基于改进Fuzzy ART的自适应雷达信号分选

侦察接收机对获取的辐射源波形去交织以分离不同信号,称为信号分选,是电磁频谱战系统的核心技术.复杂电磁环境下脉冲流密度大、时域波形及诸域特征严重交叠,导致多数基于无监督模型的信号分选方法难以胜任.提出一种可自适应调整警戒阈值的模糊自适应共振理论(AVT fuzzy ART)聚类算法,基于对属性差异敏感的曼哈顿距离自适应调整警戒阈值,依据在线累积数据得出的辐射源瞬态聚类概率对警戒阈值动态加权.仿真结果表明,该方法能在无历史先验信息的条件下胜任多类别辐射源信号去交错.

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。

基于极大似然估计的非理想场景雷达信号分选算法

目前,已有研究针对理想条件下的雷达脉冲信号分选问题进行了详细阐述,但是缺乏杂散脉冲和缺失脉冲两种非理想情景下的模型表征。为解决这一问题,提出了一种基于极大似然估计的非理想场景雷达信号分选算法。该算法通过修正似然因子来表征杂散脉冲和缺失脉冲现象,提高在复杂场景下的分选准确率。当部分雷达先验信息已知时,所提算法模型具有更好的分选效果。仿真实验结果表明,与已有的极大似然模型和深度学习算法相比,所提算法在分选准确率上有显著提升,具有较高的应用价值。

用于雷达信号分选的K中位最近邻聚类算法

在处理雷达信号时,基于密度的空间聚类(Density-based spatial clustering of applications with noise,DBSCAN)分选算法依赖于参数或阈值的选取,影响分选的准确率。为此提出了一种改进的雷达信号脉冲分选算法,在DBSCAN聚类基础上结合了K中位最近邻(K-median nearest neighbor,KMNN)算法,通过引入自衰减系数并设置阈值上限对参数值列表进行二次处理,可以自适应根据聚类结果与不同参数时的K值之间的关系确定最优的邻域半径和最少点个数,提高了分选的正确率。通过仿真实验验证了算法利用雷达脉冲描述字特征进行自适应分选的有效性。

基于多帧多级处理的雷达信号分选方法

在愈发复杂的电磁环境的情况下,对于未知脉冲分选利用现有统计方法和聚类等智能方法时间复杂度过高,无法满足实时性要求。利用分段处理可以优化统计法运算速度,但会导致无法对低重频信号进行有效分选。针对上述问题,提出了一种基于多帧多级处理的雷达信号分选方法,能够大幅度降低运算时间且保留对低重频信号分选的能力。在处理过程中,将很长的脉冲流进行多帧多级处理,通过多帧处理减小分选的时间复杂度,通过多级处理消除多帧处理对低重频信号的分选结果造成的影响。最后对每帧的分选结果进行合批处理。该方法在相同数据集相比传统分选模型,以每帧200个脉冲进行实验,在不损失低重频信号分选准确率的情况下运算时间减少为原来的0.06倍,对比传统分段处理,低重频信号的漏分选率由77%降低至4%。相对现有分选算法,多帧多级处理分选效果较好,具有一定实际应用意义。

基于深度分割的端到端雷达信号分选

针对传统的雷达信号分选方法严重依赖预置参数、先验信息和结构不灵活的问题,提出一种基于深度分割的端到端雷达信号分选方法。首先将采集到的脉冲描述字映射成脉冲序列图像,同时保留像素点对脉冲的索引;然后利用训练好的深度分割模型U-Net对脉冲序列图像分割获得像素点分类结果;最后根据像素点索引和像素点分类结果对所有脉冲进行搜索归类,整个过程采用端到端形式。实验表明,该方法能够加强对捷变参数的分选能力,如频率捷变雷达、脉组捷变频等雷达参数,以及对时频域混叠、脉冲丢失严重等未知电磁环境中信号的分选能力。

基于PRI变换快速雷达信号分选方法

脉冲重复间隔(Pulse Repetition Interval, PRI)变换法对典型雷达信号分选效果良好,但运算量大的缺点使其难以在复杂电磁环境下实现实时信号分选处理,因而制约其广泛应用。基于PRI变换法原理和运算复杂度模型,提出了PRI谱高次谐波抑制和压缩PRI谱分辨率两种方法,对PRI变换法关键步骤进行优化,提升处理速度。仿真了6种典型重频类型雷达信号脉冲数据进行分选效果验证,结果表明所提方法能适应多种重频类型和复杂电磁环境信号分选,处理速度提升达几倍至几十倍,可明显提高PRI变换法的工程应用能力。

