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。

LPI雷达信号调制识别及参数估计研究进展

低截获概率(low probability of intercept,LPI)雷达已成为新时代雷达装备中关键的技术体制或工作模式,针对LPI雷达信号调制识别及参数估计方法的研究是当前雷达对抗侦察领域的热点。首先,分析了几种典型LPI雷达信号的脉内特征,梳理了LPI雷达信号调制识别及参数估计的传统和主流方法,并说明其原理、优缺点和研究现状。最后,总结了现有LPI雷达信号调制识别及参数估计方法尚存的问题,并指出其未来发展趋势,旨在为今后的研究提供参考。

基于时频图像和神经网络的LPI雷达信号调制识别

针对LPI雷达信号调制识别问题,提出一种基于时频分析、图像处理和神经网络的LPI雷达信号识别新方法。该方法先对LPI雷达信号进行时频分析,获得时频分布图像,然后利用图像处理的方法对时频图像作预处理,最后再用RBF神经网络对处理后的图像进行识别分类。仿真实验表明,该方法在信噪比高于3dB时,平均正确识别率达到了92%。

LPI雷达信号检测系统设计研究

随着电子对抗技术的不断发展,雷达的生存正经受着越来越严峻的威胁,为了雷达自身生存的需要,发展了低截获概率雷达。本文针对低截获概率雷达在雷达系统中的重要地位和作用,运用Laguerre变换等技术对典型的LPI(low probability of interception)雷达信号即线性调频信号和脉冲压缩信号进行分析,并在分析结论的基础上构建了LPI雷达信号检测系统,仿真结果表明,该检测系统能够对LPI雷达信号进行有效检测。

时频图像二维EMD分解在LPI信号识别中的应用

针对LPI信号分类识别问题中,时频图像受噪声干扰严重的问题,提出了一种基于二维快速经验模式分解(FBEMD)的图像降噪算法,并利用该算法实现对LPI信号的分类。首先利用时频分析方法,获得待分类信号的时频分布图像;使用二维EMD分解算法对图像降噪;截取包含时频信息的图像部分,通过主分量分析法提取特征矢量;最后采用RBF神经网络完成信号的分类识别任务。对常见的LPI雷达信号进行仿真,结果表明较低信噪比情况下,该方法仍能获得较好的分类结果。当信噪比为-2 d B时,采用二维EMD降噪算法,平均正确识别率能够达到93%。

LPI雷达信号脉内调制识别

针对低截获概率(LPI)雷达信号的识别问题,提出了一种基于自适应分解和多重相位差分的识别方法。该方法首先在自适应分解的基础上,提取调频率和分量能量之比作为分类特征。然后,基于多重相位差分,提取变换后信号的前后段均值比和拟合曲线斜率作为分类特征,完成了LPI雷达信号的完整分类。仿真实验结果表明,该方法无需先验信息,抗噪性好,识别正确率高。

基于SE-ResNeXt网络的低信噪比LPI雷达辐射源信号识别

针对低信噪比(signal to noise ratio,SNR)低截获概率(low probability of intercept,LPI)雷达脉内波形识别准确率低的问题,提出一种基于时频分析、压缩激励(squeeze excitation,SE)和ResNeXt网络的雷达辐射源信号识别方法。首先通过Choi-Williams分布(Choi-Williams distribution,CWD)获得雷达时域信号的二维时频图像(time-frequency image,TFI);然后进行TFI预处理降低噪声干扰和频率维的位置分布差异,以适应深度学习网络输入;最后在ResNeXt基础上加入扩张卷积和SE结构提取TFI特征,实现雷达辐射源分类。实验结果表明,SNR低至-8 dB时,该方法对12类常见LPI雷达波形的整体识别准确率依然能达到98.08%。

基于DAE-GAN网络的LPI雷达信号增强

针对非合作侦察接收机只在降噪后才能开展后续检测识别工作的问题,结合降噪自编码器和生成对抗网络的优势,构建噪声增强网络与信号增强网络进行对抗训练。噪声增强网络往带噪信号中掺杂更复杂的噪声分量,信号增强网络则是尽可能地降低带噪信号中的噪声分量。二者在对抗训练的过程中,噪声增强网络生成复杂高维噪声的能力和信号增强网络降噪的能力都在提升。训练结束后,信号增强网络具备更好的降噪性能,为后续检测识别工作降低难度。

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LPI雷达宽带信号DOA估计算法

宽带低辐射信号的设计是低截获概率(LPI,Low Probability of Intercept)雷达的关键技术之一。但传统的波达方向(DOA,Direction of Arrival)估计算法主要是针对窄带信号设计的,应用在LPI雷达中会制约雷达的测向性能。重点研究一种宽带信号DOA估计的方法。该方法的关键在于通过直接分解数据协方差矩阵,来构造聚焦矩阵。此外,还从LPI雷达工程应用的角度分析了该方法的性能指标,并用MATLAB进行了仿真,仿真结果表明该方法具有较高的分辨力和较低的算法复杂度,同时也验证了该算法在LPI雷达上的实用性。

