-
公开(公告)号：CN116304864A
公开(公告)日：2023-06-23
申请号：CN202310147824.0
申请日：2023-02-22
Applicant: 西安电子科技大学 , 中国电子科技集团公司第二十九研究所
IPC: G06F18/241 , G06F18/214 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于残差卷积自编码器的电子对抗目标威胁评估方法，旨在解决现有技术需要人为设置权重系数的问题，以及需要完整数据集才能有效进行威胁评估的问题。本发明的实现步骤包括：生成含有9个电子对抗目标特征参数的训练集；搭建具有17个网络层的能够处理不完整数据集的残差卷积自编码器；将训练集输入到残差卷积自编码器中，利用反向传播梯度下降法，迭代更新残差卷积自编码器的各层参数，得到训练好的残差卷积自编码器；(4)将待评估威胁程度的样本输入到训练好的残差卷积自编码器中，输出威胁程度的评估等级。本发明具有不需要人为设置权重系数和不依赖完整数据集就可以有效进行威胁评估的优点。
-
公开(公告)号：CN118294896A
公开(公告)日：2024-07-05
申请号：CN202410442128.7
申请日：2024-04-12
Applicant: 西安电子科技大学
IPC: G01S7/36 , G06F18/10 , G06F18/15 , G06F18/214 , G06N3/0442 , G06N3/0464 , G06N3/084
Abstract: 本发明公开一种利用融合时序信息的半监督雷达型号识别方法，主要解决现有技术在标注样本稀缺情况下网络训练效果差及识别准确率低的问题。其实现方案为：构建脉冲样本集，对其进行归一化预处理和有、无标签样本集划分；构建融合时序信息的雷达型号识别网络；使用有标签样本对该网络进行预训练；将无标签样本输入预训练后的网络得到预测结果；用预测结果大于阈值的无标签样本生成伪标签样本集；根据无标签样本预测结果计算新的置信阈值；用有标签样本和伪标签样本对预训练后网络进行迭代训练，直到达到预设轮次；将待识别的雷达脉冲输入到训练好的雷达型号识别网络，获得型号识别结果。本发明提升了对雷达型号识别的准确率，可用于雷达信号侦察处理。
-
公开(公告)号：CN117761683A
公开(公告)日：2024-03-26
申请号：CN202310147823.6
申请日：2023-02-22
Applicant: 西安电子科技大学 , 桂林长海发展有限责任公司
IPC: G01S13/88 , G01S7/36 , G06F18/25 , G06F18/214 , G06F18/21 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于雷达导引头主被动信息融合的干扰态势构建方法，构建了一个干扰态势环境，通过计算环境中所有平台的主动信息、所有设备的被动信息组成一个主被动信息融合样本，解决了现有技术受限于已知雷达特征库，能够获取的融合信息有限，无法有效提取目标的特征信息的不足。本发明利用主被动信息融合的训练集，对构建的卷积神经网络进行训练，使得训练好的卷积神经网络具有良好的非线性映射能力，能够快速提取平台、设备特征参数，得到相应的融合评估等级，解决了目标的电磁特征计算误差较大，存在错误融合的不足。使本发明中雷达导引头获取的主被动信息具有互补性，掌握了更全面、准确的平台及设备信息。
-
Patent Agency Ranking
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：CN118468106A
公开(公告)日：2024-08-09
申请号：CN202410554724.4
申请日：2024-05-07
Applicant: 西安电子科技大学
IPC: G06F18/241 , G06F18/2431 , G06F18/214 , G06N3/045 , G06N3/0464 , G06N3/084 , G01S7/38 , G01S13/88
Abstract: 一种基于多头注意力机制和ConvNeXt结合的目标威胁评估方法，旨在解决现有技术较少考虑任务威胁，以及难以根据各指标的重要程度自适应的调整权值的问题。其步骤包括：构建空中巡逻、空中拦截和空中护航三种任务场景和对应的任务指标集；构建多头注意力机制和ConvNeXt结合的模型；将训练集输入到多头注意力机制和ConvNeXt结合的模型中，利用反向传播梯度下降法，迭代更新模型中的各层参数，得到训练好的模型；将待评估威胁程度的样本输入到训练好的多头注意力机制和ConvNeXt结合的模型中，输出威胁程度的评估等级。本发明具有在复杂任务场景下对目标威胁程度全面准确评估以及能根据各指标的重要程度自适应的调整权值的优点。
-
公开(公告)号：CN116299214A
公开(公告)日：2023-06-23
申请号：CN202310139832.0
申请日：2023-02-20
Applicant: 西安电子科技大学 , 北京电子工程总体研究所
Abstract: 本发明公开了一种在线优选域与域内决策结合的雷达抗干扰决策方法。旨在解决传统雷达抗干扰决策方法抗干扰收益值低的问题以及传统抗干扰决策方法难以适应干扰状态较多、抗干扰措施数量较多场景的问题。本发明的实现步骤包括：利用模板匹配技术在线确定雷达抗干扰决策域；生成抗干扰效益值序列；生成雷达抗干扰决策域内抗干扰决策结果。本发明在保证决策性能的情况下，直接选择抗干扰效益值序列最大的抗干扰措施作为抗干扰决策结果，极大提高时间效率以及抗干扰收益，便于实际场景应用。
-
公开(公告)号：CN118535973A
公开(公告)日：2024-08-23
申请号：CN202410671809.0
申请日：2024-05-28
Applicant: 西安电子科技大学 , 上海微波设备研究所(中国电子科技集团公司第五十一研究所)
IPC: G06F18/241 , G06F18/213 , G06F18/214 , G06F18/27 , G06N3/0464 , G06N3/082
Abstract: 本发明公开了一种基于多尺度特征提取的雷达威胁评估方法，本发明的实现步骤包括：构建空中仿真场景；构建多尺度卷积神经网络；生成具有关联性雷达威胁指标的训练集；将训练集输入到多尺度卷积神经网络中，利用反向传播梯度下降法，迭代更新模型中的各层参数，得到训练好的多尺度卷积神经网络；将待评估威胁程度的样本输入到训练好的多尺度卷积神经网络中，输出雷达威胁程度的评估等级。本发明不需要人为设置判断矩阵，从而具有在客观的条件下，对雷达威胁程度进行更准确评估的优点，以及通过利用训练好的多尺度卷积神经网络提取对方雷达威胁指标之间的关联性特征，实现对雷达威胁程度评估更加全面的优点。
-
公开(公告)号：CN116975640A
公开(公告)日：2023-10-31
申请号：CN202310952111.1
申请日：2023-07-31
Applicant: 西安电子科技大学
IPC: G06F18/214 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/08 , G06N3/048 , G06N3/006
Abstract: 本发明开了一种基于SSA‑CNN‑LSTM网络的干扰对抗态势预测方法，主要用于解决贝叶斯网络对专家经验依赖性过强，而单一结构的神经网络对大量时间序列数据处理速度慢的问题。本发明的实现步骤包括：构建CNN‑LSTM网络，采用麻雀算法优化CNN‑LSTM网络隐藏层神经元个数、初始学习率、正则化系数3个超参数，得到优化后的SSA‑CNN‑LSTM网络。本发明设计的态势预测方法结合了卷积神经网络的特征提取能力和长短期记忆网络的时序预测能力，并利用麻雀算法的超参数优化能力，加快了对大量时间序列数据的处理速度，提升了态势预测算法的自学习和自适应能力。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.02 seconds)
