一种低信噪比下雷达脉内特征提取方法

高密度复杂环境下的雷达脉内特征提取是现代雷达的信号分选、识别的一个重要研究内容。利用时频分析中的WVD分布分析信号时零频处仍保持原信号所有特征这一特性 ,提出了一种低信噪比下的小波提取信号脉内调制特征的方法。仿真结果证明了该算法的有效性。     

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。     

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.     

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...     

基于盲解卷的雷达信号分选

盲信号处理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。深入分析了非平稳信号的盲解卷算法,并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较好的分离效果,从而为实现现代电子对抗中复杂的雷达信号分选提供了新的思路。     

雷达信号环境模拟中波形产生单元的设计

针对复杂雷达信号环境模拟系统中对多输出、多调制形式的波形产生单元的迫切需求,综合了以小波变换为基础的脉内调制特征提取技术和以DDS技术为基础的直接数字调制波形合成法,借助于SOPC技术,设计完成了一种新的波形产生单元.     

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。     

一种复杂密集信号的预分选方法

随着新体制、新技术雷达的不断出现 ,侦察接收到的雷达序列信号更加密集和复杂。在阐述传统的时域分选方法已不能有效分选这类信号的基础上 ,提出利用信号的特征参数 ,对已按DOA稀释的雷达序列信号进行预分选的方法。试验证明该方法能有效地筛选常规雷达信号和部分非常规雷达信号 ,从而达到稀释信号和降低复杂信号分选难度的目的     

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 。     

雷达信号脉内特征的小波分析

提出利用小波分析的方法分析雷达信号脉内特征，介绍了小波变换的方法并分析了利用小波变换的方法分析雷达信号脉内特征的可行性。对几种雷达信号进行了小波变换的模拟分析。结果表明，小波变换是分析雷达信号脉内特征的有力工具。     

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。     

宽带T/R\|R双基地雷达目标特征提取方法研究

与宽带单基地雷达相比,宽带T/R\|R双基地雷达有诸多优势。研究了宽带T/R\|R双基地雷达目标的特征提取问题,利用两个站同时观测到目标一维像,分别提取了目标单站一维像对应的距离与双站一维像对应的距离和;结合双基地雷达目标定位方法,给出了目标长度和姿态角的估计方法,仿真分析了目标位置和基线长度对估计精度的影响;在此基础上,通过多次观测,给出了目标长度、目标姿态角以及姿态角平均变化率的估计方法。最后,仿真结果表明了所提方法的可行性和有效性。
     

基于最小最大鉴别分析特征提取的雷达目标识别

针对基于雷达目标高分辨距离像的识别问题,本文提出了一种新的准则函数,并依据该准则函数采用神经网络来实现自适应的非线性特征提取、变换与识别。同时,由于准则函数只坜对特征提取后的类间散度和类内散度作出估计,因此在样本数相对较少的情况下也能得到较好的估计结果。该准则函数在形式上与Fisher准则函数相似,但它们之间存在着本质的差异。鉴于二者的形似之处,遂将基于该准则函数的特征提取方法冠以“最小最大鉴别分析特征提取”之名。将该方法用于五类缩比目标测量数据的特征提取与识别,取得了较好的识别效果。     

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。     

基于雷达相位测距的微动特征获取

针对微动目标的雷达回波特征信号一般较小难以提取的特点,提出了一种基于雷达相位测距的微动特征获取方法。相参雷达工作在宽窄交替模式下,宽带信号形式为线性调频（Linear Frequency Modulation,简称LFM）。首先,通过窄带相位测距（游标测距）测量目标质心的平动轨迹;其次,通过宽带相位测距测量目标上各个散射中心的运动轨迹;最后,从散射中心运动轨迹中除去质心平动轨迹,获得散射中心相对于质心的微动轨迹。相位测距精度极高,已知微动模型,可以估计微动参数,获取微动特征。仿真结果表明,该方法可以有效获取目标的微动特征。     

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。     

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。