Recognition of LPI radar signal based on dual efficient network

Addressing the issue of low pulse identification rates for low probability of intercept(LPI)radar signals under low signal-to-noise ratio(SNR)conditions,this paper aims to investigate a new method in the field of deep learning to recognize modulation types of LPI radar signals efficiently.A novel algorithm combining dual efficient network(DEN)and non-local means(NLM)denoising was proposed for the identification and selection of LPI radar signals.Time-domain signals for 12 radar modulation types were simulated,adding Gaussian white noise at various SNRs to replicate complex electronic countermeasure scenarios.On this basis,the noisy radar signals undergo Choi-Williams distribution(CWD)time-frequency transformation,converting the signals into two-dimensional(2D)time-frequency images(TFIs).The TFIs are then denoised using the NLM algorithm.Finally,the denoised data is fed into the designed DEN for training and testing,with the selection results output through a softmax classifier.Simulation results demonstrate that at an SNR of-8 dB,the algorithm can achieve a recognition accuracy of 97.22%for LPI radar signals,exhibiting excellent performance under low SNR conditions.Comparative demonstrations prove that the DEN has good robustness and generalization performance under conditions of small sample sizes.This research provides a novel and effective solution for further improving the accuracy of identification and selection of LPI radar signals.

基于CNN-Swin Transformer Network的LPI雷达信号识别

针对在低信噪比(SNR)条件下,低截获概率雷达信号调制方式识别准确率低的问题,提出一种基于Transformer和卷积神经网络(CNN)的雷达信号识别方法。首先,引入Swin Transformer模型并在模型前端设计CNN特征提取层构建了CNN+Swin Transformer网络(CSTN),然后利用时频分析获取雷达信号的时频特征,对图像进行预处理后输入CSTN模型进行训练,由网络的底部到顶部不断提取图像更丰富的语义信息,最后通过Softmax分类器对六类不同调制方式信号进行分类识别。仿真实验表明:在SNR为-18 dB时,该方法对六类典型雷达信号的平均识别率达到了94.26%,证明了所提方法的可行性。

LPI雷达信号调制识别及参数估计研究进展

低截获概率(low probability of intercept,LPI)雷达已成为新时代雷达装备中关键的技术体制或工作模式,针对LPI雷达信号调制识别及参数估计方法的研究是当前雷达对抗侦察领域的热点。首先,分析了几种典型LPI雷达信号的脉内特征,梳理了LPI雷达信号调制识别及参数估计的传统和主流方法,并说明其原理、优缺点和研究现状。最后,总结了现有LPI雷达信号调制识别及参数估计方法尚存的问题,并指出其未来发展趋势,旨在为今后的研究提供参考。

基于时频图像和神经网络的LPI雷达信号调制识别

针对LPI雷达信号调制识别问题,提出一种基于时频分析、图像处理和神经网络的LPI雷达信号识别新方法。该方法先对LPI雷达信号进行时频分析,获得时频分布图像,然后利用图像处理的方法对时频图像作预处理,最后再用RBF神经网络对处理后的图像进行识别分类。仿真实验表明,该方法在信噪比高于3dB时,平均正确识别率达到了92%。

基于改进半监督朴素贝叶斯的LPI雷达信号识别

针对先验信息残缺的非合作电子对抗背景下的低截获概率雷达信号识别问题,提出一种基于改进的半监督朴素贝叶斯的识别算法。该算法首先提取出4种低截获概率(low probability of intercept,LPI)雷达信号的双谱对角切片作为识别特征;针对传统的半监督朴素贝叶斯(semi-supervised Na?ve Bayes,SNB)在更新训练样本集过程中会产生迭代错误的不足,利用改进的SNB(Revised SNB,RSNB)算法构建分类器,完成对测试样本的识别。该方法通过在无标记样本集生成的置信度列表中选取置信度较高的样本添加到有标记样本集中,再利用预测后的分类结果对分类器参数(即特征期望向量珡mi和方差向量σi)进行改进,有效解决了传统算法分类精度低且分类性能不稳定等缺点。理论分析和仿真结果表明,在LPI雷达信号识别问题,相比于SNB算法和传统的主成分分析加支持向量机法(principal component analysis-support vector machine,PCA-SVM),该算法具有更高的分类识别率和更好的分类性能。

新一代机载火控LPI雷达回波模拟器设计与实现

低截获概率(LPI)雷达是未来空战的必然选择,其波形设计及有效性验证是LPI技术的核心内容。针对新一代机载火控LPI雷达,产生了几种典型的具有低截获性能的雷达波形,并对其回波信号进行计算机仿真,包括波形的产生、目标回波、环境杂波的建模与仿真等。该雷达回波模拟器可根据上位机的指令,灵活设置雷达回波的各种参数,满足不同背景下LPI雷达回波信号仿真建模与计算机模拟的需求,对于雷达波形的LPI性能评估具有实用性。

