基于模糊函数切片和FrFT的快速LFM信号参数估计

RAT(Radon-Ambiguity Transform)和FrFT(Fractional Fourier Transform)被广泛应用于线性调频(LFM)信号的参数估计。针对RAT调频斜率估计时的全角度域搜索和FrFT参数估计时的两维搜索导致计算量增加的问题,提出了一种快速LFM信号参数估计方法。采用模糊函数(Ambiguity Function)切片和RAT相结合的方法快速估计调频斜率,并以此确定最优分数阶变换阶数,然后利用一次FrFT实现LFM信号的剩余参数估计。理论分析和实验仿真表明了该方法的有效性。

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。

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.

基于模糊函数的雷达辐射源个体识别

雷达辐射源个体识别是现代电子情报和电子支援系统的重要研究内容。本文在辐射源个体特征分析的基础上,提出了一种基于模糊函数的辐射源个体识别算法。针对模糊函数的冗余性,分别利用模糊函数切片和局部模糊函数切片表征雷达的细微差异与个体特征,并推导了局部模糊函数切片的快速算法。仿真实验验证了提出算法对于辐射源个体特征提取和识别的可行性和有效性。

新型雷达辐射源识别

目的雷达辐射源识别是指先提取雷达辐射源信号特征,再将特征输入分类器进行识别。随着电子科技水平的提高,各种干扰技术应用于雷达辐射源信号中,使得信号个体特征差异越来越不明显,仅靠传统的模板匹配、分类器设计、决策匹配等辐射源识别技术难以提取信号可辨性特征。针对这一问题,利用深度学习良好的数据解析能力,提出了一种基于卷积神经网络的辐射源识别方法。方法根据雷达辐射源信号的特点,对未知辐射源信号提取频域、功率谱、信号包络、模糊函数代表性切片等传统域特征,从中获得有效的训练样本特征集合,利用卷积神经网络自动获取训练样本深层个体特征得到辐射源识别模型,将其用于所有测试样本中,获得辐射源识别结果。结果在不同域特征下对卷积神经网络的识别性能进行测试实验,并将本文方法与基于机器学习和基于深度强化学习的深度Q网络模型(depth Q network,DQN)识别算法进行对比,结果表明,当卷积神经网络的输入为频域特征时,本文方法的识别准确率达100%,相比支持向量机(support vector machine,SVM)提高了0.9%,当输入为模糊函数切片特征和频域时,本文方法的平均识别准确率与SVM模型、极限学习机(extreme learning machine,ELM)分类器和DQN算法相比,分别提高了16.13%、1.87%和0.15%。结论实验结果表明本文方法能有效提高雷达辐射源信号的识别准确率。