Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "specyficzna identyfikacja emiterów" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-2 z 2
    Tytuł:
    Specyficzna identyfikacja emiterów radarowych bazująca na analizie składowych głównych
    Specific radar emitter identification based on principal component analysis
    Autorzy:
    Kawalec, A.
    Owczarek, R.
    Rapacki, T.
    Wnuczek, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/210693.pdf
    Data publikacji:
    2006
    Wydawca:
    Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego
    Tematy:
    walka elektroniczna
    klasyfikacja cech sygnałów radarowych
    specyficzna identyfikacja emiterów
    przekształcenie Karhunena-Loeve'a
    warfare electronic
    radar signal feature classification
    specific emitter identification
    Karhunen-Loeve expansion
    Opis:
    W artykule została przedstawiona problematyka związana z identyfikacją emiterów radarowych należących do tego samego typu i klasy. Jest to specyficzny rodzaj identyfikacji (SEI, ang. Specific Emitter Identification), polegający na rozróżnianiu poszczególnych egzemplarzy tego samego typu radaru. Klasyczna identyfikacja sygnałów bazująca na analizie statystycznej podstawowych parametrów mierzalnych sygnału nie spełnia wymagań stawianych przed SEI. Przedstawiona w artykule metoda identyfikacji opiera się na przekształceniu Karhunena-Loeve'a (KL), która należy do metod analizy składowych głównych (PCA, ang. Principal Component Analysis).
    One of the most difficult tasks in the radar signal processing is optimal features extraction and classification. The multifunction radar systems cannot be classified and precisely recognized by most of new and modern Electronic Support Measure and Electronic Intelligence Devices in the real time. In most cases, the modern ESM/ELINT systems cannot recognize the different devices of the same type or class. New method of the radar identification with a high quality of recognizing is the Specific Emitter Identification (SEI). The main task is to find non-intentional modulations in the receiving signals. This paper provides an overview of the new methods of measurement emitter signal features parameters and their transformation. This paper presents some aspects of radar signal features processing using Karhunen-Loeve's expansion as a feature selection and classification transform.
    Źródło:
    Biuletyn Wojskowej Akademii Technicznej; 2006, 55, 1; 41-54
    1234-5865
    Pojawia się w:
    Biuletyn Wojskowej Akademii Technicznej
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Specific emitter identification based on one-dimensional complex-valued residual networks with an attention mechanism
    Autorzy:
    Qu, Lingzhi
    Yang, Junan
    Huang, Keju
    Liu, Hui
    Powiązania:
    https://bibliotekanauki.pl/articles/2086889.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    complex-valued residual network
    specific emitter identification
    fingerprint characteristic
    attention mechanism
    one-dimensional convolution
    sieć rezydualna o złożonej wartości
    specyficzna identyfikacja emiterów
    charakterystyka linii papilarnych
    mechanizm uwagi
    splot jednowymiarowy
    Opis:
    Specific emitter identification (SEI) can distinguish single-radio transmitters using the subtle features of the received waveform. Therefore, it is used extensively in both military and civilian fields. However, the traditional identification method requires extensive prior knowledge and is time-consuming. Furthermore, it imposes various effects associated with identifying the communication radiation source signal in complex environments. To solve the problem of the weak robustness of the hand-crafted feature method, many scholars at home and abroad have used deep learning for image identification in the field of radiation source identification. However, the classification method based on a real-numbered neural network cannot extract In-phase/Quadrature (I/Q)-related information from electromagnetic signals. To address these shortcomings, this paper proposes a new SEI framework for deep learning structures. In the proposed framework, a complex-valued residual network structure is first used to mine the relevant information between the in-phase and orthogonal components of the radio frequency baseband signal. Then, a one-dimensional convolution layer is used to a) directly extract the features of a specific one-dimensional time-domain signal sequence, b) use the attention mechanism unit to identify the extracted features, and c) weight them according to their importance. Experiments show that the proposed framework having complex-valued residual networks with attention mechanism has the advantages of high accuracy and superior performance in identifying communication radiation source signals.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2021, 69, 5; e138814, 1--10
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-2 z 2

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies