基于高维重频特征的雷达辐射源识别方法

通过提取和利用雷达脉冲间隔高维特征,提出了一种基于决策树的雷达辐射源识别方法。将相邻脉冲间隔所构成的向量作为脉冲的高维特征,以增强不同雷达信号之间的可分性,再利用聚类方法提取脉冲列中的这种特征;然后将该特征构成特征向量,以表现特征的整体性;随后基于该特征向量构建决策树分类模型;最后将学习到的模型用于未知雷达脉冲列的识别。仿真实验验证了新方法在不同数据量和数据噪声场景下相对于传统方法的显著优势。

一种雷达辐射源智能个体识别的方法

针对使用传统的卷积神经网络及低信噪比环境下雷达辐射源智能个体识别研究中识别性能不够的问题,提出了一种基于短时傅里叶变换(STFT)和EfficientNet的雷达辐射源个体识别方法。首先对雷达信号进行短时傅里叶变换,提取时频特征,然后利用EfficientNet中多个MBconv模块对不同时频特征图像的叠加,挖掘出信号图像隐含的更加复杂和抽象的深层次时频特征,包括信号强度的分布、时频模式、周期性变化等,从而完成个体分类识别。EfficientNet可以同时改变网络深度、宽度、图像分辨率3个参数,解决了梯度消失、梯度爆炸等问题。实验结果表明,基于STFT和EfficientNet的雷达辐射源智能个体识别的方法,相比于传统卷积神经网络在低信噪比环境下具有更好的识别性能。

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ConvNeXt模型的雷达辐射源信号识别

针对雷达辐射源信号识别问题,提出一种基于ConvNeXt模型的识别算法。首先,由于不同调制方式的信号在时频域中具有不同的特征,因此将雷达辐射源信号的时频变换结果视为图像,并利用计算机视觉技术进行识别。其次,通过Choi-Williams分布(CWD)变换获得不同调制类型雷达信号的时频图像,对图像进行预处理。最后,使用ConvNeXt模型提取时频特征并识别雷达信号,解决低信噪比和有限样本条件下识别准确率不高的问题。实验表明,ConvNeXt模型具有更强的特征学习表征能力,有效提高16类信号的整体识别率,且对时频特性相近的6类信号(Frank、LFM、P1、P2、P3、P4)的识别精度更高。此外,该算法对小样本具有很好的鲁棒性。

基于双谱三维向量的雷达辐射源个体识别

基于相位噪声造成的辐射源个体差异,提出了一种新的雷达辐射源个体识别算法。该算法以由双谱熵、双谱能量熵以及双谱主成分均值所组成的三维向量为特征向量,以K-均值(K-means)算法为分类器,完成了雷达辐射源个体识别。相比于现在比较主流的使用深度学习模型作为分类器的辐射源个体识别算法,该算法无需繁琐的模型训练步骤也能取得较好的识别效果。仿真结果表明,在信噪比为0 dB时,该算法依然能确保80%的识别正确率,算法性能优越。

基于压缩残差网络的雷达辐射源识别方法研究

针对低信噪比条件下,现有的雷达辐射源信号识别方法存在识别正确率低、时效性差的问题,提出了一种基于压缩残差网络的雷达辐射源信号识别方法。首先,利用Choi-Williams分布的时频分析方法将时域信号转换为二维时频图像;然后,根据应用场景特点,选择卷积神经网络(Convolutional Neural Networks,CNN)“压缩”范围;最后,构建压缩残差网络来自动提取图像特征并完成分类。仿真实验结果表明,在同等体量的设计下,与当前较为常用的标准CNN以及ResNet模型相比,所提模型能够降低信号识别运行时间约88%,在信噪比为-14 dB条件下对14种雷达辐射源信号的平均识别率高约5%。提供了一种高效的雷达辐射源信号智能识别方法,具有潜在的工程应用前景。

基于双路射频指纹卷积神经网络与特征融合的雷达辐射源个体识别

为实现雷达辐射源个体识别不受信号参数、调制方式的影响,该文提出基于双路射频指纹卷积神经网络(Dual RFF-CNN2)和特征融合的雷达辐射源个体识别方法。首先从接收的射频信号中提取原始I/Q(Raw-I/Q)信号;其次分别对Raw-I/Q两路信号进行轴向积分双谱(AIB)和围线积分双谱(SIB)降维以构建双谱积分矩阵;最后将Raw-I/Q信号及双谱积分矩阵共同送入Dual RFF-CNN2网络并进行特征融合以实现雷达辐射源个体识别。实验结果表明,该方法具有较高的识别准确率,提取的“指纹特征”具备稳定性、鲁棒性。

