基于双路射频指纹卷积神经网络与特征融合的雷达辐射源个体识别

为实现雷达辐射源个体识别不受信号参数、调制方式的影响,该文提出基于双路射频指纹卷积神经网络(Dual RFF-CNN2)和特征融合的雷达辐射源个体识别方法。首先从接收的射频信号中提取原始I/Q(Raw-I/Q)信号;其次分别对Raw-I/Q两路信号进行轴向积分双谱(AIB)和围线积分双谱(SIB)降维以构建双谱积分矩阵;最后将Raw-I/Q信号及双谱积分矩阵共同送入Dual RFF-CNN2网络并进行特征融合以实现雷达辐射源个体识别。实验结果表明,该方法具有较高的识别准确率,提取的“指纹特征”具备稳定性、鲁棒性。

基于多源信息融合的激光雷达辐射源个体识别方法

激光雷达辐射源个体识别时缺少对雷达信号离散型电子脉冲相位的考虑,导致识别准确率较低。对此,提出基于多源信息融合的激光雷达腐蚀个体识别方法。通过分析辐射源个体指纹产生机理,得知激光雷达辐射源信号个体产生差异的源头为相位噪声的影响。分析雷达辐射源信号的时频域特点,构建侦察机接收信号、恒波信号、脉冲信号、调频信号及相位编码信号的数学模型,基于上述模型在时频域上进行频率编码,并根据不同信号衰减能力的不同,对其进行权重赋值,构建雷达辐射源信号的综合模型。在信号模型的基础上采用多源信息融合算法,计算不同个体指纹的属性测度概率,实现辐射源个体识别。实验证明结果表明,所提方法在信噪比环境下的整体平均识别准确率大于90%,所用识别时间最长为50 s,具有实用性。

基于多特征的雷达辐射源个体识别方法研究

为解决复杂电磁环境下基于单一特征的雷达辐射源个体识别准确性低、稳健性不强的问题,提出了一种基于多种特征的雷达辐射源融合识别方法。该方法以脉冲前沿包络、载波频率偏差以及谐波衰减系数为识别特征,通过设计多通道结构的一维卷积神经网络,实现不同结构特征的融合识别。实验表明,该方法在低信噪比条件下依然具有较好的识别率,能够有效解决复杂电磁环境下基于单一特征的雷达辐射源个体识别的效果不佳问题。

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。

基于载波频率特征的雷达辐射源个体识别

为了提升雷达辐射源个体识别方法的识别精度,提出利用脉冲信号的载波频率特征进行辐射源识别。对于实测获得的脉冲信号数据,通过FFT实现时频域转换,并完成对15种频域统计特征的提取,进而通过PCA算法筛选出其中10种最能代表个体间差异性的指纹特征,最后将提取出的特征作为输入,通过自主构建的三种分类器实现个体识别。实验结果表明频域特征能较好地应用于辐射源分类识别。

基于双谱三维向量的雷达辐射源个体识别

基于相位噪声造成的辐射源个体差异,提出了一种新的雷达辐射源个体识别算法。该算法以由双谱熵、双谱能量熵以及双谱主成分均值所组成的三维向量为特征向量,以K-均值(K-means)算法为分类器,完成了雷达辐射源个体识别。相比于现在比较主流的使用深度学习模型作为分类器的辐射源个体识别算法,该算法无需繁琐的模型训练步骤也能取得较好的识别效果。仿真结果表明,在信噪比为0 dB时,该算法依然能确保80%的识别正确率,算法性能优越。

基于改进VMD和TWSVM的雷达辐射源个体识别

为提高雷达辐射源个体在不同信噪比下的识别准确率,提出基于改进VMD和TWSVM的雷达辐射源个体识别方法。首先利用斑马优化算法(ZOA)优化变分模态分解(VMD)过程,找到最优分解参数组合;然后通过奇异值分解对辐射源信号经变分模态分解后得到的各模态分量进行二次特征提取,选取奇异值作为个体特征组成特征向量;最后送入孪生支持向量机(TWSVM)中,完成分类识别。通过线性调频信号的仿真建模实验,初步验证了算法的可行性。再通过5部信号源所采集的实测数据验证,信噪比为15 dB时,识别效果已十分理想,可达94%以上的识别率。

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。

基于多初级假设的FM广播外辐射源雷达网航迹起始算法

基于调频(FM)广播信号的外辐射源雷达有着检测概率低、虚警率高、量测精度差的特点,这给组网目标跟踪带来了极大挑战。一方面,较高的虚警率使计算量增加,组网算法的实时性受到考验;另一方面,检测概率低、方位角精度差造成冗余信息缺乏,量测关联与航迹起始变得困难。为解决这些问题,该文提出初级假设点和初级假设航迹的概念,以及基于此概念的FM广播外辐射源雷达网航迹起始算法。首先构造可能的低维关联假设,并解算出与其对应的初级假设点;随后关联不同时刻的初级假设点,形成多条可能的初级假设航迹;最后联合多场雷达网数据进行假设航迹判决,真实目标对应的初级假设航迹会得到确认,错误关联导致的虚假初级假设航迹会被剔除。相比于已有算法,所提算法有着更低的计算量,更快的航迹起始速度,仿真与实测结果均验证了所提算法的有效性。

多核融合框架下的雷达辐射源个体识别

该文利用机器学习中多核学习(Multiple Kernel Learning,MKL)算法的多源信息融合功能,提出一种基于核层面信息融合的雷达辐射源个体识别框架。对雷达辐射源信号所提取的不同特征表示,分别构建相应的核函数或核矩阵,然后通过一定的准则计算它们的组合系数,并同时或独立获得支持向量机的分类超平面,最终实现对辐射源信号的分类。特别地,该方法能够实现辐射源信号模糊函数多个"近零"切片特征的有效融合,得到比代表性切片更优的识别性能。在3组实测雷达辐射源数据上的实验表明了所提方法的有效性。

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。

雷达辐射源识别的多元信息融合算法研究

该文针对复杂电磁环境下侦察设备获得的雷达辐射源信息具有不完整性和模糊性的情况,通过对现代雷达侦察情报特点的分析,研究了利用多种侦察设备获得的多元信息,采用证据理论信息融合的方法对雷达辐射源进行识别。设计了辐射源属性的基本概率赋值函数,提出了辐射源属性融合、多侦察周期时域融合和多侦察设备空域融合的三级融合算法。仿真结果表明该融合算法具有优越的性能。

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.

基于神经网络与信息融合的雷达辐射源识别

提出了一种关于雷达辐射源识别的信息融合模型,将概率神经网络、多元属性融合算法和D-S证据理论有效地结合起来。该模型先用概率神经网络对雷达侦察设备所获得的雷达参数进行识别,当识别结果不唯一时,再用多元信息融合算法针对神经网络识别出的可能的雷达型号进行再识别,从而确定最终的识别结果。实验结果表明,该模型可以提高雷达型号识别的识别率、可靠性和抗噪性。

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。

基于ESM与ELINT信息融合的机载辐射源识别

本文深入研究了E SM和EL INT多传感器系统的机载辐射源识别方法.首先针对E SM系统提供的辐射源多特征信息,提出了基于模糊综合评估获取基本可信度赋值函数(BPAF)的方法;针对EL INT系统量测数据的特点,提出了基于灰关联分析的BPAF获取方法.在此基础上,研究了应用D-S证据理论进行多传感器信息融合,从而识别机载辐射源的原理.识别实例和对比实验表明,本文提出的BPAF获取方法是实用有效的,基于信息融合的识别正确率高.

雷达辐射源信号双谱估计的物理意义及其辐射源个体识别

针对目前研究中雷达辐射源信号双谱物理意义不明确的问题,给出偏态这一物理概念,并给出雷达辐射源信号偏态的具体表现形式。针对雷达辐射源个体识别,提出应用围线积分双谱估计波形熵和围线积分双谱估计能量熵组成的二维特征向量用于后续的分类识别。在分类识别中,应用分析性能良好的模糊C-均值(FCM)聚类方法,对提取出的二维特征向量加以聚类分析,从而完成在一定信噪比下对雷达辐射源个体的识别。最后,通过仿真实验和实测实验验证本文所述方法的正确性和可行性。

基于D-S证据理论多传感器信息融合的辐射源及平台识别

本文深入研究了基于D-S证据理论的多传感器信息融合方法,将其应用于单个辐射源识别,并在此基础上将其推广到辐射源平台识别,提出了一种应用于平台识别的可行方法,仿真结果表明,这种基于D-S证据理论信息融合识别方法是适用有效的。

基于模糊函数特征优化的雷达辐射源个体识别

对雷达辐射源信号进行模糊函数建模是一种有效的特征提取途径.通过对无意调制的雷达辐射源信号的模糊函数分析,提出了基于模糊函数子空间特征优化的个体识别方法.首先抽取模糊函数的"近零"频偏切片作为辐射源信号的主要特征,继而设计了切片串联策略构建了互补的特征子集对,从而分别利用典型相关分析和鉴别典型相关分析实现了切片特征的融合.理论分析和对实测数据的实验结果表明,所提算法不仅克服了现有的全平面核点排序法的计算问题,而且有效地融合了模糊函数各近零切片上的互补信息,在显著提高辐射源个体识别性能的同时,进一步消除了模糊函数特征的冗余性.

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。