基于JDA-BP网络的MQAM信号调制识别

针对小样本条件下由信号调制识别准确率低和信道环境变化导致调制识别网络性能下降的问题,提出了一种基于联合分布适配-反向传播神经网络(JDA-BP)调制识别方法。通过改变信道环境生成概率分布不同的多进制正交振幅调制(MQAM)信号,提取MQAM信号的瞬时统计特征和高阶累积量组成样本,构建3个概率分布不同的数据集,使用联合分布适配(JDA)算法缩小数据集间的特征差异,并将适配后的数据集送入BP神经网络进行训练和测试。对比实验表明,在目标域为小样本的条件下,该文方法针对源域和目标域概率分布不同的情况,能有效地减小概率分布距离,信号调制识别平均准确率可达73.25%;相比于比未使用JDA-BP方法,调制识别准确率平均提高了6.80%。

基于自适应滑动窗均值偏移算法的雷达信号分选

为了应对复杂体制雷达信号分选的要求,提升信号分选的速度和准确性,解决传统信号分选方法的弊端,本文将均值偏移聚类算法引入雷达信号分选,通过改进算法引入滑动窗的自适应更新摆脱了传统分选方法对预设参数的依赖。实验结果表明:自适应滑动窗均值偏移算法在分选准确性和速度上综合表现优于用于对比的传统分选方法,对不同密度的雷达数据集和在脉冲丢失的情况下都可实现较好的分选效果,对捷变频雷达的分选效果良好,并可推知对其他类似体制的雷达均有良好分选效果。本文研究成果可应用于大量数据的多体制雷达的分选优化。

一种针对驻留转换雷达的信号分选算法

复杂电磁环境下驻留转换雷达的信号分选是制约电子侦察技术发展的瓶颈,由于其复杂多变的成形规律,信号子周期难以被检测;脉冲重复周期调制类型不明,脉冲序列无法成功提取;提取的多个子周期脉冲序列无法合并为一部雷达信号,造成虚警。针对以上问题,提出一种针对驻留转换雷达的信号分选算法,利用双门限提高子周期检测概率,通过霍夫变换结合迭代自组织聚类判断信号是否属于驻留转换雷达,改进搜索算法以提取脉冲序列,依据排列熵指标将多脉冲序列合并为一部驻留转换雷达信号。仿真实验结果表明,所提算法在25%脉冲丢失率的复杂电磁环境下,可以将三部驻留转换雷达信号成功分选。

一种优化的短波通信辐射源个体智能识别方法

针对短波频段信号环境复杂、通信辐射源个体识别中样本数量不足,造成常规个体识别方法困难、残差神经网络训练时过拟合的问题,提出了一种基于改进残差神经网络算法的短波通信辐射源个体智能识别方法。该方法将迁移学习的思想引入残差神经网络中,利用实际采集的短波通信辐射源信号,经过短时傅里叶变换(Short-Time Fourier Transform,STFT)得到的特征图谱,输入到结合迁移学习改进的残差神经网络算法中。然后,对信号采用不同方式提取信号特征、不同信噪比等条件下,进行短波通信辐射源个体识别,并与改进前残差神经网络进行对比实验。实验结果表明,对于短波通信辐射源信号,在样本数量不足、有噪声的条件下,经过STFT结合改进的残差神经网络算法相比改进前有更高的识别准确率和更好的抗噪性能。

Attention U-Net在雷达信号图像化分选中的应用研究

针对海战场复杂电磁环境对雷达信号分选的挑战,采用改进的U-Net网络结合注意力机制提出新的分选方法。首先,将脉冲描述字转化为图像序列以适应深度学习处理。通过优化U-Net架构,融入注意力机制,有效提升模型对关键脉冲特征的识别与提取能力,实现像素级分类。通过此方法,系统能够精准搜索并归类所有雷达脉冲。实验证明,在海战场复杂电磁环境中,该方法显著提升了雷达信号分选准确率,提供了一种应对强干扰环境下的高效解决方案。这一研究成果证实了Attention U-Net在雷达信号智能分选中的优越性和实用性。

基于FRFT的低信噪比LFM信号参数快速估计算法

基于分数阶傅里叶变换(Fractional Fourier Transform,FRFT)对线性调频(Linear Frequency Modulated,LFM)信号参数进行估计,问题关键是确定FRFT最佳阶数,根据误差迭代思想提出新的参数估计算法,该算法利用归一化带宽和旋转角的转化关系,由估计误差推算角度差值,有效降低了运算量,不需要调频斜率正负的先验信息,改进的对数搜索算法可以进一步提高参数估计结果的稳定性和可靠性。仿真结果表明,信噪比在-8 dB以上时该方法在高效率的前提下仍具有良好的参数估计性能,平均估计误差在1%以内,估计结果接近Cramer-Rao下限,满足工程实时处理需求。

