买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：山东大学

摘要：基于粒子群算法的电台个体识别方法,属电子对抗技术领域。该方法以电台信号为研究对象，通过对电台信号参数特征进行分析研究，在此基础上判断出该信号是由哪一个电台发射出来的。该方法由粒子群算法以及综合识别推理算法来实现，粒子群算法主要用来根据数据库中存储的电台信号参数生成并优化后续综合识别推理过程所需要的参数，综合识别推理算法利用粒子群算法生成的参数对信号进行综合识别推理得出该信号所对应的电台个体。这在战场中对敌方电台做出快速、准确的干扰与破坏有重要意义。

主权项：1.一种基于粒子群算法的电台个体识别方法,由电台识别系统来实现，该系统包括多个判决模块、推理相似度模块、综合识别推理模块以及数据库，判决模块被置于我方的不同作战单元中；推理相似度模块包括区域活动规律相似度、电台运动状态相似度以及电台信号参数样式相似度三个单元，判决模块分别和推理相似度模块中的区域活动规律相似度、电台运动状态相似度以及电台信号参数样式相似度单元相连接；区域活动规律相似度、电台运动状态相似度及电台信号参数样式相似度三个单元均连接到综合识别推理模块中，综合识别推理模块和数据库相连接；数据库中存入先验的敌方电台数据及敌方电台发送的信号信息，包括电台装载方式、电台活动区域、电台活动状态、电台信号参数四个部分，电台装载方式包括背负式、车载式和机载式；电台活动区域包括电台的经纬度；电台活动状态包括电台的速度和高度；电台信号参数包括调制方式、工作频段、码元速率和发送功率；在战场上我方的不同作战单元的判决模块将获取的敌方电台活动区域、电台活动状态以及电台信号参数分别送入推理相似度模块的三个单元中并经综合识别推理模块进行识别比对以判断信号是由哪一个电台发出来的，从而判断得出敌方电台个体,该识别方法步骤如下：1区域活动规律相似度计算区域活动规律相似度是敌方目标活动区域与数据库中存储的第j个活动区域的相近程度，其中j∈{1,2,…,J}，J表示数据库中存储的电台活动区域数目，目标与区域活动规律推理相似度计算公式如下： 其中x,y为目标的经纬度坐标值，xj,yj为知识库中第j个活动区域的经纬度坐标值，得到的即为敌方目标活动区域与数据库中第j条数据的相似程度；2电台运动状态相似度计算敌方电台运动状态包括速度和高度，其相似度是目标运动状态样式与数据库中存储的第k种运动状态样式的相似程度，其中k∈{1,2,...,K}，K表示知识库中存储的敌方电台运动状态样式的数目，敌方目标电台运动状态知识推理相似度公式计算如下： 其中v为目标的速度值，vk表示在知识库中第k种运动状态样式的速度，h为目标的高度值，hk表示在知识库中第k种运动状态样式的高度，得到的即为敌方电台运动状态与数据库中第k条数据的相似程度，和分别为速度和高度的方差，cv、ch分别为航向距离和高度的加权系数，且cv+ch＝1，采用粒子群优化算法训练确定；3电台信号参数样式计算电台信号参数样式包括工作频段、码元速率、发送功率、调制方式，体现了敌方目标信号参数样式与数据库中第i条信号参数样式的相似度，i∈{1,2,…,I}，I表示数据库中存储的电台信号参数样式数目，其相似度计算公式如下： 其中，fi、mi和pi分别为数据库中第i条信号参数样式的工作频段中值、码元速率中值和发送功率中值；ftarget、mtarget和ptarget分别为目标信号的工作频段中值、码元速率中值和发送功率中值；和分别为工作频段中值、码元速率中值和发送功率中值的方差；得到的即为敌方电台信号参数样式与数据库中第i条数据的相似程度，cF、cM、cP和cmod分别为工作频段、码元速率、发送功率和调制方式的加权系数，且cF+cM+cP+cmod＝1，由粒子群优化算法训练确定，判断目标信号的调制方式与数据库中第i条信号参数样式的调制方式是否相同，