半监督条件下基于朴素贝叶斯和Choi-Williams时频分布能量积累的雷达信号识别

针对非合作电子侦察雷达信号识别中先验信息残缺的问题,该文提出一种基于Choi-Williams时频分布(CWD)的改进半监督朴素贝叶斯的识别算法(ISNB)。首先对CWD进行降噪预处理,然后通过计算降噪后CWD不同时间下各频率采样值的积累量,从而得到CWD的能量积累量这一新特征;针对传统的半监督朴素贝叶斯(SNB)在更新训练样本集过程中会产生迭代错误的不足,通过在无标签样本集生成的置信度列表中选取置信度高的样本添加到有标签样本集中,再利用预测后的分类结果对分类器参数进行改进,进而构建改进的SNB分类器,有效解决了传统SNB算法分类精度低且分类性能不稳定的缺点。理论分析和仿真结果表明,所提方法相比于传统SNB算法均提高了3%左右;在相同信噪比下,相比于传统的主成分分析加支持向量机法,该算法具有更高的分类识别率和更好的分类性能。

基于EEMD和Choi-Williams分布的齿轮故障诊断

针对齿轮箱齿轮故障特征提取过程中,经验模态分解(EMD)存在模态混叠、固有模态函数(IMF)筛分困难以及Wigner-Ville分布(WVD)存在交叉干扰项的问题,提出一种集合经验模态分解(EEMD)和Choi-Williams分布(CWD)相结合的齿轮故障诊断方法。首先,将采集到的齿轮故障信号进行EEMD分解,分解为多个单分量固有模态函数(IMF)的组合;然后,通过相关系数和香农熵准则去除虚假分量并筛选IMF;最后,将筛选出的IMF分量进行CWD表达,结合时频域表现出的频率与等时冲击特性,识别出齿轮故障特征。通过齿轮故障仿真和实验分析,验证了该方法在齿轮箱齿轮故障诊断中的适用性和有效性。

基于CWD和残差收缩网络的调制方式识别方法

针对低信噪比时莱斯信道下特征提取准确性难以保证、识别准确率偏低等问题,提出一种基于Choi-Williams分布(Choi-Williams distribution,CWD)和深度残差收缩网络(deep residual shrinkage network,DRSN)的通信辐射源信号调制方式识别方法。利用CWD将时域复信号转换为二维时频矩阵,对深度残差网络添加软阈值化得到DRSN,将时频矩阵样本用于对DRSN的训练,最终构建不同信噪比下的调制方式识别网络。仿真实验表明,基于RadioML2016.10a数据集,利用部分先验信息的情况下,该分类识别方法具有较高的识别准确率和噪声鲁棒性。在0 dB时,对11类信号的总体识别准确率达到了89.95%;在2 dB以上时,总体识别准确率均超过91%,优于其他深度学习识别方法。

基于CWD及分块SVD的配电开关故障诊断方法

通常,配电开关分合闸操作产生的振动信号中蕴含有体现机械状态的重要信息。提出一种基于振动信号分析的新型配电开关故障诊断方法。首先对振动信号求取乔-威廉斯分布获得二维时频矩阵,然后对时频矩阵作分块奇异值分解,用于表征不同机械状态的时频特性,最后结合极限学习机算法对4类实测振动信号的特征向量进行训练和测试。所提方法的优点是有效提取了配电开关振动信号时频域的特征,并且可以在较少样本的情况下训练诊断模型。基于实测数据的实验表明,该方法具有较高的识别精度和较快的收敛速度。

基于栈式稀疏自编码器的低信噪比下低截获概率雷达信号调制类型识别

针对低截获概率(LPI)雷达信号识别率低且特征提取困难的问题,该文提出一种基于Choi-Williams分布(CWD)和栈式稀疏自编码器(sSAE)的自动分类识别系统。该系统从反映信号本质特征的时频图像入手,首先对LPI雷达信号进行CWD时频分析,获取2维时频图像;然后对得到的时频原始图像进行预处理,并把预处理后的图像送入多层稀疏自编码器(SAE)进行离线训练;最后把SAE自动提取的特征输入softmax分类器,实现雷达信号的在线分类识别。仿真结果表明,信噪比为-6 dB时,该系统对8种LPI雷达信号(LFM,BPSK,Costas,Frank和T1~T4)的整体平均识别率达到96.4%,在低信噪比条件下明显优于人工设计提取信号特征的识别方法。

基于去噪卷积神经网络的雷达信号调制类型识别

针对低截获概率雷达(LPI)信号处理复杂,低信噪比条件下识别率低的问题,该文提出一种基于去噪卷积神经网络和Inception网络的信号分类识别系统。首先对8种LPI雷达信号进行Choi-Williams分布(CWD)时频变换,得到2维时频图像,然后使用去噪卷积神经网络进行时频图像去噪处理,最后将图像发送到Inception-V4网络进行特征提取,并使用softmax分类器进行分类,实现LPI雷达信号的有效分类识别。仿真结果表明,该方法在–10 dB信噪比(SNR)下,识别率仍然可以达到90%以上。

基于MODWPT和Choi-Williams分布的齿轮箱低频故障特征提取

针对齿轮箱多级齿轮传动振动信号易受噪声干扰,低频微弱故障特征提取难的问题,提出一种最大重叠离散小波包变换(MODWPT)和Choi-Williams分布(CWD)相结合的齿轮低频故障诊断方法。首先采用MODWPT方法将复杂的振动信号分解为若干分量,避免了经验模态分解(EMD)存在的模态混叠和端点效应等问题,然后依据峭度准则筛选合适分量,最后将选取的分量进行CWD分析,将时频谱表现出的频率特征与理论故障特征频率对比,识别出齿轮故障特征,实现故障诊断。通过齿轮故障的仿真及实验研究,说明了该方法较传统EMD-WVD方法的优越性,同时验证了该方法的有效性和可行性。

时频分布与雷达信号的多目标分辨

编队飞行的目标,由于它们之间的间距很小,利用目标回波多普勒频率的差别有可能分辨目标。本文介绍了时频分布的基本概念,用线性调频(LFM)信号模型来表示多普勒回波信号的变化,采用时频分布的方法来分辨编队目标,并举用常见的Wigner Vill分布(WVD)、Choi Williams分布、Wigner Hough变换对窄带多目标雷达信号数据进行了分析比较。

基于VMD和Choi-Williams分布的齿轮故障诊断

针对当前机械故障自适应时频分析存在模态混叠和时频分辨率低的问题,提出一种变分模态分解(Variational Mode Decomposition,VMD)和Choi-Williams分布(Choi-Williams Distribution,CWD)相结合的齿轮故障诊断方法。首先参考VMD分解后各分量的中心频率,确定模态分量个数,将采集到的齿轮故障信号分解为指定个数的多个单分量有限带宽固有模态分量(Band-limited Intrinsic Mode Functions,BLIMFS);然后结合峭度(Kurtosis,K)和互相关系数(Cross-correlation,CC)准则,去除虚假分量,筛选出真实的,包含丰富故障特征信息的模态分量;最后将筛选出的多个模态分量进行CWD时频分布表示,结合时频域表现出的频率与等时冲击特性,识别出齿轮故障特征。通过齿轮断齿故障仿真和实验分析,以及与EMD-WVD方法的应用效果对照,验证了文中所论方法的有效性和适用性。

基于改进型AlexNet的LPI雷达信号识别

为了识别低截获概率(LPI)雷达信号,给出一种基于Choi-Williams分布(CWD)和改进型AlexNet网络模型。首先,利用CWD时频分析方法获得LPI雷达信号的二维时频图像;然后,对获取的原始图像进行预处理,建立改进型AlexNet网络模型对处理后的图像进行训练,获得训练模型;最后,利用训练模型对常见LPI雷达信号(FMCW,Costas,Frank,P1,P2,P3,P4)进行识别。仿真结果表明,与AlexNet网络模型相比,改进型AlexNet对LPI雷达信号识别率更高。

一种基于时频域滤波的ISAR瞬时成像算法

为了得到机动目标的瞬时像,需要采用时频分析的方法。分析了2种Cohen类时频分布Wigner-Ville分布(WVD)及Choi-Williams分布(CWD)的时频特性。基于时频域滤波的思想提出一种兼备高时频集聚性和交叉项抑制能力的瞬时频率估计方法。由此得到一种新的ISAR瞬时成像算法,对机动目标数据进行成像处理,结果说明了算法的优越性。

基于双通道卷积神经网络的雷达信号识别

为解决在低信噪比下特征提取困难、雷达信号识别率低的问题,提出了一种基于Choi-Williams分布(CWD)和多重同步压缩变换(MSST)的双通道卷积神经网络模型.模型通过对雷达信号进行CWD和MSST时频分析,分别获取二维时频图像并进行预处理,然后送入双通道卷积神经网络进行深度特征提取,最后将两路通道获取的特征进行融合,通过卷积神经网络分类器实现对雷达信号的分类识别.仿真结果表明:在信噪比为-10 dB时,所提模型整体识别准确率能达到96%以上,其在低信噪比下表现优异.