基于FRFT的雷达信号chirp基稀疏特征提取及分选

特征分析是雷达信号分选识别的基础,利用稀疏分解思想对新体制雷达信号进行特征提取是一个新的研究方向。本文以分数阶Fourier变换的核函数作为稀疏分解的chirp基函数,将具有相近特征参数的chirp基函数构成基函数族用于稀疏分量提取,推导了在分数阶Fourier域基于匹配跟踪的chirp基函数族稀疏分解公式,然后利用chirp基稀疏分量的调频率和初始频率构成特征参数序列,将雷达信号脉冲分成5大类进行分选和识别,仿真分析验证了推导结果的有效性。结果表明对于具有线性或曲线时频特征的雷达信号在信噪比为-3dB,采样频率为500 MHz,观测时间为2μs,调频率不超过100MHz/μs时,仍然具有95%的正确分选概率。

基于时频特征提取和残差神经网络的雷达信号识别

针对低信噪比(signal to noise ratio,SNR)下雷达信号脉内调制类型识别率较低的问题,提出了基于时频特征提取和残差神经网络的雷达信号识别算法。时频特征提取首先通过分数阶傅里叶变换对信号进行Chirp基分解,按照Chirp基载频与调频率的不同组合对信号划分类别,并设置对应的分类特征参数。然后,计算信号的伪Wigner-Ville时频分布并提取Zernike矩。上述特征参数组成信号特征矢量,使用残差神经网络分类器实现雷达信号识别。仿真结果表明,在SNR=-2 dB时识别准确率能达到93%以上,同时鲁棒性验证良好,算法复杂度能够满足现实要求。