基于DBN特征提取的雷达辐射源个体识别

针对传统特征参数难以表征复杂体制雷达信号个体特征的问题,基于深度置信网络DBN的深层特征提取和高维数据处理能力,提出一种基于DBN特征提取的雷达辐射源个体识别算法。首先建立基于多层受限玻耳兹曼机的DBN模型,然后通过DBN无监督提取脉冲包络前沿特征,再利用标签数据对模型参数进行有监督微调完成训练,最后输入未知辐射源信号脉冲包络前沿特征实现辐射源个体识别。与传统算法相比,该方法能够自适应地提取脉冲深层次细微差异,提取过程减少了对人为经验的依赖。实验结果表明,该算法对脉冲包络特征提取效果明显,有较高的识别精度。     

基于EMD和SVD特征提取的通信辐射源个体识别方法

为改善通信辐射源指纹特征提取算法抗噪声及干扰能力差导致的对通信辐射源个体分类识别率低和稳定性差的问题,提出了一种基于经验模态分解和奇异值分解特征提取的方法.通过对信号进行经验模态分解,来克服噪声对指纹特征提取的影响,经希尔伯特-黄变换和奇异值分解实现对通信辐射源信号的指纹特征提取,结合支持向量机算法完成对通信辐射源的个...     

雷达辐射源信号双谱估计的物理意义及其辐射源个体识别

针对目前研究中雷达辐射源信号双谱物理意义不明确的问题,给出偏态这一物理概念,并给出雷达辐射源信号偏态的具体表现形式.针对雷达辐射源个体识别,提出应用围线积分双谱估计波形熵和围线积分双谱估计能量熵组成的二维特征向量用于后续的分类识别.在分类识别中,应用分析性能良好的模糊C-均值(FCM)聚类方法,对提取出的二维特征向量加以聚类分析,从而完成在一定信噪比下对雷达辐射源个体的识别.最后,通过仿真实验和实测实验验证本文所述方法的正确性和可行性.     

基于粗集理论的雷达辐射源信号识别

将粗集理论（RST）引入到雷达辐射源信号（RES）识别中，提出一种区间连续属性离散化新方法及相应的特征选择算法，将RST与神经网络（NN）结合，设计粗集神经网络（RNN）分类器．实验结果表明，该方法解决了已有方法难以处理的区间连续属性离散化问题，获得的正确识别率比其他3种方法分别高出7．29％、4．34％和4．00％．RNN的平均训练代数比NN少97．54，RNN的平均识别率比NN高2．84％，这表明RNN具有比NN更好的分类能力和泛化能力，从而证实了该方法的有效性和可行性．     

基于双谱的雷达辐射源识别

针对当前复杂电磁环境下电子侦察中雷达辐射源识别困难的问题,提出了一种基于双谱分析和势函数分类识别雷达辐射源的新方法。首先用Hinich方法检验雷达辐射源信号,发现其具有非线性特性。然后用适合处理该类信号的双谱分析法提取信号的双谱对角切片,利用主成分分析法(PCA)从大量训练样本特征中挑选低维、低复杂度的特征矢量,并融合对分类具有显著贡献的辐射源属性参数作为识别特征矢量。最后采用势函数分类法实现雷达辐射源识别。仿真结果表明,基于双谱的识别法对噪声不敏感,对不同脉内调制的辐射源信号识别率达到了92.9%,该方法为决策层提供了识别不同雷达辐射源的新途径。     

雷达辐射源识别数据融合基本概率分配函数建模

通过对全脉冲、批数据等各级数据进行分析,并与识别结果进行比对、核实和验证,发现复杂电磁环境下各独立侦察设备侦收到的数据和雷达辐射源识别信息具有模糊性和不完整性,造成识别过程中出现错误,甚至输出毫不相关的识别结果。针对这种情况,采用基于D-S证据理论数据融合的方法对雷达辐射源进行识别。此外,结合雷达辐射源识别问题的特点,借鉴信息论中熵的概念,对基本概率分配函数进行了建模。仿真结果表明该方法具有优良的性能。     

ReliefF算法在雷达辐射源信号识别中的应用

采用小波包变换提取雷达辐射源信号特征能够有效对信号进行识别,然而,由小波包变换提取的信号特征维数高,部分信号特征受噪声污染严重.基于此,采用ReliefF算法对信号特征的分类能力进行评价,选择出小波包中分类能力强的信号特征,再通过特征相关度算法去除分类能力相近的冗余特征,利用剩余的分类能力强的信号特征组成特征向量进行分类.仿真实验结果显示,该方法用较少的信号特征能够获得较高的正确识别率.     

