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%。     

基于积分包络的LPI雷达信号快速参数估计

为解决低截获概率（low probability of intercept, LPI）雷达信号中二相相移键控（binary phase shift keying, BPSK）信号、线性调频（linear frequency modulation, LFM）信号参数的估计问题,提出了基于信号积分包络的快速参数估计方法。应用快速傅里叶变换（fast Fourier transform, FFT）进行雷达信号粗识别,对信号进行积分包络处理。对两类信号的积分包络值分别设置一定的门限,通过搜索BPSK信号积分包络的峰值即可迅速计算出BPSK信号的码速率。搜索LFM信号积分包络的零值点,按照给出的计算规则即可计算信号的调频斜率以及起始、终止频率。该算法具有快速、准确、容易实现的特点。仿真实验证明了该算法的有效性。同时,该算法具有一定的抗噪性。     

基于PSO-CNN的LPI雷达波形识别算法

低截获概率(low probability of intercept, LPI)雷达作为一种具有强抗干扰能力及低截获特性的新型雷达, 对其精准高效识别已成为雷达对抗一方波形识别的难点。针对该方向主流分类器卷积神经网络(convolution neural network, CNN)的结构智能寻优问题, 提出一种基于粒子群优化(particle swarm optimization, PSO)算法-CNN的波形识别算法。该算法利用PSO的寻优特性, 可实现较大范围内自动搭建不定层数、不定层类别及层内参数的CNN结构并进行迭代寻优; 采用识别精度及网络复杂度相结合的衡量指标, 可根据需求调整两者比重以实现对精度与轻量性的选择。该算法获取的CNN结构实现了比9种经典CNN结构更好的LPI雷达波形识别效果, 同时避免了波形识别时人工选定CNN超参数缺乏智能性、客观性的问题, 提高了选用CNN结构的适配性及高效性。     

基于生成对抗网络的信号调制方式的开集识别

为解决信号调制方式的开集识别问题,基于生成对抗网络提出了一种适用于一维信号数据的重构判别网络模型,该模型由重构网络和判别网络组成,分别用来重构和判别输入信号。两个网络在相互对抗的训练过程中,对已知调制方式信号的数据分布形式充分学习,使得重构后的输出不仅能够呈现已知调制方式信号更多有用的信息,而且能够扰乱未知调制方式的信号,从而增强判别网络对输入信号调制方式的判别能力。仿真结果表明,该模型能够实现信号调制方式的开集识别,而且在信噪比大于0 dB时,对已知调制方式和未知调制方式信号的识别率均大于93%。     

基于DAE-GAN网络的LPI雷达信号增强

针对非合作侦察接收机只在降噪后才能开展后续检测识别工作的问题,结合降噪自编码器和生成对抗网络的优势, 构建噪声增强网络与信号增强网络进行对抗训练。噪声增强网络往带噪信号中掺杂更复杂的噪声分量, 信号增强网络则是尽可能地降低带噪信号中的噪声分量。二者在对抗训练的过程中, 噪声增强网络生成复杂高维噪声的能力和信号增强网络降噪的能力都在提升。训练结束后, 信号增强网络具备更好的降噪性能, 为后续检测识别工作降低难度。     

基于滤波器组和高阶累积量技术的LPI信号特征检测的新方法

提出了一种新的将滤波器组和高阶累积量相结合的特征检测方法。运用该方法可以对未知LPI多分量信号进行频域的分离并消除伴随的加性高斯和对称非高斯噪声的干扰,从而较好地估计出FMCW、多相编码等LPI信号的特征参数。同时对这种改进的方法进行了系统结构的设计和详细的数学描述。仿真结果和性能分析表明了该方法的有效性和适应性,即使在信噪比很低的情况下也能检测得到比较理想的LPI信号特征。     

基于改进CLDNN的辐射源信号识别

传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾.针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural netw...     

