用模拟神经网络解中脉冲重频雷达系统的模糊问题

中脉冲重频（ＰＲＦ）雷达综合了高ＰＲＦ和低ＰＲＦ雷达的优良性能，但存在着距离和多普勒（距离速率）两种模糊问题。本文介绍了用神经网络有效地解中ＰＲＦ雷达系统模糊问题的方法。为此设计了一种多层前馈网络。且给出了模拟结果和模拟电路实现。建立了一种便于模块化的理论。它将大量的存储模式分成若干模块，这就使得利用模拟神经芯片模糊是切实可行的。它将大量的存储模式分成若干模块，这就使得利用模拟神经芯片解模糊是切实     

星载降水测量雷达重频设计分析

文章讨论了星载降水测量雷达（SPR）重频设计要求和约束条件,并以GPMKuPR系统参数为例,研究了SPR重频设计的约束条件,提出和分析了几种重频设计方案。仿真结果表明一种自适应重频技术完全满足系统要求,并能获得最多脉冲积累数。     

基于神经网络的时频域雷达信号调制参数估计

针对常规时频分析方法对多分量雷达信号分析的不足,提出一种基于神经网络的时频域多分量雷达信号调制参数估计新方法.把多分量雷达信号的时频分布作为灰度图像,通过神经网络训练得到高分辨率时频平面图,然后在时频域实现雷达信号各分量的调制参数估计,相对于时频重排等方法,其对时频分布的处理不需要关于各分量信号的先验知识.仿真实验表明,该方法在得到比时频重排方法更高分辨率时频图的基础上,能够较准确地估计各分量雷达信号调制参数.     

一种低轨双星雷达信号无模糊频差估计算法

针对低轨双星组合接收低脉冲重复频率(LPRF)雷达信号的频差(DFO)估计存在模糊的问题，提出一种基于时差差分的频差无模糊高精度估计算法，该算法通过对高精度的时差测量值进行中心差分获得无模糊的频差估值。仿真结果表明，新算法能对PRF低至300 Hz的雷达信号进行无模糊的频差估计，估计精度在信噪比高于15 dB时逼近克拉美劳下界，可有效扩大低轨双星时/频差定位系统对LPRF信号的适用范围。     

基于缺失数据填补的辐射源识别方法

针对模板雷达特征参数残缺而造成的测量辐射源不能正确识别问题,提出了一种基于 缺失数据填补的辐射源识别算法。该算法利用矢量神经网络对缺失数据进行填补,并对填补 后的训练样本进行重新训练,从而得到网络结构参数。仿真实验表明本文方法不仅能处理缺 失数据,而且在噪声环境下也能识别区间类型和标量类型的输入矢量。
     

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FRFT的抗线性函数移频干扰算法研究

线性函数移频干扰可以对线性调频脉冲压缩雷达形成有效的压制性干扰,改变载频和调频斜率均无法有效对抗线性函数移频干扰.通过分析线性函数移频干扰对线性调频脉冲压缩雷达的干扰效果和原理,提出了基于FRFT的抗线性函数移频干扰算法,从理论上分析了该算法的可行性,最后通过仿真验证了该算法的正确性和可行性.     

基于高斯chirplet时频原子参数自适应时频分布图的不变矩特征提取方法研究

根据时频分布性质,针对雷达目标的特征提取与分类识别问题,提出了一种基于高斯c hirplet时频原子参数自适应时频分布图的不变矩特征提取方法。首先分析了各种不变矩, 总结了它们各自的应用特点;接着把雷达信号和其时频分布图的不变矩特征结合起来分析了 目标的各种行为对时频分布图不变矩的影响,然后对提取时频分布图不变矩的算法进行了详 细的研究,识别仿真结果表明,利用信号参数自适应时频分布图像的不变矩特征进行雷达目 标识别是一个卓有成效的方法,该方法充分利用了雷达目标的散射信息,具有较高的识别率 。     

一种辐射源快速识别新方法

针对现有辐射源识别方法不能识别参数交叠的雷达信号以及BP神经网络迭代速度慢、识别效率低的缺点,设计出一种采用改进概率神经网络的实时快速识别方法。该方法构造的特征兼具单个脉冲参数统计特性和雷达参数变化整体特性两个层面的信息,进而可以对参数交叠的雷达信号进行有效识别。同时,该方法还对概率神经网络进行了改进,使之具备识别出未知雷达信号的能力。仿真实验表明,此方法在显著提高了识别率的同时,还具有良好的抗噪性和鲁棒性。     

基于特征融合的雷达信号脉内调制类型识别

针对雷达信号脉内调制识别算法准确率低的问题,提出基于特征融合的雷达脉内调制类型识别方法,该方法首先提取雷达信号时频图像的形状特征和纹理特征,利用改进的主成分分析法（IPCA）对特征进行融合,然后将融合特征输入支持向量机（SVM）,实现信号的分类识别。仿真实验中对8种常见的不同调制类型的雷达信号进行识别,该算法在信噪比为5dB时识别准确率接近100％,验证了该方法的有效性。