战场频率指配问题研究综述及展望

战场频率指配能够在复杂电磁环境下将战场中有限的频谱资源指配至用频装备,对用频装备作战的效能发挥与电磁频谱作战筹划具有重要意义。本文从数学模型、求解算法两个方面分别总结归纳了静态频率指配问题(static frequency assignment problem,S-FAP)与动态频率指配问题(dynamic frequency assignment problem,D-FAP)的研究现状,分析评述了模型的适用性及算法优缺点,最后对战场频率指配未来的发展趋势进行了展望。

战场电磁频谱智能认知技术

未来军事力量竞争逐步向空天领域转移,外层空间已经成为战场信息的重要媒介。随着信息化水平不断提高,电磁空间作为空天战场信息的主要载体愈加复杂,对电磁频谱认知能力提出了更高要求。针对现代战场电磁频谱环境快速时变、信号多样的挑战,提出了空天战场电磁频谱智能认知系统架构,以及基于该架构的全并行瞬时大带宽信号处理、高精度多信号参数估计、复合特征调制识别和多域融合干扰识别技术,有效解决了空天平台复杂电磁环境高动态大带宽信号的认知难题。

一种小样本数据驱动的雷达复合干扰轻量化感知网络

基于深度学习的雷达干扰感知技术能精确感知各类雷达干扰类型,但需预先构建大规模且完备的训练样本,数据集构建工作量大、难度高,同时存在网络模型参数量较大、计算复杂度高的问题,导致在实际平台中难以应用。针对此问题,提出一种小样本数据驱动的雷达复合干扰轻量化感知网络,结合计算机视觉领域的“目标检测”思想建立干扰感知网络,利用雷达干扰时频分布数据提取多尺度特征图,预置锚框进行回归与分类,使用分组卷积与Ghost卷积对大参数量、高计算量的网络结构进行轻量化改进。实验结果表明:只需小规模的多种单一干扰模式样本,即可实现对单一干扰模式、两两复合模式及3类复合模式的灵活感知,在低干噪比条件下保持较高感知性能的同时大幅压缩模型的参数量与运算量。

基于载波频率特征的雷达辐射源个体识别

为了提升雷达辐射源个体识别方法的识别精度,提出利用脉冲信号的载波频率特征进行辐射源识别。对于实测获得的脉冲信号数据,通过FFT实现时频域转换,并完成对15种频域统计特征的提取,进而通过PCA算法筛选出其中10种最能代表个体间差异性的指纹特征,最后将提取出的特征作为输入,通过自主构建的三种分类器实现个体识别。实验结果表明频域特征能较好地应用于辐射源分类识别。

基于GAIN-LSTM网络的雷达PRI序列还原及识别方法

开展脉冲重复间隔(Pulse Repetition Interval,PRI)模式识别工作是电子支援系统的一项重要任务。现代复杂电磁环境下,受雷达辐射源部署和接收设备本身影响,雷达脉冲丢失率极高,导致分选后PRI序列调制规律被破坏,现有的PRI模式识别方法准确率不足。针对上述问题,从PRI序列还原角度出发,并结合PRI序列本质是时序序列的特点,提出GAIN-LSTM(Generative Adversarial Imputation Nets and Long Short Term Memory)网络架构,其先对丢失脉冲位置进行补全操作,恢复PRI调制规律,然后对还原后PRI序列进行调制模式识别。仿真结果表明,提出的GAIN-LSTM网络架构在脉冲丢失率70%时仍保持95%的正确识别率。

低信噪比下信号联合参数测量与识别方法

针对传统的辐射源信号参数测量方法精度不高、工程实现困难且需要单独的信号调制识别步骤,本文基于信号的瞬时相位差特征提出了一种适用于低信噪比下的信号联合参数测量与识别方法,并进行了工程实现。该方法运用非相参累积检测算法提高低信噪比时域参数测量精度,获取信号瞬时相位差特征,联合测量并识别载频信息和调制方式,算法计算复杂度低、便于工程实现。经仿真和实测结果验证,对二相编码信号、线性调频信号和单载频信号有较高的测量精度和识别概率。

一种奇异值分解与子空间加权联合的改进MUSIC算法

在低信噪比、小快拍数等非理想条件下,经典DOA估计算法对邻近目标的分辨率严重下降,甚至失去分辨能力。针对这一问题,提出了一种将重构的接收信号协方差矩阵进行奇异值分解并与改进的加权子空间方法相结合的改进算法。该算法充分利用互相关信息构建新的接收信号协方差矩阵,并对噪声子空间信息采用新的校正方法,对噪声特征值进行改造,之后对噪声子空间进行加权,最后与信号子空间加权技术相联合。仿真实验证明,改进算法在低信噪比和小快拍数条件下可以分辨间隔4°的相邻目标,统计分析表明该算法的分辨率明显优于经典MUSIC算法。

一种改进的非协作MSK信号参数联合估计算法

针对MSK信号参数联合估计中原有参数估计算法抗噪声性能不足、算法较复杂、运算量较大等问题,基于burg现代谱算法,提出一种改进的MSK信号参数联合估计算法,实现了在低信噪比条件下对MSK信号进行快速参数估计。