基于LPI的相控阵雷达辐射控制方法

相控阵雷达可通过合理配置工作参数优化其性能。针对雷达在电子对抗环境中需要具备低截获概率（low probability of intercept, LPI）的要求,从低截获原理出发,对两种辐射能量控制策略：最小功率策略和最小驻留策略的实现方法进行了理论推导。在此基础上,建立以检测概率为目标的探测性能优化模型,并给出了两种能量控制策略下的最优辐射控制方案。     

低截获概率雷达信号分析与一种新型信号的设计

导出了信号截获因子与信号参数的关系 ,认为大的时间 带宽积是低截获概率信号的必要条件。讨论了直接序列 (DS)扩频信号作为低截获概率 (LPI)雷达信号的不足 ,然后提出了一种对于雷达具有适当的时间带宽积、对于辐射计具有较大时间带宽积的信号 ,并分析和验证了该信号的LPI性能。     

基于注意力机制和改进CLDNN的雷达辐射源识别

传统的辐射源识别通过比对、匹配辐射源信号与雷达数据库来识别,这种方法很难满足战时高效、快速和准确的识别要求.随着机器学习方法的提出,诸如支持向量机等算法在辐射源识别领域的运用,可以满足战时高效、快速的识别要求,但这种方法在低信噪比环境下,辐射源识别准确率低.针对上述问题,采用深度学习,引入注意力机制和特征融合方法,提出...     

Novel sensor selection strategy for LPI based on an improved IMMPF tracking method

Sensor platforms with active sensing equipment such as radar may betray their existence, by emitting energy that will be intercepted by enemy surveillance sensors. The radar with less emission has more excellent performance of the low probability of intercept（LPI）. In order to reduce the emission times of the radar, a novel sensor selection strategy based on an improved interacting multiple model particle filter（IMMPF） tracking method is presented. Firstly the IMMPF tracking method is improved by increasing the weight of the particle which is close to the system state and updating the model probability of every particle. Then a sensor selection approach for LPI takes use of both the target＇s maneuverability and the state＇s uncertainty to decide the radar＇s radiation time. The radar will work only when the target＇s maneuverability and the state＇s uncertainty exceed the control capability of the passive sensors. Tracking accuracy and LPI performance are demonstrated in the Monte Carlo simulations.     

基于复合频率编码的低截获概率波形簇设计

针对宽带正交低截获概率(low probability of intercept,LPI)雷达波形簇设计, 利用频率编码捷变和调频斜率捷变的复合波形编码技术, 在波形正交约束的基础上构造了一种复合频率编码的非线性代价目标函数, 提出了基于频率编码捷变或调频斜率捷变的复合波形簇优化设计方法。利用模式搜索算法获得了具有良好自相关和互相关旁瓣特性的宽带正交LPI波形簇。仿真结果表明, 所设计的波形能够获得低自相关旁瓣和低互相关旁瓣, 可为LPI雷达发射波形与多输入多输出雷达波形的设计提供参考。     

基于聚类和时序相关的重点雷达信号快速识别

针对传统雷达信号识别方法对重点目标识别的针对性、时效性不强的问题,提出一种基于聚类和时序相关的重点雷达信号实时识别方法。首先,依据具有噪声的基于密度的聚类(density-based spatial clustering of application with noise, DBSCAN)算法对侦获信号的脉冲描述字进行分选;而后,利用分选所得脉冲的时序特征与重点目标信号脉冲重复间隔(pulse repetition interval, PRI)生成仿真信号;最后,计算仿真信号的互相关函数,基于相关度判断PRI参数是否匹配。仿真实验表明:所提方法明显提升了对重点目标信号的识别时效,能够应对存在噪声干扰和信号交叠的复杂信号环境,对局部脉冲参数丢失不敏感。     

基于SRNN+Attention+CNN的雷达辐射源信号识别方法

针对低信噪比条件下雷达辐射源信号特征提取困难、识别准确率低的问题, 提出一种基于切片循环神经网络(sliced recurrent neural networks, SRNN)、注意力机制和卷积神经网络(convolutional neural networks, CNN)的雷达辐射源信号识别方法, 并在CNN中引入批归一化层, 进一步提升网络的识别能力。模型以雷达辐射源信号幅度序列作为输入, 自动提取信号特征, 输出识别结果。实验结果表明, SRNN相比于门控循环单元(gated recurrent unit, GRU)训练速度大大提升, 注意力机制和批归一化层能有效提高识别准确率; 在采用8种常见雷达辐射源信号进行的实验中, 所提方法在低信噪比条件下仍有较高的识别准确率。