基于CCF的单传感器辐射源识别方法

在论述了D-S证据理论在单传感器辐射源识别应用的基础上,提出了一种基于组合分类器信息融合(combining classifier fusion, CCF)的单传感器辐射源识别方法。该方法利用了两方面的知识,一是由组合分类器对样本数据分类能力表征的先验知识,二是由组合分类器对未知模式目标的分类能力表征的当前知识。基于先验知识对当前知识进行必要的实时性修正,在分类器融合输入级提高了当前知识的正确性。利用合适的组合算法,对分类器的输出级进行正确信息的有效提取,提高了单传感器辐射源识别的准确性。仿真结果表明了该方法的可行性及有效性。     

基于双谱分析的雷达辐射源个体特征提取

针对复杂电磁环境中雷达辐射源特征参数的分选和识别问题,提出将辐射源信号的双谱作为雷达辐射源个体特征,并进一步提出将Walsh变换作为双谱特征优化算法。利用双谱中包含的信号细微信息和双谱受高斯噪声和杂波影响较小等特性,提高雷达辐射源个体特征参数的有效性;针对信号双谱中包含了很多与个体特征无关的冗余信息,不利于机器进行识别处理的缺点,利用Walsh变换对信号的双谱特征进行优化,剔除其中无效、冗余的信息,将变换后的结果作为雷达辐射源个体特征信息。仿真实验结果验证了算法的可行性。     

数据融合中的残差建模分析与融合算法

多传感器数据融合系统中,传感器之间存在着难以精确建模的系统误差。即便经过校准,仍然会存在残差。残差的量级与随机观测噪声相当,不同的是,残差是一种随时间慢变的系统误差。目前文献中缺乏有效的残差分析建模手段,从而难以提高融合精度。针对上述问题,建立了残差的数学模型,进而提出了残差补偿航迹融合算法。算法将残差增广至目标状态向量,在状态估计的同时完成残差补偿。仿真结果表明,残差补偿算法极大地提高了目标状态估计的精度,显著改善了机动目标的跟踪性能。最后使用雷达实测数据对算法进行仿真,验证了算法可应用于实际工程系统。     

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。     

小波-神经网络在辐射源识别中的应用研究

针对目标所采用的辐射源识别方法对复杂体制雷达信号识别效率低或无法识别的现象 ,提出了一种新的辐射源识别方法。首先 ,利用小波包可对信号进行多维多分辨率分析的特点 ,对辐射源信号进行信号特征的提取 ,然后将各辐射源的信号特征作为ART2神经网络的训练样本 ,对其进行辐射源类型的识别。通过计算机仿真 ,对上述方法进行了验证。试验结果表明 ,这种基于小波 神经网络的辐射源识别方法在识别复杂体制雷达信号的应用中不仅克服了目前识别方法识别效率低的弊端 ,而且还有效地解决了对未知雷达信号无法识别的问题     

基于模糊函数代表性切片的运动雷达辐射源识别

针对运动雷达辐射源的信号特性,提出了一种基于模糊函数代表性切片特征优化的个体识别算法。首先抽取模糊函数的“近零”频偏切片作为辐射源的代表性特征子集,从而保留了运动雷达辐射源信号的稳定个性特征,然后利用直接判别比准则在代表性切片上进行核点排序,以选择最具有判别力的特征。对美国海军实验室仿真雷达数据和实测运动雷达辐射源数据的实验均表明,本文算法不仅有效地解决了现有的模糊函数全平面优化法的计算问题,而且显著提高了对运动雷达辐射源的个体识别性能。     

特定辐射源识别的频域鲁棒ε-混合模型方法

特定辐射源识别(specific emitter identification,SEI)是电子战领域的热点问题,而利用辐射源中频波形分类是SEI的一种自然选择。针对多径环境下的SEI波形检验遇到的难题,采用鲁棒的假设检验方法进行已知辐射源信号的检验。该算法利用多径信号与直达波信号间的频域局部相关性,在频域建立ε混合模型,并且将局部频带内的多径干扰表示成与信号频谱幅度有关的噪声,得到一种鲁棒的频域相关-限幅检验器。通过仿真验证了该检验器性能,并说明了该方法通过频域选择获得性能改善的机理。     

