基于深度重构和空间密度聚类的雷达信号在线分选方法及装置制造方法及图纸

本发明专利技术提供了一种基于深度重构和空间密度聚类的雷达信号在线分选方法及装置，通过基于流式数据更新的迭代方式对雷达脉冲数据进行分类，目的在于通过新数据更新聚类中心的统计特征，从而提高分选正确率，实现对辐射源个体的实时跟踪。与基于SDIF的方法相比，本发明专利技术能更好的应对PRI跳变等问题，分选准确率更高。与基于PRI谱的方法相比，本发明专利技术能更好的适应当前复杂的战场环境，分选准确率更高。与基于卷积自编码器的方法相比本发明专利技术能够处理流式数据，实现实时分选。与基于图像分割的方法相比，本发明专利技术更简单，效率更高且能够实现实时分选。

【技术实现步骤摘要】

本专利技术属于雷达信号处理，具体涉及一种基于深度重构和空间密度聚类的雷达信号在线分选方法及装置。

技术介绍

1、伴随着科学技术的发展，在现代zhanzheng中dianzizhan开始占据着更加重要的地位。目前，dianzizhan已经成为现代zhanzheng的主要zhanchang，dianzizhan的成功是zhanzheng胜利的关键。而作为其重要组成部分的电子侦察，主要目的是侦察和jiehuo敌方电子装备的电磁辐射信号，并且处理信号，进而分析这些辐射源的作用和weixie等级等信息，为后续的决策和电子干扰提供信息支撑。因此对电子侦察的研究，具有十分重要的意义。但是随着雷达技术的不断发展，新体制雷达不断出现，因为其在雷达脉冲上有着复杂的调制，使得电磁环境复杂度不断的提高，获取情报更加困难。同时，伴随着相控阵雷达的应用，环境信号密度进一步增加，严重影响现有算法的识别精度。

2、当下，雷达脉冲分选算法有俩个方向。第一个是通过雷达脉冲描述字(pulsedescriptive word,pdw)进行分选，方法本质是模型匹配。但是在现今这种日益复本文档来自技高网...

【技术保护点】

1.一种基于深度重构和空间密度聚类的雷达信号在线分选方法，其特征在于，包括：

2.根据权利要求1所述的基于深度重构和空间密度聚类的雷达信号在线分选方法，其特征在于，在S200之前，所述基于深度重构和空间密度聚类的雷达信号在线分选方法还包括：

3.根据权利要求2所述的基于深度重构和空间密度聚类的雷达信号在线分选方法，其特征在于，S200中对所述当前雷达序列进行稀疏化处理包括：

4.根据权利要求2所述的基于深度重构和空间密度聚类的雷达信号在线分选方法，其特征在于，S200中对所述当前雷达序列进行稀疏化处理包括：

5.根据权利要求2所述的基于深度...

【技术特征摘要】

1.一种基于深度重构和空间密度聚类的雷达信号在线分选方法，其特征在于，包括：

2.根据权利要求1所述的基于深度重构和空间密度聚类的雷达信号在线分选方法，其特征在于，在s200之前，所述基于深度重构和空间密度聚类的雷达信号在线分选方法还包括：

3.根据权利要求2所述的基于深度重构和空间密度聚类的雷达信号在线分选方法，其特征在于，s200中对所述当前雷达序列进行稀疏化处理包括：

4.根据权利要求2所述的基于深度重构和空间密度聚类的雷达信号在线分选方法，其特征在于，s200中对所述当前雷达序列进行稀疏化处理包括：

5.根据权利要求2所述的基于深度重构和空间密度聚类的雷达信号在线分选方法，其特征在于，所述基于卷积网络的雷达类型识别模型包含依次连接的第一卷积块、第二卷积块、第三池化层、第四全连接层、第五全连接层；其中，每个卷积块的具体结构为：卷积层、批量归一化层、relu激活层；卷积层中卷积核个数均为16，卷积核的大小为1*3，步长为1，填充为0；池化层采用方式为最大池化，窗口大小为1*2，滑动步长为2；第四全连接层的输出维度为64，第五全连接层的输出维度为4。

6.根据权利要求2所述的基于深度重构和空间密度聚类的雷达信号在线分选方法，其特征在于，所述基于自编码器的未知辐射源识别模型包含依次连接的第一卷积块、第二卷积块、第三卷积块、第四逆卷积块、第五逆卷积块、第六逆卷积块；其中，第一卷积块包含一个卷积层、...

【专利技术属性】
技术研发人员：周峰，王力，徐逸飞，马建昆，石晓然，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：