一种雷达辐射源智能个体识别的方法

针对使用传统的卷积神经网络及低信噪比环境下雷达辐射源智能个体识别研究中识别性能不够的问题,提出了一种基于短时傅里叶变换(STFT)和EfficientNet的雷达辐射源个体识别方法。首先对雷达信号进行短时傅里叶变换,提取时频特征,然后利用EfficientNet中多个MBconv模块对不同时频特征图像的叠加,挖掘出信号图像隐含的更加复杂和抽象的深层次时频特征,包括信号强度的分布、时频模式、周期性变化等,从而完成个体分类识别。EfficientNet可以同时改变网络深度、宽度、图像分辨率3个参数,解决了梯度消失、梯度爆炸等问题。实验结果表明,基于STFT和EfficientNet的雷达辐射源智能个体识别的方法,相比于传统卷积神经网络在低信噪比环境下具有更好的识别性能。

基于高维重频特征的雷达辐射源识别方法

通过提取和利用雷达脉冲间隔高维特征,提出了一种基于决策树的雷达辐射源识别方法。将相邻脉冲间隔所构成的向量作为脉冲的高维特征,以增强不同雷达信号之间的可分性,再利用聚类方法提取脉冲列中的这种特征;然后将该特征构成特征向量,以表现特征的整体性;随后基于该特征向量构建决策树分类模型;最后将学习到的模型用于未知雷达脉冲列的识别。仿真实验验证了新方法在不同数据量和数据噪声场景下相对于传统方法的显著优势。

基于压缩残差网络的雷达辐射源识别方法研究

针对低信噪比条件下,现有的雷达辐射源信号识别方法存在识别正确率低、时效性差的问题,提出了一种基于压缩残差网络的雷达辐射源信号识别方法。首先,利用Choi-Williams分布的时频分析方法将时域信号转换为二维时频图像;然后,根据应用场景特点,选择卷积神经网络(Convolutional Neural Networks,CNN)“压缩”范围;最后,构建压缩残差网络来自动提取图像特征并完成分类。仿真实验结果表明,在同等体量的设计下,与当前较为常用的标准CNN以及ResNet模型相比,所提模型能够降低信号识别运行时间约88%,在信噪比为-14 dB条件下对14种雷达辐射源信号的平均识别率高约5%。提供了一种高效的雷达辐射源信号智能识别方法,具有潜在的工程应用前景。

基于复杂网络的雷达辐射源信号脉内特征提取算法

针对现代电子战环境下雷达辐射源信号的高度密集、复杂调制、交叠概率大等特点,基于时域、频域、时频域以及其他数学变换域的信号分析方法仍然不能满足雷达辐射源信号分选识别的要求,结合雷达辐射源信号具有可分辨性的确定数据结构表示,受时间序列的复杂网络分析启发,提出一种基于复杂网络的雷达辐射源信号脉内特征提取算法。该特征提取算法首先采用相空间重构方法对信号频谱序列数据进行预处理,将重构后的信号序列转换至复杂网络域进行表征;其次,通过复杂网络建模及其统计特征分析,研究雷达脉内信号时间序列动力学微观特性,从而挖掘信号的有效特征参数;最后,在不同噪声环境下,实现雷达辐射源信号序列的特征参数的分类性能及其准确性分析。仿真结果表明,所提取的特征参数在低信噪比环境下具有良好的抗噪能力和不错的聚类质量,验证了基于复杂网络时间序列分析的信号特征提取方法的可行性,为进一步丰富刻画雷达辐射源信号提供了有效的技术支持和手段。

基于VMD分解和多域联合分布的雷达辐射源识别

针对现有雷达辐射源个体识别存在的识别准确率低、难以区分同型号雷达、缺乏实采信号验证等问题,提出了一种基于变分模态分解(variational modal decomposition,VMD)和时频能多域特征联合的雷达辐射源个体识别方法。首先对雷达信号进行VMD,然后对得到的模态分量分别在时域、频域和时频域提取13种特征参数,最后结合k近邻分类器实现雷达个体识别。采用实际采集的船用导航雷达信号对所提方法和现有的其他两种方法进行了对比验证,实验结果表明所提方法在识别准确率、算法鲁棒性方面优于现有两种方法,具有一定的工程应用价值。

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.

