-
公开(公告)号：CN114548170A
公开(公告)日：2022-05-27
申请号：CN202210156787.5
申请日：2022-02-21
Applicant: 西安电子科技大学
Abstract: 本发明公开一种基于GPU端模糊C均值聚类的雷达信号分选方法，其实现步骤是：1、对每部雷达接收的回波信号进行脉冲检测，得到该部雷达发射的脉冲描述字PDW；2、在CPU端初始化聚类划分；3、在GPU端并行化更新当前每个分类聚类中心的PDW值；4、在GPU端并行化更新当前每个PDW的隶属度；5、迭代更新所有聚类中心PDW值、隶属度矩阵U；6、在CPU端对更新后的雷达脉冲数据集D进行聚类划分。本发明相比传统的串行聚类算法更加高效，更好地满足了雷达信号分选的实时性需求，而且雷达信号分选的准确率更高。
-
公开(公告)号：CN118468132A
公开(公告)日：2024-08-09
申请号：CN202410554722.5
申请日：2024-05-07
Applicant: 西安电子科技大学
IPC: G06F18/2415 , G06F18/2431 , G06F18/214 , G06N3/0464 , G06N3/098 , G01S7/38 , G01S7/40 , G01S13/88 , G01S7/02
Abstract: 本发明提出了一种基于联邦学习的多功能雷达工作模式识别方法，实现步骤为：初始化多功能雷达工作模式识别场景；每个侦察站对本地模型进行迭代训练；中心服务器本地模型参数进行联邦聚合；中心服务器获取训练好的全局模型；获取多功能雷达工作模式识别结果。本发明通过每个侦察站获取的不同侦察机接收灵敏度、不同侦察时长的数据对全局模型进行训练，提高了全局模型的泛化能力，具有更高的识别准确率，同时由于利用了不同侦察站的客户端并行训练本地模型，通过主侦察站的中心服务器聚合各本地模型的参数形成全局模型，不需要移动各侦察站侦收到的数据，提高了识别效率。
-
公开(公告)号：CN114548170B
公开(公告)日：2024-10-29
申请号：CN202210156787.5
申请日：2022-02-21
Applicant: 西安电子科技大学
IPC: G06F18/23213 , G06F18/24 , G06F18/213 , G01S7/02
Abstract: 本发明公开一种基于GPU端模糊C均值聚类的雷达信号分选方法，其实现步骤是：1、对每部雷达接收的回波信号进行脉冲检测，得到该部雷达发射的脉冲描述字PDW；2、在CPU端初始化聚类划分；3、在GPU端并行化更新当前每个分类聚类中心的PDW值；4、在GPU端并行化更新当前每个PDW的隶属度；5、迭代更新所有聚类中心PDW值、隶属度矩阵U；6、在CPU端对更新后的雷达脉冲数据集D进行聚类划分。本发明相比传统的串行聚类算法更加高效，更好地满足了雷达信号分选的实时性需求，而且雷达信号分选的准确率更高。
-
-
Search Results
3
records
(took 0.025 seconds)
