一种墓于贝叶斯网络的雷达重频模式识别方法
基于贝叶斯压缩感知的噪声MIMO雷达目标成像
第37卷第2期南京理工大学学报V01．37N o．2兰Q!!生垒旦!竺!竺型竺堕!尘!竺!竺!堡!!!堡坚兰!堡!!!!!!里!皇!竺!竺墅垒巳!：呈Q!兰基于贝叶斯压缩感知的噪声M I M O雷达目标成像王超宇，贺亚鹏，胡恒，朱晓华(南京理工大学电子工程与光电技术学院，江苏南京210094)摘要：为了提高低信噪比下压缩感知雷达的成像性能，该文提出了一种基于贝叶斯压缩感知的噪声多入多出(M I M O)雷达成像方法。
给出了噪声M I M O雷达系统稀疏感知模型，构造了贝叶斯概率密度函数，利用最大后验概率优化方法对目标函数进行优化求解。
优化估计的结果接近最佳稀疏度，与传统压缩感知重构方法相比，该方法能够有效降低目标场景向量的估计误差，提高目标二维像的质量，对噪声干扰的鲁棒性更好。
仿真结果验证了该方法的有效性。
关键词：贝叶斯压缩感知；噪声多入多出雷达；目标成像中图分类号：TN958．8文章编号：1005—9830(2013)02-0262—07N oi se M I M O r adar t ar get i m agi ng based on B ayes i anW a ng C haoyu，H e Y a peng，H u H eng，Z hu X i a ohua(School of E l ect r oni c E ngi neer i ng a nd O pt oel ec t r oni c T echnol ogy，N U ST，N anj i ng210094，C hi na)A bst r act：To e nha nc e noi se r at i o，t he noi s eB ayesi an co m pr e ssi v et he pe r f or m ance of t heco m pr e ssi v e sensi ngr adar i m agi ng i n t he l ow s i gnal t o m ul t i pl e i nput m ul t i pl e out put(M I M O)r adar t ar get i m agi ng bas ed on t he s ens i ng(B C S)i s pr opos ed．T he s par s e sensi ng m odel of t he noi s e M I M O r a darand t he B a ye si a n pr ob abi l i t y densi t y f unct i on a r e pr es ent ed，and a n opt i m i zat i on m et hod bas ed o nm a xi m um a pos t er i ori is e m pl oyed t o SO l V e t he a bove pr obl em．T he es t i m at e s i gnal vect or of t he t ar gets ce ne cl oses t o t he best opt i m i ze r e sul t s．C om par ed w i t h t he t radi t i onal c om pr ess e d sensi ngr econs t ruct i on m et hod，t he pr opose d m et hod ca n eff ect i vel y r e duc e e r r or s of t he est i m a t e，i m pr ove t hequal i t y of t he t w o di m ensi onal i m age，and s how t he bet t er r obus t ness t o noi s e．Si m ul at i on r es ul t s dem-onst r at e t he ef f ect i venes s of t he m et ho d．K ey w or ds：B aye si an co m pr e ssi v e s ens i ng；noi s e m ul t i pl e i nput m ul t i pl e out put r adar；t arget i m a gi ng收稿日期：2011—10—13修回日期：2012-07—10基金项目：南京理工大学自主科研专项计划(2010ZD J H05)作者简介：王超字(1985一)，男，博士生，主要研究方向：稀疏成像，E-m ai l：w angchaoyu@yahoo．cn；通讯作者：朱晓华(1966一)，男，教授，博士生导师，主要研究方向：雷达系统，高速数字信号处理等，E．m ai l：zxh@m ai l．nj ust．edu．cn。