基于CNN-BiLSTM混合神经网络的雷达信号调制方式识别

针对具有时频特性的雷达信号,传统的雷达信号识别方法已经无法满足对信号类型精准识别的需求,因此需要通过采集并分析雷达信号脉内的时频特征实现对目标雷达的具体信息进行有效评估。设计了一种卷积-双向长短时记忆(Convolution-Bidirectional Long Short-Term Memory,CNN-BiLSTM)混合神经网络模型,主要通过BiLSTM的时序记忆特性深度挖掘雷达信号的时域特征,结合权值共享特性和CNN层捕获雷达信号的时频特征,再利用二者信号特征联合完成对雷达信号调制方式的识别。通过对比实验验证,所提方法对若干种雷达信号的识别具有较高的准确度,平均值达到95.349%;优于只使用单一特征的网络和传统算法,具有良好的抗噪声能力。

基于圆循环恒虚警的多雷达信号被动检测方法

低截获概率(LPI)雷达由于具有发射功率较低的特点,使得雷达侦察接收机接收到的雷达信号信噪比较低,现有的被动检测方法无法有效检测微弱信号。针对此问题,在高斯白噪声背景下,提出了一种基于圆循环恒虚警率(CFAR)的多雷达信号被动检测方法,并分别对基于圆循环的单元平均恒虚警率(CA-CFAR)、最大选择恒虚警率(GO-CFAR)、最小选择恒虚警率(SO-CFAR)、有序统计恒虚警率(OS-CFAR)4种检测器的虚警概率与检测概率进行了推导。仿真结果表明,在高斯白噪声背景下,存在一个信号时,基于圆循环的CA-CFAR检测性能最优;存在多个信号时,基于圆循环的CA-CFAR检测性能较差,OS-CFAR检测性能更佳。此外,采用多帧检测可以进一步提高检测性能。所提方法复杂度较低且实时性较高,可满足工程实际需求。

异轨多星座侦察目标跟踪研究

空间侦察具有覆盖范围广、速度快、效率高等特点,且不受边界和天气条件的限制,可对目标实现长时间、大范围的侦察监视,是远海态势感知的重要手段。异轨多星座侦察卫星具备对目标的持续侦察能力。分析现有目标跟踪手段存在的不足,提出异轨多星座侦察目标跟踪流程,进一步分析异轨多星座侦察目标跟踪面临的问题,提出异轨多星座多体制侦察融合定位方法。仿真结果表明,该方法有效提升定位精度和航迹维持率,可作为工程应用的技术参考。

一种稀疏阵列近场目标的降维搜索定位算法

为实现稀疏阵列近场目标定位,提出一种基于稀疏阵列相位差解模糊的定位算法。该算法在稀疏阵列近场条件下进行角度遍历寻优,建立目标与阵列之间的距离差近似模型。在目标方向上对阵列测量相位差进行距离补偿得到等效线性阵列,再对等效线性阵列进行相位差解模糊,从而计算出目标距离估计值,实现目标定位。同时给出了基于解模糊条件的阵列设计方法,并推导了均匀线阵角度、距离的克拉美罗界(Cramer-Rao Bound,CRB)解析表达式。仿真实验表明,该算法解模糊概率高,定位方法可行,是一种有效的阵列近场定位算法。

基于YOLOv5的复杂信号发现检测与分类

随着无线通信技术的发展,电磁环境变得越来越复杂,各种类型的信号与噪声同时存在于频谱中,这对接收机的信号检测技术提出了更大的挑战。对通信信号的检测是无线对抗过程中非常重要的一环,只有实现对信号的正确检测才能够完成后续的信号识别、参数估计、解调等步骤。信号的发现检测最主要的目的,是通过宽带频谱数据判断是否有信号存在。此外,实际的战场环境下可能同时充斥着跳频、猝发以及定频等信号,不同的信号对应着不同的处理方式。传统算法通常采用的是能量检测的方式,但在信噪比较低的情况下很难区分噪声与信号。而实际情况是可以在时频图中发现信号,并观察出类别。因此,通过对时频瀑布图的特征提取,提出一种基于深度学习的更高精度的信号发现检测和分类方法。

时频图风格迁移跨域降噪调制识别方法研究

信号调制识别在软件无线电中有着重要的应用。低信噪比通信信号识别率低,且改变目标域数据分布会导致降噪效果严重下降,为解决这一问题,提出一种基于时频图风格迁移跨域降噪调制识别模型。先将不同调制信号的短时傅里叶变换作为风格迁移网络的输入进行无监督降噪训练,再把降噪后的时频图送入训练好的残差神经网络进行识别,实现了通信信号调制方式的有效分类。仿真结果表明,该方法在均方误差、峰值信噪比、结构相似度等降噪指标上优于传统的小波软阈值图像降噪方法,在0 dB信噪比下,平均识别率可以达到95.375%。当改变信号相关参数后,信号源域与目标域发生改变,降噪网络依旧表现良好,实现了调制信号的跨域降噪,体现出了该算法较强的泛化性。