基于SE-ResNeXt网络的低信噪比LPI雷达辐射源信号识别

针对低信噪比(signal to noise ratio, SNR)低截获概率(low probability of intercept, LPI)雷达脉内波形识别准确率低的问题,提出一种基于时频分析、压缩激励(squeeze excitation, SE)和ResNeXt网络的雷达辐射源信号识别方法。首先通过Choi-Williams分布(Choi-Williams distribution, CWD)获得雷达时域信号的二维时频图像(time-frequency image, TFI);然后进行TFI预处理降低噪声干扰和频率维的位置分布差异,以适应深度学习网络输入;最后在ResNeXt基础上加入扩张卷积和SE结构提取TFI特征,实现雷达辐射源分类。实验结果表明,SNR低至-8 dB时,该方法对12类常见LPI雷达波形的整体识别准确率依然能达到98.08%。     

基于残差生成对抗网络的调制识别算法

针对小样本条件下通信信号识别准确率不高、网络训练困难的问题, 本文提出一种基于残差生成对抗网络的调制识别算法。首先, 设计一种以Leakyrelu作为隐藏层激活函数的新残差单元, 使得网络对输入为负值的数据也可以进行梯度计算; 然后, 将新残差单元组成的残差网络和卷积神经网络作为本文算法的基本网络结构, 使用卷积步幅为1的非对称小卷积核, 更好地提取信号的边缘特征信息; 最后, 用Dropout代替池化操作, 并选择Adam梯度优化算法以交替迭代方式完成网络训练。仿真实验结果表明, 小样本条件下, 残差生成对抗网络算法复杂度明显降低, 信噪比(signal to noise ratio, SNR)在0 dB以上时, 对10种调制信号的识别准确率可以达到91%, 验证了所提方法的有效性。     

基于残差原型网络的辐射源个体识别

利用深度学习进行通信辐射源识别分类时，现有算法在较低信噪比下的识别能力还不足，且均着重关注各类辐射源个体的类间距离，忽视了类内紧密性。针对此问题，结合残差网络和原型学习基本思想，提出残差原型网络，对输入信号的差分星座轨迹图进行识别。此外，在基于距离的交叉熵损失函数基础上加入原型损失，通过提高类内紧密度的方式进一步扩增了类间距离。通过对5种ZigBee设备的实验，结果表明所提算法在相同信噪比条件下相较于其他算法具有更好的识别性能，在信噪比高于8 dB时，可达到99%以上的准确率。     

基于循环谱截面智能分析的混合信号调制识别方法

针对已有混合信号识别方法存在智能化程度低、适应性差等问题，提出了一种基于循环谱截面和深度学习相结合的智能识别方法。理论推导分析了常见混合通信信号的循环谱零谱频率截面特征；利用提出的非线性分段映射和指向性伪聚类新方法对上述截面图进行预处理特征增强，提高了截面特征的适应性和一致性；并将预处理后的特征图与经典残差网络相结合，利用深度学习网络对特征图中调制信息的深层次细节挖掘分析能力，实现了混合信号的有效识别。仿真结果表明，该方法对噪声不敏感，当信噪比不低于-2 dB时，平均识别率大于90%；且该方法对信号参数及信号间能量比变化有较好的适应能力。     

基于熵评价模态分解的雷达信号双谱特征识别

针对在低信噪比下雷达信号调制识别准确率低、抗噪性差的问题, 提出一种基于熵评价模态分解和双谱特征提取的识别方法。利用双谱可以抑制高斯噪声的特点, 分析了在低信噪比下进行信号调制识别的可行性并引入了噪声项。由于噪声项的干扰, 双谱在0 dB以下时, 噪声抑制效果变差, 提出了基于信息熵评价的经验模态化分解对信号进行预处理, 提高信噪比。最后, 设计了卷积神经网络分类器, 实现对不同调制类型信号的识别。仿真实验结果表明, 本文方法相比传统方法具有良好的抗噪性, 能够在低信噪比下对不同类型信号进行有效识别。     

基于多级跳线残差网络的雷达辐射源识别

针对复杂体制雷达辐射源的识别问题, 提出了一种基于时频特征提取与多级跳线残差网络(multi-level jumper residual network, MLJ-RN)结合的识别方法。首先,计算辐射源信号的平滑伪Wigner-Ville时频分布生成时频图像以表达信号本质特征, 将图像进行预处理以保留信号细微特征差异。然后,设计多级跳线连接的残差单元, 在此基础上构造MLJ-RN, 对时频图像相邻卷积层的细微特征进行学习和识别, 并使用随机梯度下降法训练网络。最后,通过对网络进行参数优化, 强化对信号的深层特征提取能力。仿真结果表明, 信噪比为－5 dB时, 该方法对12类雷达辐射源信号的整体识别概率达到95.1%, 从而验证了该方法在低信噪比下识别雷达信号的有效性。     

