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。     

匹配追逐算法中三参数Chirp原子及搜索方法

提出了用比例、旋转、径向位移表示的三参数Chirp时频原子和基于分数阶傅里叶变换的最佳原子搜索方法,该方法利用分数阶傅里叶变换先估计Chirp原子的最佳旋转参数,并先保持比例参数不变,仅调整径向移位一个参数来搜索最佳Chirp原子。仿真实验结果表明,提出的搜索方法能从整体上把握信号的最大时频结构,提供信号的稀疏表示,避免了原始的匹配追逐算法固有的局部优化所造成的对信号的过分解。     

基于Chirp Z变换的海面目标帧间非相参积累技术

为提升雷达对海面微弱目标的探测能力,提出基于Chirp Z变换的多圈扫描帧间非相参积累技术.首先,建立多圈扫描采用不同载频时的雷达回波信号模型.然后,提出基于Chirp Z变换的运动目标帧间多普勒校正和距离走动补偿方法,使得多圈扫描数据经过处理后,目标出现在相同的距离-多普勒检测单元内,从而可以直接进行帧间的非相参积累...     

基于深度学习和集成学习的辐射源信号识别

随着电磁环境的日益复杂和雷达辐射源信号类型的逐渐增多,如何有效地识别雷达信号类型成为一个重要的问题。为解决这个问题,提出了一种基于深度学习和集成学习的辐射源信号识别框架。该框架由特征提取和分类器设计两部分组成。第一部分,将雷达信号变换到时频域,利用栈式降噪自编码模型学习时频图像的特征。深度模型的训练采用无监督预学习和有监督微调相结合。第二部分,构造一个集成不同支持向量机分类器的模型对雷达信号进行识别。利用8种不同的辐射源信号验证了提出模型的有效性,结果表明结合这两种机器学习的方法有助于提高辐射源信号的识别正确率。     

S变换在雷达目标识别中的应用

针对雷达目标回波的非平稳特性,推导了S变换及其实现算法,利用电磁场时域有限差分算法仿真了三种军用飞机的宽带散射信号,采用S变换对飞机目标的雷达回波进行时频分析,提取时频分布图的奇异值特征作为目标特征矢量,利用径向基函数神经网络对特征矢量进行训练和学习,最后对三种飞机做了分类识别,取得了很好的识别效果.     

基于修正空时频分布矩阵的到达角估计

讨论了密集信号环境下,雷达侦察系统对信号到达角(DOA)的估计方法。首先对参考阵元的输出作时频分析,估计信号的频率参数,从而选择时频脊点构造方向矩阵;然后对各阵元输出求互Wigner Ville分布(XWVD)以构造修正空间时频分布(STFD)矩阵;最后用修正STFD矩阵代替传统MUSIC算法中的协方差矩阵即可求得信号的时频———MUSIC空间谱,从而得到信号的DOA。计算机仿真结果表明该算法可实现对常规雷达脉冲、线性调频信号等多种信号的DOA估计。     

基于多分辨率显著性滤波的微动信号增强方法

微动信号是典型的非平稳信号, 时频分析能够获得微动信号的联合时间-频率分布图像, 是微动信号分析的主要工具之一, 良好的时频图像质量能保证后续特征提取和参数估计的准确性。然而在实际场景中, 时频图像通常受到噪声污染, 使得微动信号难以分辨, 严重制约了后续特征提取和参数估计。根据显著性检测和图像金字塔的基本原理, 本文在多分辨率表示图像上分别计算显著性并滤波, 最后进行加权融合获得增强的时频图像, 有效抑制了噪声, 提升了低信噪比(signal to noise ratio, SNR)下时频图像的质量和微动信号的显著性。实验结果表明, 对于仿真信号以及暗室测量信号, 在-7~7 dB SNR下, 采用该方法均能显著提升时频图像质量, 且-3 dB以下时能大幅提高周期估计的准确率, 是一种有效的微动信号增强方法。     

基于奇异值熵和分形维数的雷达信号识别

针对低信噪比条件下雷达信号脉内调制方式识别算法识别率低的问题,提出了基于奇异值熵和分形维数的雷达信号识别算法。该方法首先通过Choi Williams分布得到信号的时频图像,提取时频图像的奇异值熵;然后再提取信号频谱的盒维数与信息维数,组成三维特征向量;最后使用基于支持向量机的分类器实现雷达信号的分类识别。对8种典型雷达信号的仿真试验结果表明该方法抗噪性强、识别率高,在信噪比大于1 dB时,平均识别率能达到95%以上。     

