基于时频融合特征与MSANet的雷达信号调制识别方法

    公开(公告)号:CN119377738A

    公开(公告)日:2025-01-28

    申请号:CN202411430548.X

    申请日:2024-10-14

    Abstract: 本发明属于雷达信号处理技术领域。针对低信噪比环境下时频图像会受到严重干扰,且普通的卷积神经网络无法适应多变的时频图形,造成识别效果不佳的问题,提出了基于时频融合特征与MSANet的雷达信号脉内调制类型识别方法,包括如下步骤:对雷达信号进行三类时频分析,然后进行预处理得到训练集、验证集和测试集;然后构建MSANet模型,并使用训练集和验证集训练MSANet模型;MSANet模型训练结束后,使用测试集测试MSANet模型的识别准确率和抗混淆能力。该方法可以用于分类多达12类雷达信号的脉冲内调制方式,且在低信噪比下具有良好的稳健性。

    一种用于蓄意射频干扰识别的SPRT方法

    公开(公告)号:CN118625266A

    公开(公告)日:2024-09-10

    申请号:CN202410896980.1

    申请日:2024-07-05

    Abstract: 本发明请求保护一种用于蓄意射频干扰识别的SPRT方法,属于雷达干扰识别领域。由于高频段内各种通信、广播电台频率占用率非常高,因此射频干扰发生较为频繁。针对覆盖电台干扰的情况下不能有效的判断RFI的来源,使得敌对方故意产生RFI来干扰高频雷达这一问题,提出了通过距离‑多普勒图检测RFI的基础上增加基于广义似然比检验的多通道序贯检测技术,包括如下步骤:接收雷达信号数据后求其各通道的RD图,根据各RD图检测其中是否含有RFI,并根据含有RFI的RD图数,利用SPRT来识别RFI是否为蓄意干扰。该方法丰富了射频干扰的分类识别领域,可以很好的判断RFI是否为蓄意干扰,提升了雷达系统的抗干扰能力,且计算量小,易于工程实现。

    基于RD图的多分类器半监督自训练的雷达干扰检测方法

    公开(公告)号:CN115713646A

    公开(公告)日:2023-02-24

    申请号:CN202211320055.1

    申请日:2022-10-26

    Abstract: 本发明请求保护一种基于距离‑多普勒(Range‑Doppler,RD)图的多分类器半监督自训练的雷达干扰检测方法,属于雷达信号处理与图像处理交叉领域。针对天波超视距雷达的射频干扰和瞬态干扰、将干扰检测问题转化为RD图的图像分类问题:建设RD图库、设计RD图像分类器、并提出多分类器融合的半监督自训练的干扰监测方法。RD图分类器设计包括RD图库建设、纹理特征提取和分类算法设计3步。基于不同分类算法设计基本分类器,提出基于不同特征视图和学习方法的子分类器组合,给出了多分类器半监督自训练的干扰监测算法。实测图库验证表明,多分类器半监督自训练方法能够有效提高RD图像识别率,将弱干扰检测准确率由低于65%提升至80%以上。

    基于频点修正的卷积盲源分离方法

    公开(公告)号:CN105845148A

    公开(公告)日:2016-08-10

    申请号:CN201610149053.9

    申请日:2016-03-16

    CPC classification number: G10L21/0232

    Abstract: 本发明请求保护一种基于频点修正的卷积盲源分离方法,属于信号处理技术领域。通过对源信号短时傅立叶变换(STFT)和相应频点分离信号做特性分析,找出各频点间的相似性;然后,通过设立门限值来找到盲源分离错误的频点,再利用相邻频点处正确的分离信号对其进行校正;最后将排序和修正后的信号逆变换,还原出分离信号。本方法可以在低信噪比的环境先分离出比较准确地还原出语音信号,实际播放有良好的效果,从而对卷积盲源分离的研究具有重要意义。

Patent Agency Ranking