一种基于改进谱聚类的雷达信号分选算法

针对雷达信号分选中辐射源数目不确定、脉冲数据分布形式复杂、对噪声影响敏感等问题,提出了一种基于改进谱聚类联合数据场理论的聚类分选算法。该算法首先利用数据场理论对数据进行预处理,根据势值大小实现干扰点的去除,并利用势心的数目确定初始聚类数,然后再利用网格密度划分得到合理的地标点,最后再基于地标稀疏表示的谱聚类算法完成聚类分选。通过设置两组类型不同的脉冲信号数据进行仿真实验,分选正确率均达到95%以上,验证了该算法具有较高准确率和鲁棒性。

基于Transformer的雷达信号分选方法

针对传统雷达信号分选技术在复杂电磁环境下分选效果不佳、不够灵活且对复杂调制雷达信号适应性差等问题,提出一种基于Transformer的雷达信号分选方法。该方法通过将训练集中脉冲描述字的多个参数输入到Transformer网络中,经过位置编码捕获脉冲描述字序列中每个参数的位置信息,再利用网络的多头注意力机制来加强学习数据特征的内部相关性,最后通过归一化指数函数完成对脉冲描述字序列的分选。经过多次训练迭代,使用训练好的模型进行实验,结果表明该方法对复杂电磁环境下的信号能够进行有效分选。

基于快速支持向量聚类和相似熵的多参雷达信号分选方法

该文针对现有聚类算法在雷达信号分选应用中复杂度高,准确性低的问题,研究了一种基于锥面簇分配的支持向量聚类算法,该算法在数据空间进行簇分配,避免了特征空间中计算邻接矩阵带来的高复杂度问题。该文将此算法引入雷达信号分选中,并在此基础上对其进行改进,使改进后的算法能对异常值做进一步处理,以达到缩短消耗时间的同时提高正确率的目的。同时以信息熵的理论描述类内聚集度和类间分离度,应用相似熵指标验证分选效果的有效性。仿真结果表明,该方法在提高分选正确率的同时可以有效降低计算复杂度。

现代雷达信号分选跟踪的几种方法

随着现代软件无线电技术的飞速发展,战场电磁信号环境从地面、空中、海上到太空,信号密度大,频谱宽,变换复杂,并且多功能数字雷达的多种工作方式和多种波形变换,雷达反侦察、抗干扰能力不断增强,传统的雷达信号分选跟踪方法面临着严峻的挑战。文中分析了几种传统的信号分选方法,从复杂电磁环境信号中,分析盲信号分选、聚类神经网络分选、脉内细微特性分选法,从信号分选的参数上进行多参数联合分选,并且通过多信号模拟器进行实验仿真,在分选的基础上进行跟踪处理,信号参数稳定、效果良好。

一种基于改进DBSCAN的雷达信号分选算法

针对传统DBSCAN算法参数设置依靠人工经验的不可靠性,并且对非均匀数据聚类效果差的问题,基于云模型(Cloud Model)提出了一种CMDBSCAN算法,算法首先结合距离曲线倾角突变的特点自适应获得邻域半径,并根据雷达信号分布密度设置聚类密度点数阈值,可实现DBSCAN算法自适应运行;同时结合多维云模型理论,对DBSCAN算法分选结果进行有效性评估,利用判定结果进一步优化参数设置。根据仿真模拟的复杂对抗过程中帧收的雷达信号进行实验,证明该算法可实现非均匀雷达信号的自适应分选,同时可有效避免在多功能雷达信号分选中的“增批”问题。

基于PRI谱的双门限雷达信号分选算法及其硬件平台设计

针对修正的PRI变换法无法分选重频参差雷达信号的缺点,提出了一种基于PRI谱的双门限雷达信号分选算法。该算法先对PRI谱设定双门限检测各个准PRI,再结合组合查看及序列搜索提取各个PRI。同时,构建了一种预分选、主分选结合的新型分选平台。预分选利用带有PowerPC的FPGA构架片上系统,完成对脉冲雷达信号的实时测量、AOA分类及数据存储;主分选采用DSP专职完成其他维参数的分选算法。该分选新算法在保留抑制PRI子谐波优点的同时,对重频固定、抖动和参差的雷达脉冲信号都有较好的检测结果。视频信号源的大量测试表明,该分选平台对普通雷达、PRI抖动和参差雷达、频率捷变雷达及一些特殊雷达均具有较好的分选能力。

