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。     

基于深度残差适配网络的通信辐射源个体识别

为解决通信辐射源识别中传统的人工特征提取方法鲁棒性不足和深度学习方法需要大量带标签目标域数据的问题,提出一种基于深度残差适配网络的通信辐射源个体识别方法.应用深度学习技术实现从源域到目标域上的迁移识别,只需要将带标签的源域数据和无标签的目标域数据进行训练.原始通信辐射源信号经过预处理后输入网络训练,将源域和目标域的分布...     

基于堆栈式LSTM网络的通信辐射源个体识别

针对现有通信辐射源个体识别方法预处理过程复杂及特征提取较难的问题,提出了一种基于堆栈式长短期记忆(long short-term memory, LSTM)网络的辐射源个体识别算法。该算法直接使用IQ时间序列信号训练LSTM网络,即可实现对通信辐射源个体的高效识别,避免了复杂的信号预处理过程。为使LSTM网络能更好地适用于通信辐射源个体识别,利用3层LSTM网络提取辐射源深层特征,并通过实验优化了网络参数。然后对该算法的实际应用泛化性进行了实验探究,结果表明该算法在其他辐射源数据集上也取得了较好的效果。最后,通过实验对算法进行了验证,结果表明相比于传统算法,在样本数较多时,该算法的识别准确率可以达到98%,而且简单快速智能,便于工程化与实用化。     

基于堆栈式LSTM网络的通信辐射源个体识别

针对现有通信辐射源个体识别方法预处理过程复杂及特征提取较难的问题,提出了一种基于堆栈式长短期记忆(long short-term memory, LSTM)网络的辐射源个体识别算法。该算法直接使用IQ时间序列信号训练LSTM网络,即可实现对通信辐射源个体的高效识别,避免了复杂的信号预处理过程。为使LSTM网络能更好地适用于通信辐射源个体识别,利用3层LSTM网络提取辐射源深层特征,并通过实验优化了网络参数。然后对该算法的实际应用泛化性进行了实验探究,结果表明该算法在其他辐射源数据集上也取得了较好的效果。最后,通过实验对算法进行了验证,结果表明相比于传统算法,在样本数较多时,该算法的识别准确率可以达到98%,而且简单快速智能,便于工程化与实用化。     

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。     

空中目标辐射源的个体识别方法

针对传统的辐射源个体识别方法在低信噪比环境下识别性能不佳的问题,提出了一种空中目标辐射源的个体识别方法,该方法利用经验模态分解和变分模态分解得到信号不同频率的模态分量,将各模态分量的多尺度排列熵作为特征,利用主成分分析对数据进行降维,并采用支持向量机分类器进行辐射源个体识别。仿真结果表明,该方法对相位噪声、频率漂移以及谐波失真等细微特征的识别性能明显优于传统方法,并具有良好的抗噪性。     

基于残差原型网络的辐射源个体识别

利用深度学习进行通信辐射源识别分类时,现有算法在较低信噪比下的识别能力还不足,且均着重关注各类辐射源个体的类间距离,忽视了类内紧密性。针对此问题,结合残差网络和原型学习基本思想,提出残差原型网络,对输入信号的差分星座轨迹图进行识别。此外,在基于距离的交叉熵损失函数基础上加入原型损失,通过提高类内紧密度的方式进一步扩增了类间距离。通过对5种ZigBee设备的实验,结果表明所提算法在相同信噪比条件下相较于其他算法具有更好的识别性能,在信噪比高于8 dB时,可达到99%以上的准确率。     

基于IFOA-SA-BP神经网络的雷达信号识别

为提高雷达信号的识别率,提出一种改进的果蝇优化算法(improved fruit fly optimization algorithm, IFOA)和模拟退火(simulated annealing, SA)算法相融合并用于优化反向传播(back propagation, BP)神经网络的雷达信号识别算法。首先,该算法提取雷达信号的调和平均盒维数、信息维数和差分近似熵特征作为信号识别的三维特征。然后,改进果蝇优化算法的寻优步长并添加逃脱系数以修改适应度函数,同时引入三维空间的搜索概念扩大果蝇的搜索范围,再对果蝇算法所求解的接受机制通过SA算法进行修正。最后,将融合后的算法IFOA-SA用于优化BP神经网络得到网络最优的初始权值和阈值,并用此网络进行雷达信号的分类识别。通过与BP和FOA-BP进行对比,结果表明IFOA-SA-BP能够提高雷达信号的识别率,证实了该算法的有效性。     

基于IFOA-SA-BP神经网络的雷达信号识别

为提高雷达信号的识别率,提出一种改进的果蝇优化算法(improved fruit fly optimization algorithm, IFOA)和模拟退火(simulated annealing, SA)算法相融合并用于优化反向传播(back propagation, BP)神经网络的雷达信号识别算法。首先,该算法提取雷达信号的调和平均盒维数、信息维数和差分近似熵特征作为信号识别的三维特征。然后,改进果蝇优化算法的寻优步长并添加逃脱系数以修改适应度函数,同时引入三维空间的搜索概念扩大果蝇的搜索范围,再对果蝇算法所求解的接受机制通过SA算法进行修正。最后,将融合后的算法IFOA-SA用于优化BP神经网络得到网络最优的初始权值和阈值,并用此网络进行雷达信号的分类识别。通过与BP和FOA-BP进行对比,结果表明IFOA-SA-BP能够提高雷达信号的识别率,证实了该算法的有效性。     

