雷达信号脉内调制类型的识别

雷达信号脉内调制类型的识别,是电子侦察的热点问题。在包含连续调频信号和相位编码信号等常用雷达信号的复杂电磁环境中,电子侦察设备是否具有对这些雷达信号进行正确识别分类非常重要。因此,建立一个适用于现代战场环境的雷达信号脉内调制类型识别综合算法模型,是很有意义的研究方向。

基于多尺度一维卷积神经网络的雷达辐射源脉内调制类型分类方法

雷达辐射源脉内调制类型是分析雷达系统的关键性特征信息,对脉内调制类型的正确分类有助于分析目标雷达的功能,为己方提供有效的信息支撑与帮助。针对目前脉内调制类型多样复杂的特点,提出了一种基于多尺度一维卷积神经网络的雷达辐射源脉内调制类型分类方法。该方法在数据预处理阶段仅包括序列的零填充、快速傅里叶变换和取模值与幅度归一化,与基于时频变换的方法相比,实时性更高。同时多尺度一维卷积神经网络相比单一尺度的卷积神经网络,能进一步提升雷达辐射源脉内调制类型分类的平均正确率。实验仿真了8种不同脉内调制类型的雷达辐射源信号,其中信噪比(Signal-Noise Ratio,SNR)范围为-14~0 dB,并使用所提出的多尺度一维卷积神经网络和对比算法进行分类。实验表明,提出的多尺度一维卷积神经网络对8种不同的雷达辐射源脉内调制类型的分类效果良好,全局平均正确率达到95.92%,同时在SNR为-10 dB的条件下,分类正确率均优于91%。

时频空交叠信号的脉内调制类型识别算法

复杂电磁环境下的雷达信号分选技术充分利用被侦察信号的特征信息,把分属于不同信号源的雷达脉冲流分离开来。随着脉冲流密度的增加,出现了一些在时频空3个维度上均严重交叠的脉冲,这些脉冲的辐射源信息差别很小,以至于识别算法无法正确将它们区分,进而造成脉冲丢失或错误识别,使得信号分选的性能大大下降。以6种常见的脉内调制类型脉冲为研究对象,针对脉冲之间两两交叠的情况,提出了基于部分快速傅里叶变换算法的时频空交叠信号脉内调制类型识别算法,并通过一系列仿真分析了算法的性能,证明了算法能够有效地分辨频域和空域高度重叠但时域不完全重叠的信号脉冲流,提高信号分选的性能。

一种适应低信噪比的脉内识别算法

针对传统的雷达信号脉内调制类型在低信噪比下识别能力不高的局限性,提出一种改进的适应低信噪比的信号调制类型分类识别算法。该算法对雷达脉冲信号流进行时间和脉宽格子划分,对同一格子中脉冲信号采用一阶差分自相关函数法计算特征向量,根据特征向量值进行聚类统计分类。分类后对每组内脉冲信号进行平方处理,再次计算特征向量并进行聚类统计分类,选择每组内质量较好的脉冲信号进行调制类型识别,提高了信号分类识别正确率,通过仿真实验验证了该方法的有效性。