基于一维卷积循环神经网络的雷达辐射源信号识别

针对人工提取雷达辐射源信号特征不完备、时效性低等问题,提出一种基于一维卷积神经网络和双向门控循环单元的识别方法.首先,提取信号的模糊函数主脊并进行去噪处理;其次,利用一维卷积神经网络学习模糊函数主脊的内在抽象特征;然后引入双向门控循环单元对一维卷积神经网络提取到的特征进行再处理;最后,将特征映射到特征空间并通过Softmax分类器进行分类识别.实验结果表明,该方法在信噪比为0 dB时能保持99.67%的识别率,即使在-6 dB环境中识别率仍能达到90%左右,证实了该方法的有效性和在低信噪比下的稳定性.

基于优势遗传的模糊函数主脊切面智能搜索方法

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,模糊函数主脊切面特征是众多新特征参数中较为可行的特征之一.为更快速地搜索信号的模糊函数主脊切面,文章构建了一种优势遗传搜索的智能算法,并采用统计假设检验理论对数据进行分析和检验.实验结果表明,所提方法可使模糊函数主脊切面的平均搜索耗时降低为原方法的28.6%,且能以较高的概率成功搜索到精度更高的切面特征,证实了所提方法的有效性和可行性.

模糊函数主脊切面特征提取的粒子群优化方法

模糊函数主脊切面能较为完整地描述雷达辐射源信号的结构信息,其特征参数可作为信号分选经典五参数的有效补充。但搜索信号模糊函数主脊切面的计算量较大,不利于雷达信号的实时分选。提出一种模糊函数主脊切面特征快速提取的改进粒子群优化方法,该方法通过均匀初始化策略、随机惯性权重与自然选择等技术,有效避免了算法陷入局部最优并显著提高收敛速度。实验结果表明,所提方法能可靠地工作在SNR不低于6dB的情况下,在显著提高搜索速度的同时还可获得更为精确的模糊函数主脊切面,进一步证实了方法的可行性和有效性。

宽带系统中线性调频信号的目标参量估计

在宽带系统中,线性调频信号的模糊度函数不仅在时延和多普勒频移具有耦合性,而且其宽带模糊度函数的脊线已经不是简单的直线,使得进行目标参量估计变得复杂。系统地研究了高斯包络的线性调频信号的宽带、窄带模糊度函数,并应用其脊线之间的联系给出了两种简单的估计目标速度的修正方法,最后进行了充分的仿真,结果表明:这两种方法都可以有效的降低估计误差,提高精度。

模糊函数主脊切面特征提取的灰狼优化方法

模糊函数主脊切面特征是解决复杂体制雷达辐射源信号分选难题的有效特征之一,快速准确地提取出模糊函数主脊切面是提高模糊函数主脊切面特征实际工程应用价值的重要方面。为此,构建了一种新的自适应灰狼算法来搜索六种典型复杂体制雷达辐射源信号的模糊函数主脊切面,并与新近提出的两种智能搜索方法进行比较。实验结果表明,与基于优势遗传的GA和改进PSO搜索方法相比,所提方法在平均计算耗时、搜索精度和抗噪性能方面均有明显提升,证实了所提方法的可行性和有效性。

基于模糊函数主脊切片和深度置信网络的雷达辐射源信号识别

雷达辐射源信号识别是电子侦察系统的关键组成部分,为了提高低信噪比条件下对低截获概率雷达信号识别的准确率,提出了一种基于模糊函数主脊切片(MRSAF)与深度置信网络(DBN)的雷达辐射源信号识别方法。首先对雷达信号进行奇异值分解(SVD)进行降噪预处理,求解雷达信号的模糊函数并提取其主脊切片包络,采用奇异值分解方法降低噪声对主脊切片包络的影响,然后建立基于受限波尔兹曼机的DBN模型并运用标签数据有监督微调模型参数完成训练,最后基于该算法模型实现辐射源信号的分类和识别。仿真结果表明:该方法在低信噪比条件下也有较高的识别率,信噪比高于-4dB时,识别率可以达到90%以上,验证了本算法的有效性和应用价值。

模糊函数主脊切面特征提取的局域差分方法

雷达信号分选是电子对抗的关键技术,提取和补充新的特征参数是解决复杂体制雷达信号分选难题的有效手段。鉴于模糊函数是表征信号内在结构上的有效工具,本文采用改进粒子群算法(Particle swarm optimization,PSO)快速搜索信号的模糊函数主脊切面,并提出一种基于局域差分的模糊函数主脊切面特征提取方法,提取出差值和、差值最大值和差值分布熵3个特征,以表征不同信号波形结构上的局域差异;然后通过模糊C均值算法对提取的特征参数进行聚类性能分析。最后使用LFM,BFSK,CON,QPSK,M SEQ及BPSK共6种典型信号进行实验。实验结果表明,在固定信噪比下,当SNR不低于0dB时,CON,LFM及BFSK信号的平均聚类准确率达到98.7%,6类信号的平均准确率为93.2%。在0~20dB动态信噪比环境下,平均分选准确率仍保持在80.5%以上,且算法具有较好的特征提取时效性,证明了所提方法的可行性和有效性。