基于时频域特征和分层决策的通信信号调制识别

针对实际通信信号具有时变、非平稳的特性,将时频分布引入通信信号调制类型识别,提出了新的品质优良的时频域识别特征和使用时频域特征的分层决策分类器。即以基于Wigner Ville分布(WVD)的一阶时间矩特征和基于Margenau Hill分布(MHD)的局部时频域特征作为分类特征向量,通过特征向量与判决阈值的逐层比较以实现通信信号调制分类。仿真结果表明,该方法在低信噪比下的识别性能明显优于基于单纯的时域特征或频域特征的传统方法。     

基于正交频率分集的目标全极化瞬时测量方法

针对当前雷达目标瞬时全极化测量方法仅限于窄带应用的不足,结合正交频率分集复用原理,设计了一种用于宽带全极化瞬时测量的雷达信号波形。通过选择合适的测量频点、测量频差等参数,可在频域消除子载波互扰误差,获取雷达目标在各测量频点的极化散射矩阵。在建立回波信号模型基础上,给出了极化散射矩阵估计算法,并分析了多普勒频移补偿误差对测量结果的影响。仿真结果表明,当信噪比大于5 dB时,极化散射矩阵在各测量频点的相对测量误差小于-20 dB,验证了该方法的有效性。     

基于子带信号的MPSK载频估计算法

均匀子带技术是宽带信道化中经常采用的数据处理方法。针对均匀子带信道化易造成信号频谱割裂的问题,建立了M进制移相键控(M phase-shift-keying,MPSK)信号子带信道化输出的数学模型。将目标信号的频谱损失转化为码元成型函数的变化,证明子带信号保留了原信号码元成型函数所带来的循环平稳特性,提出了一种新的基于子带信号M次方谱的载频估计算法。该方法无需合并子带就可进行目标信号的参数估计,提高了宽带处理的效率。仿真分析了算法在不同带宽覆盖比和不同信噪比下的估计性能。理论分析和仿真结果证明了算法的有效性和可靠性。     

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。     

基于特征匹配与假设检验的仿真信号确认方法

为降低仿真信号的应用风险,在使用之前需要再次确认仿真信号。根据装备试验特殊的约束与要求,讨论了仿真信号的特征匹配问题。采用参数假设检验的方法确认仿真信号的特征匹配水平,提出了一种基于特征匹配与假设检验的仿真信号确认方法,并就方法应用相关的细节问题进行了深入探讨。在目标回波仿真中的应用表明,该方法在真实信号实测样本不充分的情况下仍能适用,可为确认仿真信号提供决策支持。     

基于目标特性增强的频带缺失雷达信号融合处理

由于战场电磁环境复杂,使得在某些频段上雷达信号受到了干扰而无法用于成像。如果仅利用单部雷达在可用频段上的回波信号进行成像,则图像的分辨率无法满足实际需求。为了综合利用多部频带缺失雷达的信号,将频带缺失的多雷达信号融合问题转化为一个信号表示问题。为了增强目标特性,将合成孔径雷达(synthetic aperture radar, SAR)图像增强技术引入到多雷达信号融合处理中,用正则化方法来增强目标的点特性和边缘特性。此融合处理方法不仅适用于多部频带缺失雷达的信号融合,而且无需极坐标插值来完成相位解耦,更能增强目标特性。仿真实验验证了本文方法有效性。     

基于方向性S变换的多分量FM信号瞬时频率估计

针对复杂多分量调频信号的瞬时频率估计问题,提出一种基于方向性S变换的瞬时频率估计方法。首先,在S变换中引入变趋势窗,有效改善了高频区的频率分辨率;其次,提出了方向性S变换,该变换在引入方向性参数的基础上,利用最大化准则实现了复杂调频信号的时频方向匹配;最后,由于传统时频脊线及相应的均方根误差准则无法适用于多分量信号瞬时频率估计的性能评估,提出一种基于支撑域的置信度准则。仿真实验通过线性与非线性的多分量混合调频信号证明了该方法的有效性。     

基于原子范数的多跳频信号时频参数估计

针对现有多跳频信号参数估计方法构造的基字典与信号不匹配的问题,提出了基于原子范数的时频参数估计方法。首先定义无限原子集合并建立原子范数最小化模型,再利用其对偶问题完成对信号的估计,最后根据对偶多项式在单位圆上的绝对值完成信号频率的估计,通过统计频率分量的个数完成了信号跳变时刻的估计。仿真结果表明该算法在多跳频信号条件下能够得到比现有算法更高的估计精度和性能。     

基于涌现鉴别的安全性分析

工程上对系统要素潜在危险交互作用的鉴别方法有迫切需求。论述了工程系统安全性是一种涌现特性,指出应将其作为复杂系统问题来开展研究。综合运用复杂性研究成果、功能模拟原理、目标树-成功树建模技术,提出了基于一体化安全风险模型开展涌现鉴别研究的基本方法。结合“阿波罗15号”飞船案例,验证了基于安全风险模型开展涌现鉴别的适用性。研究成果为解决复杂工程系统安全性问题提供了新的思路和分析手段。     

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。