利用声波和地震波识别军事车辆类型

声波和地震波是军事车辆类型识别的重要信息源,针对军事车辆运动时产生的声波和地震波,采用短时傅里叶变换提取其波形数据的频谱特征向量,提出基于能量频谱密度进行二次特征选择,构造声波和地震波频谱特征向量子空间,从而降低了特征向量的维数.应用支持向量机(SVM)和最近邻分类法(KNN)分别对声波和地震波数据来进行军事车辆分类,结果表明:基于能量频谱密度的二次特征选择方法能有效地构造出声波和地震波的特征子空间,由此得到的分类准确率高于传统的特征选择方法.通过比较SVM和KNN的分类结果可以得出SVM的分类效果优于KNN.     

基于多尺度分频和变权的战场声目标识别

提出一种基于多尺度分频和变权的战场声目标分类与识别的快速算法,为战场环境下快速识别典型声目标提供了一种实用方法.首先对信号进行离散傅立叶变换,获得幅频谱,对幅频谱进行平滑递推滤波,之后对其进行多尺度分频,在同一尺度上求取幅值均值,并对其进行定量归一化,将归一化后的数组作为此尺度上的特征向量,多次训练获得大量特征向量数组,基于相似性系数的特性,从中提取特征向量模板,并给出模板相应的权重.最后,采用基于相似性系数的分类器,对信号进行分类与识别.并将此算法与传统的特征提取算法进行试验对比.试验结果表明,基于多尺度分频和变权的战场声目标分类与识别算法简单有效、识别率高、计算周期短、实时性好、适合目标跟踪时间较短的场合.     

一种基于Hilbert-Huang变换和AR模型的滚动轴承故障诊断方法

提出了一种基于Hilbert-Huang变换和AR模型的滚动轴承故障诊断方法.采用Hilbert-Huang变换将滚动轴承振动信号分解成若干个平稳的IMF(IntrinsicModeFunction)分量,求出每一个IMF分量的瞬时幅值和瞬时频率,然后对每一个IMF分量的瞬时幅值和瞬时频率序列建立AR模型,以模型主要的自回归参数和残差的方差作为特征向量建立Mahalanobis距离判别函数,进一步判断滚动轴承的工作状态和故障类型.实验结果分析表明,本文方法能有效地应用于滚动轴承的故障诊断.     

基于时频域特征和分层决策的通信信号调制识别

针对实际通信信号具有时变、非平稳的特性,将时频分布引入通信信号调制类型识别,提出了新的品质优良的时频域识别特征和使用时频域特征的分层决策分类器。即以基于Wigner Ville分布(WVD)的一阶时间矩特征和基于Margenau Hill分布(MHD)的局部时频域特征作为分类特征向量,通过特征向量与判决阈值的逐层比较以实现通信信号调制分类。仿真结果表明,该方法在低信噪比下的识别性能明显优于基于单纯的时域特征或频域特征的传统方法。     

毫米波阵列雷达近场动目标参数估计算法

在毫米波连续波阵列雷达系统中,根据近场各动目标多普勒频率的不同,提出了一种近场动目标多普勒频率、距离及方位三维参数估计算法。首先采用全相位快速傅里叶变换(all phase fast Fourier transform, apFFT)方法估计回波信号频谱,并使用相位差频谱校正法对目标多普勒频率进行校正。全相位FFT方法所得相位谱为信号的初始相位,各通道之间对应信号的相位关系包含了目标的位置信息,采用二维多重信号分类(two dimensional multiple signal classification, 2 D MUSIC)方法就可从各目标对应多普勒频率的复幅度中估计出目标的距离及方位参数。计算机仿真结果证明了该算法的有效性。     

基于高阶累积量和支撑矢量机的调制识别研究

提出一种基于高阶累积量和支撑矢量机的数字信号自动调制识别新方法 ,即将接收信号的四阶、六阶累积量作为分类特征向量 ,利用支持矢量机把分类特征向量映射到一个高维空间 ,并在高维空间中构造最优分类超平面以实现信号分类。这种方法对高斯噪声和星座图由于信号初始相位而引入的旋转具有良好的稳健性 ,并避免了神经网络中的过学习和局部极小点等缺陷。计算仿真结果表明 ,这种方法具有很高的分类性能和良好的稳健性     

基于深层残差网络和三元组损失的雷达信号识别方法

针对分类网络难以有效扩展分类数量的问题,提出了一种基于深层残差网络和三元组损失的雷达信号识别方法。该方法首先将雷达信号作为深层残差网络的输入,通过一维卷积将雷达信号映射到128维欧几里得空间,得到信号的特征向量;然后利用三元组损失函数调整网络参数,使得同类信号之间特征向量的欧式距离减小而不同类别信号之间的距离增大;最后通过基于样本库的识别算法实现对信号的分类识别。实验结果表明,相较于传统的分类网络,该方法在保证识别准确率的同时使得模型能够对分类数量进行有效扩展。     