基于模糊聚类的雷达信号分选

为克服传统信号分选算法的局限性,采用了基于模糊聚类分析的雷达脉冲信号分选方法。首先介绍了模糊聚类的基本原理和具体步骤,利用熵权法对不同雷达信号特征参数增加了加权系数,其次建立了有效性评价模型来确定最佳聚类,并进行了信号分选仿真实验。利用该方法进行模糊聚类时无需设置阈值,仿真结果证明分选方法的正确性,验证了此方法的有效性和可行性。该方法能够处理多个雷达脉冲信号,是一种解决多脉冲信号分选问题的新途径。

基于相参特性的雷达信号分选中“增批”问题研究

一部雷达可以在不同时间段内大范围跨波段工作,基于现行信号分选方法,常出现"增批"问题。利用信号相参特性,基于雷达本振初相不变性原理,提出求和曲线斜率判别法,对同一辐射源和不同辐射源信号进行分选仿真,并进行了误差分析。仿真结果表明,方法能够解决信号分选过程中的"增批"问题,当信噪比高于5 dB,并且测频误差在小于200 kHz时,分选准确率可以达到98%以上。

数据场和K-Means算法融合的雷达信号分选

雷达辐射源信号分选是电子情报侦察的关键环节,其中未知雷达的信号分选一直是分选中的难题。针对传统K-Means聚类算法对初始聚类中心敏感、需要事先确定初始聚类数目的缺点,将数据场算法引入到雷达信号分选,并将其与K-Means聚类算法相结合,提出了一种融合算法,该算法不需要雷达信号的先验知识,适用于处理未知雷达信号。通过仿真实验验证所提出的融合算法分选准确率较高,为雷达信号分选提供了新的思路。

一种基于层次划分聚类的雷达信号分选算法

近年来,聚类分析在雷达信号分选领域中得到了大量的关注。大部分算法聚类数需要事先人为设定,为了解决这一问题,将基于层次划分的聚类算法应用到雷达信号分选当中。该算法通过数据各个维度的差与对应阈值的比较进行分类,并提出一种基于"点对"的平均距离的评价指标来确定最佳聚类,无需人为设定聚类数,可实现自动聚类。仿真实验表明,此算法对参数固定和参数变化的雷达都具有良好的分选能力,分选准确率较高。

一种新的k-means聚类雷达信号分选算法

针对传统k-means聚类算法在雷达信号分选中应用存在的不足,提出了一种基于数据场和灰关联分析的k-means聚类雷达信号分选算法。该算法首先根据数据场理论计算所有数据样本的势值,寻找局域势值最大值,选取距最大值最近的样本数据作为初始聚类中心,局域势值最大值个数作为聚类数目;然后用灰关联度代替欧式距离来判断数据样本间相似性。该算法能够自动获取初始聚类中心和聚类数目,对频率捷变雷达具有较好的分选效果。仿真结果验证了算法的可行性。

基于改进K-均值算法的未知雷达信号分选

针对K-均值算法需要事先确定聚类的数目,无法适用于未知雷达信号分选的问题,通过引入脉冲间欧几里德距离和距离阈值TMS2812,完成聚类数目和聚类中心的自动选取,给出一个K-均值的改进算法,改进后的算法既收敛速度快,易于工程化实现,又可自动确定聚类数目和聚类中心。仿真实验表明,该改进算法提高了K-均值算法的适用范围,能够有效适应于未知雷达信号的分选。

基于蚁群算法的K-Means聚类雷达信号分选算法

在现代战争中随着新体制雷达的不断涌现,电磁环境变得越来越复杂,这就对雷达信号分选提出了新的挑战。目前普遍采用的基于直方图统计的信号分选方法越来越不适应现代雷达信号环境。文中将聚类分析技术引入到雷达信号分选中,将蚁群算法和K-Means相结合,互相弥补不足,提出了一种新的雷达信号分选方法,该方法易编程实现,不需要雷达信号的先验知识,适用于处理未知信号的雷达。仿真实验证明分选结果较理想,为雷达信号分选提供了新的思路。