基于双谱分析的雷达辐射源个体特征提取

雷达辐射源个体特征对复杂电磁环境中辐射源的分选和识别有着重要意义.双谱中包含了丰富的信号细微信息,如雷达辐射源的相位噪声、频率漂移等特征,且受高斯噪声和杂波影响较小,因此可以作为雷达辐射源信号的个体特征之一.但是信号双谱中包含了很多冗余信息,不利于机器进行识别处理.利用双谱对角切片对双谱特征进行优化,剔除其中无效、冗余的信息,将变换后的结果作为雷达辐射源个体特征信息.仿真实验结果验证了算法的可行性.     

基于孤立点分析的辐射源奇异脉冲提取方法

讨论了密集信号环境下雷达辐射源奇异信号提取的问题,将数据挖掘技术的孤立点分析方法应用到雷达辐射源信号分选中来,提出了依据参数异常和到达时间异常提取奇异雷达辐射源信号的方法,并通过试验分析验证了方法的有效性。     

基于网格密度聚类的雷达信号在线分选算法

提出了一种采用滑动窗口机制的雷达辐射源信号在线分选算法,该算法基于网格密度聚类的思想,能在线地向用户提供分选结果,动态地检测雷达信号的分选情况。仿真实验结果表明,该方法具有快速在线分选的能力,且分选效果较好。     

基于全脉冲的周期信号样本提取技术

现代电子战中,传统的辐射源分选识别方法无法在密集的信号环境中快速有效地对复杂体制雷达进行分选识别,造成系统漏警。基于上述情况,提出了一种基于脉冲样本序列自提取的分选算法。这种算法利用雷达信号脉冲序列的周期性和相关性,实现对模板序列的自动提取,从而可实现全脉冲序列中小样本数或脉间规律复杂的雷达信号的分选。仿真实验表明,在全脉冲数据量级适中的情况下,该算法可以有效提取目标模板序列。     

一种基于抛物线霍夫变换的雷达信号分选方法

在雷达信号分选时,一般的思路是采用到达时间、脉宽、频率、到达方向等参数对信号进行分选,分选完成后再将同一辐射源的脉冲幅度提取出来,进行雷达扫描特性等分析.对某实际采集数据进行了分析,发现信号的时间、幅度曲线有明显的规律,采用了抛物线霍夫变换提取了全脉冲的幅度特性,并采用时间、幅度联合分析完成了信号的分选.仿真结果表明了该方法的有效性,为雷达信号分选提供了一条新的思路.     

一种未知雷达辐射源信号分选的新方法

对未知雷达辐射源信号进行准确分选是当前电子对抗领域迫需解决的一个难题。基于高阶统计量（HOS）可以实现多种不同调制信号的分类,且具有抑制高斯噪声的优点,但对于相同调制样式不同调制参数的信号则无效。提出一种基于HOS-PRI的新方法,首先利用HOS实现不同调制样式信号的分类,对于具有相同调制样式不同调制参数的信号再基于脉冲重复频率（PRI）进一步细分。仿真结果验证该方法准确有效。     

基于粗糙集的雷达辐射源信号识别

雷达信号识别是侦察系统信号处理的目的，是整个雷达对抗信号处理中的关键性环节，为解决雷达辐射源信号模式识别困难的问题，在深入研究粗糙集理论的基础上，将其同辐射源信号识别问题相结合，给出了基于粗糙集的辐射源信号识别模型。同时介绍了连续属性离散化、知识约简和规则提取的概念，给出工基于粗糙集的识别过程。实验表明该方法减少了识别的主观因素，能有效处理辐射源识别中的模糊性和不确定性，具有广阔的应用前景。     

辐射源识别处理中的合批技术研究

雷达信号合批是辐射源识别处理中的重要环节,它可以有效地消除虚假和重复雷达信号。结合雷达信号出现的规律和雷达参数分布规律,讨论了雷达信号合批技术,给出了一种合批方法。该方法可以快速高效地对各类辐射源进行合批处理,实际应用结果证明了其有效性。     

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。     

基于脉冲样本图和Vague集的雷达辐射源识别

针对现有雷达信号特征描述方式很难有效地对复杂雷达辐射源进行描述和识别,提出一种基于脉冲样本图和Vague集的雷达辐射源识别新方法。该方法把雷达辐射源识别问题转换为Vague集的多属性决策问题,不仅能很好地解决雷达信号识别中的模糊问题,而且无需传统方法的特征提取过程,简化了处理环节。另外,基于脉冲样本图的雷达辐射源识别是利用有序的多个脉冲同时匹配识别,因此更可靠。计算机仿真表明该方法是有效可行的,为复杂雷达辐射源识别提供了一种新思路。     

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。     

基于模糊函数的雷达辐射源信号分选新方法

当前的雷达辐射源信号分选方法存在准确率不高和对噪声敏感的问题,对此,提出一种新的分选算法。对接收到的信号首先求取其模糊函数,并将其简化为二维特征图,然后对该二维特征图进行小波包分解,得到八维小波包变换特征（WPT）,最后将类间分离度最优的第二维小波包变换特征Wpt2和第五维小波包变换特征Wpt5作为分选的特征参数。由于不同信号的模糊函数区别较大且受噪声的影响小,因此转换后的WPT可分性强、稳定度高;大量的仿真验证了新方法的优越性,在信噪比为10dB时,分选准确率最低为90％。     

基于网格聚类的雷达信号预分选

针对现有网格聚类算法需要人为确定网格划分、边界处理精度低的问题,提出了基于固定网格划分和动态网格划分的雷达信号预分选算法。基于固定的网格划分算法对输入信号脉冲顺序不敏感,根据网格数据压缩率自适应确定网格划分和密度阈值。基于移动技术的动态网格聚类算法能够识别任意形状和大小的聚类。仿真实验表明,这两种方法能有效适用于雷达信号分选,且能很好地识别出孤立点和噪声。     

一种基于模糊隶属度的雷达辐射源识别新方法

在雷达辐射源识别中,一般采用隶属度来衡量知识参数和侦察参数的相似性,并以此进行识别,其难点在于隶属度函数的确定。针对这一难点,提出了一种新的脉间特征参数和脉内特征参数隶属度的计算方法,并提出了一种综合特征权值的计算方法,对雷达辐射源进行加权识别。仿真结果表明,这种方法的识别效果优于传统的识别方法。     

独立分量分析在雷达信号分选中的应用

独立分量分析(ICA)是近年来信号处理领域的热点研究课题,可以根据输入源信号的基本统计特征,由观测数据进行信号分离,最终恢复出源信号。在深入分析ICA算法的基础上,提出了将其用于雷达信号分选的新思路。计算机仿真表明,这种算法应用于雷达信号分选时可以获得比较好的分离效果。