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。     

基于循环神经网络的空中目标类型识别

为解决在空中目标类型识别过程中,目标特征单一导致识别准确率低的问题,提出一种将雷达信噪比与目标航迹特征相结合的基于循环神经网络(Recurrent Neural Network,RNN)的目标识别方法。该方法利用RNN模型在处理时序数据上的优势,挖掘雷达数据隐藏在时间层面的特征;扩展目标特征属性维度,利用智能化模型有效地将雷达信噪比与目标航迹特征相结合,提高目标识别的准确率。应用真实检飞数据,对该方法进行检验,并与传统方法进行对比分析。仿真结果表明,基于RNN的目标智能化识别方法具有更高的准确率。     

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。     

DRFM移频干扰对LFM脉冲压缩雷达的影响及对策研究

DRFM移频干扰是针对LFM脉冲压缩雷达等一些新体制雷达所提出的新型干扰技术,其干扰信号与雷达发射信号具备较强的相干性、干扰样式的多样性及灵活性,导致雷达难以利用现有的抗干扰技术进行反干扰。此文从分析干扰信号与目标回波信号参数的不同之处入手,提取出真实目标回波信息,较好地实现了抗移频干扰。     

压制式干扰对SAR成像质量的影响初步分析

研究了几种压制干扰样式,建立了SAR雷达干扰方程,分析了SAR雷达回波信号仿真方法,计算了干扰信号对SAR成像的干扰效果.     

雷达PRI调制样式识别新方法

针对雷达PRI调制样式识别难题,在分析雷达PRI类型的基础上,提出了能够有效描述雷达PRI调制特征的五种分类特征参数,分析了对存在丢失和虚假脉冲的处理方法,并据此提出了PRI调制样式的识别算法与实现流程,实现了五种典型PRI调制样式的有效识别。理论分析与计算机仿真结果表明,该方法在PRI测量精度较低和丢失虚假脉冲比例较高的情况下具有稳健的识别性能。     

开放世界下的雷达辐射源融合识别算法研究

针对开放世界下雷达辐射源目标库不完备的现状,对开放世界下雷达辐射源识别的信息融合模型进行了研究。建立了不同类型雷达特征参数的模糊隶属度函数,采用待测样本与模型样本匹配的方法生成广义概率指派函数,并采用修正的广义证据理论算法融合多参数信息获取识别结果。实验数据表明:该模型能在雷达辐射源目标库不完备的情况下,识别已知目标和判别未知目标,判别结果相对基于经典D-S证据理论和原始广义证据理论的融合识别方法更加可靠、有效,在雷达识别的场景中具有潜在应用价值。     

针对相控阵雷达的自适应干扰样式调度准则研究

自适应干扰样式调度策略是实现认知电子战的关键环节.针对目前自适应干扰样式调度准则中未考虑相控阵雷达自身工作调度模板的问题,在现有雷达侦察参数的基础上,增加对脉冲幅度和脉冲数量2个参数的侦察以提高对雷达工作状态变化的判断准确率,然后对雷达工作调度模板进行侦收和分析,从而建立基于相控阵雷达自身工作调度模板的自适应干扰样式调...     

对抗MIMO雷达的低截获干扰信号设计

研究MIMO雷达的干扰信号设计方法,在保证对雷达的信干噪比小于雷达可检测目标门限的前提下,最小化干扰信号的功率,从而使干扰信号难以被截获,有效节省了干扰资源.通过分析MIMO雷达信号模型,假设MIMO雷达采用非匹配滤波器对干扰和噪声进行抑制,推导了MIMO雷达输出信干噪比的表达式,将其作为干扰信号设计的约束条件,最小化干扰信号总功率,得到了干扰信号功率优化分配的方法.仿真结果表明,相比较于未进行干扰功率优化设计的干扰信号,在达到相同信干噪比的情况下,此方法可以有效降低干扰总功率.     

基于逆ω-κ算法的SAR欺骗干扰方法

提出一种新的SAR欺骗干扰方法,其基本原理是干扰机在SAR副瓣区域快速生成覆盖保护区域的干扰信号,然后按照SAR发射信号的重复频率逐条发射干扰信号,最终使得干扰图像融合到真实场景之中,破坏和掩盖真实图像中的一些重要特征。为了实现快速的场景目标干扰,文中结合逆ω-κ算法,将一幅雷达灰度图转化为干扰信号。仿真试验表明,该方法可以有效实现对SAR的欺骗式干扰。     

基于时间序列相似性原理的雷达信号识别

从密集复杂的信号环境中分选和识别出特定雷达辐射源信号,是信号处理领域的重要内容之一。利用威胁复杂雷达信号的先验信息,引入数据挖掘领域时间序列相似性快速匹配原理及其滑窗技术,提出了一种适于复杂体制雷达信号快速匹配识别方法。实验表明,该方法识别速度快、适应环境能力强,具有良好的应用前景。     