基于改进VMD和TWSVM的雷达辐射源个体识别

为提高雷达辐射源个体在不同信噪比下的识别准确率,提出基于改进VMD和TWSVM的雷达辐射源个体识别方法。首先利用斑马优化算法(ZOA)优化变分模态分解(VMD)过程,找到最优分解参数组合;然后通过奇异值分解对辐射源信号经变分模态分解后得到的各模态分量进行二次特征提取,选取奇异值作为个体特征组成特征向量;最后送入孪生支持向量机(TWSVM)中,完成分类识别。通过线性调频信号的仿真建模实验,初步验证了算法的可行性。再通过5部信号源所采集的实测数据验证,信噪比为15 dB时,识别效果已十分理想,可达94%以上的识别率。

基于非参数模型的雷达辐射源智能识别

针对现代错综复杂电磁环境中辐射源数量增多、脉冲流密度增大等问题,为实现雷达辐射源高精度智能识别,本文提出一种基于非参数模型的雷达辐射源智能识别方法,该方法主要包含辐射源静态聚类、辐射源类代表点选取和面向数据流的增量分选3个关键步骤。与传统聚类分析方法相比,本文采用Dirichlet过程混合模型的聚类思想,可自适应地完成雷达辐射源类别划分。为在降低数据存储压力的同时最大化保留类分布属性表达,首先,建立基于梯度准则的辐射源类代表点选择策略;其次,针对流式数据增量处理的需求,提出基于标签传播的类别推理方法;最后,通过仿真模拟两种场景的雷达辐射源数据,对比7种聚类算法,验证了本文算法具有较好的识别准确率和鲁棒性。

ReliefF算法在雷达辐射源信号识别中的应用

采用小波包变换提取雷达辐射源信号特征能够有效对信号进行识别,然而,由小波包变换提取的信号特征维数高,部分信号特征受噪声污染严重.基于此,采用ReliefF算法对信号特征的分类能力进行评价,选择出小波包中分类能力强的信号特征,再通过特征相关度算法去除分类能力相近的冗余特征,利用剩余的分类能力强的信号特征组成特征向量进行分类.仿真实验结果显示,该方法用较少的信号特征能够获得较高的正确识别率.

一种深度学习的雷达辐射源识别算法

针对传统依靠于人工经验提取雷达辐射源特征方法的不足,提出了一种新颖的基于联合深度时频特征的辐射源识别算法.首先将时域信号变换到二维时频域,并利用随机投影和主成分分析方法分别从维持子空间和能量角度对时频图像降维;接着在预训练阶段,利用无标签的样本信号层级训练深度模型,再根据类别信息精调网络参数;最后,构造了逻辑回归分类来完成识别任务.仿真实验中利用6种辐射源信号验证了提出算法的有效性,结果表明,联合深度特征更加有助于提高识别准确度,算法运行更加高效.

雷达辐射源信号模糊函数主脊切面特征提取方法

提取和补充新的信号参数是解决复杂体制雷达辐射源信号分选难题的有效手段.基于模糊函数在表征信号内在结构上的独特作用,本文提出一种模糊函数主脊切面特征提取的新方法,构建出由主脊方向、切面重心和惯性半径组成的主脊切面特征向量.理论分析和实验结果表明,所提取的特征向量较好地反映了不同信号波形结构上的差异,具有类内聚敛性强和类间分离度大的优点,且具备较好的抗噪性能,证实了所提方法的可行性和有效性.

基于双谱分析的雷达辐射源个体特征提取

针对复杂电磁环境中雷达辐射源特征参数的分选和识别问题,提出将辐射源信号的双谱作为雷达辐射源个体特征,并进一步提出将Walsh变换作为双谱特征优化算法。利用双谱中包含的信号细微信息和双谱受高斯噪声和杂波影响较小等特性,提高雷达辐射源个体特征参数的有效性;针对信号双谱中包含了很多与个体特征无关的冗余信息,不利于机器进行识别处理的缺点,利用Walsh变换对信号的双谱特征进行优化,剔除其中无效、冗余的信息,将变换后的结果作为雷达辐射源个体特征信息。仿真实验结果验证了算法的可行性。