LPI雷达信号检测系统设计研究

随着电子对抗技术的不断发展,雷达的生存正经受着越来越严峻的威胁,为了雷达自身生存的需要,发展了低截获概率雷达。本文针对低截获概率雷达在雷达系统中的重要地位和作用,运用Laguerre变换等技术对典型的LPI(low probability of interception)雷达信号即线性调频信号和脉冲压缩信号进行分析,并在分析结论的基础上构建了LPI雷达信号检测系统,仿真结果表明,该检测系统能够对LPI雷达信号进行有效检测。

基于LPI的20国集团物流绩效分析

20国集团作为全球重要的经济体,其物流绩效水平的提高,有利于促进经济体内信息与物资高效运作、物流能力增强及规模扩大,从而带动全球贸易升级。基于物流绩效指数(LPI),运用雷达图分析法研究发现,我国物流发展绩效处于20国集团中等水平;20国集团国家的物流绩效整体水平高于世界平均水平,但集团内处于不同发展阶段的国家之间存在较大差异,发达国家集团物流绩效高于金砖国家集团和新兴市场国家集团,且构成要素发展较为均衡。因此,20国集团国家要充分发挥其平台作用,加强物流合作,带动国际物流高效发展,提升集团内贸易效率,促进全球国际贸易发展。我国需在借鉴国际先进经验的同时,从物流绩效构成要素出发全面提升物流绩效水平,从而进一步发挥在20国集团乃至全球经济中的重要作用。

ARM应对LPI雷达和诱饵的技术研究

论述了低截获概率(LPI)雷达降低反辐射导弹(Anti—Radiation—Missile—ARM)的作用距离和诱饵致ARM失效的原理,并指出诱饵对ARM威胁最大。重点分析了空间谱估计测向分辨雷达与诱饵的原理,进行了仿真,仿真结果证明了这种体制的导引头的可行性和抗诱饵系统功能。

基于混沌映射的新型LPI脉压雷达信号波形设计

提出了一种基于混沌映射的新型低截获脉压雷达信号波形 ,该波形采用了脉间由混沌信号控制码型跳变 ,脉内由m序列调相 ,相邻脉冲采用m序列优选对的低截获波形设计技术。分析了这种雷达信号波形的统计特性及其平均模糊函数并给出了其雷达系统实现。理论分析和仿真结果均表明 ,把m序列良好的相关特性与混沌系统的内在随机性相结合 ,借助混沌信号的初值敏感性 ,可以获得数目巨大的具有优异相关性能的序列集 ,获得的雷达信号波形不仅具备良好的距离速度分辨力 ,还具备很低的截获概率和优异的ECCM性能 ,工程上也易于产生和处理 。

时频图像二维EMD分解在LPI信号识别中的应用

针对LPI信号分类识别问题中,时频图像受噪声干扰严重的问题,提出了一种基于二维快速经验模式分解(FBEMD)的图像降噪算法,并利用该算法实现对LPI信号的分类。首先利用时频分析方法,获得待分类信号的时频分布图像;使用二维EMD分解算法对图像降噪;截取包含时频信息的图像部分,通过主分量分析法提取特征矢量;最后采用RBF神经网络完成信号的分类识别任务。对常见的LPI雷达信号进行仿真,结果表明较低信噪比情况下,该方法仍能获得较好的分类结果。当信噪比为-2 d B时,采用二维EMD降噪算法,平均正确识别率能够达到93%。

隐形雷达LPI性能评估方法探讨

实现雷达LPI性能的途径有:波形设计、能量管理、低旁瓣技术、频谱展宽、相干接收等多个方面。但是,要保证这些LPI技术在战时的有效性,需要建立规范化的评估体系对其性能进行评估。分析了雷达电子战对抗双方中雷达与ESM的博弈规律,并以ESM当前技术水平为依据,提出了针对隐身雷达LPI评估方法,旨在规范日趋复杂的电子环境中雷达抗截获/抗识别的技术发展途径。

基于MIMO体制的雷达LPI性能分析和应用

多输入多输出(MIMO,multiple-input multiple-out)系统在发射端和接收端均采用了多天线技术,利用间隔一定距离的阵元信号之间的独立性和目标闪烁特性提高探测的性能。在介绍MI-MO原理的基础上,分析了将MIMO技术应用于实现低截获概率(LPI,low probability of intercept)雷达辐射功率的有效控制,以提高雷达的作战性能和战场生存能力。