注意力机制和CNN结合的雷达辐射源个体识别

针对雷达辐射源个体识别准确率低、抗噪性能差和训练时间长的问题,提出了一种注意力机制和卷积神经网络相结合的方法。首先根据雷达发射机功率放大器的硬件差异,建立雷达辐射源的系统模型;其次,对雷达信号进行双谱分析,得到的双谱图作为网络输入;然后,将注意力机制引入优化后的卷积神经网络,提高对个体特征的学习能力;最后,与现有方法对比,验证算法的有效性。实验证明,相比卷积神经网络,所提方法识别准确率提高5%,训练时间缩短一半。

自监督双流融合的小样本雷达辐射源识别方法

针对实际场景中辐射源数据稀缺造成的小样本问题,提出了一种基于自监督和双流融合的小样本雷达辐射源识别方法。首先利用高斯分布噪声、莱斯多径衰落、设计时钟偏移信号等减损方法,基于有限数量的真实样本构建类均衡辐射源信号样本集。基于增强数据集,提出一种信号时间序列与时频图的双流特征融合模型。采用对比学习方法构建双流特征融合模型的自监督上游任务,以提升在有限标签数据情况下信号多域特征的表征能力与泛化能力。实验结果证明,该方法在小样本条件下能够有效地实现较好的辐射源类型识别能力,在目标域每个类别100个样本限制下,识别精度达到97.1%,与传统一维特征方法和基于长短期记忆(Long Short Term Memory,LSTM)的方法相比均有较大提升。

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%。

基于卷积神经网络的雷达辐射源稳健识别方法

针对低信噪比下,基于传统统计特征的雷达信号识别方法对复杂调制信号类型识别性能不高,因而处理复杂度高的问题,提出一种基于卷积神经网络的雷达辐射源信号稳健识别方法。该方法通过提取信号的瞬时相位特征,获得变换域的表征信号,将其作为卷积神经网络的输入,实现雷达辐射源信号的快速识别。针对瞬时相位特征对于信噪比敏感的特点,采用主成分分析方法对信号特征域进行降噪处理,提升模型对噪声的稳健性。通过仿真实验验证了所提出方法在不同信噪比下对7种调制信号类型的识别性能,通过理论分析及不同方法的实验对比,验证了算法具有耗时较短、识别准确率较高、噪声稳健性好等优势,具有良好的工程实用性。

基于模糊函数多维结构度量特征的雷达辐射源信号流在线分选

针对现有雷达辐射源信号(RES)特征信息易受噪声影响、分选时效性低等问题,提出一种基于模糊函数多维结构度量特征的信号数据流在线分选方法。首先,应用图像全局相似性思想,以积分加速后的非局部均值平滑方法对信号模糊函数进行去噪处理。其次,从处理后模糊函数的主、侧两个角度提取多维度结构分布特征,形成特征向量。最后,优化了一种半监督学习分选模型并在线作用于不断输入的信号特征向量流,得到实时分选结果。实验结果表明,在先验数据量较少的情况下,所提方法在8~18 dB的信噪比环境中均可保持99%及以上的分选成功率,即使处于2 dB环境下,准确率仍可达91.8%。同时,提取单个信号特征平均耗时仅需0.29 s。结果验证了所提方法的有效性和实时性,具有一定工程价值。

多径条件下的雷达辐射源个体识别方法

在实际场景中,接收机截获的雷达脉冲信号信噪比较低、多径干扰明显,从中提取的辐射源指纹特征存在畸变,给雷达辐射源个体识别带来严峻挑战.针对该问题,本文提出一种两阶段的信号处理方法.在第一阶段,以精确的脉冲对齐和迭代加权积累提高信号质量,解决低信噪比问题.在第二阶段,定义信号频谱相邻点前向商的绝对值为谱邻点商,并提取信号频谱主瓣和第一旁瓣对应的谱邻点商作为抗多径的指纹特征,解决多径干扰问题,同时利用Chirp-Z变换的局部精细化谱分析能力,进一步提高本文方法的计算精度和速度.仿真实验表明本文方法在脉冲对齐和克服多径干扰方面表现突出.实测数据实验对截获自15部同型号雷达的单频脉冲信号进行分类识别,获得超过97%的识别准确率,证明本文方法对多径条件下的雷达辐射源个体识别实际应用具有重要参考价值.

