基于弱化与增强网络的雷达信号识别

针对传统方法在低信噪比情况下雷达信号特征提取困难、识别准确率较低的问题,提出了一种基于时频分析和深度学习的雷达信号识别方法。首先利用Choi-Williams分布将时域信号转换成时频图像,然后将时频图像作为网络的输入,通过弱化与增强残差块来实现对时频图像中噪声信息的弱化以及不同特征形态间差异性的增强,最终实现分类识别。实验结果表明,在信噪比为-10 dB情况下平均识别准确率仍能达到94.5%以上。

基于深度残差收缩注意力网络的雷达信号识别方法

针对低信噪比条件下雷达信号识别率低,以及分类网络不具备识别样本库新添加信号类型的局限,提出了一种基于深度残差收缩注意力网络的雷达信号识别方法。通过网络将一维雷达信号映射到32维向量空间。网络中的残差连接能有效强化特征的传播能力,解决网络过深无法训练的问题;注意力机制的引入,不仅构建掩码支路充当主干支路的特征选择器,还能够帮助网络自适应地选择合适的阈值进行软阈值化,从而减少网络中噪声或者冗余信息的影响,提高网络对噪声的鲁棒性。训练过程中排序表损失(ranked list loss,RLL)和分类损失函数共同指导网络训练。RLL能够有效克服传统度量学习损失函数忽略类内特征的问题,分类损失函数能够弥补度量损失优化下对样本整体分布不敏感的问题。实验表明,该方法在提高低信噪比雷达信号识别准确率的同时仍具有识别样本库新添加信号类型的能力。

一种基于扩张残差网络的雷达信号识别方法

针对低信噪比(SNR)条件下雷达信号识别率低的问题,提出一种基于多时频图像融合和扩张残差网络的识别方法。首先,通过多种时频分析方法,将雷达信号变换为不同的时频图,并对这些时频图进行融合和处理。然后,构建一种新网络模型,将扩张残差网络与特征融合提取模块相结合,对10类雷达信号进行识别。仿真结果表明,当SNR为-6 dB时,所提方法对10类雷达信号整体识别准确率达到98.7%。

基于自相关积分循环谱的复合调制雷达信号识别方法

为解决传统识别方法对复合调制的雷达信号识别率低的问题,文中提出了一种基于循环谱积分特征的识别方法。首先,将计算循环谱的傅里叶累积方法转换到自相关域,降低了噪声的干扰;其次,通过引入轴线积分的方法实现了将二维循环谱矩阵在保留主要信息的基础上降维为一维特征向量,消除冗余数据;最后,利用支持向量机实现了雷达信号的识别。实验表明,本方法在信噪比不小于-2 dB情况下,可保证对7种不同调制的雷达信号识别准确率在90%以上,且与其他识别方法相比在低信噪比条件下对雷达信号的识别率提升显著,尤其是对相位调制信号的识别。本方法将时域特征拓展到自相关域,便于实现,对信号识别方法提供了新思路。

半监督条件下基于朴素贝叶斯和Choi-Williams时频分布能量积累的雷达信号识别

针对非合作电子侦察雷达信号识别中先验信息残缺的问题,该文提出一种基于Choi-Williams时频分布(CWD)的改进半监督朴素贝叶斯的识别算法(ISNB)。首先对CWD进行降噪预处理,然后通过计算降噪后CWD不同时间下各频率采样值的积累量,从而得到CWD的能量积累量这一新特征;针对传统的半监督朴素贝叶斯(SNB)在更新训练样本集过程中会产生迭代错误的不足,通过在无标签样本集生成的置信度列表中选取置信度高的样本添加到有标签样本集中,再利用预测后的分类结果对分类器参数进行改进,进而构建改进的SNB分类器,有效解决了传统SNB算法分类精度低且分类性能不稳定的缺点。理论分析和仿真结果表明,所提方法相比于传统SNB算法均提高了3%左右;在相同信噪比下,相比于传统的主成分分析加支持向量机法,该算法具有更高的分类识别率和更好的分类性能。

基于模糊函数SVD和改进S3VM的雷达信号识别

为提升在日趋复杂的电子对抗环境中对雷达信号识别的准确率,提出了一种基于启发式采样搜索(Heuristic Sampling Search,HSS)改进S3VM的雷达辐射源信号识别算法。根据模糊函数理论,通过对雷达信号的模糊函数进行奇异值分解(SVD),提取出奇异向量作为雷达信号识别的特征参数;针对传统的半监督支持向量机(Semi-supervised SVM,S3VM)的不足,利用改进的S3VM构建分类器对雷达信号进行分类,完成对测试样本的识别。该方法通过启发式采样搜索来寻求具有代表性的多个大边缘低密度的分类决策面,有效解决传统S3VM分类精度低且分类性能不稳定等缺点。实验结果表明,在雷达信号识别中,该算法明显提高了分类准确率。

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1dB时,平均识别率能达到95%以上。

基于时频图像处理提取瞬时频率的雷达信号识别

时频图像可以刻画雷达信号的脉内调制方式,但是直接利用时频图像识别信号存在特征维数高,受噪声影响大等缺点。针对雷达信号识别问题,提出了一种利用Choi-Williams时频图像处理提取信号瞬时频率特征的识别方法。该方法从信号的时频分布出发,将信号的时频分布看成灰度图像,利用一系列形态学图像处理方法对图像进行降噪,提取时频图像中行索引信息作为信号的瞬时频率特征用于信号识别。仿真结果表明,通过图像处理方法提取的特征在低信噪比下具有很好的稳定性,在信噪比大于0dB时对7种典型的雷达信号识别率均超过90%,与现有方法相比,在低信噪比下就有更好的识别效果。

