基于高维特征选择的跳频电台细微特征识别

将高维特征用于跳频电台细微特征个体识别具有很大优势,为了增强对跳频电台的分类识别能力,需要增加特征类型和维数,提高特征集的表征能力,但同时会引入大量冗余特征,导致分类器计算时间过长,分类正确率降低。为了降低高维特征集维数,首先采用相关性快速过滤特征选择算法,删除高维特征集中的不相关冗余特征,得到最优特征集。然后利用经过参数优化的支持向量机(support vector machine, SVM)分类器进行训练分类。实验表明,所提算法能够对高维特征集进行合理的降维,提高了SVM的分类器的分类性能,在保证分类正确率的基础上,降低了运算量,提高了跳频电台细微特征识别的时效性。     

基于稀疏贝叶斯的多跳频信号二维波达方向估计

分析了现有跳频信号二维波达方向(DOA)估计算法的优缺点,提出了一种基于稀疏贝叶斯学习的跳频信号二维DOA估计算法.该算法利用L型阵列特点,将方位角、俯仰角和跳频率三维信息转换为一维空间频率信息,降低了冗余字典长度和稀疏求解难度.其次,经过奇异值分解降维处理,减少了矩阵运算维数,降低了算法复杂度,通过稀疏贝叶斯算法和快速傅里叶变换估计出空间频率和跳频率,利用Capon空间频率配对算法将空间频率和跳频率正确配对,计算出空间角.最后,由空间角几何关系解算出方位角和俯仰角.模拟结果表明,在低信噪比或低快拍数条件下,该算法DOA估计精度较高,且不易受空间频率间隔和跳频信号源相干性的影响.     

半监督条件下的CRC跳频电台指纹特征识别

针对跳频电台指纹特征差异细微、对噪声影响敏感,同时非合作条件下跳频信号的识别训练标签数据不足问题,提出了一种基于合作表征分类器(collaborative representation classifier, CRC)的半监督条件下跳频电台指纹特征识别算法。以跳频电台开机瞬态信号的包络特性作为电台个体的指纹特征,利用对噪声“不敏感”的高阶累积量估计来抑制噪声;通过构造半监督条件下的CRC实现对未标定训练数据的有效利用。实验表明,与传统有监督训练相比,该方法在抑制噪声的同时,能够充分利用未标定训练数据特征,对目标特征具有更高的识别率。     

基于自适应网格的跳频信号参数估计

分析了现有跳频信号稀疏重构算法的基不匹配问题,导致离散字典的稀疏表示能力变差,严重影响稀疏重构算法的性能。针对这种情形,提出了基于自适应网格的变分贝叶斯稀疏重构算法。该方法通过对字典不断地加权聚类和缩放处理,实现字典的自我更新,使得参数网格更加精细化。仿真结果表明,该方法具有良好的抗噪性能和交叉项抑制能力,同时缓解了稀疏重构算法的基不匹配情形,时频聚焦性进一步提高,能够在较低信噪比条件下,获取较高时频分辨率的时频矩阵,可以更精确地完成后续跳时刻检测、跳周期及跳频率等参数估计。     

半监督条件下的贝叶斯估计辐射源指纹特征识别

针对传统辐射源指纹识别过程中测试数据间的相关性往往被忽略,同时非合作条件下辐射源信号的识别训练标签数据不足的问题,提出了一种半监督条件下的贝叶斯估计辐射源指纹特征识别算法.首先,针对训练数据集不足的问题,在训练特征集提取阶段,利用半监督条件下的贝叶斯估计算法将有标签训练数据和无标签测试数据同时用于特征学习,以获取更为鲁棒的训练特征集.其次,为了有效利用测试数据之间的相关性,在测试特征集识别阶段,利用测试特征集与训练特征集的联合表征模型,将测试数据之间的相关性考虑在内,以提高识别算法的鲁棒性.实验结果表明:该算法在训练样本较少的情况下,依然可以获得较为鲁棒的分类识别效果.     

高效的多跳频信号2D-DOA估计算法

为了利用跳频信号的空域特征参数辅助多跳频信号的网台分选,在空时频分析的基础上,提出一种基于多重信号分类(multiple signal classification, MUSIC)对称压缩谱(MUSIC symmetrical compressed spectrum, MSCS)的多跳频信号二维波达方向(two dimensional direction of arrival, 2D-DOA)高效估计算法。首先根据跳频信号的时频域特征,构建每一跳的空时频矩阵(spatial time frequency distribution, STFD),获取时频域的协方差矩阵;然后将共轭子空间的思想引入到MUSIC算法中,通过对噪声子空间及其共轭的交集进行奇异值分解,实现噪声子空间的降维;最终通过半谱搜索实现2D-DOA的高效估计。同时为了提高低信噪比条件下算法的性能,在时频图处理过程中采用形态学滤波进行去噪,并在修正的时频图上完成了跳频信号每一跳的提取。通过理论论证和实验仿真表明,本文算法相比于MUSIC算法,在保证均方根误差相当和估计成功率有所提高的情况下,计算复杂度降低了一半。     

实矩阵降维的稀疏贝叶斯跳频信号DOA估计

提出一种基于实数域矩阵降维的稀疏贝叶斯跳频信号到达角(DOA)估计算法.该算法通过酉矩阵变换将复数域信号稀疏表示转换至实数域,利用奇异值分解对实数域数据矩阵进行降维,降低了计算复杂度;通过改进稀疏贝叶斯算法中预设阈值的比较方式和噪声方差初始值的设置方法,减少算法迭代次数.仿真结果表明:在低信噪比或低快拍数条件下,该算法DOA估计精度优于传统的稀疏贝叶斯学习算法,所需计算时间更少,且不受跳频信源相干性影响.     

基于局部一致性的马尔可夫随机场去雾

为克服暗通道先验的适用局限性,同时增强一阶马尔可夫随机场对图像全局信息的约束能力,在颜色衰减先验的基础上,提出了一种局部一致马尔可夫随机场(Markov random fields, MRF)单幅图像去雾算法。首先,结合颜色衰减和暗通道两先验假设的特征，获取普适性更强的介质传输图粗估计,然后利用基于颜色特征的图像局部一致块代替MRF的二阶及其高阶能量项来构造代价函数,达到优化介质传输图和获取最终去雾图像的目的。实验结果表明,所提算法可以获取细节保持更好且鲁棒性更强的去雾效果。