一种基于贝叶斯网络的雷达目标识别方法
关键词 ：雷 达 ；Ｉ标 识 别 ； 叶 斯 网络 ； 糊 隶 属 度 函数 ｌ ｆ 贝 模
中 图分 类 号 ： ＴＮ ９ ５ 文献标识码 ： Ａ
Ａ ｄ ｒ Ｔａ ｇ ｔ Ｒｅ ｏ ｎｉｉ ｎ Ｍ ｅ ｈ ｄ Ｂａ ｅ ｎ Ｂａ ｅ ｉ ｎ Ｎｅ ｗｏ ｋ Ｒａ ａ ｒ ｅ ｃ ｇ ｔｏ ｔ ｏ ｓ ｄ ｏ ｙ ｓａ ｔ ｒ
２０ ０ ７年 ３月
火 控 雷 达 技 术
第３ ６卷
３ 贝 叶 斯 网络 在 雷达 目标 识 别 中的应 用
对雷 达信 号处 理机输 出一次 点迹 数据进 行处 理 ， 到 目标 运动 速 度 （ 、 度 （ 、 现 频率 （ 、 聚 得 Ｖ） 幅 Ａ） 发 Ｍ） 凝
能很 好表 达知 识 的不确 定 性 ， 并且 能够 实现 快速推 理 ， 因而在 人 工智 能 、 目标 识 别 、 策评 估 和信息 融合等领 决 域 中得 期 ； ０ ６ １ —０ ２０ — １ ３ １ ７
维普资讯
维普资讯
２０ ０ ７年 ３月
文章 编 号 ： ０ ８ ６ ２ ２ ０ ） １ １ —０ １ ０ —８ ５ （ ０ ７ Ｏ — ７ ４
火控 雷 达技 术
第３ ６卷
一
种基 于 贝 叶斯 网络 的雷 达 目标 识 别 方 法
简 育 华 朱道 光 强 勇
Ｊａ ｈ ａ Ｚ ｕ Ｄ ｏ ｕ ｎ Ｑｉｎ ｎ ｎ Ｙｕ ｕ ｈ ａ ｇ ａ ｇ ｉ ａ ｇ Ｙｏ ｇ
（ ｉ ａｎ Ｅｌ ｃ ｒ ｎ ｃ Ｅｎ ｎｅ ｒ ｎ Ｒｅ ｅ ｃ ｎ ｔｔ ｔ Ｘ ’ ｅ ｔ ｏ ｉ ｇｅ ｅ ｉ ｇ ｓ ａｒ ｈ Ｉ ｓ ｉｕ ｅ，Ｘｉ ａｎ ７ ０ ０ ’ １ １ ０）
一种基于贝叶斯神经网络的深度知识追踪方法[发明专利]
![一种基于贝叶斯神经网络的深度知识追踪方法[发明专利]](https://img.taocdn.com/s3/m/c1ea85b9f01dc281e43af019.png)
专利名称：一种基于贝叶斯神经网络的深度知识追踪方法专利类型：发明专利
发明人：李东华,贾艳明,徐宁
申请号：CN201810887874.1
申请日：20180806
公开号：CN110807509A
公开日：
20200218
专利内容由知识产权出版社提供
摘要：实现个性化自适应学习的前提是对学生的知识掌握情况有一个精准的评估。
现有的基于深度神经网络的知识追踪方法，不用显式编码人类领域知识，能够挖掘出学生行为复杂关系，但效果不佳且易过拟合。
本发明提出了一种基于贝叶斯神经网络的深度知识追踪方法：模型采用了embedding+LSTM+Dense结构，参数由点值替换为正态分步形式，参数调整引入贝叶斯反向传播方法。
利用embedding层训练具有任务导向性的学生行为向量以提升模型的准确性，LSTM层能有效处理数据的长依赖，Dense层调整输出数据的维度；模型参数分布化，明确表示预测结果的不确定性和模型优化的随机性；贝叶斯先验知识加快模型收敛，有效的防止过拟合，增强泛化能力。
申请人：北京博智天下信息技术有限公司
地址：100085 北京市海淀区信息路甲28号D座05A502号
国籍：CN
更多信息请下载全文后查看。
《电子信息对抗技术》2007年(第22卷)总目次
种新 的基 于 Ｑ Ｍ 调制信号 的改进 恒模算 法 …… ……… … 石文 琼 ， Ａ 植
作战态 势系统 中复杂 区域 的快速绘 制算法 研究 ……… …… ……… ……… …… 贺静 波 ， 胡生 亮（ ３ ） ２— ６ 假 目标 干扰机 与反辐 射武器 的电磁 兼容分 析 ……… ……… ……… …… ……… 贾兴 江， 陈
… ……… …… ………… … 胡 梦 中， 宋
铮， 丁 刚（ ３ ） １— ６
斌 （ — ５ １ ４）
微波 光子振荡 器及 其理论 分析 … ……… ……… …… ……… ……… ……… …… 廖 丰卓 ， 涛 （ ４ ） 周 １— １
………… …… ………… … ………… …… ……… ……… 何
……… ……… …… ………… …… ……… ……… …… … 郑建 忠（ ３—１ ） ５
机载 四 比幅测 向校 正算法 改进
一
……… ……… …… ……… ………… …… ………… …… 郁
洋（ ２） ３— ４
种 Ｄ ／ Ｈ信号 的检测 技术 … ……… …… ……… ……… ……… …… 钱 ＳＦ
高功率 微波 弹杀伤效 能分 析 …… ……… ……… ……… …… ……… …… ……… 许 海龙 ， 张金 华 （ ４ ） ２— ５
