基于脉内特征的雷达信号分选方法

当前复杂的电子环境下不同调制的多种雷达信号,具有交叠严重、分选困难的特点。针对这一问题提出一种基于时频原子特征的雷达信号分选方法。该方法根据欧氏距离准则,在超完备的Chriplet时频原子库中,利用杂草算法提取可分性较好的原子,并与各信号做内积作为雷达信号分选的特征值,利用改进的FCM聚类算法进行聚类。在不同信噪比下,对5种不同调制参数的雷达信号进行分选,仿真结果表明,在较低的信噪比下,该方法能够进行有效的雷达信号分选。     

复杂体制雷达辐射源信号时频原子特征提取方法

针对复杂体制雷达辐射源信号调制类型识别问题,提出一种新的辐射源信号脉内时频原子特征提取方法(TFAD).该方法首先利用稀疏分解原理和改进差分进化算法将辐射源信号在Ga-bor和Chirplet时频原子库中进行分解,然后利用分解后的首原子能量和Gabor原子中心频率参数分别提取出2个相似比特征和1个频率方差特征作为辐射源信号脉内调制类型的分类特征,最后通过构造有向循环图支持向量机分类器实现雷达辐射源信号的分类识别.与计算复杂度至少为O(nlogn)的分形方法相比,TFAD方法只有O(n)的计算复杂度.采用不同信噪比和多种调制参数的5种辐射源信号进行大量仿真实验,结果表明TFAD方法可获得98.3%的平均正确识别率.     

基于时频单源点检测的雷达信号的盲分选

针对欠定条件下的雷达信号分选问题,提出一种基于时频单源点检测的雷达信号盲分选算法,该分选算法的创新点在于将雷达信号由时域转移到时频域进行分析.在时频域内,雷达信号具有一定的稀疏性,有助于实现信号盲分选,给出了基于时频单源点检测的雷达信号盲分选算法的具体步骤.该方法能够有效解决欠定条件下雷达信号盲分选问题,将其应用于雷达信号分选领域,具有一定的军事应用价值.仿真测试结果表明了该方法的可行性与优越性.     

基于小波能量谱和ReliefF算法的雷达辐射源无意调制特征提取

为了获取更加有效的雷达辐射源无意调制特征并进一步降低特征的维度,以提升低信噪比下雷达辐射源个体识别的准确率,从时频分析角度出发提出了一种基于小波变换能量谱和ReliefF算法的无意调制特征提取方法。首先对辐射源信号进行小波变换并获取小波能量谱,然后采用ReliefF算法对小波能量谱值进行权重分析,筛选出区分能力较强的高权重小波能量信息作为雷达辐射源的无意调制特征。该方法将权重分析应用于特征提取中,在提升特征有效性的同时进一步降低了特征的维度。实验结果表明:相较于传统时域和频域中的无意调制特征,基于小波能量谱和ReliefF算法提取的无意调制特征具有低维度、强抗噪声的特点。当信噪比大于0 dBm时识别率达到90%以上,具有较高的工程应用价值。     

一种基于小波的数字调制信号识别算法

小波包变换理论上可以实现信号频带的均匀划分，从而更好地提取信号的时频特征.作者首先介绍了卷积型小波包算法，然后分析了三种主要的数字调制信号的小波变换特征，提出了一种基于小波的数字调制信号识别算法，仿真结果表明该算法能够识别典型的数字调制信号，而且具有较好的抗噪声性能.     

独立分量分析联合小波变换的多分量信号调制识别研究

对复杂电磁环境下多分量信号进行调制识别,可通过准确估计接收信号的瞬时频率来分析其脉内细微特征。本文联合独立分量分析和小波变换技术,对多分量辐射源信号进行了盲源分离和调制识别的研究。在无先验信息条件下,采用Fast ICA对混叠信号分离,将时频混叠信号分解成一系列独立分量。对分离后的单分量信号分别做小波变换处理,由小波系数的局部模极大值提取其小波脊线。针对不同调制类型雷达信号,用最小二乘法对时频小波脊线进行直线拟合,获取特征参数,通过计算特征值判决出信号的调制类型。通过仿真实验表明,该方法可以分离混叠信号并有效提取信号小波脊和瞬时频率,进而识别出信号的调制类型,并在低信噪比情况下仍有较高的识别概率。     

一种对多种重频调制类型雷达信号分选算法的研究

针对传统信号分选算法中单一算法无法分选多种重频调制型信号的缺点,在改进SDIF算法的基础上,对集对分析法进行研究,并将二者结合提出了基于集对分析法的改进顺序差直方图分选算法。仿真实验证明,新方法能够分选多种重频调制类型雷达信号,且在信号量很大的情况下依然具有较高的分选准确率和较好的实时性等优点。     

认知无线电Underlay模式下MQAM信号的调制识别

针对传统的认知无线电Underlay中时频重叠MQAM信号调制识别方法性能低的问题,提出了一种采用时频分析图像纹理特征的时频重叠信号调制识别方法。首先对接收到的时频重叠MQAM信号做频率切片小波变换得到时频分析图像,并选取纹理差异明显的切片部分进行灰度化处理,然后通过提取时频分析图像的灰度-梯度共生矩阵特征,最后利用径向基函数神经网络分类器有效地实现了时频重叠MQAM信号调制方式的识别。仿真结果表明:在信噪比为4dB下,所提出的方法的平均识别率可达到95%以上;在信噪比大于0dB时,所提方法的识别性能优于基于高阶累积量的识别方法。     

基于注意力机制的雷达信号分选算法

针对传统雷达信号电子侦察先分选、再融合、后识别的流程繁琐且低效,本文提出直接对疑似敌方雷达的某个脉冲构建单脉冲特征矩阵,基于注意力机制与卷积神经网络(CNN)对其进行高相关脉冲的挑选和脉间调制类型识别.对挑选的高相关脉冲和识别的脉间调制类型结果进行分析,提取出脉冲间特征以及脉冲特征的相对关系,进一步完成后续分选操作.注...     