基于联合协作表示的特定辐射源识别

针对存在脉冲无意调制特征时的特定辐射源识别问题,在时域对个体辐射源建模,并分析了无意特征在特征空间形成的分量对个体识别的作用。首先在时频域提取了奇异值作为特征描述,接着建立了联合协作表示模型并引入Tikhonov矩阵约束增加类间区分度,提取了特有分量表示系数,最后依据最小分类残差实现有监督的特定辨识。仿真中利用具有脉内无意调制的3种辐射源进行分析,实验结果表明提出的方法能有效识别无意幅度和相位调制特征,且在信噪比为10 dB时能达到80%以上的正确识别率,具有泛化建模意义。     

基于多电视台的两种无源雷达成像算法

基于外辐射源的无源雷达成像是当前新体制雷达的研究热点,给出了利用多个电视台作为外辐射源的直接二维快速傅里叶变换成像算法和极坐标成像算法。建立了多基地无源雷达成像模型,通过理论推导得到目标散射函数和雷达接收信号之间的傅里叶变换对的关系。选取15个电视台信号作为外辐射源进行了仿真实验,分析和比较了两种算法的性能,证实了算法的可行性。     

基于信号包络的辐射源细微特征提取方法

雷达信号体制和调制样式的多样化,信号环境的复杂化,使得常规的识别方法很难适应实际需要,无法有效地对雷达辐射源信号进行分类识别。提出了一种结合小波变换技术的辐射源细微特征提取新方法。该方法克服了传统包络分析方法的缺点,提高了提取信号包络信息的精度。最后通过辐射源个体识别实例说明了这种方法提取的细微特征是有效的。     

基于最大似然准则的特定辐射源识别

在信号包络存在细微差异前提下,研究了基于最大似然准则的特定辐射源识别算法.先将接收信号进行滤波,滤除带外噪声,以提高信噪比,接着将处理后的具有带限白噪声背景的信号变换到基带并进行卡亨南-洛维展开,在此基础上对信号的似然函数进行处理,得到等效的检验统计量及判决门限,完成特定辐射源的分类识别.计算机仿真表明,被识别信号的互相关系数为0.9932时,在0 dB信噪比条件下,利用单个脉冲信息,平均识别正确率达94%.     

组网雷达自适应模糊CFAR检测融合算法

为提高组网雷达的分布式恒虚警(constant false alarm rate, CFAR)检测性能, 基于模糊逻辑和最大选择筛选平均检测器(maximum-censored mean level detector, MX-CMLD)提出一种自适应多传感器分布式模糊CFAR检测算法。该方法是一种基于无信噪比信息的检测融合算法, 通过传输单部雷达站接收信号的检验统计量、检测可信度来完成全局的CFAR检测。该方法通过表决模块和反馈模块, 控制传输到融合中心的数据量, 并自适应选取相关的雷达数据进行融合, 在一定程度上可以实现雷达资源的管理。仿真结果表明, 在均匀背景、多目标干扰背景的目标检测中, 自适应分布式模糊MX-CMLD均有较好的检测性能。     

基于深度残差收缩注意力网络的雷达信号识别方法

针对低信噪比条件下雷达信号识别率低，以及分类网络不具备识别样本库新添加信号类型的局限，提出了一种基于深度残差收缩注意力网络的雷达信号识别方法。通过网络将一维雷达信号映射到32维向量空间。网络中的残差连接能有效强化特征的传播能力，解决网络过深无法训练的问题；注意力机制的引入，不仅构建掩码支路充当主干支路的特征选择器，还能够帮助网络自适应地选择合适的阈值进行软阈值化，从而减少网络中噪声或者冗余信息的影响，提高网络对噪声的鲁棒性。训练过程中排序表损失(ranked list loss, RLL)和分类损失函数共同指导网络训练。RLL能够有效克服传统度量学习损失函数忽略类内特征的问题，分类损失函数能够弥补度量损失优化下对样本整体分布不敏感的问题。实验表明，该方法在提高低信噪比雷达信号识别准确率的同时仍具有识别样本库新添加信号类型的能力。     

无线传感器网络中的异步协作通信方案

为了改善多跳传感器网络的性能,提出了一种基于三种空间分集技术的异步协作传输模式.该模式是考虑非同步网络传输,多个传感器通过共享天线,形成虚拟多天线发送/多天线接收(MIMO)的协作通信,并利用空时编码、发射天线选择和信号空间分集三种空间分集技术,有效抵制传输信道的衰落,提高了系统的分集增益.通过蒙特卡罗仿真,结果表明,对比传统的单发单收传输模式和异步空时协作传输模式,该传输模式获得了更高的分集增益,提高了系统的性能,从而节省了网络的能量损耗.     