基于深层残差网络和三元组损失的雷达信号识别方法

针对分类网络难以有效扩展分类数量的问题,提出了一种基于深层残差网络和三元组损失的雷达信号识别方法。该方法首先将雷达信号作为深层残差网络的输入,通过一维卷积将雷达信号映射到128维欧几里得空间,得到信号的特征向量;然后利用三元组损失函数调整网络参数,使得同类信号之间特征向量的欧式距离减小而不同类别信号之间的距离增大;最后通过基于样本库的识别算法实现对信号的分类识别。实验结果表明,相较于传统的分类网络,该方法在保证识别准确率的同时使得模型能够对分类数量进行有效扩展。     

基于奇异值熵和分形维数的雷达信号识别

针对低信噪比条件下雷达信号脉内调制方式识别算法识别率低的问题,提出了基于奇异值熵和分形维数的雷达信号识别算法。该方法首先通过Choi Williams分布得到信号的时频图像,提取时频图像的奇异值熵;然后再提取信号频谱的盒维数与信息维数,组成三维特征向量;最后使用基于支持向量机的分类器实现雷达信号的分类识别。对8种典型雷达信号的仿真试验结果表明该方法抗噪性强、识别率高,在信噪比大于1 dB时,平均识别率能达到95%以上。     

基于相似度网络融合的极化SAR图像地物分类

从极化合成孔径雷达(synthetic aperture radar, SAR)图像中提取多种特征向量堆叠成一个高维特征向量用于地物分类,将导致部分特征向量的分类能力减弱或丧失。针对此问题,将每种特征向量看作为不同视角数据,提出了一种基于一致相似度网络融合的极化SAR图像非监督地物分类方法。首先,将极化SAR图像进行过分割,基于超像素提取5种特征向量以构建5个相似度矩阵;其次,采用一致相似度网络融合多视学习算法生成融合的相似度矩阵;然后,基于该矩阵进行谱聚类;最后,提出一种分类后处理策略修正错分像素。仿真和实测极化SAR图像地物分类结果表明,该方法性能优于其他5种经典方法。     

时分单通道人工噪声雷达系统

人工噪声是指具有类似白噪声性能的二相、多相、频相等群补码.发射并匹配接收群补码信号的雷达称为人工噪声雷达.经过筛选的群补码,其集自相关函数仅有主瓣而所有副瓣为零,并且信号样本多,变化灵活.根据这一特性设计的时分单通道人工噪声雷达系统,具有大时宽、大带宽和信号灵活多变的特性,使雷达系统具有低截获概率性能.另外,利用二相群补码码组序列的多样性,将发射信号的样本做成码库,以便灵活变化信号使雷达具有极强的抗侦察和抗干扰能力.     

自适应数字滤波器在生理信号处理中的应用

生理信号的特点是信号微弱、频谱宽、数据量少和噪声复杂。数字滤波是处理生理信号的基本手段。提出一种基于小波变换的自适应数字滤波器，以软件的方式实现，并应用于生理信号处理，效果比较理想。     

基于卷积神经网络的低空风切变类型识别

针对激光雷达低空风切变信号图像的类型识别问题,提出了一种基于深度卷积神经网络(deep convolutional neural network,DCNN)的多层特征提取及自适应融合算法。该方法可以有效解决网络逐层训练过程中信息丢失的问题。首先,采用DCNN提取低空风切变信号图像的各层网络特征,并将各特征进行L2范数标准化实现同趋化。其次,将其以多通道图像形式输入单层CNN进行自适应融合,将融合特征送入支持向量机进行分类识别。结果表明,采用所提算法进行低空风切变图像类型识别的平均识别率为98.1%,与其他4种算法相比均有提升。所提算法能更有效地实现低空风切变信号图像类型识别。     

多载频MIMO雷达的模糊函数

建立了多载频MIMO(multiple-input multiple-output)雷达的发射、接收信号模型。利用匹配滤波理论并引入阵列的孔径推导出了多载频MIMO雷达的多维模糊函数,并利用MIMO雷达发射信号正交的特点进行简化。证明了在远场窄带情况下可简化为时间和空间分离的函数,推导出距离分辨率由发射信号的带宽以及天线间的带宽同时决定。以简单均匀线阵为例,仿真分析了单基地和双基地情况下多载频线形调频(LFM)信号的多维模糊函数特点和距离分辨率;对双基地雷达来说,目标位置不同距离和角度分辨率都有所变化。     

