主瓣掩护式干扰背景下单脉冲雷达角度估计

主瓣掩护式干扰会导致单脉冲雷达的探测、跟踪、识别性能严重下降，如何在该场景下进行目标角度估计是单脉冲雷达面临的经典问题。为解决该问题，提出了一种单脉冲雷达目标角度估计算法，该算法运用残差矩阵Frobenius-范数(以下简称残差矩阵F-范数)最小化准则提取目标回波及干扰信号并估计其来向。仿真结果表明，该算法相比主瓣干扰对消(mainlobe jamming cancellation, MLC)算法，测角精度更高，稳定性更强。     

一种面向卫星频谱监测的复合式干扰自动识别算法

针对卫星通信中经常出现的干扰难以识别的问题,提出一种基于快速独立成份分析(FICA)和支持向量机(SVM)的复合式干扰识别方法.该方法先用SVM对单一类型干扰信号建立分类模型库,并采用FICA对接收到的复合式干扰进行成分分离,再将分离后的不同成分分别输入SVM进行干扰识别.试验结果表明:该算法可在低干信比情况下对干扰信号进行准确的识别.     

卫星导航电磁干扰识别分类器设计

根据卫星导航系统干扰识别特点与高阶累积量对高斯噪声的抑制作用,提出了一种基于干扰四阶及六阶累积量的特征识别算法,分析了在不同干噪比下不同干扰信号的特征区间分布。根据在相同识别特征下不同干扰信号的分离度,设计了一种基于高阶累积量的树形干扰识别分类器。仿真试验结果表明,当干噪比达到5 dB时,识别分类器对9种干扰信号的识别率均达到100%,并且受干噪比变化影响较小,试验验证了其良好的分类识别性能。     

基于CWD和残差收缩网络的调制方式识别方法

针对低信噪比时莱斯信道下特征提取准确性难以保证、识别准确率偏低等问题, 提出一种基于Choi-Williams分布(Choi-Williams distribution, CWD)和深度残差收缩网络(deep residual shrinkage network, DRSN)的通信辐射源信号调制方式识别方法。利用CWD将时域复信号转换为二维时频矩阵, 对深度残差网络添加软阈值化得到DRSN, 将时频矩阵样本用于对DRSN的训练, 最终构建不同信噪比下的调制方式识别网络。仿真实验表明, 基于RadioML2016.10a数据集, 利用部分先验信息的情况下, 该分类识别方法具有较高的识别准确率和噪声鲁棒性。在0 dB时, 对11类信号的总体识别准确率达到了89.95%;在2 dB以上时, 总体识别准确率均超过91%, 优于其他深度学习识别方法。     

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。     

基于熵特征的DRFM有源欺骗干扰CFAR检测

基于数字射频存储(digital radio frequency memory, DRFM)技术的转发式干扰的存在性检测是对抗有源欺骗干扰的前提。干扰机的相位取样量化会导致干扰信号有谐波分量的寄生。在雷达距离/速度波门内同时存在目标信号和欺骗干扰信号的情形下,利用经验模态分解(empirical model decomposition, EMD)算法分离出干扰信号谐波分量,通过提取干扰谐波分量与目标回波在时频域上能量分布特征差异,提出了一种基于时频域熵特征的有源欺骗干扰检测方法。该方法不需要估计噪声参数,且具有恒虚警(constant false-alarm rate,CFAR)特性。蒙特卡罗仿真结果验证了该方法的有效性。     

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。     

基于深层卷积神经网络和双谱特征的雷达信号识别方法

针对复杂电磁环境下利用人工提取特征识别雷达信号存在的主观性强、特征冗余的问题,提出了一种基于深层卷积神经网络的识别方法。该方法首先提取雷达信号的双谱信息作为深层卷积神经网络模型的输入,然后利用模型的自学习能力提取深层特征,实现对不同调制样式雷达信号的识别,最后对不同结构网络模型的识别结果进行对比。仿真实验结果表明,相比传统雷达信号识别方法,该方法对于不同调制类型信号的识别效果优异,并且在识别率、抗噪性上都有所提升。     