机载单 站测 向交叉定 位 中奇异测 向线 的聚类检 测 … ……… ……… ……… …… 张 国毅 ， 本 才（ ０ ） 王 ３— ３
基 于概 率 的单 星测频 无源定 位算法 …… ……… …… ……… ……… ……… …… 李
怡， 武传 华 ， 李文 宫（ ２ ） ３— ７
低位 量化对 数字化 多频连 续波雷 达测距 性能 的影 响 …… ……… …… 袁俊 泉 ， 程 雷达 网抗 Ａ Ｍ 效能评 估 ……… ……… ……… …… ……… ………… … 王 Ｒ
基于贝叶斯网络和多传感器的障碍物识别系统
基于贝叶斯网络和多传感器的障碍物识别系统张超;李磊民【摘要】Because of the obstacle information′s uncertainty, incompleteness and the short of Bayesian classifier that it is sensitive for incomplete information, the paper selects a Bayesian network classification scheme. When building the Bayesian network model, this program using Bayesian inference which can improve the adaptability of the Bayesian network. The classification system relies on a research institute unmanned vehicle project. Real-time information is obtained via laser radar and CCD sensor that provides data to the network model.%针对无人车获得的障碍物信息的不确定性和不完整性以及贝叶斯分类器对不完整信息比较敏感等不足，选择了贝叶斯网络分类方案。
该方案在构建贝叶斯网络模型时，将贝叶斯推理运用其中，提高了贝叶斯网络的识别率。
该分类系统依托某研究所无人车项目，通过激光雷达和CCD 传感器获取障碍物实时信息，为网络模型提供数据信息。
【期刊名称】《微型机与应用》【年(卷),期】2015(000)019【总页数】4页(P80-82,85)【关键词】无人车;贝叶斯网络;障碍物;分类【作者】张超;李磊民【作者单位】西南科技大学信息工程学院，四川绵阳 621010;西南科技大学国防科技学院，四川绵阳 621010【正文语种】中文【中图分类】TP319近年来，无人车技术发展迅速[1]，无人车实际应用的一个又一个难题得到解决。
基于贝叶斯判别法的超视距雷达探测距离预测方法
雷 达与 对 抗
ＲＡ ＤＡＲ ＆ Ｅ Ｍ Ｃ
Ｖ０ ． １ Ｎｏ ２ １３ ．
Ｊｎ２ １ ｕ ．０ｌ
基 于 贝 叶斯 判别 法 的超 视距 雷 达探 测距 离 预测 方法
练 学辉 王 向敏 申宏 亚 王玲 玲 ， ， ，
（． １海军驻南京地区雷达 系统军事代表室， 南京 ２０ ０ ； １０ ３ ２南 京船舶雷达研究所 ， ． 南京 ２ ００ ） １０３
２ Ｎ ｎｉ ｒ ｅＲ ｄ ｒ ｎｔｕ ， ａｊ ｇ２ ０ ０ ） ． ａｊ ｇＭａｉ ａａ ｓｉ ｔ Ｎ ｎ ｎ １０ ３ ｎ ｎ Ｉ ｔｅ ｉ
Ａｂ ｔ ａ ｔ ｓ ｒ ｃ ：Ｔ ｅ ａｉ ｔ ｎ ｒ ｌ ｓ ｏ ｈ ｓ ａ ｌ ｔ ｒ ｐ ｗ ｒ ｎ ｅ ｈ ｃｒ ｕ ｔｎ ｅ ｆ ｄｆ ｒ ｎ ｈ ｖ ｒ ｉ ｕ ｅ ｆ ｔ ｅ ｅ ｃｕ ｔ ｏ ｅ ｕ ｄ ｒ ｔ ｅ ｉ ｍｓａ ｃ ｓ ｏ ｉ ｅ ｅ ｔ ａｏ ｅ ｃ ａｍｏ ｐ ｅ ｃ ｄ ｃ ｒ ｎ ｒｄ ｃ ｄ ｎ ｈ ｅａ ｉｎ ｏ ａ ａ ｃ ｏ ｉｔ ｎ ｉ ｄ ｔ ｅ ｆｒ ｅ ｔｄ ｔｃ ｉｎ ｔ ｓ ｈ ｒ ｕ ｔ ｅ ｉ ｔ ｕ ｅ ，ａ ｄ ｔｅ ｒ ｌｔ ｆｒ ｄ ｒ ｅ ｈ ｎ ｅ ｓ ｙ ａ ａ ｔ ｓ ｅｅ ｔ ｉ ａ ｏ ｏ ｔ ｎ ｈ ｈ ｏ ｒ ｇ ｓａ Ｍｙ ｒ ｕ ｈ ｔ ｅ ｓ ｔ ｔ ａ ｎ ｙ ｉ．Ａｃ ｏ ｄ ｎ ｏ ｔ ｅ ｉｔ ｎ ｉ ｎ ｘｅ ｄ ｄ ｒ ｎ ｅ ｆ ｎ ａ ｅ ｉ ｎ ￣ｄ ｔ ｏ ｇ ｔｉ ｉ ｌ ａ ｓｓ ｈ ｈ ａｓｃ ａｌ ｃ ｒ ｉ ｇ ｔ ｎｅ ｓ ｙ ａ ｄ ｅ ｔ ｎ ｅ ａ ｇ ｓ ｏ ｈ ｔ