基于联合参数建模的雷达辐射源识别方法

针对现代雷达采用复杂体制造成的不能正确识别辐射源问题,提出一种基于联合参数建模的雷达辐射源识别方法。该算法首先对辐射源进行脉冲等级和统计参数等级的联合建模,然后将联合参数模型用于识别过程中,基于特征参数的不同描述模型构建不同的识别算法,其中特征参数的联合建模思想是本方法的核心。仿真实验表明,本文方法能够实现对复杂体制雷达辐射源的建模和识别。

基于Chirplet原子的雷达辐射源信号特征提取

特征提取是新体制雷达辐射源信号分选识别的关键技术.本文提出一种全新的雷达辐射源信号时频原子特征提取方法.在过完备多尺度Chirplet原子库基础上,采用匹配追踪(MP)方法对信号进行时频原子分解,并通过改进量子遗传算法(IQGA)降低MP搜索过程的时间复杂性,得到表示雷达辐射源信号特征信息的本征Chirplet原子.实验结果表明使用更少量的Chirplet原子可以得到比Gabor原子分解更准确的特征信息,证实了本文方法的可行性和有效性.

基于Choi-Williams时频图像特征的雷达辐射源识别

针对复杂体制雷达辐射源识别,提出一种基于Choi-Williams时频图像的雷达辐射源信号特征提取和识别方法,将信号识别转化为图像识别问题。首先对雷达辐射源信号进行Choi-Williams时频变换,将得到的时频图转化为灰度图像;然后采用一系列图像处理方法对时频图像进行增强和去噪,之后将灰度图像转化为二值图像,并剪切掉不含信号的图像区域;最后分别提取二值图像的中心矩和伪Zernike矩作为识别特征,并采用支持向量机分类器实现信号的分类识别。文中针对8种常见雷达信号识别进行了仿真实验,结果表明在较大的信噪比范围内,该方法能获得较为满意的识别率,其中当信噪比为-3dB时,采用伪Zernike矩特征平均识别率仍能达到92%,验证了所提出方法的有效性。

基于熵特征的雷达辐射源信号识别

针对现有方法识别率低和没有考虑噪声影响的问题,提出一种新的雷达辐射源信号识别方法。将近似熵(ApEn)和范数熵(NoEn)构成特征向量,用神经网络分类器实现自动分类识别。ApEn是定量描述信号复杂性和不规则性的有效测度,NoEn是定量表征信号能量分布的有效参数。理论分析和实验结果表明,熵特征类内聚集性强、类间分离度大,在较大信噪比范围内均能获得非常满意的正确识别率,证实了所提出方法的有效性。

基于时频原子方法的雷达辐射源信号特征提取

针对电子战面临的高密集、信号形式复杂多变的雷达辐射源环境,提出一种全新的雷达辐射源信号特征提取方法。在过完备的时频原子库基础上,采用匹配追踪(MP)方法对信号进行时频原子分解,并通过改进的量子遗传算法(IQGA)降低MP搜索过程的时间复杂性,得到表示雷达辐射源信号特征信息的最佳时频原子,为后期的辐射源信号分选和识别进行特征准备。实验结果证实了该方法的有效性和可行性,所提取的时频原子特征具有一定的抗噪性能。

支持向量机在雷达辐射源信号识别中的应用

为了提高电子对抗设备的信号识别能力，采用相像系数法提取雷达辐射源信号特征，并引入支持向量机完成信号自动分类识别．相像系数法在大信噪比范围内稳定性好、分辨能力强．支持向量机分类器结构简单、可获得全局最优、泛化能力强．实验结果表明，基于相像系数和支持向量机的辐射源信号识别方法在大信噪比（5～20dB）范围内，错误识别率最低可达2．68％，优于传统识别方法．

一种基于时频原子特征的雷达辐射源信号识别方法

提出了一种全新的基于时频原子特征的雷达辐射源信号识别方法.训练阶段,在过完备时频原子库的基础上,以类区分度为度量,提取少数最能区分不同类别信号的时频原子作为一组固定的特征;识别阶段,以原子和信号的内积的绝对值作为分类器的输入特征,采用有监督模糊自适应共振网络进行辐射源的自动识别.对5类典型雷达辐射源信号的实验结果表明,该方法大大减小了识别过程中特征提取的计算量,输入特征具有类内聚集性强、类间区分度大的特点,在信噪比大于3 dB时可以获得高的识别正确率.