基于分数阶傅立叶变换的自适应时频表示

提出采用高斯函数的分数阶傅立叶变换作为基函数的自适应信号扩展方法,并给出了相应的时频分布,该分布具有较高的时频分辨率,没有窗效应,无交叉项干扰。分数阶傅立叶变换使基函数的时频分布旋转了α角度,结合尺度,时移和频移,为基函数匹配信号提供了更大的灵活性。仿真结果表明,该方法可以更加准确地描述信号的时频特征。     

基于熵评价模态分解的雷达信号双谱特征识别

针对在低信噪比下雷达信号调制识别准确率低、抗噪性差的问题, 提出一种基于熵评价模态分解和双谱特征提取的识别方法。利用双谱可以抑制高斯噪声的特点, 分析了在低信噪比下进行信号调制识别的可行性并引入了噪声项。由于噪声项的干扰, 双谱在0 dB以下时, 噪声抑制效果变差, 提出了基于信息熵评价的经验模态化分解对信号进行预处理, 提高信噪比。最后, 设计了卷积神经网络分类器, 实现对不同调制类型信号的识别。仿真实验结果表明, 本文方法相比传统方法具有良好的抗噪性, 能够在低信噪比下对不同类型信号进行有效识别。     

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%。     

基于残差生成对抗网络的调制识别算法

针对小样本条件下通信信号识别准确率不高、网络训练困难的问题, 本文提出一种基于残差生成对抗网络的调制识别算法。首先, 设计一种以Leakyrelu作为隐藏层激活函数的新残差单元, 使得网络对输入为负值的数据也可以进行梯度计算; 然后, 将新残差单元组成的残差网络和卷积神经网络作为本文算法的基本网络结构, 使用卷积步幅为1的非对称小卷积核, 更好地提取信号的边缘特征信息; 最后, 用Dropout代替池化操作, 并选择Adam梯度优化算法以交替迭代方式完成网络训练。仿真实验结果表明, 小样本条件下, 残差生成对抗网络算法复杂度明显降低, 信噪比(signal to noise ratio, SNR)在0 dB以上时, 对10种调制信号的识别准确率可以达到91%, 验证了所提方法的有效性。     

基于TCNN-BiLSTM网络的调制识别算法

针对传统调制识别算法在低信噪比下识别率不高的情况,提出双路卷积神经网络级联双向长短时记忆(two-way convolutional neural network cascaded bidirectional long short-term memory, TCNN-BiLSTM)网络的调制识别算法。首先,该算法并联不同尺度卷积核的卷积层,提取调制信号不同维度的特征。然后,级联BiLSTM层,对多维特征构建LSTM时间模型。最后,使用softmax分类器完成识别。仿真实验表明,所提算法结构在加性高斯白噪声和特定信道参数的瑞利衰落信道下,性能要优于基于传统特征和其他网络结构的识别算法。在特定信道参数的瑞利衰落信道下信噪比低至6 dB时,该算法对6种数字调制信号的识别率仍可达到92%以上。     

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。     

基于生成对抗与卷积神经网络的调制识别方法

自动调制识别在频谱监测和认知无线电中占有重要地位.针对现有调制识别算法在低信噪比条件下识别率低的问题,提出一种基于生成对抗网络(generative adversarial network,GAN)和卷积神经网络(convolu-tional neural network,CNN)的数字信号调制识别方法.在利用平滑伪W...     

基于改进Dijkstra算法与时频域滤波的雷达目标识别

针对弹道中段雷达目标回波的微多普勒特征提取精准度不高导致目标识别率低的问题, 提出一种基于改进Dijkstra算法与时频域滤波相结合的雷达目标分类识别方法。该方法首先采取改进Dijkstra算法提取多分量回波信号中最强分量的瞬时多普勒特征, 然后利用时频域滤波方法滤除最强分量, 依次提取多分量信号的瞬时多普勒特征, 并将该特征应用于弹道中段雷达目标识别。仿真结果表明, 该方法适用于多种微动形式, 提取回波信号的微多普勒特征的精度更高, 对于弹道中段雷达目标平均识别率较高。     

基于JADE与特征提取的正交/非正交空时分组码盲识别

针对非协作多输入多输出通信系统中正交空时分组码(orthogonal space-time block codes, OSTBC)与非正交空时分组码(non-orthogonal space-time block code, NOSTBC)的盲识别问题,提出结合特征值矩阵联合近似对角化(joint approximate diagonalization of eigenvalue matrix, JADE)与特征提取的盲识别方法。首先将接收信号转换为盲源分离问题中的线性瞬时混合模型,然后利用JADE算法估计出该模型的虚拟信道矩阵,根据该信道矩阵的相关矩阵为数量矩阵的特点,从相关矩阵中提取特征参数,利用此特征参数识别OSTBC与NOSTBC。仿真结果表明,在较低信噪比以及不同的调制模式下,所提方法均可有效识别出OSTBC与NOSTBC。