基于深层残差网络和三元组损失的雷达信号识别方法

针对分类网络难以有效扩展分类数量的问题,提出了一种基于深层残差网络和三元组损失的雷达信号识别方法。该方法首先将雷达信号作为深层残差网络的输入,通过一维卷积将雷达信号映射到128维欧几里得空间,得到信号的特征向量;然后利用三元组损失函数调整网络参数,使得同类信号之间特征向量的欧式距离减小而不同类别信号之间的距离增大;最后通过基于样本库的识别算法实现对信号的分类识别。实验结果表明,相较于传统的分类网络,该方法在保证识别准确率的同时使得模型能够对分类数量进行有效扩展。     

基于深层残差网络和三元组损失的雷达信号识别方法

针对分类网络难以有效扩展分类数量的问题,提出了一种基于深层残差网络和三元组损失的雷达信号识别方法。该方法首先将雷达信号作为深层残差网络的输入,通过一维卷积将雷达信号映射到128维欧几里得空间,得到信号的特征向量;然后利用三元组损失函数调整网络参数,使得同类信号之间特征向量的欧式距离减小而不同类别信号之间的距离增大;最后通过基于样本库的识别算法实现对信号的分类识别。实验结果表明,相较于传统的分类网络,该方法在保证识别准确率的同时使得模型能够对分类数量进行有效扩展。     

基于信号重构的频谱弥散干扰抑制方法

频谱弥散(smeared spectrum, SMSP)干扰是专门针对线性调频脉冲压缩雷达的密集多假目标干扰。依据SMSP干扰信号的周期性特征,提出了一种基于信号重构的SMSP干扰抑制方法。首先,采用奇异值比谱法估计SMSP干扰的子脉冲个数和调频斜率,采用相关运算法估计SMSP干扰的脉冲前沿位置、幅度以及相位参数,得到重构的SMSP干扰。其次,将其从接收信号中减去即可达到抑制干扰的目的。最后,仿真结果表明,即使在较低的干信比和干噪比条件下,干扰抑制比仍可以达到20 dB以上,说明所提方法对SMSP干扰具有较好的干扰抑制效果。     

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。     

基于互易点学习的LPI信号开集识别

针对现有采用时频图结合深度学习模型对低截获概率(low probability of intercept, LPI)雷达信号识别的方法在开集场景下会失效的问题, 提出一种基于互易点学习(reciprocal point learning, RPL)和阈值判断的雷达信号开集识别方法。通过RPL对特征空间进行优化, 使已知类和未知类信号样本在特征空间中分布不同, 最后确定合适的阈值进行开集识别。根据时频图的特点, 在特征提取网络中加入注意力机制使网络更关注图像能量聚集的有效部分。实验结果表明, 该方法在开放的电磁环境条件下具有良好的适应性。     

基于BSS的FDA-MIMO雷达主瓣欺骗式干扰抑制方法

主瓣欺骗式干扰与目标位于同一个波束宽度内,严重影响了雷达对真实目标的检测与参数估计。针对此问题,基于频率分集阵列-多输入多输出(frequency diversity array multiple input multiple output, FDA-MIMO)雷达,提出了一种抑制主瓣欺骗式干扰的方法。所提方法的主要突破点在于,当干扰和目标的角度完全相同时,利用FDA-MIMO雷达天线方向图的距离-角度二维依赖性,进一步通过基于最大信噪比(maximum signal to noise ratio, MSNR)的盲源分离(blind source separation, BSS)算法将干扰和目标分离在不同的通道,以达到抑制干扰的目的。该方法无需目标的距离、角度先验信息。仿真实验验证了所提算法的有效性,当干噪比(jamming to noise ratio, JNR)为80 dB时,目标的正确检测概率约为0.98。     

基于BSS的FDA-MIMO雷达主瓣欺骗式干扰抑制方法

主瓣欺骗式干扰与目标位于同一个波束宽度内,严重影响了雷达对真实目标的检测与参数估计。针对此问题,基于频率分集阵列-多输入多输出(frequency diversity array multiple input multiple output, FDA-MIMO)雷达,提出了一种抑制主瓣欺骗式干扰的方法。所提方法的主要突破点在于,当干扰和目标的角度完全相同时,利用FDA-MIMO雷达天线方向图的距离-角度二维依赖性,进一步通过基于最大信噪比(maximum signal to noise ratio, MSNR)的盲源分离(blind source separation, BSS)算法将干扰和目标分离在不同的通道,以达到抑制干扰的目的。该方法无需目标的距离、角度先验信息。仿真实验验证了所提算法的有效性,当干噪比(jamming to noise ratio, JNR)为80 dB时,目标的正确检测概率约为0.98。