其中modtarget为目标信号的调制方式，modi为数据库中第i条信号参数样式的调制方式；综合识别推理过程，由步骤1、2和3得到的相似度只是目标与数据库中数据的距离，先将距离转化成匹配度，然后对匹配度归一化，区域活动规律相似度对应的匹配度算法如下：匹配度：归一化：其中，为对区域活动规律相似度计算得到的结果转化为匹配度、为归一化后的匹配度；电台运动状态相似度对应的匹配度算法如下：匹配度：归一化：其中为对电台运动状态相似度计算得到的结果转化为匹配度、为归一化后的匹配度；电台信号参数样式的相似度对应的匹配度算法如下：匹配度：归一化：其中为对电台信号参数样式计算得到的结果转化为匹配度、Pi3为归一化后的匹配度；再采用加权和规则方法进行综合识别推理相似度计算，公式如下： 其中，n∈{1,2,...,N}表示数据库中电台个体的个数，为区域活动规律相似度推理、电台运动状态相似度推理以及电台信号参数样式推理分配给各电台个体的匹配度，ρm为加权系数，采用粒子群优化即PSO算法训练确定；M为作战单元个数，在这里M＝3，dn为对识别结果n的信度，最大dn对应的n即为识别得到的电台个体；计算公式如下： 其中，u为第n个电台在数据库中存储的信号编号；分别是三个推理相似度模块得到的归一化匹配度；粒子群算法1基本思想设一种无质量的粒子，该粒子仅具有两个属性：速度和位置，速度代表移动的快慢和方向，每个粒子在搜索空间中单独的搜索最优解，并记录当前个体极值作为局部最优解，并将局部最优解与整个粒子群里的其他粒子共享，找到最优的那个局部最优解作为当前全局最优解，粒子群中粒子根据自己当前的局部最优解和整个粒子群共享的当前全局最优解来调整自己的速度和位置，粒子群算法通过迭代来寻找最优解；2更新规则设一维搜索空间，由Q个粒子组成的种群X＝{X1,X2,...,XQ}，其中第q个粒子表示一个D维的向量解Xq＝{xq1,xq2,...,xqD}，代表第q个粒子在D维搜索空间的位置，即代表问题的一个潜在解，根据目标函数计算出每个粒子位置Xq对应的适应度，第q个粒子的速度为Vq＝Vq1,Vq2,...,VqD，其个体极值为Pq＝Pq1,Pq2,...,PqD，种群的群体极值为Pg＝Pg1,Pg2,...,PgD；每次迭代中，粒子通过以下两个公式，跟踪两个“极值”，即粒子的个体极值Pq和粒子种群的群体极值Pg，从而来更新自己，即 其中，d＝1,2,...,D，q＝1,2,...,Q，Q是此群中粒子总数，t为当前迭代次数，w为惯性权重，其值为非负值，其值较大，全局寻优能力强，局部寻优能力弱；其值较小，全局寻优能力弱，局部寻优能力强，w可以取固定值也可以取动态值，若取动态值则采取线性递减权值策略对w进行更新，Vqd是粒子速度，粒子速度设定最大值及最小值，计算结果如超过最大值或低于最小值时，则设定本次计算得到的粒子速度就等于最大值或最小值，rand是介于[0,1]之间的随机数，c1和c2是学习因子，取c1＝c2＝2；更新过程在达到最大迭代次数时停止更新，此时粒子种群的群体极值便是得到的全局最优解时的粒子所在的位置；3粒子群优化算法训练加权系数流程如下：1参数进行初始化，设置最大迭代次数、粒子的最大速度、加速系数c1和c2、惯性因子、终止条件；种群规模设置为Q，Q取20-40；粒子维度为D，初始化粒子的位置和速度；2设训练权值参数向量的适应度函数为用进行识别训练后统计的识别准确率，评估每个粒子的函数适应值；3对每个粒子将其适应值与其经过的个体极值Pq的适应值进行比较，更新个体极值Pq；比较所有个体极值Pq的适应值，更新群体极值Pg；4粒子位置更新和速度更新；5重复步骤2至步骤4，直至寻找到权值参数最优值，算法结束后得到全局最优解，利用获得的最优解与数据库中信息的相似度进行综合识别推理得出对应的电台个体。

全文数据：

权利要求：

百度查询： 山东大学 基于粒子群算法的电台个体识别方法