集，并分为增广训练集和测试集；用训练集训练构建的生成对抗网络获得增广模型；将电子干扰纯噪声输入增广模型中获得干扰样本；利电子干扰样本和增广训练集组成的分类训练集训练构建的卷积神经网络获得训练好的卷积神经网络；利用测试集测试训练好的卷积神经网络获得干扰识别网络。本发明用于识别电子干扰信号。