多相码雷达信号识别与参数估计

该文研究了多相码雷达信号的识别与参数估计。首先估计接收信号的码元宽度,利用多相码信号的时宽和码元宽度已知的条件下可以确定相位调制规律的特点,构造本地参考信号;把该参考信号与接收信号共轭相乘,当本地参考信号与接收信号的调制方式一致时共轭相乘的结果是正弦波,利用这个性质进行调制方式识别;估计该正弦波的频率作为载频估计;最后分析了存在同步误差时的频谱结构。仿真结果显示本算法可以在低信噪比条件下对多相码信号进行识别,并得到载频和码元宽度的精确估计值。

基于时频图像三维熵特征的雷达信号识别

针对雷达信号识别算法存在着准确率低以及抗噪性差的问题,提出基于时频图像三维熵特征的雷达信号识别算法。该方法对雷达信号时频变换后得到的时频灰度图提取其香农熵(Sh En)、奇异谱熵(Ss En)和范数熵(No En),并将三维熵值作为信号识别的特征向量,采用支持向量机实现信号的分类识别。仿真实验表明,提出的算法能够在低信噪比下得到较高的正确识别率。

雷达信号识别中一种基于熵权的特征权重确定方法

雷达信号的识别需要依据信号的特征,而不同的特征在识别中给出不同的信息量。利用熵权的概念来描述雷达信号的特征权重。

基于知识蒸馏与注意力图的雷达信号识别方法

针对传统雷达信号识别方法无法有效进行识别类型扩展问题,该文提出一种基于知识蒸馏与注意力图的雷达信号识别方法。首先将雷达信号的平滑伪Wigner-Ville分布(SPWVD)作为输入;然后设计了基于残差网络的增量学习网络结构,利用基于知识蒸馏与注意力图的损失函数,缓解类别增量过程中的灾难性遗忘;最后采用基于样本特征均值距离的方法对数据集进行管理,有效降低存储资源占用空间。实验表明,该方法能在存储资源有限的情况下,对扩展分类的信号快速完成训练,且对原有分类和扩展分类信号均有良好的识别准确率。

基于三维熵特征的雷达信号识别

针对低信噪比下雷达信号难于识别的问题,提出了基于三维熵特征的雷达信号识别算法。通过提取不同雷达信号的香农熵、指数熵、奇异谱熵特征,利用神经网络分类器,达到对雷达信号进行识别的目的。仿真结果表明,基于三维熵特征的雷达信号识别算法具有较好的抗噪性能,即使在较低的信噪比下,仍具有较好的类内聚集度和类间分离度,可以实现低信噪比对不同的雷达信号进行识别的目的。

灰色关联分析法在常规脉冲雷达信号识别中的运用

在雷达对抗侦察过程中,雷达对抗侦察设备接收雷达信号的各参数容易受各种因素的干扰,影响系统对信号的识别。针对这种情况,提出了一种基于灰色关联分析法的常规脉冲雷达信号识别方法。该方法通过对满足一定容差要求但不与已知雷达信号完全匹配的侦收信号进行关联分析,计算并得出侦收信号与各相似雷达信号的灰色关联度,为进一步目标识别提供依据。

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。

基于卷积网络和对抗式学习的雷达信号识别算法

针对雷达信号识别中因新信号数据与训练数据的样本差异,导致卷积网络模型识别率下降的问题,提出一种基于卷积网络和对抗学习的雷达信号识别算法,提升模型对新样本的识别率。首先,依据时频变换理论,变换得到雷达信号时域-频域能量分布图像,以表征信号脉内调制特征;然后,结合深度可分离卷积的结构,构建卷积网络模型,并利用样本数据对模型进行预训练;最后,融合生成对抗网络的思想,网络模型采用对抗学习方式,根据输入新样本数据自适应调整、更新网络各层参数,提升模型对新样本特征提取能力。仿真结果表明,-4dB信噪比样本识别率由79.78%提升到90.67%,-2dB信噪比样本识别率由83.15%提升到91.00%,验证了算法的有效性。

带有低通滤波的广义S变换在雷达信号识别中的应用

调制后的雷达信号带有一种时变信号特性,针对这一特性,本文将广义S变换应用到雷达信号识别中。本文使用该变换对雷达信号进行了仿真分析,给出了仿真结果。

一种折叠聚类的威胁雷达信号识别方法

威胁雷达信号的分选识别是雷达对抗侦察系统的重要任务,是影响对抗成败的因素之一。针对雷达数量大幅增加、信号调制样式多样、信号密度越来越高的复杂电磁环境,提出了一种TOA折叠聚类的威胁雷达信号识别方法。该方法首先对截获的脉冲流进行TOA折叠分选,然后用DBSCAN聚类算法提取数据,最后进行威胁雷达信号模板匹配识别。仿真结果表明,该方法在复杂环境下能够分选出目标雷达信号,对复杂体制的雷达信号适应能力强。

特征参数匹配法在雷达信号识别中的应用

概述了模板匹配法、模糊匹配法及灰关联分析法,以了解特征参数匹配法的优缺点。重点对灰关联分析法中分辨系数取值和权重值的确定问题进行分析,并提出改进的灰关联分析法。该方法首先对原始数据规范化处理,综合了序列取值法和自适应动态取值法对灰关联分析法进行改进。仿真证明改进的灰关联分析法能够对有误差的和参数缺省的雷达信号进行较好处理,对雷达信号识别更具有实时性,能够提高分析结果分辨率。