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。     

基于匹配模板的雷达信号快速识别系统设计

雷达采用低截获概率(LPI)技术之后,特别是在低信噪比条件下,传统的雷达信号识别方法将暴露出对弱信号无能为力、识别率低等缺陷.针对这些问题,设计了基于匹配模板的雷达信号快速识别系统,介绍了系统设计的基本思路,提出了敏感参数这一概念,保证了正确识别率.以线性调频信号为例制定了相应的匹配识别准则,通过仿真实验验证了该准则的有效性和该系统的可行性.在信号受到噪声污染的情况下,该系统对线性调频信号的识别信噪比可以达到-6dB.     

基于自提取脉冲样本图的雷达信号快速提取法

针对电子侦察中截获的敌方雷达信号,估计敌方雷达参数、实现快速的雷达信号提取,对电子对抗决策有重要意义。基于脉冲样本图的描述方式,提出一种新算法,实现对截获的敌方雷达信号的快速识别。算法利用同种雷达信号脉冲之间的匹配相关性,通过脉冲的整体平移,在实现对脉冲样本图的自提取的同时,把用此脉冲样本图描述的雷达辐射源信号筛选出来。仿真分析表明该方法可以获得较高的成功率。     

基于D-S证据理论的雷达模糊识别研究

针对现代雷达信号的复杂性和模糊性以及信号在时间上的冗余性等特点,将模糊匹配和D-S证据理论相结合.在信号的积累和求取模糊隶属度的基础上,用D-S证据理论对隶属度进行融合,有效地解决了雷达信号识别的不确定性问题,同时充分利用了信号在时间上的冗余信息,提高了雷达信号的识别效果.仿真试验证明了该算法的有效性.     

神经网络在雷达辐射源识别中的应用研究

由于现代战争中雷达信号环境日趋复杂 ,新体制和复杂体制雷达大量涌现 ,现有的雷达信号识别方法不能适应未来电子战环境 ,研究新的高效的雷达识别方法 ,已成为当前比较迫切的课题。研究了雷达辐射源识别的神经网络方法 ,分析了它的可行性及其优点 ,给出了用B -P网络来实现雷达辐射源识别的方法 ,并与ESTRR方法进行了比较。     

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。     

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。     

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。     

一种雷达信号模糊函数特征提取与识别方法

现代雷达面向智能化、软件化、多功能与多用途方向发展,一部雷达往往具有多种工作体制与工作状态,雷达信号采用复杂的波形设计,这就使得雷达信号的特征提取与识别过程变得越来越困难。另外,现代电磁环境复杂,杂波、噪声干扰严重,给雷达的侦察工作带来更大的难度。基于此,提出将流形学习应用于雷达信号模糊函数的特征提取,并对其进行仿真与分析。结果验证了该方法的可行性。     

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。     

雷达信号环境的一体化模拟方法探讨

针对装备的复杂电磁环境效应试验研究需求,研究了雷达类装备面临的信号环境,提出了一种基于信号相干特征的环境要素分类方法,并根据该方法设计了一体化的雷达信号环境模拟系统框架,讨论了相关的关键技术及其难点,为开展雷达类装备复杂电磁环境适应性试验提供了重要的理论与方法支持。     

基于改进LF算法的雷达信号分选

在现代战争中随着新体制雷达的不断涌现,电磁环境变得越来越复杂,雷达脉冲相互交错,雷达信号的处理面临高密度信号环境。目前普遍采用的基于直方图统计的信号分选方法越来越不适应现代雷达信号环境。将蚁群聚类算法引入到雷达信号分选中,并对其进行了改进,提出了一种新的雷达信号分选方法。该方法不需要雷达信号的先验知识,适用于处理未知信...     

雷达侦察环境信号密度量化研究

在分析现代雷达侦察环境信号特点基础上,提出了以时域、空域、频域和功率域参数为参变量的雷达侦察环境信号密度量化参数——环境信号占空比,并通过理论分析和实验证明了其单调性、稳定性和可测性等基本性质.该量化参数对于测量评估现代战场雷达侦察环境信号密度、构设雷达侦察装备试验所需的复杂电磁环境,具有比较重要的意义.     

雷达侦察系统复杂电磁环境适应性分析

雷达侦察系统面临的复杂电磁环境包括密集的雷达信号,非雷达信号以及噪声和干扰。分析了雷达侦察系统适应复杂电磁环境能力,提出了对非雷达信号及噪声和干扰进行抑制,对雷达信号进行有效侦收的措施和方法。最后用门限变化进行抗干扰检测,说明雷达侦察系统可以有条件适应复杂电磁环境。     

基于狄里克莱过程混合高斯模型的信号分选

提出了一种基于狄里克莱(Dirichlet)过程混合高斯模型的雷达辐射源信号分选方法。通过将Dirichlet过程与高斯模型相结合,得到的Dirichlet过程混合高斯模型可以自动学习混合高斯分量的数目。将该模型应用于雷达辐射源信号分选,可以自动确定电磁环境中雷达辐射源的数目。仿真实验结果证实了该方法在雷达辐射源信号分选中的有效性。     

基于PDW的雷达信号环境建模与仿真研究

在雷达电磁环境仿真系统中,需要模拟生成描述雷达信号环境的脉冲描述字(PDW)数据,以引导系统生成干扰信号环境数据。采用PDW对雷达信号环境进行描述,结合雷达信号环境的PDW数学模型,给出了基于PDW的模型框架,并设计了雷达电磁环境仿真流程。最后归纳了生成PDW数据的处理方法,给出了载频、重频和脉宽的模拟生成示例。     

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。