辐射源个体识别中分类器应用

随着电磁辐射源个体之间差异的减小,传统的模板比对法已经难以完成对辐射源的个体识别任务。为了更好的识别个体之间的微小差异,提高复杂电磁环境中辐射源个体识别的成功率,从工程应用角度出发,提出先使用Fisher判别率进行特征预选,再使用主成份分析进行降维,最后使用支持向量机进行训练识别的辐射源个体识别方法,构建了可以识别辐射源威胁差异的分类器。仿真结果表明:该方法可以兼顾工程应用中识别正确率和识别速度的要求,对辐射源个体识别具有较好的应用价值。     

面向开集场景的辐射源个体识别

为解决现有开集场景下辐射源个体识别算法鲁棒性不强、识别性能较低的问题,结合原型网络提出了一种开集场景下适用于一维信号的辐射源个体识别模型。对采集的辐射源I/Q信号进行功率归一化、切片和加噪等预处理操作;设计用于识别I/Q信号的一维卷积神经网络,并在网络中加入具有注意力机制的压缩激励模块,以此提高网络中有效特征通道的权重;将该网络结构和原型学习思想相结合,利用预处理的数据集进行训练和测试。在训练过程中,利用距离交叉熵损失函数为每个类别学习一个原型,并将信号特征到原型的距离作为分类依据,同时利用原型损失函数以提高信号类内紧密度的方式增大类间距离,进一步增强分类能力;在测试过程中,利用自适应距离分类规则为每个类别学习一个自适应的距离阈值,并通过距离阈值完成对已知目标的分类和未知目标的检测。对5种ZigBee设备采集的信号进行实验,结果表明：在信噪比为-10～10 dB之间,所提模型的识别准确率比通常所用的基于极值理论的模型高8%左右。     

基于信号特征综合处理的雷达辐射源识别

主要针对复杂信号环境下的雷达辐射源识别所面临的如何有效的综合处理雷达信号各个特征参数以及如何解决采用多个特征参数后所面临的高维特征参数的识别问题,提出了一种基于调制类型粗分类与混合核函数支持向量机综合信息精确识别的两级识别模型。仿真实验表明,该算法具有较好的识别效果。     

基于无意调制的同类型雷达辐射源信号分选

无意调制特征对调制样式和各参数均相同的不同辐射源发射的信号分选具有重大意义。从相位噪声的角度提出利用双谱的二次特征分析信号,提取围线积分双谱均值、奇异值以及双谱范数熵特征;从波形差异的角度,提出利用模糊函数的主脊切面特征挖掘不同辐射源发射信号之间的差异,提取旋转角、一阶原点矩和二阶中心矩特征。在事先不知道信号数目时,将提取的特征分别进行近邻传播聚类验证,以及串联结合两种特征的聚类分析。实验表明,两种特征结合的聚类准确率要明显高于一种特征的准确率,尤其是在低信噪比的情况下。     

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.     

基于脉内特征聚类的分选方法

为提高未知雷达辐射源的分选正确率并且保证分选时间,提出一种正弦差值傅里叶变换和第六维小波包特征提取的聚类分选方法。首先利用正弦插值变换将接收到的雷达到达时间序列变为连续信号,再通过快速傅里叶变换计算出信号最大频率成分的脉冲重复频率（ PRF）值,进行粗分选,然后对信号进行第3层小波包分解,得到信号脉内特征Wpt6,把PRF和Wpt6组成的输入特征向量进行支持向量机（ SVM）聚类分选,对未知雷达辐射源信号重新归类,提高分选准确率。仿真实验结果验证了该方法的有效性,与传统方法相比准确率更高。     

基于3D激光雷达点云的车辆目标识别算法

针对结构化道路环境中智能车识别周围360°范围内的车辆目标问题,基于车载3D激光雷达采集的道路环境中车辆目标点云数据投影特征,提出识别车辆目标新算法。算法首先识别结构化道路边界,进而排除道路边界两旁障碍物的干扰和减少点云数据量;其次基于雷达点云数据扫描和分布特征,利用改进K-means算法对道路区域内点云数据聚类。最后提取聚类目标内部特征点,并通过计算特征点构成向量的夹角或模的长度准确识别车辆目标。实验验证表明,该算法有效抑制了道路边界两旁障碍物的干扰,可以准确识别结构化道路区域内的车辆目标。     