基于图形轮廓的雷达信号模糊函数主脊切面特征提取方法

从复杂体制雷达辐射源信号中提取有效的特征参数,是解决复杂雷达信号分选问题的有效方法。鉴于模糊函数(AF)的主脊切面能很好地描述信号的模糊能量分布信息,提出一种基于图形轮廓的AF主脊切面特征提取方法,该方法提取了反映切面图形轮廓变化剧烈程度的累积角度和反映切面图形轮廓固有特征的单位累积长度作为信号分选的特征向量。模糊C均值聚类实验结果表明:当信噪比不低于12 dB时,常规信号、线性调频信号、二相编码、四相编码、M伪随机序列和二频编码6种典型雷达信号的分选成功率均为100%,即使在信噪比为0 dB时,平均分选成功率也能达到93. 5%;在0～20 dB动态信噪比环境中平均分选成功率达到98. 9%.理论分析与分选耗时比较实验结果表明,所提方法具有较低的算法复杂度,证实了其有效性和时效性。

一种快速搜索模糊函数主脊切面的自适应灰狼算法

模糊函数主脊(Ambiguity function main ridge,AFMR)切面特征能较好地反映不同信号结构上的本质差别,是解决当前复杂体制雷达辐射源信号分选难题的可行参数,而快速、智能地搜索模糊函数主脊切面是增加其切面特征实用性的重要问题。为此,本文构建了一种结合均匀初始化策略和改进非线性收敛因子的改进自适应灰狼算法来搜索典型6种雷达辐射源信号的模糊函数主脊切面并提取切面特征,并与穷举法和标准灰狼算法进行对比。实验结果表明,所提方法在搜索AFMR切面并提取特征时,平均耗时仅为1.49 s,相较于穷举法和标准灰狼优化算法,效率分别提高了75.7%和19.0%,具有较优的时效性。在固定信噪比(Signal⁃to⁃noise ratio,SNR)环境下,当SNR不低于0 dB时,提取到特征值的平均聚类准确率为96.4%,在0~20 dB动态信噪比环境下,平均聚类准确率可达95.2%,具有较好的准确性、抗噪性能及较强的类内聚集性和类间分离能力,证实了所提方法的可行性与有效性。

基于卷积神经网络和模糊函数主脊坐标变换的雷达辐射源信号识别

针对人工提取雷达辐射源信号特征耗时长、特征不明显等问题,提出一种基于深度学习卷积神经网络和模糊函数主脊坐标变换的雷达辐射源信号识别方法。该方法通过快速离散分数傅里叶变换提取信号的模糊函数主脊,并将模糊函数主脊极坐标域的二维时频图作为卷积神经网络的输入,实现对不同雷达信号的分选识别。仿真实验结果表明:新方法不仅在信噪比为0 dB以上保持100%的识别率,在-6 dB时识别准确率也稳定在90%以上;相对于传统的雷达信号识别方法和其他深度学习模型识别方法,在识别率和鲁棒性上均有较大提升,具有一定的工程应用价值。

基于栈式自编码机和模糊函数主脊的雷达辐射源信号识别

针对人工提取雷达辐射源信号特征存在提取周期长、特征描述不完备等局限性,提出了一种基于深度学习栈式自编码机和模糊函数主脊的雷达信号识别方法.该方法根据信号模糊函数主脊包含丰富的内在调制信息的特点,从信号中提取用于分类识别的抽象特征.通过对六种雷达辐射源信号进行实验,并对比人工特征提取及其他深度学习方法,结果表明,本文所提方法在信噪比(signal-noise ratio,SNR)为2 dB以上时均能保持100%的识别准确率,SNR为-6 dB时识别准确率仍能保持82.83%以上,明显高于其他方法.即使在包含相同调制类型不同参数的信号环境中,当SNR大于0 dB时识别率均稳定在95.0%以上,SNR降低到-4 dB时识别率也能达到79.0%.证明该方法能有效提取到信号的深层特征,且具有良好的抗噪性能,基本满足实际战场的需求.

基于先验信息库的多源混合信号快速识别模型

先验信息库识别是雷达信号分选的前置环节,可以有效提高前端处理效率并指导未知信号分选识别。随着复杂体制雷达大规模应用,信号参数空间严重交叠,传统处理方法面临严峻考验。该文提出一种结合传统脉冲描述字、瞬时频率特征及模糊函数主脊切面特征的先验信息库构建方法,首先,对信号进行多维度表征,然后,使用相像系数度量特征间相似性,最后,利用具备有效性评价的核模糊聚类算法对未知信号进行自动聚类。实验结果表明,所提方法可在传统方法几乎失效的情况下有效稀疏多源混合雷达信号,准确过滤未知信号,并为未知信号分选提供指导。

基于卷积双向长短时记忆网络的雷达辐射源信号识别

雷达辐射源信号识别在实际战场中是对敌制胜的重要手段。为解决人工提取的雷达辐射源信号特征参数不完备、时效性低等问题,基于模糊函数在表征信号内在结构上的独特作用,提出一种结合模糊函数主脊坐标变换的卷积双向长短时记忆网络的识别方法。首先,为放大不同信号间的差异,采用数学思维将主脊切面转换为极坐标域的几何图像,以此作为神经网络的输入;其次,设计卷积神经网络来挖掘二维时频图的特征信息;最后,搭建双向长短时记忆网络对提取到的特征进行分类识别。仿真实验结果表明,所提方法在信噪比为0 dB以上均能保持100%的准确率,即使信噪比为-6 dB时,识别率仍可达93.58%以上,同时也有效缩短了信号分类时间。结果验证了所提方法不仅能提取信号的隐藏抽象特征,还具备良好的时效性和抗噪性。