基于深度学习与支持向量机的低截获概率雷达信号识别

 提出了一种基于栈式自编码器与支持向量机的低截获概率（LPI）雷达信号识别方法。首先,通过Choi-Williams分布,将信号变换到时频域,获取信号的时频图像;其次,使用图像预处理方法对时频图像进行处理,得到便于自编码器处理的图像;再次,使用栈式自编码器从预处理后的时频图像中自动地提取出信号特征;最后,基于提取的信号特征使用支持向量机（SVM）对信号进行分类。本方法使用任意波形发生器（AWG）模拟产生了8类LPI雷达信号,采用栈式自编码器与支持向量机相结合的方法识别信号。仿真实验结果表明,该方法能够在低信噪比和小样本情形下有效识别LPI雷达信号。     

基于FastICA的低信噪比雷达信号分选算法

针对传统的基于参数的信号分选系统已无法适应当前复杂情况下的雷达信号分选问题,将基于独立分量分析(ICA)的盲源分离算法引入雷达信号分选算法.快速ICA(FastICA)算法结合了定点迭代和非高斯最大化算法,具有稳定性好、收敛速度快、计算量小等优点.但该算法对噪声非常敏感,无法在低信噪比情况下进行信号分选.针对这一缺点,引入同步累加平均降噪算法,并结合信号均衡、平滑处理进行改进,使得新算法在低信噪比情况下对雷达信号进行分选.仿真表明改进后的算法在低信噪比情况下具有良好的分选效果,并保留了原算法的优点.     

基于加权型三次相位函数和FRFT的LPI信号识别研究

针对低截获概率雷达信号难以识别和分类的问题,提出了基于加权型三次相位函数和分数阶傅里叶变换的低截获概率雷达信号识别算法。用短时傅里叶变换剖析了应用较广的八种低截获概率雷达信号的时频特性,然后依据调频率将其分为两类。先用加权型三次相位函数估计信号的调频率,然后再用分数阶傅里叶变换获得信号的各分量峰值,根据峰值能量比进行细分类。通过大量的实验仿真验证,本算法在信噪比为0 d B的条件下,正确识别率能够达到95%以上。     

欠定条件下一种自适应信噪比的多跳频信号网台分选方法

针对欠定条件下多跳频信号的网台分选问题,该文利用跳频信号在时频域上的稀疏性,采用了跳频源信号的时频单源点的时频比来估计混合矩阵,在计算时频比矩阵时采用快速全局 均值聚类,进而利用子空间投影法与信源相对功率偏差相结合的方法进行欠定条件下的网台分选,同时为了提高在低信噪比条件下分选的效果,在寻找跳频源信号时频单源点时,采用了自适应信噪比的时频支撑点阈值设定方法。理论分析和仿真实验表明了该算法的有效性。     

基于模糊函数主脊切片和深度置信网络的雷达辐射源信号识别

雷达辐射源信号识别是电子侦察系统的关键组成部分,为了提高低信噪比条件下对低截获概率雷达信号识别的准确率,提出了一种基于模糊函数主脊切片(MRSAF)与深度置信网络(DBN)的雷达辐射源信号识别方法。首先对雷达信号进行奇异值分解(SVD)进行降噪预处理,求解雷达信号的模糊函数并提取其主脊切片包络,采用奇异值分解方法降低噪声对主脊切片包络的影响,然后建立基于受限波尔兹曼机的DBN模型并运用标签数据有监督微调模型参数完成训练,最后基于该算法模型实现辐射源信号的分类和识别。仿真结果表明:该方法在低信噪比条件下也有较高的识别率,信噪比高于-4dB时,识别率可以达到90%以上,验证了本算法的有效性和应用价值。     

基于级联原子库的时频原子分解

为了分解多分量雷达辐射源信号,提出一种基于级联原子库的时频原子分解方法.该方法先构建级联原子库,采用该原子库对信号进行时频原子分解,以得到信号的最优稀疏表示.仿真实验结果表明,对多分量雷达辐射源信号进行时频原子分解,该方法在重构精度、衰减率和重构信号时频聚集性3个方面均优于单一时频原子库下的时频原子分解方法.     

雷达辐射源信号时频原子库研究

在雷达辐射源信号时频原子分解中,原子库的特性直接影响着时频原子库的挑选,如何选取最佳的时频原子库对不同类型的雷达辐射源信号进行分解具有很重要的意义.针对这一问题,利用5种结构性能不同的原子库,结合量子进化算法对5种不同类别的雷达辐射源信号进行时频原子分解.实验结果表明,时频原子选择与雷达辐射源信号的特点密切相关.     

基于改进UNet3+网络的雷达辐射源信号识别

针对传统识别辐射源信号的方法需要手动提取并选取特征、在低信噪比条件下难以准确识别信号的问题,提出了一种基于改进UNet3+网络的辐射源信号识别方法。通过删减UNet3+的网络层级,保留网络特征融合能力的同时降低了网络的复杂度,并引入注意力机制优化模型性能,构建了一个新的网络模型。通过对8种常见的雷达信号进行仿真实验,实验结果表明：改进模型的识别准确率达到96.63%,对比一些经典网络模型,训练总用时更短,在低信噪比条件下能更加有效识别辐射源信号, 可以适应复杂的电磁环境。