一种新的辐射源优化识别方法

针对证据理论无法获得传感器报告、无法处理具有冲突的传感器报告、计算复杂度高、干扰环境下融合结果不可靠等缺点,提出了一种新的辐射源优化识别方法。该方法首先利用灰色关联算法来获得传感器的报告,并且提出利用信息熵解决灰色关联分析中特征权重的选择问题。然后根据传感器证据报告的特点,引入传感器可信度因子,通过构造和分解代价函数将辐射源识别问题转化为求解一个凸二次优化问题。最后,给出了一种利用对数罚函数方法求解该问题的改进方法和步骤。理论分析和仿真结果表明,与证据理论相比,新方法具有更低的计算复杂度、更好的识别能力、更广的适用性和更强的鲁棒性。
     

基于深度学习的雷达干扰识别方法研究

针对复杂电磁环境下雷达干扰信号识别问题，从优化卷积神经网络结构的角度出发，本文提出了一种对卷积神经网络结构LeNet-5增加批量归一化层和改变激活函数的方法。该方法能够加速网络收敛，提升网络的学习效率。本文首先建立舰船目标模型，分析了噪声调幅干扰、噪声调频干扰、梳状谱干扰和无干扰的真实目标回波信号在时频域的差异，然后利用四种信号对舰船目标模型生成数据集，最后通过本文所提方法实现雷达干扰的自动识别。仿真结果表明：在全信噪比条件下，本文所提方法对四种信号的识别准确率达到98.1%，表明所提方法有着较好的稳定性和鲁棒性。     

基于多维加权聚类的雷达信号分选方法

随着数字技术的发展,新体制、新技术雷达不断出现,反辐射导引头面临的信号环境更加密集和复杂,传统的方法已经不能对其进行有效分选。文中提出一种新的基于多维加权聚类的雷达信号分选算法。通过统计和熵值分析确定权值,计算加权的欧几里得距离,根据既定门限合并同类聚类中心,从而实现雷达脉冲的分选,并在各聚类中心应用改进的SDIF算法进行PRI精分选。计算机仿真结果验证了该方法分选的有效性。     

基于参数化解调的旋转目标微多普勒频率提取方法

旋转运动是航天领域中最为常见的微运动,如卫星天线转动、弹道导弹自旋运动等。旋转目标的微多普勒特征对雷达目标识别具有重大影响。针对旋转目标不同散射点的微多普勒频率相互重叠、难以提取的问题,提出了基于参数化解调的旋转目标微多普勒频率提取方法。由点散射模型得到旋转目标的微多普勒信号解析形式。考虑到旋转目标微多普勒信号具有正弦频率调制特征,构造了基于正弦模型的参数化解调算子,优化微多普勒频率参数,使解调信号在载波频率处的频谱值达到最大。为了估计多个散射点的微多普勒频率参数,提出了参数迭代估计方法,在每次迭代中只估计当前最强散射点的微多普勒参数,将相应信号分量从原始信号中剔除,消除对后续分量估计结果的影响。仿真和实验结果表明:基于参数化解调的旋转目标微多普勒频率提取方法与传统时频峰值检测方法相比,能更精确地提取相互交叉的旋转目标微多普勒频率,为最终实现雷达空间目标识别提供了理论基础,能应用于卫星天线、弹道导弹等目标的监测、识别。     

基于优化多尺度排列熵和卷积神经网络的滚动轴承故障诊断方法

针对滚动轴承故障分类中特征信号微弱、信号非线性和多尺度特征难提取的问题，提出基于优化多尺度排列熵（MPE）和卷积神经网络（CNN）的滚动轴承故障诊断方法:通过改进自适应噪声完备集合经验模式分解（ICEEMDAN）对轴承信号进行分解和重构，实现信号降噪；通过粒子群算法（PSO）对MPE进行优化，提出PSO-MPE特征提取方法，参数优化后的MPE能够提取更为关键的特征信息；将所得的排列熵输入到CNN中进行故障分类以及降维可视化分析。以凯斯西储大学开放轴承数据库样本为测试对象，将文章所提出的ICEEMDAN-PSO-MPE-CNN方法与ICEEMDAN-PSO-MPE-RNN、CEEMDAN-SVM、ICEEMDAN-PSO-MPE-SVM等方法进行纵向和横向对比分析，结果表明改进方法的分类准确率和效率更高，在T-SNE可视化下的分类效果更明显，能够实现滚动轴承故障的高精度和高效率检测。     

基于深度学习的雷达辐射源识别算法

为解决雷达辐射源识别中特征提取困难、低信噪比条件下识别效率低的问题,提出了一种基于一维卷积神经网络和长短期记忆网络的深度学习智能识别算法,构建了一个CNN?LSTM网络,能实现对不同脉内调制方式雷达辐射源的端到端识别。该网络首先利用卷积层学习信号局部特征,然后将卷积层输出的结果输入长短期记忆网络,学习信号的全局特征,最终构造逻辑回归分类完成分类识别任务。仿真结果表明,该算法较单一卷积神经网络模型具有更好的识别效果,抗噪声效果更强,在-6 dB信噪比的条件下,识别的准确率仍能够达到90%以上。