基于LSTM和残差网络的雷达有源干扰识别

针对目前雷达干扰识别方法存在人工特征提取难、强噪声环境下识别率不高的问题，提出了一种基于长短时记忆(long short-term memory, LSTM)网络和残差网络相结合的雷达有源干扰识别方法。输入有源压制干扰原始时域序列数据，搭建深度学习网络模型对不同干噪比下的干扰信号进行分类识别。仿真结果表明：在干噪比为0 dB的情况下，该方法对4类雷达有源干扰信号的识别准确率均高于98.3%,与单纯的残差网络和卷积神经网络(convolutional neural networks, CNN)等其他深度学习算法相比，具有更佳的网络性能，验证了该算法的有效性。     

基于幅度矩的MQAM信号调制方式识别方法

为了实现盲接收情况下多进制正交幅度调制(MQAM)信号调制方式的有效识别,提出了一种基于改进幅度矩的识别方法.该方法在传统幅度矩的基础上提出了非起始点幅度矩(NASM)作为识别不同MQAM信号的特征参数,无需预知信号的载波频率和码速率,只利用少量的数据样本即可实现盲接收情况下MQAM信号调制方式的识别.详细论述了该方法实现原理,分析并验证了成形滤波、时间延迟、数据长度和信噪比对识别性能的影响.仿真结果表明,当信噪比大于5dB时,MQAM信号的正确识别率超过了98%,验证了该方法的有效性.     

基于联合特征参数和一维CNN的MIMO-OFDM系统调制识别算法

针对当前非协作通信中多输入多输出正交频分复用(multiple-input multiple-output orthogonal frequency division multiplexing, MIMO-OFDM)系统子载波的调制识别问题，提出了一种基于一维卷积神经网络(one-dimensional convolutional neural network, 1D-CNN)的调制识别方法。首先，利用特征矩阵的联合近似对角化(joint approximate diagonalization of eigenvalue matrix, JADE)算法从接收端的混合信号中恢复发送信号；然后，提取恢复信号的循环谱切片和四次方谱作为浅层特征；最后，利用1D-CNN对特征进行训练，使用测试样本对所提出的调制识别方法进行仿真验证。仿真结果表明，所提方法对MIMO-OFDM系统中的5种信号可以进行有效识别，在信噪比为10 dB时的识别精度即可达到100%。     

基于时频特征提取和残差神经网络的雷达信号识别

针对低信噪比(signal to noise ratio, SNR)下雷达信号脉内调制类型识别率较低的问题, 提出了基于时频特征提取和残差神经网络的雷达信号识别算法。时频特征提取首先通过分数阶傅里叶变换对信号进行Chirp基分解, 按照Chirp基载频与调频率的不同组合对信号划分类别, 并设置对应的分类特征参数。然后, 计算信号的伪Wigner-Ville时频分布并提取Zernike矩。上述特征参数组成信号特征矢量, 使用残差神经网络分类器实现雷达信号识别。仿真结果表明, 在SNR=-2 dB时识别准确率能达到93%以上, 同时鲁棒性验证良好, 算法复杂度能够满足现实要求。     

基于生成对抗与卷积神经网络的调制识别方法

自动调制识别在频谱监测和认知无线电中占有重要地位。针对现有调制识别算法在低信噪比条件下识别率低的问题, 提出一种基于生成对抗网络(generative adversarial network, GAN)和卷积神经网络(convolutional neural network, CNN)的数字信号调制识别方法。在利用平滑伪Wigner-Ville分布将调制信号转换为时频图像(time-frequency images, TFIs)后, 在经典GAN中嵌入了剩余密集块(residual dense block, RDB)结构, 保证了对TFIs的去噪和修复。通过对经典的剩余网络(residual network, ResNet)模型微调, 满足了TFIs的识别与分类。仿真结果表明, 所提方法在低信噪比情况下有效地降低了噪声对TFIs的干扰, 提高了识别性能。     

基于SAMME+ResNet的多相码信号识别方法

针对传统多相码信号识别方法在低信噪比情况下分类精度不高、类识别率不均衡和识别方法不具有通用性的特点,提出了一种利用集成学习中的多类指数损失函数逐步添加模型(stagewise additive modeling using a multi-class exponential loss function, SAMME)算法和残差神经网络(residual neural network, ResNet)的多相码信号识别方法。通过仿真实验对5类多相码信号进行了分类识别,验证了模型的有效性,分析了不同数量基学习器对模型的影响,最后与传统分类方法进行了对比。仿真结果表明,在信噪比低于6 dB的情况下,所提方法相对于单个残差网络提高了约10%的分类精度,同时缩小了类之间识别率的差距,相对于常用的分类方法也有很大的优势。     

基于SAMME+ResNet的多相码信号识别方法

针对传统多相码信号识别方法在低信噪比情况下分类精度不高、类识别率不均衡和识别方法不具有通用性的特点,提出了一种利用集成学习中的多类指数损失函数逐步添加模型(stagewise additive modeling using a multi-class exponential loss function, SAMME)算法和残差神经网络(residual neural network, ResNet)的多相码信号识别方法。通过仿真实验对5类多相码信号进行了分类识别,验证了模型的有效性,分析了不同数量基学习器对模型的影响,最后与传统分类方法进行了对比。仿真结果表明,在信噪比低于6 dB的情况下,所提方法相对于单个残差网络提高了约10%的分类精度,同时缩小了类之间识别率的差距,相对于常用的分类方法也有很大的优势。