基于VMD和HSA的水声跳频信号时频分析方法

针对水声通信中低信噪比条件下的水声跳频信号检测和参数估计问题,提出了一种新的基于变分模态分解(VMD)和希尔伯特谱分析(HSA)相结合的水声跳频信号时频分析方法。VMD是一种新开发的自适应信号分解技术,可以完全不递归地将多分量的信号分解成许多准正交的固有模式函数。首先重点分析了VMD算法,然后简单介绍了HSA方法,最后将VMD和HSA相结合的方法应用于水声跳频信号分析。利用数值模拟的水声跳频信号进行实验仿真,结果表明本文的方法可以获得高清晰度、高聚集性的时频图。     

基于VMD和IBA-LSSVM的短期风电功率预测

为了提高风电功率预测精度,提出了一种基于变分模态分解(VMD)和改进的最小二乘支持向量机(LSSVM)的短期风力发电功率预测新模型。利用VMD将功率历史数据分解成趋势分量、细节分量和随机分量以降低原始数据的复杂性和不平稳性,然后建立IBA-LSSVM预测模型,利用改进蝙蝠算法(IBA)对最小二乘向量机的参数进行优化,并分别对各个子模态进行预测,叠加子模态的预测结果以得到最终的发电功率预测值。对宁夏某风电厂功率预测结果证明了该模型的有效性,通过不同预测模型的对比验证了模型具有较高的预测精度。     

融合VMD和GRU模型的城市道路行程时间预测方法

城市道路交通环境复杂多变,城市道路行程时间具有较强的非线性与非稳定性,为提高城市道路行程时间的预测精度,提出了基于变分模态分解(variational mode decomposition,VMD)与门控循环单元(gated recurrent unit,GRU)相结合的组合预测模型。与传统分解算法相比,VMD拥有非递归求解和自主选择模态个数的优点。首先利用变分模态分解算法将原始行程时间序列分解为若干时间子序列,降低原始序列的非平稳性;然后对每个时间子序列建立GRU预测模型;最后将各个预测结果进行融合,得到行程时间序列预测的最终结果。实验结果表明,变分模态分解与门控循环单元结合的组合模型预测结果要比对照组的单一模型预测结果精准度高,均方根误差(root mean squared Error,RMSE)及下降约3.99～4.37,平均绝对误差(mean absolute error,MAE)下降约3.02～3.35;在组合预测模型中,门控循环单元(GRU)预测效果要比长短期记忆(long short-term memory,LSTM)预测效果表现更佳,均方根误差(root mean squared error,RMSE)下降0.34,平均绝对误差(mean absolute error,MAE)下降0.22。     

基于VMD与改进DAE人车地震动包络信号识别算法

为解决在野外环境中使用传统模式识别方法对低信噪比(signal-noise rate, SNR)的人车地震动信号进行分类时应用不便,效果不佳的问题,提出了通过基于包络检波、变分模态分解(variational mode decomposition, VMD)和改进的深度自编码器(deep auto-encoder, DAE)的特征提取算法。首先对目标的地震动信号进行希尔伯特变换以获取信号的平滑包络线,然后进行变分模态分解得到本征模函数(intrinsic mode function, IMF)信号,并利用皮尔森相关系数对分解得到的IMF信号进行筛选,之后将相关度较高的分量加权为高信噪比的中间信号,再使用改进的深度自编码器对其进行特征提取,最后使用泛化性能好的随机森林算法充当分类器,从而实现对人车目标的识别和分类。结果表明：所提算法有效缓解了其他传统算法的部分缺陷,综合识别正确率有所提高,且更加方便应用。     

基于一维卷积循环神经网络的雷达辐射源信号识别

针对人工提取雷达辐射源信号特征不完备、时效性低等问题,提出一种基于一维卷积神经网络和双向门控循环单元的识别方法.首先,提取信号的模糊函数主脊并进行去噪处理;其次,利用一维卷积神经网络学习模糊函数主脊的内在抽象特征;然后引入双向门控循环单元对一维卷积神经网络提取到的特征进行再处理;最后,将特征映射到特征空间并通过Softmax分类器进行分类识别.实验结果表明,该方法在信噪比为0 dB时能保持99.67%的识别率,即使在-6 dB环境中识别率仍能达到90%左右,证实了该方法的有效性和在低信噪比下的稳定性.