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。     

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。     

一种雷达信号脉内调制特征分析方法

以单载频、线性调频、BPSK和FSK信号为例,通过提取信号的瞬时相位,对雷达信号的脉内调制特征进行了分析。首先介绍了信号瞬时相位的提取方法,然后通过瞬时相位微商得到信号的瞬时频率,接着引出了一种基于最小二乘算法的调制类型识别方法,最后对这种方法进行了仿真分析。仿真表明,相位测频法是一种有效的雷达信号调制特征分析工具。     

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ICA和小波脊的多辐射源调制类型识别

针对电子侦察中多个雷达辐射源信号混叠时的调制类型识别问题,利用独立分量分析将多个雷达辐射源信号进行分离,再对分离后的辐射源信号采用小波变换,提取信号时频分布的脊线,最后计算脊线特征值,通过脊线特征值来判断辐射源调制类型.仿真实验验证了该方法的正确性和有效性.     

基于连续小波变换的脉内调制类型识别技术

脉内调制类型识别是雷达侦察的关键技术之一,特别是低信噪比下的脉内调制识别技术是当前研究的热点.利用基于连续小波变换的瞬时频率提取技术,可以在低信噪比条件下获得不同调制类型信号的瞬时频率特征,从而实现低信噪比下的脉内调制类型识别,仿真结果表明采用这种方法可以有效地实现低信噪比下的瞬时频率提取.     

利用瞬时频率提取雷达辐射源特征的新算法

介绍了一种新的雷达辐射源特征提取算法,该算法首先通过伪维纳分布寻找一个随时间变化的最佳窗,基于该窗精确估计信号的瞬时频率,从瞬时频率估计中,可以识别出相位编码信号,然后对于不同的编码类型,利用所估计的瞬时频率,提取瞬时频率的自相关的主瓣峰值和最大旁瓣值的比值作为识别特征.仿真实验证明该算法提取的特征值可有效识别不同体制的雷达信号.     

基于时频原子方法的雷达辐射源个体识别

针对雷达辐射源个体识别问题,提出一种时频原子分解的特征提取方法.该方法针对主振放大式发射机,首先根据锁相环频率合成器相位噪声的功率谱,模拟含有特定相位噪声的辐射源信号.然后基于时频原子分解原理并采用膜算法将带有相位噪声的辐射源信号在正弦原子库中进行一次分解.最后利用分解后的原子提取出正弦原子能量特征和原子频率偏差特征,...     

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。     

时频图像局部二值模式特征在雷达信号分类识别中的应用

针对低信噪比下雷达辐射源信号的分类识别,提出了一种将时频分析与图像处理相结合的特征提取和识别方法.该方法首先对雷达信号进行时频变换,将得到的时频分布转化为灰度图像;然后运用图像处理方法对时频图像进行增强和去噪;最后提取局部二值模式纹理特征描述子作为信号的识别特征,并采用支持向量机分类器实现信号的分类识别.文中针对12种常见雷达信号进行了仿真,结果表明该方法在较低的信噪比下仍能获得较为满意的识别率,当SNR=0dB时,信号的平均识别率能达到95.35％.所提出方法能有效降低噪声对分类识别的影响,同时对于时频图像相近的信号也有较好的识别效果,表明了该方法的有效性.     

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YOLOv6框架实现典型通信信号调制快速识别方法

随着战场通信侦察对抗系统的快速发展,通信信号体制变得非常复杂,给非合作接收条件下的通信信号检测、调制识别及信号辐射源个体识别带来困难。为了全面掌握信号先验信息,对复杂多样的通信信号体制进行盲检与识别,本文提出基于时频图分析和深度神经网络的多种通信信号自动调制识别方法。首先,利用时频分析将不同典型通信信号转换为时频图像,再将标注后的时频图输入基于深度学习的YOLOv6（目标检测模型）网络中进行特征学习;然后,通过设计YOLOv6更高效的网络结构,使其能够对信号的时频图进行快速识别;最后,将训练后的网络权重对典型通信交叠信号进行测试,对提取的特征向量进行分类识别,完成6种调制方式识别与位置的快速确定,实现在非合作接收条件下的多个典型通信信号调制方式的检测和识别。     

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。     

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。     

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。     

基于多模特征融合的雷达干扰信号识别

传统制导雷达面临的新型有源干扰样式越来越复杂，雷达必须对各种干扰类型加以鉴别。传统的干扰识别方法仅对特定单一样式有效，通用性较差、泛化能力较弱，无法应对复杂多变的干扰对抗环境。因此，必须提出智能化更高、稳健性更强的普适干扰识别方法，提升制导武器抗干扰能力。为了提高干扰信号识别的准确率，研究了多模特征融合算法，并最终对时域、时频域、信息论特征进行融合以实现分类。首次将信息论中熵、相对熵、相对距离等概念引入到干扰信号分类这个应用场景中，通过仿真实验表明，能够有效对常见干扰进行有效识别，在较低干噪比下也有较好的识别准确率。     

一种提高超宽带雷达目标识别概率的方法

首先利用电磁散射理论分析了空中目标在超宽带(UWB)雷达照射下的电磁散射特性,阐述了UWB雷达目标识别的方法与步骤,然后对回波信号的相参积累用于提高UWB雷达目标识别概率的效果进行了分析。理论分析和计算机仿真结果均表明,在低信噪比的情况下,相参积累方法可以提高UWB雷达的目标识别概率。