ｈ ｅ ｌ ｔｅ ｔｄ ｒ ｎ ａ ｇ ｓ．ａ ｐ ｄｉｔ ｎ ｍｏ ｅ ｆｔ ｅ ｄ ｔｃ ｉｎ ｅ ｃ ｅ ｃ ｆｔｅ ＯＴＨ ａ ａ ｓ ｔｅ ｓ ａ ｃｕ ｔｒａ ｉ ｅｅ ｔｒ ｎ ｅ ｆ ｒ ｃ ｉ ｄ ｌｏ ｈ ｅ ｅ ｔ ｆ ｉｎ ｙ ｏ ｅ ｏ ｏ ｉ ｈ ｒｄ ｒ ｂ ｓ ｄ ｏ ｅ Ｂａ ｅ ｉｃ ｉ ｎ ｃ ｓｅ ｔ ｂ ｉｈ ｄ． ａ ｅ ｎ ｔ ｙ ｓｄ ｓ ｒｍｉ ａ ｅ ｉ ｓａ ｌ ｅ ｈ ｎ ｓ
一种基于贝叶斯网络的雷达目标识别方法
i=1
∑∑P ( X
j =1
| M i , E j )μ i ( M )μ j ( E) | M i , E j )μ i ( M )μ j ( E) | M i , E j )μ i ( M )μ j ( E)
2
3
2
3 2
i=1
∑∑
j =1
i=1
∑∑P ( X
j =1
2
3
2
3 3
i=1
∑∑
j =1 i
图1 雷达目标识别的贝叶斯网络结构图 从图 1 中可以看出 ,X 为目标类型 ,分别为 X1 = 战斗机 , X2 = 民航机 , X3 = 巡航导弹 , 发现频率和凝聚 点个数均值为父节点 ,其中发现频率有两种状态 ,凝聚点个数均值有三种状态 。速度 、 幅度和凝聚点个数方 差为子节点 ,其中速度和幅度有三种状态 ,凝聚点个数方差有两种状态 。条件概率表示各特征与目标类型之 间的关系 ,通过对大量真实雷达数据的统计和计算 ,得到条件概率表如表 1 、 表 2 所示 。 表1 父节点各特征下目标状态条件概率表
17
2007 年 3 月
火控雷达技术
第 36 卷
3 贝叶斯网络在雷达目标识别中的应用
对雷达信号处理机输出一次点迹数据进行处理 ,得到目标运动速度 ( V ) 、 幅度 ( A ) 、 发现频率 ( M ) 、 凝聚 点个数均值 ( E) 和凝聚点个数方差 ( D ) 五个特征 , 其中 , 速度表示目标运动的快慢 , 幅度表示目标回波的强 弱 ,发现频率表示跟踪到 5 次目标时雷达扫描的周期数 ,凝聚点个数均值反映目标空间散度的大小 ,凝聚点 个数方差反映目标空间散度的起伏 。利用这五个特征构成如图 1 所示的贝叶斯网络 。
基于贝叶斯压缩感知的宽带雷达回波信号参数估计方法[发明专利]
![基于贝叶斯压缩感知的宽带雷达回波信号参数估计方法[发明专利]](https://img.taocdn.com/s3/m/50743417f705cc1754270988.png)
专利名称：基于贝叶斯压缩感知的宽带雷达回波信号参数估计方法
专利类型：发明专利
发明人：吕亨达,尹佳,施江南
申请号：CN201810215129.2
申请日：20180315
公开号：CN110275158A
公开日：
20190924
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于贝叶斯压缩感知的宽带雷达回波信号参数估计方法，该方法包括以下步骤：正交压缩采样，用于压缩采样宽带信号以获取低速同相和正交压缩测量；时延—尺度因子二维离散化字典构造，用于压缩测量的稀疏表示；贝叶斯压缩算法，用于原信号的稀疏重构进而估计目标参数。
本发明有效提高了宽带回波信号时延—尺度因子联合估计的性能，解决了因二维离散化字典相关性较高而影响稀疏重构性能的问题。
申请人：南京理工大学
地址：210094 江苏省南京市玄武区孝陵卫200号
国籍：CN
代理机构：南京理工大学专利中心
代理人：陈鹏
更多信息请下载全文后查看。
一种基于动态贝叶斯的人脸识别身份认证方法[发明专利]
![一种基于动态贝叶斯的人脸识别身份认证方法[发明专利]](https://img.taocdn.com/s3/m/922e93b6ed3a87c24028915f804d2b160b4e8606.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910710960.X (22)申请日 2019.08.02(71)申请人 天津理工大学地址 300384 天津市西青区宾水西道391号天津理工大学主校区(72)发明人 黄玮 薛少聪 王劲松 田永生 (74)专利代理机构 天津佳盟知识产权代理有限公司 12002代理人 林玉慧(51)Int.Cl.G06K 9/00(2006.01)G06K 9/62(2006.01)(54)发明名称一种基于动态贝叶斯的人脸识别身份认证方法(57)摘要一种基于动态贝叶斯的人脸识别身份认证方法,该方法包括：首先，摄像头实时捕获与跟踪目标人脸，并采用直方图均衡对捕获的人脸图像进行预处理；然后提取预处理后的人脸图像数据并采用主成分分析(PCA)降维；最后使用动态贝叶斯分类算法对检测目标分类，输出最终的识别结果。
该方法能够快速提取人脸特征值，且减少光照对于人脸图像的影响。
