小波-神经网络在辐射源识别中的应用研究

针对目标所采用的辐射源识别方法对复杂体制雷达信号识别效率低或无法识别的现象 ,提出了一种新的辐射源识别方法。首先 ,利用小波包可对信号进行多维多分辨率分析的特点 ,对辐射源信号进行信号特征的提取 ,然后将各辐射源的信号特征作为ART2神经网络的训练样本 ,对其进行辐射源类型的识别。通过计算机仿真 ,对上述方法进行了验证。试验结果表明 ,这种基于小波 神经网络的辐射源识别方法在识别复杂体制雷达信号的应用中不仅克服了目前识别方法识别效率低的弊端 ,而且还有效地解决了对未知雷达信号无法识别的问题     

基于VMD分解和多域联合分布的雷达辐射源识别

针对现有雷达辐射源个体识别存在的识别准确率低、难以区分同型号雷达、缺乏实采信号验证等问题,提出了一种基于变分模态分解(variational modal decomposition, VMD)和时频能多域特征联合的雷达辐射源个体识别方法。首先对雷达信号进行VMD,然后对得到的模态分量分别在时域、频域和时频域提取13种特征参数,最后结合k近邻分类器实现雷达个体识别。采用实际采集的船用导航雷达信号对所提方法和现有的其他两种方法进行了对比验证,实验结果表明所提方法在识别准确率、算法鲁棒性方面优于现有两种方法,具有一定的工程应用价值。     

基于集成深度学习的有源干扰智能分类

针对现有基于机器学习的雷达有源干扰分类大多需要构建人工特征集且小样本情况下分类精度低的问题, 提出一种基于多通道特征融合的集成卷积神经网络(convolutional neural network, CNN)分类方法。首先, 建立多种有源干扰的数学模型, 仿真并利用短时傅里叶变换获得其时频分布图; 其次, 提取时频分布图的实部、虚部和模值三通道特征, 通过多种特征组合方式建立不同特征组合的样本集; 最终, 构建以CNN为基分类器的集成深度学习模型, 每个CNN分别提取不同样本集的特征, 对所有基分类器的预测结果做多数投票得到集成模型的整体预测结果。实验表明, 该方法能够有效实现小样本情况下多类有源干扰的高精度智能化识别。     

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。     

基于集成学习与特征降维的小样本调制识别方法

针对有标签样本较少条件下的通信信号调制识别问题, 提出一种基于集成学习与特征降维的小样本调制方式分类模型。首先,通过集成人工特征与深度学习自动提取特征构成特征集合。然后,设计特征选择算法对特征合集进行优选生成高效特征子集。最后, 利用可快速收敛的高性能分类器对信号进行区分, 实现在少量有标签样本和大量无标签样本条件下的调制方式分类。仿真结果表明, 通过对8种数字信号进行调制识别, 在信噪比为20 dB时, 所提算法可将信号最高识别率提升至96%, 同时该算法设计简单, 具有较大应用价值。     

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...     

雷达特定辐射源识别的直观系统模型

利用Yoyos系统与随机微分几何,对特定辐射源识别问题进行系统建模及数学分析,建立了一种有意义的几何学描述。通过上述模型及分析,指出辐射源个体所辐射信号的瞬时参数中包含具有内蕴性质的指纹特征信息,且由产生信号的辐射源个体的系统低维状态流形决定。提出了一种雷达辐射源指纹特征信息的有效性判据和信号内蕴指纹特征参数。最后通过外场实验数据验证了本文所提出模型及特征的正确性和有效性。     

基于雷达辐射源信号特征的类别信息辅助GM-PHD滤波器

雷达辐射源目标跟踪在军事应用领域具有重要的意义。结合目标类别信息有助于提高高斯混合概率假设密度(Gaussian mixture-probability hypothesis density,GM-PHD)滤波器多目标跟踪的性能,但电子侦察系统获得的雷达辐射源信号信息无法直接应用于上述滤波器。为此,先利用辐射源信号特征进行雷达类型识别,然后基于可传递信度模型根据雷达平台的配属关系将该识别结果转换到与已知类别信息相同的辨识框架内。在此基础上,采用相容系数度量其相似度用以近似GM-PHD滤波器中的量测似然值,从而实现类别信息的辅助目标跟踪。仿真实验表明,在不同的杂波密度下所提方法能够有效提高GM PHD滤波器的跟踪性能。     

雷达特定辐射源识别的直观系统模型

利用Yoyos系统与随机微分几何,对特定辐射源识别问题进行系统建模及数学分析,建立了一种有意义的几何学描述.通过上述模型及分析,指出辐射源个体所辐射信号的瞬时参数中包含具有内蕴性质的指纹特征信息,且由产生信号的辐射源个体的系统低维状态流形决定.提出了一种雷达辐射源指纹特征信息的有效性判据和信号内蕴指纹特征参数.最后通过外场实验数据验证了本文所提出模型及特征的正确性和有效性.     

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。     

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。     

基于时频特征提取和残差神经网络的雷达信号识别

针对低信噪比(signal to noise ratio,SNR)下雷达信号脉内调制类型识别率较低的问题,提出了基于时频特征提取和残差神经网络的雷达信号识别算法.时频特征提取首先通过分数阶傅里叶变换对信号进行Chirp基分解,按照Chirp基载频与调频率的不同组合对信号划分类别,并设置对应的分类特征参数.然后,计算信号...     

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LSTM和残差网络的雷达有源干扰识别

针对目前雷达干扰识别方法存在人工特征提取难、强噪声环境下识别率不高的问题，提出了一种基于长短时记忆(long short-term memory, LSTM)网络和残差网络相结合的雷达有源干扰识别方法。输入有源压制干扰原始时域序列数据，搭建深度学习网络模型对不同干噪比下的干扰信号进行分类识别。仿真结果表明：在干噪比为0 dB的情况下，该方法对4类雷达有源干扰信号的识别准确率均高于98.3%,与单纯的残差网络和卷积神经网络(convolutional neural networks, CNN)等其他深度学习算法相比，具有更佳的网络性能，验证了该算法的有效性。     

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%。