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。

基于特征参数和星座图的信号调试方式识别算法

国内大部分信号调制方式识别文章都是针对通信信号的某一特征参数进行研究,只能单独识别某几类信号,覆盖率不高,未将基本模拟信号(AM、CW、FM)以及基本数字信号(MASK、MFSK、MPSK、MQAM)联合进行有效识别。本文针对各制式通信信号在时域和频域上的特征,提出基于7项特征参数以及星座图的联合识别算法,通过决策树法,能够有效对常见的7类模拟数字信号共23种调制方式进行分类识别。

基于特征参数和星座图的信号调试方式识别算法

国内大部分信号调制方式识别文章都是针对通信信号的某一特征参数进行研究,只能单独识别某几类信号,覆盖率不高,未将基本模拟信号(AM、CW、FM)以及基本数字信号(MASK、MFSK、MPSK、MQAM)联合进行有效识别。本文针对各制式通信信号在时域和频域上的特征,提出基于7项特征参数以及星座图的联合识别算法,通过决策树法,能够有效对常见的7类模拟数字信号共23种调制方式进行分类识别。

基于高阶累积量的数字调制方式识别设计

随着现代通信的发展,数字调制方式的识别在无线电监测、信号检测等领域的需求日益增加,作为信号筛选和解调的基础,在通信对抗中意义重大。在已知的几种调制信号中,MPSK和MQAM信号的应用最为广泛,设计出以接收信号的高阶累积量作为特征来识别MPSK和MQAM等数字调制方式,进行了理论推导,开展了MATLAB仿真工作,验证了方法的可行性和可靠性,实现了对数字信号调制方式的识别。