采用PCA算法不仅对高维数据进行降维，还去除了噪声。
此外由于传统贝叶斯分类算法假设属性之间是独立的，导致其在复杂的网络结构时分类准确率低，而本文采用的动态贝叶斯分类算法能够通过迭代过程中的交叉和变异，确定最佳贝叶斯网络结构，使得整体的识别精度能有显著提升。
权利要求书3页 说明书6页 附图2页CN 110555386 A 2019.12.10C N 110555386A1.一种基于动态贝叶斯的人脸识别身份认证方法，其特征在于，包括以下步骤：第1步、摄像头实时捕获与追踪目标人脸并对图像进行灰度化处理，得到灰度化的图像序列；第2步、将灰度化的人脸图像进行直方图均衡处理；第3步、提取均衡处理后的人脸图像像素点数据并采用PCA降维，提取人脸图像特征值，构建人脸特征数据库；第4步、利用动态贝叶斯分类算法训练并识别；第5步、输出识别结果。
2.根据权利要求1所述的基于动态贝叶斯的人脸识别身份认证方法，其特征在于：第1步中所述的捕获与追踪目标人脸的过程分为两种方法：方法一：使用Haar分类器实时探测人脸区域，方法是:在人脸检测时有一个子窗口在待检测的图片窗口中不断的移位滑动，子窗口每到一个位置，就会计算出该区域的特征，然后用已经训练好的分类器对该特征进行筛选，一旦该特征通过了所有强分类器的筛选，则判定该区域为人脸；具体由以下步骤组成：第1.1步、计算Haar特征；Haar特征在检测窗口中呈现为黑色和白色两种矩形，并定义为白色矩形像素和与黑色矩形像素和的差值；第1.2步、加速获得Haar特征；Haar特征使用积分图加快计算的方法：sum＝I(M1)+I(M2)+I(M3)+I(M4)其中M1、M2、M3、M4分别表示检测窗口的四个角的坐标点，I(x,y)表示坐标点(x,y)处的像素值；第1.3步、使用AdaBoost算法训练区分人脸和非人脸的强分类器；AdaBoost迭代分为以下几步：第1.3.1步、初始化训练数据的权值分布；若有N个训练样本，则每一个训练样本最开始时的初始值都是1/N；第1.3.2步、训练弱分类器；在训练过程中，如果采样点已被正确分类，那么下一个训练集中，该采样点的权值会降低；相反，如果采样点未正确分类，则该采样点的权重将得到改善；第1.3.3步、将弱分类器训练成强分类器；每个弱分类器的训练过程完成后，分类误码率小的弱分类器的权重增加，使该弱分类器在最后的分类函数中起决定性作用；方法二：固定人脸区域，要求监测目标把脸部移动到指定区域。
基于贝叶斯集成算法的仿真SAR目标识别方法
基于贝叶斯集成算法的仿真SAR目标识别方法陈博;王珺琳;刘长清;王卫红【摘要】SAR图像目标识别已经广泛的应用在众多领域,但是其对方位角较强的敏感性,会对识别结果造成较大的影响.特别地,同一类目标数据可能会因为不同的表现形式产生错误的识别的结果.而贝叶斯集成方法可以对不同的分类个体进行单独学习,并且因此获得不同的分类器,从而可以有效提高SAR图像识别准确率.在本文中,提出的基于一种集成算法的SAR目标识别方法,可以有效的解决上述问题.电磁仿真计算获得SAR图像包含多方位角,并从中进行特征提取.然后再将原始的训练样本集进行分组,每一个训练样本组可作为训练样本子集.这样就可以根据这些子集作为不同个体,从而得到不同的贝叶斯集成框架.并根据得到的框架完成识别,得到最终的识别结果.【期刊名称】《中国电子科学研究院学报》【年(卷),期】2017(012)001【总页数】5页(P73-77)【关键词】合成孔径雷达;贝叶斯集成算法;目标识别【作者】陈博;王珺琳;刘长清;王卫红【作者单位】中国电子科学研究院,北京100041;中国电子科学研究院,北京100041;中国电子科学研究院,北京100041;中国电子科学研究院,北京100041【正文语种】中文【中图分类】JN958近期，合成孔径雷达目标识别已经受到了各个领域众多学者的广泛关注，业已成为战场情报态势分析，敌我目标识别分析等多个军事领域[1-2]的热门研究方向。
这同时带来了SAR信息提取和应用的新挑战。
和常见的光学图像相比，SAR数据的表现特征和包含信息均有不同。
因此，传统的特征提取和图像处理方法在应用于SAR图像时就显现出了局限性。
在军事应用方面，因为SAR的高分辨率以及一定的穿透能力，目标侦察已经成为了其首要任务之一，即发现目标，并对其进行识别。
而目标识别方法作为SAR图像处理的关键技术，目前业已被广泛应用在军事侦察，海洋环境等多个领域[3-4]。
随着SAR系统的发展，SAR图像目标识别也有了很大的发展和进步，国内外在该领域已经取得了可观的研究成果，众多学者提出了很多经典的方法，比如基于模板基于像素的目标识别方法，基于模板基于特征的目标识别方法[5-6]。
一种新的雷达重频模式识别方法