功率管理对LPI雷达低截获性的影响

从实现低截获概率特性和防止非合作截获接收机侦获的角度出发,低截获概率(LPI)雷达分别从时域、频域、空域和能量域对雷达设计进行重新思考,拥有了与传统脉冲体制雷达截然不同的设计特点。从功率管理的角度对LPI雷达的低截获特性进行了深入的研究。结合典型场景构建,得出了LPI雷达的低截获特性对场景和截获接收机的灵敏度具有很强依赖性的事实。

LPI雷达信号脉内调制识别

针对低截获概率(LPI)雷达信号的识别问题,提出了一种基于自适应分解和多重相位差分的识别方法。该方法首先在自适应分解的基础上,提取调频率和分量能量之比作为分类特征。然后,基于多重相位差分,提取变换后信号的前后段均值比和拟合曲线斜率作为分类特征,完成了LPI雷达信号的完整分类。仿真实验结果表明,该方法无需先验信息,抗噪性好,识别正确率高。

LPI雷达无源定位暴露区评估方法

为了解决机载雷达LPI性能无法定量评估的问题,提出了无源定位暴露区的概念。首先建立了无源定位暴露区的数学模型,其次推导了机载雷达在采取不同LPI措施下的无源定位暴露区,最后通过仿真实验,对比分析了机载雷达采取LPI措施前后,无源定位暴露区的缩减情况。仿真结果表明机载雷达采取低副瓣天线、功率控制以及LPI波形后,无源定位暴露区可缩减30%以上,可有效降低被多站无源定位的概率。

基于DAE-GAN网络的LPI雷达信号增强

针对非合作侦察接收机只在降噪后才能开展后续检测识别工作的问题,结合降噪自编码器和生成对抗网络的优势,构建噪声增强网络与信号增强网络进行对抗训练。噪声增强网络往带噪信号中掺杂更复杂的噪声分量,信号增强网络则是尽可能地降低带噪信号中的噪声分量。二者在对抗训练的过程中,噪声增强网络生成复杂高维噪声的能力和信号增强网络降噪的能力都在提升。训练结束后,信号增强网络具备更好的降噪性能,为后续检测识别工作降低难度。

基于SE-ResNeXt网络的低信噪比LPI雷达辐射源信号识别

针对低信噪比(signal to noise ratio,SNR)低截获概率(low probability of intercept,LPI)雷达脉内波形识别准确率低的问题,提出一种基于时频分析、压缩激励(squeeze excitation,SE)和ResNeXt网络的雷达辐射源信号识别方法。首先通过Choi-Williams分布(Choi-Williams distribution,CWD)获得雷达时域信号的二维时频图像(time-frequency image,TFI);然后进行TFI预处理降低噪声干扰和频率维的位置分布差异,以适应深度学习网络输入;最后在ResNeXt基础上加入扩张卷积和SE结构提取TFI特征,实现雷达辐射源分类。实验结果表明,SNR低至-8 dB时,该方法对12类常见LPI雷达波形的整体识别准确率依然能达到98.08%。

基于PSO-CNN的LPI雷达波形识别算法

低截获概率(low probability of intercept,LPI)雷达作为一种具有强抗干扰能力及低截获特性的新型雷达,对其精准高效识别已成为雷达对抗一方波形识别的难点。针对该方向主流分类器卷积神经网络(convolution neural network,CNN)的结构智能寻优问题,提出一种基于粒子群优化(particle swarm optimization,PSO)算法-CNN的波形识别算法。该算法利用PSO的寻优特性,可实现较大范围内自动搭建不定层数、不定层类别及层内参数的CNN结构并进行迭代寻优;采用识别精度及网络复杂度相结合的衡量指标,可根据需求调整两者比重以实现对精度与轻量性的选择。该算法获取的CNN结构实现了比9种经典CNN结构更好的LPI雷达波形识别效果,同时避免了波形识别时人工选定CNN超参数缺乏智能性、客观性的问题,提高了选用CNN结构的适配性及高效性。

低截获概率(LPI)雷达的发展

论述了发展LPI雷达的几个基本问题。首先分析了雷达截获性能与目标特性、雷达特性和侦察接收机的关系 ,对现有几种有代表性的雷达分析了截获距离 ,并讨论了LPI措施及其得益 ,提出了LPI措施的反侦察“效益门限”的概念 ,并分析了扩谱的LPI得益 ,最后阐明了LPI雷达是雷达体制的重大变革 ,提出了分二步走的发展战略。