AFSS反射器双脉冲周期间歇调制方法

针对无源电磁调控中目标模拟样式单一且灵活性欠缺的问题,利用有源频率选择表面(active frequency selective surface, AFSS)电磁散射特性可调且不主动辐射电磁波的特性, 提出了一种AFSS反射器电磁散射状态切换的双脉冲周期间歇调制方法。构建了AFSS反射器的双脉冲周期间歇调制信号模型, 分析了调制信号的特点。通过理论推导, 研究了AFSS反射器对雷达线性调频信号回波匹配滤波结果的影响。最后进行了仿真验证, 结果证明了所提方法的有效性和可行性。该方法增加了控制参数维度, 调制样式更为丰富, 应用于雷达目标模拟时可以提高其可变性和灵活性。     

鲁棒原子范数降噪及其在线谱估计中的应用

针对测量数据中含有异常值的线谱估计问题,提出了一种对异常值鲁棒的原子范数降噪方法来提高线谱估计的性能。该方法构建了一个可以联合估计出异常值及原始信号的优化问题,并在代价函数中加入l₁范数和原子范数惩罚项来分别对异常值的稀疏性和信号本身的特性进行约束。一旦获得了该优化问题的解,那么就可利用现有的算法对降噪后的信号进行线谱估计。仿真结果表明,在数据中存在异常值的情况下,所提的算法能够更准确地恢复原始信号,从而使降噪后的谱估计的精度和分辨率明显提高。     

Pulse-to-pulse periodic signal sorting features and feature extraction in radar emitter pulse sequences

A novel class of periodically changing features hidden in radar pulse sequence environment, named G features, is proposed. Combining fractal theory and Hilbert-Huang transform, the features are extracted using changing characteristics of pulse parameters in radar emitter signals. The features can be applied in modern complex electronic warfare environment to address the issue of signal sorting when radar emitter pulse signal parameters severely or even completely overlap. Experiment results show that the proposed feature class and feature extraction method can discriminate periodically changing pulse sequence signal sorting features from radar pulse signal flow with complex variant features, therefore provide a new methodology for signal sorting.     

GNSS导航信号常见畸变产生机理及对测距性能影响分析

在全球卫星导航系统(global navigation satellite system,GNSS)导航信号的产生、发射、传播和接收过程中各种环节的异常,都有可能对卫星信号质量产生影响。用户接收到异常信号后,会在一定程度上影响其位置、速度、时间(position, velocity, time, PVT)性能。开展GNSS导航信号监测评估,可以在第一时间及时准确发现异常并快速告警,确保GNSS用户,特别是民航、海事等涉及生命安全领域相关用户的高效、可靠使用。然而,针对GNSS导航信号的各种异常的综合监测评估,目前国内外尚无全面而系统的研究成果,因此无法进行实时或准实时的信号异常自动识别与分析。文中提出建立GNSS导航信号畸变模型库的理念,针对GNSS导航信号的产生、发射、传播和接收过程中各类信号异常,通过仿真分析和实测数据验证,建立一套较完善的数学分析方法,研究GNSS导航信号各类常见畸变产生机理及特点,并在此基础上,定性或定量地给出不同程度的信号畸变对信号质量评估以及对用户定位的影响。本文的研究成果能够为卫星系统故障自动识别与快速定位提供支撑材料。同时,还可为卫星星上信号产生方面的设计者提供参考,在信号设计和优化过程中提供依据。     

基于HHT的航天电子装置多余物特征分析

航天电子装置的多余物检测对航天器安全可靠运行作用重大。目前微粒碰撞噪声检测（particle impact noise detection, PIND）是多余物检测中应用最普遍的方法,检测系统采用的驱动形式多为冲击和正弦振动。为了提高多余物检测的检出率和准确度,在PIND中引入随机振动,但这给多余物信号的特征分析带来困难。经验模态分解（empirical mode decomposition, EMD）和希尔伯特-黄变换（Hilbert-Huang transform, HHT）可适应非线性、非平稳信号的处理,同时具有不需预先知识的自适应处理能力,引入EMD和HHT方法用于多余物特征分析,以解决目前存在的困难。实验数据的仿真研究证明了该方法的有效性和优越性。     

基于DWT和DFT的动平衡机不平衡量提取原理及实现

在超微型转子(质量小于10g)动平衡机中,主要干扰分为同频干扰、高频干扰和低频干扰。针对测试环境中不平衡量信号的特点,利用离散小波变换对信号进行3层分解,提取有用的低频信号、接着进行频谱分析,在频域提取不平衡量所对应的幅度和相位,有效地滤除了信号中混杂的低频及高频干扰,所测得的误差大大减小,不平衡量幅度测试精度达4μm,相角小于2°,为保证平衡机系统一次去重90％以上提供了前提。所用算法在数字信号处理器上实现。