一种新的雷达重频模式识别方法邹鹏;莫翠琼;张智;张宁【期刊名称】《雷达与对抗》【年(卷),期】2011(031)002【摘要】针对雷达重频模式识别中存在的问题,提出了一组新的二维特征向量,对重频固定、重频抖动、重频参差、重频分组和重频滑变5种典型的重频模式进行了识别。
仿真结果表明,该方法正确识别率高,为工程应用提供了一种新的思路。
%In view of the problems existed in the identification of radar PRI modes,a new group of the 2D eigenvector is presented to make the identification for five typical PRI modes,namely,the constant,jittered,staggered,grouping,and sliding PRIs.The simulation r【总页数】6页(P24-28,71)【作者】邹鹏;莫翠琼;张智;张宁【作者单位】解放军电子工程学院安徽省电子制约技术重点实验室,合肥230037;解放军电子工程学院安徽省电子制约技术重点实验室,合肥230037;解放军电子工程学院安徽省电子制约技术重点实验室,合肥230037;解放军电子工程学院安徽省电子制约技术重点实验室,合肥230037【正文语种】中文【中图分类】TN957.51【相关文献】1.一种模块化多模雷达重频跟踪器设计 [J], 李坤;刘和周;柳桃荣2.一种新的重频特征识别方法 [J], 周昌术;王健鹏;柳征;程洪玮3.一种新的重频调制类型自动化识别方法 [J], 李星雨;杨承志;曲文韬;张荣4.一种基于贝叶斯网络的雷达重频模式识别方法 [J], 王健鹏;初翠强;吴京;柳征5.一种雷达脉冲序列重频类型识别方法 [J], 盛九朝;束坤因版权原因，仅展示原文概要，查看原文内容请购买。
基于贝叶斯判别法的超视距雷达探测距离预测方法
基于贝叶斯判别法的超视距雷达探测距离预测方法练学辉;王向敏;申宏亚;王玲玲【期刊名称】《雷达与对抗》【年(卷),期】2011(031)002【摘要】介绍了不同大气波导条件下海杂波功率的变化规律,采取统计分析的方法研究雷达回波强度与最远探测距离的关联性。
根据不同距离处海杂波强度和海杂波延伸距离等信息,建立了基于贝叶斯判别法的超视距雷达探测效能预测模型。
%The variation rules of the sea clutter power under the circumstances of different atmospheric duct are introduced,and the relation of radar echo intensity and the farthest detection range is analyzed through the statistical analysis.According to the inten【总页数】3页(P8-10)【作者】练学辉;王向敏;申宏亚;王玲玲【作者单位】海军驻南京地区雷达系统军事代表室,南京210003;南京船舶雷达研究所,南京210003;南京船舶雷达研究所,南京210003;南京船舶雷达研究所,南京210003【正文语种】中文【中图分类】TN953【相关文献】1.基于灰色系统理论的雷达探测距离预测方法 [J], 姜昌杰;钱建刚2.贝叶斯判别法在基于足底压力特征个体识别研究中的应用 [J], 张万松;姚力;姬瑞军3.基于贝叶斯判别法对制造业财务预警计量分析 [J], 官银;李新月;朱家明4.基于主成分分析与贝叶斯判别法的矿井突水水源识别方法研究 [J], 琚棋定;胡友彪;张淑莹5.基于贝叶斯判别的页岩气储层总有机碳含量分类预测方法 [J], 殷梅;岑超;阮娟;何委徽因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ａ ｐｏｃ ｔＲ ｄｒ ｓ Ｒｐｔｏ Ｉｔ ｖｌＭｏｕ ｔｎ ｏｎｉ Ｂｓ ｐｒａｈ ａａ Ｐｌ ｅｅｔｎ ｅ ａ ｏ ｕｅ ｉ ｎ ｒ ｓ ｄｌｉ Ｒｃｇｉ ｎ ｅ ｉ ａｏ ｅ ｔ ａ ｄ ｏ
ｏ Ｂ ｙｓ ｎ ｔｏｋ ｎ ｅａ Ｎ ｗ ｒｓ ａ ｉ ｅ
Ｃ。 种 可以 ） 这 关系 通过贝 斯网 结构〔］ 叶 络 ３ 来表 ． ４
示， 重频识别过程转化为利用贝叶斯分类器 此时，
实现模式分类问题。为此我们建立一组两层的贝 叶斯网络模型， 即贝叶斯多网分类器（Ｍ Ｃ ｓ－ Ｂ Ｎ ｓ ｌｉ ａ
选 判 门 ， ＞ 时， Ｒ序 具 定 别 限，当ｎ ， 则ＰＩ 列
ａｅｏＰＩＩｏｅｔ二。 ｉ Ｒ’ ａ ｒ ｕｍｔ ｌ ｎ ｏ ｃ ｈ ｎ ｅ ｅ ａ ｆ ． ｒｒ ｇｚＰＩ ｐｔｎａｏａ ａ ａ ｔｒｕ ｔ ｉ ｕ ｃｏｄａ ｃｒ Ｒ ｎ ｏ ｎｅ ｓ ｓ ｉ ｌ ｄ ｄ ｅ ｆ ｎ ｆ ｔ ｄ ｔ ｅ ｔ ｃ ｙ ｅ ｅ ｌ ｔ ｎｓ ｏ ＰＩｓ ａｅ ， ｃ ｕ ａ ｔ ｅ ’ ｐｔ ｓ ， ｘａｅ Ｔｅ ｔ ｓ ｅ ’ ｃ ｒｔｓ ｗｉ ｊｔ ａｔｓ ＰＩ。 ａ ｒ ， ｅｒｔ ． ｎ ｏｅ ｍ Ｒ ｈ ｃｒ ｈｈ ｉ ｈ Ｒ ｉ， ａ ｓ ｍ ｅ ｔｎ ｅ ｔｃｄ ｈ ｈ ｅ
〔 二口Ｉ 【二 二 ［口｝
日门口 二！ 口「日 日日 ［ Ｅ口 ［ 」 ］
、｝ Ｉ 一 「 「口Ｉ
｝ 门
门口Ｉ
口 口
图 ４ 重频参差示意图
Ｅ 重频分组：Ｒ 在若干值驻留并快速转 ＰＩ ．
换。
传统的重频识别方法主 要有直方图判别法和 某些针对特定重频模式的重频鉴别法（ 如参差鉴
别）ｌ 其中 ） 。 直方图 有 脉冲 较多（ 少 （ ２ 法只 在 个数 至
１ 引言
在现代战场条件下， 大量复杂体制雷达被应 用于作战， 造成雷达信号环境日 益复杂， 这就对雷 达告警接收机（Ｗ ） Ｒ Ｒ和电子支援系统（Ｓ ） ＥＭ 等电 子战侦察设备的设计提出了更高的要求， 如电子 战侦察设备要能够快速地对雷达的型号、 类型和 威胁等级进行识别。脉冲重复间隔 Ｐ Ｉ Ｒ 定义了相 邻雷达脉冲上升沿之间的时间间隔， 由于其测量
王健 ， ２ 京 ， 征， 鹏‘ 初翠强 ． 昊 ， 柳
一种墓于贝叶斯网络的雷达重频模式识别方法
电子信息对抗技术· ２ 第２ 卷 ２０ 年３ ０７ 月第２ 期
中图分类号： ９１１ Ｔ ７． Ｎ
文献标识码： Ａ
文章编号：Ｎ １ １ ４２（） 一 ０ 一 ４ Ｃ ５ 一 ６ （ Ｙ ０ ０１ ０ ９ ０７ ２ ４
ｎ ｅ Ｓ ｔ Ｒ＇ ａ ｒ ａ ｄ ｃ ｂ ｃ ｄｉａ ｒａｌ Ｍ ｃｓｆｒ ． ｈＰＩ ｐｔ ｓ ｕ ｄ ｏ ｉｎｌｐｂ ｉ ｖ Ｂ Ｎ ｓｅ ｏ ｓ ｏ ｓ ｎ ｒ ｅ ｅ ｙ ｔ ｌ ｏ ｂｉ ｉ ｄ ｅ ｔ ｅ ｄ ｅ ｎ ｏ ｙ ｔ ａ ｌ ｉ ． ｙ ａｉ
Ｋ ｙ ｒｓｐｌ ｅ ｔｏ ｉｅａ ； ｃａｃｒ Ｂｙ ｉ ｎｗｒ ； ｉ ｍ ｌｎ ｌｓｉ ｏｄ： ｒｅｔｎ ｒｌ ＰＩ ａｅ ； ｓｎ ｏ ｓ ａ ｓｎ ｔ ｅｃｓｆｒ ｅｗ ｕｅ ｉ ｎ ｖｓ Ｒ ｈ ｔｓ ａ ａ ｅ ｋ Ｂｙ ａ ｕｉ ｔ ｉ ｓ ｐ ｉ ｔ ｒ ｅ ｔ ｅ － ａ ｅ
百分位数， ＰＩ 即 Ｒ 序列中位数。百分位数的定义
为Ｎ， Ｒ／ｐ Ｋ１，中１ｒＲ为Ｐ （＜ Ｎ 二／０ Ｖｉ Ｒ ｐＰ） ｉ ０其 （＜Ｋ Ｉ ｉ ｉ Ｋ ｐｐ） ｒ
图２ 孟频抖动示意图
Ｐ Ｉ Ｒ Ｒ ＋ 吞Ｐ Ｉ
序列值由小到大排序后的ＰＩ Ｒ 最小值到 Ｐ Ｉ的 Ｒ Ｋ
序 长 哈为Ｐ 序 总 度 Ｒ Ｒ序 列 度， Ｒ 列 长 。 为ＰＩ 列 Ｉ
ｆ ） ｉ［ ｅ５ ｒ］ 来实现 频 重 模式分 如图７ 类（ 所示） 这 。 组
分类器每个子网的上层分类节点是重频模式集的 一种重频模式， 每个子网的下层属性节点表示与 某重频模式有因果关系的 Ｐ Ｉ Ｒ 序列特征属性集。 本文构建重频模式样本集包含五个元素， 表示为
其中 ‘ Ｒ 序列定义为：州‘ ｏ － ＰＩ 级 ｛ 二ｔｉ ａ
ＷＮ Ｊ－ｎ， Ａ ｉ２ Ｕ ， ｒ ｅｔ ＡＧ ｐｇＣ Ｃ－ｎ， ｎ Ｌ Ｚ ｔ ｉ ｅｔｈ ｉａ Ｗ ＪｔＩ ｈｇ ａ ｎ ｕ ｇ ｉ Ｕ ｇ ｇ
（． ｏｏＥ ｃ ｎ Ｓｅ ａ１ ｎ ｒｇ Ｎ Ｄ ， ｎ ｈ４０７， ａ ． ６ ４ ｏＰ Ｂｉ ｇ ０ ， ａ １Ｓ ｏ ｆ ｔ ｉ ｃｎ Ｅｇｅｉ ， Ｔ Ｃａ ｓ １ ３ Ｃｉ； ｉ １ １ Ｉ ｅｉ １ ３ Ｃｉ） ｃ ｌ ｌ ｒ ｃ ｃ ｒ ｎ ｅ ｈ ｅｏ ｉｅ ｎ ｉ ｎ Ｕ ｈ ｇ ａ ０ ｈ ２Ｕ ｔ ｆ ｎ ｎ ５ Ａ， ｎ ０ ６ ｈ ｊ ０ ｎ
切‘＊‘ ＿｝成峰个数指所成离散高积累峰个数。 ， 特征量四：Ｒ 序列符合驻留特性条件的子 ＰＩ
序列个数 。 。
Ｃ Ｉｌ ２Ｃ，ａＣ１ 元素Ｃ 到Ｃ对应 ＝ Ｃ， ，３Ｃ，５， Ｃ 其中 ： ５
的重频模式分别为： 重频固定、 重频抖动、 重频滑
种重频模式示意图 如图１ ５： 一） Ａ 重频固 Ｐ 最大变化量小于其平均值 定： Ｉ ． Ｒ
收稿日 ２ ６ － 修回日 ２０－ ２ 期： ０ － ７ ； ０ ０ ０ ７ 期： ６ － ０ ０ ２ ８ 作者简介： 王健鹏， 硕士研究生， 主要研究方向为电子战信号处理， 软件工程应用； 吴京， 主要研究方向为综合电子战技术。 副教授． 硕士生导师．
电子信息对抗技术· ｚ 第２ 卷
２０ 年 ３ ０７ 月第 ２ 期
王健鹏， ． 初翠强２吴 京． 征． ， ， 柳