雷达功放正弦激励下的无意调制特征分析

针对基于雷达功放的寄生调制进行辐射源个体识别的问题,提出利用正弦信号激励下的谐波特征进行识别的方法。该方法利用谐波相对幅度间的约束关系来分类,因而可在功放激励信号功率变化时保持分类性能,通过非线性最小二乘法对谐波幅度进行参数估计,获得了足够的参数估计精度。仿真实验验证了本方法的优势。     

DTMB外辐射源雷达参考信号纯度对探测性能的影响分析

外辐射源雷达通过被动接收目标反射的第三方照射源信号来实现目标探测,其中参考通道纯净参考信号获取与目标通道直达波抑制是实现目标相干检测的两项关键技术。研究了基于地面数字多媒体广播（digital terrestrial multimedia broadcasting, DTMB）的外辐射源雷达中的参考信号重构技术,并结合时域直达波抑制和匹配滤波处理重点分析了重构参考信号纯度对目标探测性能的影响。仿真与实测数据处理结果表明,重构技术能够有效地获取参考信号,提高参考信号纯度,对改善外辐射源雷达的探测性能有积极的作用。     

基于VMD和特征融合的辐射源信号识别

在日趋复杂的电子对抗中,如何提高雷达辐射源信号(radar emitter signal, RES)识别率和抗噪性能是亟待解决的问题。为此提出了一种变分模态分解(variational mode decomposition, VMD)和特征融合相结合的RES识别方法。首先利用VMD算法对各雷达信号进行分解得到3个本征模态函数(intrinsic mode function, IMF);然后,对这3个IMF分量提取排列熵(permutation entropy, PE)和样本熵(sample entropy, SE)特征进行特征融合，构成六维特征向量；最后利用支持向量机对辐射源信号进行识别。利用6种不同的辐射源信号对该方法进行了验证,仿真实验结果表明,该方法在低信噪比(signal to noise ratio, SNR)下能取得较好的识别率,当SNR不低于0 dB时,六维特征向量的识别率达到100%,具有较强的抗噪性能。     

基于深度学习和集成学习的辐射源信号识别

随着电磁环境的日益复杂和雷达辐射源信号类型的逐渐增多,如何有效地识别雷达信号类型成为一个重要的问题。为解决这个问题,提出了一种基于深度学习和集成学习的辐射源信号识别框架。该框架由特征提取和分类器设计两部分组成。第一部分,将雷达信号变换到时频域,利用栈式降噪自编码模型学习时频图像的特征。深度模型的训练采用无监督预学习和有监督微调相结合。第二部分,构造一个集成不同支持向量机分类器的模型对雷达信号进行识别。利用8种不同的辐射源信号验证了提出模型的有效性,结果表明结合这两种机器学习的方法有助于提高辐射源信号的识别正确率。     

基于L Wigner分布的多径ESM信号估计

针对电子支援测量(electronic support measurement, ESM)信号存在多径干扰,从而影响信号特征提取以及雷达辐射源识别的问题,提出了一种基于L Wigner分布的多径信号估计方法。首先分析了多径ESM信号模型和时频域匹配滤波算法,接着研究了L Wigner分布对于多分量高阶频率调制信号的分辨性能,根据自身项和交叉项的不同特点,提出采用L Wigner分布对多径信号进行估计。该方法计算简单,保证了估计结果具有较高的分辨性能。仿真实验结果证明了方法的正确性和有效性。     

基于小波互信息的辐射源脉冲分类

针对电子支援系统中实时识别截获的雷达信号类型,提出了一种基于小波互信息准则的辐射源脉冲分类方法。该方法首先对辐射源脉冲信号进行小波变换,获得不同尺度、不同时移下时频面的小波特征集,然后利用Parzen窗密度估计方法对小波特征集的小波系数估计出其概率密度函数,从而计算出已知脉冲类和所有脉冲实现之间的互信息,用单个脉冲即可实现不同辐射源的脉冲分类。计算机仿真结果表明了方法的有效性。