.png){kind=icon}
返回
Radar signal sorting via GraphSAGE convolution with instance-aware clustering
.png){kind=icon}
PRE
AI
DOI：10.1016/j.dsp.2025.105336.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种基于图的雷达信号分选算法，用于解决基于图像情报分选中的尺度变换挑战。我们开发了一个变维框架，将脉冲描述字表示为图节点，并将载波频率和其他参数作为初始节点特征。通过迭代邻居采样和特征聚合，网络借助可训练参数矩阵学习脉冲之间的关系模式。此外，一种新颖的磁力损失函数结合了簇内吸引力和簇间排斥力，为特征空间优化提供弱监督。与基于图像分割的分选算法相比，所提算法避免了与尺度变换和脉冲拥塞相关的问题。与基于循环神经网络或自编码器的算法不同，该算法利用归纳聚合来探究脉冲之间的关系，提供了一种新颖的学习方法。仿真结果表明，在涉及多个雷达发射机密集交织脉冲序列的场景中，所提网络利用磁力聚类损失函数有效解交织序列。即使在复杂的电磁环境中，存在高脉冲丢失率、高虚假脉冲率和显著测量误差的情况下，该算法也表现出强大的鲁棒性。该算法在实地测试中与专家分析保持一致，在实时处理和电磁复杂性适应方面显示出特定优势。
Keyword:
Radar signal sorting
Weak supervision
Graph convolution network
Instance segmentation
Magnetic loss
Deep cluster
期刊
IF:
3.6
论文数:
10.0K
被引数:
1.7W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容