基于积分包络的LPI雷达信号快速参数估计

为解决低截获概率(low probability of intercept,LPI)雷达信号中二相相移键控(binary phase shiftkeying,BPSK)信号、线性调频(linear frequency modulation,LFM)信号参数的估计问题,提出了基于信号积分包络的快速参数估计方法。应用快速傅里叶变换(fast Fourier transform,FFT)进行雷达信号粗识别,对信号进行积分包络处理。对两类信号的积分包络值分别设置一定的门限,通过搜索BPSK信号积分包络的峰值即可迅速计算出BPSK信号的码速率。搜索LFM信号积分包络的零值点,按照给出的计算规则即可计算信号的调频斜率以及起始、终止频率。该算法具有快速、准确、容易实现的特点。仿真实验证明了该算法的有效性。同时,该算法具有一定的抗噪性。

一种基于Swin Transformer神经网络的低截获概率雷达信号调制类型的识别方法

本文针对低截获概率(Low Probability of Intercept,LPI)雷达信号调制类型的识别问题提出了一种基于Swin Transformer神经网络的识别方法.该方法首先用平滑伪Wigner-Ville分布对信号进行时频变换,将一维时域信号转换为二维时频图像,然后使用Swin Transformer神经网络对时频图像进行特征提取和调制类型识别.仿真结果显示该方法具有较强的抗噪声能力,在低信噪比条件下识别准确率高,且具有较强的小样本适应能力.

低截获雷达抗分选信号设计技术研究综述

雷达是获取战场态势的关键装备,极易遭受电子攻击。低截获雷达能从根本上提高雷达电子防御能力,是当前雷达研究热点,其重点之一是抗分选信号设计。首先阐述了低截获雷达的概念,然后介绍了低截获雷达的应用需求,说明了低截获雷达抗分选信号设计的必要性和紧迫性。梳理了近年来低截获雷达抗分选信号设计的方法,重点分析了信号组合、信号参数调制、基于脉冲重复周期(Pulse Repetition Interval,PRI)、优化算法四种抗分选信号设计方法。最后展望了抗分选信号设计技术的发展方向。

低截获概率雷达信号的循环谱相关函数检测方法分析

给出了一些噪声、干扰及低截获概率雷达信号的循环谱相关函数 ,分析了其在噪声与干扰中检测的优越性 ;对循环谱相关函数与Wigner Ville分布、解线调、模糊函数进行了比较 ,分析了它们的一致性 ,并比较了循环谱相关函数的几种主要估计算法。从这些分析中可知 ,循环谱相关函数是检测低截获概率雷达信号的有效方法 ,抗干扰能力强 。

低截获概率雷达信号的调制识别研究

在分析了低截获概率(LPI:Low Probability of Intercept)雷达信号的分数阶傅立叶变换(FRFT)的基础上,提出了把调频率和分量能量之比作为分类特征向量。分类特征向量通过自适应信号分解来提取。仿真结果表明了该方法适合于低截获概率雷达信号的低信噪比情况,具有很好的识别率。

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。

低截获概率雷达信号干扰类型分类识别

针对三种常见低截获概率雷达信号的干扰类型识别问题,结合分形和分数阶傅里叶变换算法,提取干扰后混合信号的信息维数、盒维数以及分数阶域信号分量能量之比,构造特征向量,然后通过支持向量机对干扰类型分类识别;仿真结果表明:这种方法可以对干扰类型有效分类识别,判断出干扰类型属于同型同频干扰、非同型同频干扰或是带内非同频干扰,对雷达抗干扰设计和系统设计有重要意义。

低截获概率雷达复合信号设计技术

根据低截获概率 (Low Probability of Intercept)雷达信号应有的特点 ,从分析信号的相关函数和模糊函数入手 ,阐述了具有伪随机码相位调制和伪随机开关脉冲调制的复合信号设计与综合的原理 ,给出了这种信号可能的形式及每一种类型信号的可能应用场合 .

匹配模板法在雷达信号识别中的应用

雷达采用低截获概率(LPI)技术之后,特别是在低信噪比条件下,传统的基于参数提取的雷达信号识别方法将会失效。数字接收机的研制与投入使用,开辟了信号截获识别的新思路。如果在先期情报侦察中截获雷达信号并且成功识别,那么就可以将该雷达中频采样数据保存下来制作为匹配模板,当该雷达信号再次出现时,即使信噪比较低,也可以完成匹配接收,截获的同时便完成信号识别。采用实际截获的雷达信号制作成匹配模板进行计算机仿真实验,当其中的某一雷达信号再次出现时,匹配模板成功截获,实验结果验证了该方法的有效性与可行性。

基于相位匹配的低截获雷达信号的提取

文中利用信号相位匹配原理,在背景噪声谱幅度已知的条件下,结合低截获雷达信号的特点,提出了一种全新的微弱信号提取法,即基于单点阵的分段信号相位匹配法。通过仿真实验表明,该方法对强白噪声或强相干干扰环境下低截获雷达信号的提取具有很好的效果。