一种雷达辐射源威胁综合评估新方法

为挖掘雷达辐射源威胁评估新方法,在载频、重复周期、脉宽等传统评估指标的基础上,从雷达辐射源及平台类型、运动要素、辐射源参数及工作模式三个方面构建全新的两级雷达辐射源威胁评估体系。通过层次分析法与熵权法相结合,确定雷达辐射源威胁评估因素权重,引入模糊综合评价方法,以提升雷达辐射源威胁评估的有效性。

脉冲雷达辐射源个体识别系统设计与实现

针对脉冲雷达辐射源个体识别的需求,首先对雷达辐射源的特征值范围进行了分析,提出了满足个体识别特征值提取的微波前端结构及数字采样架构。在此基础上,提出了脉冲雷达辐射源个体识别的信号处理架构,并对个体特征提取方法进行了内外场验证,验证了个体识别系统设计的可行性。

ReliefF算法在雷达辐射源信号识别中的应用

采用小波包变换提取雷达辐射源信号特征能够有效对信号进行识别,然而,由小波包变换提取的信号特征维数高,部分信号特征受噪声污染严重.基于此,采用ReliefF算法对信号特征的分类能力进行评价,选择出小波包中分类能力强的信号特征,再通过特征相关度算法去除分类能力相近的冗余特征,利用剩余的分类能力强的信号特征组成特征向量进行分类.仿真实验结果显示,该方法用较少的信号特征能够获得较高的正确识别率.

一种深度学习的雷达辐射源识别算法

针对传统依靠于人工经验提取雷达辐射源特征方法的不足,提出了一种新颖的基于联合深度时频特征的辐射源识别算法.首先将时域信号变换到二维时频域,并利用随机投影和主成分分析方法分别从维持子空间和能量角度对时频图像降维;接着在预训练阶段,利用无标签的样本信号层级训练深度模型,再根据类别信息精调网络参数;最后,构造了逻辑回归分类来完成识别任务.仿真实验中利用6种辐射源信号验证了提出算法的有效性,结果表明,联合深度特征更加有助于提高识别准确度,算法运行更加高效.

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.

基于双谱分析的雷达辐射源个体特征提取

针对复杂电磁环境中雷达辐射源特征参数的分选和识别问题,提出将辐射源信号的双谱作为雷达辐射源个体特征,并进一步提出将Walsh变换作为双谱特征优化算法。利用双谱中包含的信号细微信息和双谱受高斯噪声和杂波影响较小等特性,提高雷达辐射源个体特征参数的有效性;针对信号双谱中包含了很多与个体特征无关的冗余信息,不利于机器进行识别处理的缺点,利用Walsh变换对信号的双谱特征进行优化,剔除其中无效、冗余的信息,将变换后的结果作为雷达辐射源个体特征信息。仿真实验结果验证了算法的可行性。

基于联合参数建模的雷达辐射源识别方法

针对现代雷达采用复杂体制造成的不能正确识别辐射源问题,提出一种基于联合参数建模的雷达辐射源识别方法。该算法首先对辐射源进行脉冲等级和统计参数等级的联合建模,然后将联合参数模型用于识别过程中,基于特征参数的不同描述模型构建不同的识别算法,其中特征参数的联合建模思想是本方法的核心。仿真实验表明,本文方法能够实现对复杂体制雷达辐射源的建模和识别。

基于Chirplet原子的雷达辐射源信号特征提取

特征提取是新体制雷达辐射源信号分选识别的关键技术.本文提出一种全新的雷达辐射源信号时频原子特征提取方法.在过完备多尺度Chirplet原子库基础上,采用匹配追踪(MP)方法对信号进行时频原子分解,并通过改进量子遗传算法(IQGA)降低MP搜索过程的时间复杂性,得到表示雷达辐射源信号特征信息的本征Chirplet原子.实验结果表明使用更少量的Chirplet原子可以得到比Gabor原子分解更准确的特征信息,证实了本文方法的可行性和有效性.