基于PDW多特征融合的辐射源信号分选方法

针对现有辐射源信号分选技术混叠信号处理困难、分选精度不高的问题,提出了一种针对脉冲信号描述字的多特征融合分选方法,采用分治思想,具备两级分选架构。第一步通过构建时空密度聚类模型,分离出在时频域上混叠的辐射源信号;第二步通过多参数交并比方法,进一步提升算法精度。与传统方法相比,所提方法能够有效分选出时频域混叠脉冲序列,受辐射源脉冲重复间隔变化造成的影响较小,相比传统方法具有更高的准确性。

基于改进扩展关联法的雷达辐射源信号分选算法

针对传统扩展关联分选法在分选时效率低、对复杂调制PRI信号分选性能差的问题,提出了一种基于扩展关联分选的改进算法。基于脉冲位置相关性建立对应三维向量矩阵,提高提取准PRI的准确性,同时提出"分步逐级"的策略,从而确保复杂调制PRI信号的分选性能。仿真结果表明该算法具有可行性,分选性能相较于传统基于PRI分选的方法有很大的提高。

探究基于脉内特征的雷达辐射源信号分选技术

雷达信号的分选在电子环境的日益复杂之下,已经愈来愈困难。针对这一问题,本文提出一种根据时频原子特征来对雷达辐射源信号信号进行分选的技术。这种分选技术是依据欧式距离准则进行的,同时采用杂草算法,将一些可分性比较好的原子进行挑选出来,将其与信号做内积,作为信号分选的特征值,并利用FCM聚类算法完成其的聚类。

基于卷积自编码器的非合作雷达辐射源信号分选

雷达辐射源信号分选是现代学者研究的热门领域,在现代雷达发射的信号中,经常有意加入一些参数抖动使雷达具有更好的抗干扰性能,同时对非合作雷达辐射源而言,在现实中其信号标签难以提前获取,这二者都会给信号分选带来影响。针对上述问题,本文提出一种结合基于深度学习的特征提取与聚类算法完成信号分选的思路。卷积自编码器是常见的深度学习特征提取网络,其提取的特征可以表达图像的高维特性,可分性更强。同时密度聚类算法(DBSCAN)算法适合特征空间中分布连续的样本,而本文所处理的辐射源信号因为扰动的连续性,其特征也在高维空间连续,因此适合使用密度聚类算法。综上本文选用卷积自编码器提取特征加DBSCAN算法完成聚类。仿真结果表明,本文所提算法在聚类外部评价指标作为评价指标下表现更好。

雷达辐射源信号聚类分选算法

基于脉内特征参数的聚类是实现雷达辐射源信号分选的一种重要途径。本文在小波域滤波算法的基础上提出一种新的雷达辐射源信号脉内特征提取和聚类分选方法,将小波变换后的低频逼近小波系数的能量分布熵与经过尺度相关去噪计算后反映信号边缘的高频细节小波系数能量分布熵作为分选的脉内特征向量,并引入灰关联测度来衡量脉内特征样本之间的相似程度,实现雷达辐射源信号的聚类分选。通过对10种不同雷达辐射源信号的仿真实验分析表明:提取的样本特征在低信噪比(0dB)下具有很好的抗噪性。同时与FCM聚类相比,基于灰关联测度的层次聚类算法具有更高的分类正确率。