接收机畸变对辐射源指纹识别的影响

在辐射源个体识别技术应用中,接收机指纹和发射机指纹相互影响相互耦合,造成辐射源指纹库依赖于特定接收机,无法在不同接收机之间通用。针对此问题,对典型超外差接收机的滤波器、放大器畸变分量对接收信号指纹的影响进行了理论分析与实验验证。理论分析证明发射机和接收机的滤波器、放大器分量对于接收信号整体的畸变影响是等价的;实验中,利用两台超外差接收机对5台发射机进行个体识别测试验证,更换接收机前后,滤波器、放大器特征识别正确率分别从100%、95. 5%降到20%,证明了接收机畸变分量对发射机指纹识别具有严重影响。该研究成果可为后续辐射源个体识别接收机设计以及接收机畸变校正提供理论依据。

信号特征的内涵及适用性研究

在辐射源个体识别以及辐射源目标的盲分选研究中，表征目标属性的信号特征是识别和分选的主要依据。本文从信号的规格特征、发射机特征以及信道特征这三个方面对信号特征的来源以及在辐射源目标识别和分选中的适用性进行了研究。其中，对于信号的规格特征主要从时域特征、频域特征以及调制域特征进行研究：对于发射机特征主要从暂态特征和稳态特征进行研究；对于信道特征主要从信号来波到达方向、脉冲到达时间、多普勒效应、信道多径特征等进行研究。通过对信号特征的来源和适用性分析，为辐射源目标识别和分选的特征选取提供有益的参考。

无监督特征选择算法在盲分选中的应用

特征选择是机器学习中常用的降维方法之一，特征选择结果的好坏直接影响着分类器的分类精度和泛化性能。在描述特征选择算法框架的基础上，分别介绍三种无监督的特征选择算法：基于主成分分析（PCA）的特征选择算法、基于拉普拉斯得分（LS）的特征选择算法及基于谱分析（FSSA）的无监督特征选择算法，并将以上算法应用于目标的盲分选中。对不同信噪比条件下的实际信号，分别利用以上算法对特征进行降维，然后利用挑选出的特征子集对目标进行聚类分选，实验结果表明，基于谱分析的特征选择算法能够得到较高的分选正确率。

利用频移动态特征的辐射源目标盲分选

利用辐射源目标的频移动态特征进行盲分选时,针对已有的分选方法不能很好解决非合作接收数据非周期、间断、交叠的问题,提出了一种改进的逻辑回归分选算法,将信号分选转化为轨迹分类的问题来处理。首先,借鉴多目标航迹起始模型中的M/N逻辑法的框架,设计新的数据关联门限,以建立目标起始曲线;其次,采用最小二乘拟合方法替代卡尔曼滤波,设计新的外推规则,建立载频变化预测曲线;分析新的接收数据与预测曲线的关联性,不断迭代回归或形成新的分支,最后获得目标分选结果。仿真与实测试验表明,利用逻辑回归分选算法,对不同运动目标搭载的同频辐射源可进行自动分选,4个仿真目标与2个真实目标的分选正确率达到100%。同时,该方法拓展了辐射源目标盲分选中的动态频移特征应用,为辐射源个体识别提供了新的支持。

辐射源个体识别测试数据集及性能评估方法

对辐射源个体识别的测试数据集产生方法及辐射源个体识别的性能评估方法进行了研究,提出了基于软件无线电平台的辐射源个体识别测试数据集构建方法,针对辐射源个体识别的正确性、适应性和时效性分别建立对应的性能评估指标体系。