一种基于贝叶斯网络的雷达重频模式识别方法
的１ ％； Ｂ 重频抖动：Ｒ 随机变化， ． ＰＩ 并且变化范围
一般不超过３％； ０
Ｃ 重频滑变：Ｒ 做单调增加或下降变化， ． ＰＩ 当到达某一极值时迅速转移到另一极值； Ｄ 重频参差： 以周期性顺次出现在某几 ＰＩ ． Ｒ 个固定值；
ｍｌ ａｅ ｏ ａ ｒ ｅ ｔｏ ｉｅａ ａ ｏ ｅ ｇｚ ａｏａｃ ｏｌ ｉ ｎ ｈ － ｐｔｍ ｒ ａｐｌ ｒ ｅｔｎ ｒｌｃ ｎ ｂ ｒｏ ｉｄ ｍｔａｙ ｖ ｏ ｃ ｒ ｕｉ ｔ ｆ ｕ ｅ ｉ ｎ ｖ ｓ ｔ ｅ ｎｅ ｕ ｉｌ ｎ ａ ａ ｔ － ｄ ｓ ｐ ｉ ｔ ｎ ｃ ｔ ｙ ｅ
精度较高且变化方式多样， 因此可以为后续雷达 型号、 类型和威胁等级的识别提供重要依据。现 代雷达的脉冲重复间隔 ＰＩ Ｒ 调制方式复杂， 本文 为简化方法说明过程， 主要针对五种典型重频模
式 进 讨论， 际 方 其它 复 重 川 行 实 上本 法对 较 杂 频
模式同样适用。五种典型重频模式定义如下（ 五
ＰＩ Ａ Ｒ Ｒ． Ｐ 毛 ；
Ｐ 式 Ｒ
有数范内均 ， 裔 。为Ｒ 效值围的值 ＝粉‘ Ｐ ， 。 Ｉ
序 列 有 效 数 值 范 围 内 的 标 准 差，口 二
启睿ｒ“ 设 （一 。 ‘ Ｐ ” ｉ ；
图 ３ 里频滑变示意图
为重频模式区分 门
限， 考虑噪声影响一般取 。 １ ３ 对于重频 二 ％一 ％，
Ａｓ ｃ Ｔｅ ｎ ｄ ｕｅ ｔｏ ｎｒｌ Ｐ ｉ ｓ ａ ｄ ｒ ｅ ｔｏ ｎ ａ ： ａ ｒｏｒａｐｓｒｅｉ ｉｅａ （ Ｏ ｌ ｃ ｅｒａｐｓｒｅｉ ｉ ｂｒ ｔ ｈ ｐｔ ｆ ｌ ｅ ｉｎ ｖｓ ｓ ｌ ａ ｕｅ ｉｎ ｔ ｔ ｅ ａ ｒ ｐ ｔ ｔ Ｒ ａｏ ｄ ｌ ｐ ｔ －
有分段单调性。本文中定义的分段单调性指将 ＰＩ Ｒ 序列分为若干段区间， 若其中有 ｎ 段序列具 相同有单调递增或递减特性， 则认为 ＰＩ Ｒ 序列中 符合分段单调性条件的区间段个数为 ｎ ｏ 特征量三： 一级 Ｐ Ｉ Ｒ 序列直方图成峰个数 Ｍ 与Ｍ级 ＰＩ Ｒ 序列直方图成峰个数 Ｎ ｏ
ｔｖ ｍｄｌｉ ． ｒｏ ｉ ｏｒ ａｐｌ ｒ ｅｔｎ ｒｌ ｏ ａｏ ａ ａ ｇａ ｓ ｕｔｎ Ｔｅ 娜ｔｎ ａ ｒ ｅ ｔｏ ｉｅａ ｍｄｌｉ ｃ ｍｋ ａ ｔ ｅａ ｏ ａｏ ｈ ｅ ｒｌ ｃ ｏ ｆ ｕ ｅ ｉ ｎ ｖｓ ｕｔｎ ｄ ｓ ｐ ｉ ｔ ｎ ｅ ｒ ｅ
ｓ ｐ ｔｂｈ ｇｔ ｏｒａｓ ｓ ａｇｉ． ｉｓ ｉｌ ｒｅ ． ｒ ｙ ｒ ｏ ｒｏ ｉｎ ｄ ＇ｔｅａ ｃｅｒｓＢｔ ａ ｕ ｐｃｓＧｎａ ｔ ｕ ｏ ｏ ｅ ｎｉ ｆ ｙ ｎ ｔｏｅ ｕ ｔ ｄ ｃｔ ｓ ｅ ｌ ｈ ｐ ｔ ｔ ｃ ｏ ａ ｒ ｐ ｄ ｉ ｉ ｆ ｏ ｅ ｅ
固 式， 产 。 其它 式有。产 。 定模 。 ‘ ， ／ 对于 模 ／＞。
王健鹏， ， 初翠强２ 。 京， 吴 ， 征， 柳 一种基于贝叶斯网络的雷达重频模式识别方法
电子信息对抗技术· ２ 第２ 卷
２０ 年 ３ ０７ 月第 ２ 期
特征量二：Ｒ 序列分段单调性区间段个数 ＰＩ
ｉ 个脉冲的到达时间，ｏ 为雷达的首脉冲到达时 ｔ。 ｏ
间。
图 １ 重频固定示意图Fra bibliotek为了利用 Ｒ 序列对重频模式进行有效判 ＰＩ 决， 本文提取了对五种重频模式识别起主要影响 的四个特征量。 特征量一：Ｒ 序列有效数值范围【Ｒ， ＰＩ ＰＩ， ｏ
ＰＩ〕 方差均值比ｏｙ Ｒｏ ５内的 ／ｏ 为滤除数据噪声产生的ＰＩ Ｒ 野值， ＰＩ 定义 Ｒ 序列有效数值范围【Ｒ，ＰＩ１其中Ｐｌ对应 ＰＩ， ０， ｏ Ｒ５ Ｒ， ｏ ＰＩ Ｒ序列第１百分位数，Ｒ， ０ ＰＩ对应ＰＩ Ｒ序列第５ ０
一种基于贝叶斯网络的雷达重频模式识别方法
王健鹏， ， 初翠强 ， 京， 征， ２ 吴 ， 柳
（． １国防科技大学电子科学与工程学院， 长沙４０７；． １ ３２ 解放军６ ４ 部队， １ ０６ ０ １１ ５ 北京 ０ ３） ０
摘要： 雷达重频模式指雷达脉冲重复间隔（Ｒ） ＰＩ 的调制样式， 重频模式识别时于雷达型号、 类别 识别具有重要支 持作用， 但这是一个较困 难的过程， 一般难以 通过单一重频特征完成多 种复杂 重频模式的自 动识别。本文为解决雷达多重频模式 自 动识别及识别抗噪声干扰 问题， 针对多 种重频模式提取了 几种 ＰＩ Ｒ 序列特征量（ 重频特征）然后引 ， 入了贝叶斯多网络分类器（Ｍ ＢＮ Ｃ ｓｆｒ， ｌｓ ｅ 利用所提取的特征量作为贝叶斯多网络分类器输入节点， ａｉ ） ｉ 通过贝叶斯多网络分类器 的概率推理能力来实现雷达重频模式识别。 关键词： 脉冲重复间隔； 重频特征； 贝叶斯网络； 贝叶斯多网络分类器