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。     

密集信号环境下分选参差雷达脉冲的新方法

在密集信号环境下,雷达信号参差类型的判定以及参差雷达信号分选一直是雷达信号处理的一个难题.研究了在密集信号环境下PRI参差判定门限的设计方法,在此基础上,提出了PRI参差雷达脉冲分选的新方法.仿真试验表明,该方法是切实可行的.     

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。     

基于小样本集推理的雷达信号多维分选技术

目前,直方图法、PRI变换法以及平面变换法等一维、二维分选方法无法有效利用雷达信号脉冲描述字进行分选,而现有多参数聚类的多维分选方法,又存在最佳分类个数和误差范围的选择问题。针对这些问题,提出了基于小样本集推理的雷达信号多维分选技术。计算机仿真结果表明,该方法在提高分选正确率的同时可以有效降低计算复杂度。利用卫星接收到的雷达信号数据进一步验证了采用该技术的分类器具有良好的推广性。     

一种基于余数周期的 PRI精确估计算法

针对传统脉冲重复间隔（PRI）分选算法在估计PRI方面存在的不足,提出了一种对PRI周期信号的周期进行精确估计的算法。该算法首先从待分选脉冲序列中提取出属于一部雷达的脉冲样本,然后利用同余方程的余数周期性质对该雷达脉冲序列的PRI进行精确的估计。相对于传统的PRI估计算法,该算法有效地消除了TOA量化误差对PRI估计造成的影响,可以精确地估计出雷达脉冲序列的准确 PRI数值,从而能够更好地满足信号分选算法的处理需求。理论推导及仿真实验均表明了该算法的有效性。     

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。     

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.     

一种基于配对定位的脉冲分选新技术

如何实现复杂多参数捷变雷达信号的脉冲分选,一直是雷达对抗领域的一个十分重要的研究课题.提出了一种基于脉冲配对定位的新方法,解决了多参数捷变雷达的脉冲分选问题,详细分析了基于配对定位的脉冲分选的实现过程,并通过仿真试验进行了验证,试验证明基于配对定位的分选方法可以提高脉冲分选的性能,同时可以解决多参数捷变雷达的脉冲分选问题.     

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。     

基于卷积神经网络的雷达和通信信号调制识别

雷达和通信信号的调制识别是电子侦察对抗的一项关键技术,通过搜索、截获敌方电子设备发射的电磁辐射信号,经过电子侦察系统分析、识别,从而获取敌方战术、技术特征参数等情报。人工神经网络中的深度学习网络由于具有强大的表征学习能力,可以自动从原始数据中提取出各种复杂的特征。介绍了一种差分自相关预处理结合深度学习进行中频信号调制识别的方法,结合工作的实际需求,对深度学习在信号调制识别中提出了一些展望,如进一步提高在低信噪比下的识别率和研究深度学习调制识别混合架构。     

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...     

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。     

一种基于TOA差值矩阵的雷达信号分选方法

由于几种经典的雷达信号分选方法在复杂的电磁环境下分别存在各自的缺陷,很难正确分选出全部目标信号,且伴有较高的虚警和漏警概率,因此提出一种新的基于脉冲到达时间(TOA)差值矩阵的信号分选方法,PRI的模式搜索与脉冲匹配过程均在该差值矩阵上完成.实验结果表明,该方法能够适应复杂的雷达信号环境,并且具有较高的脉冲分选正确率,以及较低的虚警和漏警概率.     

重频抖动脉冲信号分选研究

针对累积差值直方图法、序列差值直方图法对重频抖动脉冲信号的分选能力差,基于PRI变换的重复间隔估计算法计算量比较大难以做到实时处理的问题,对序列差值直方图法进行改进。利用交叠小箱法进行直方图统计,很好地兼顾了处理速度和重频估计的准确性,可有效分选重频抖动的雷达脉冲信号;在脉冲串检测时,将脉宽用作抖动重复间隔序列抽取的第二判决参数,增加脉冲检测的可靠性。仿真结果表明,在不明显增加运算量的情况下,序列差值直方图改进算法能很好地分选脉冲重复间隔抖动量10%以内的脉冲信号。     

通信信号智能调制识别对抗攻击研究

基于深度学习技术的通信信号调制识别算法由于其优秀的特征提取能力,极大地提升了调制识别任务的精度,但是对抗样本特性的存在,导致基于深度学习的调制识别模型的安全性受到了极大威胁,通过在训练好的调制识别网络中添加设计好的特定微小扰动,就可以使得调制识别模型完全失效。研究了基于深度学习的调制识别模型及其对抗样本攻击方法,提出一种基于快速梯度符号法的定向扰动生成方法,该方法在扰动和原始信号功率比为-21 dB的条件下,针对11类常见的不同调制种类的通信信号生成扰动,实现对通信信号调制识别模型的定向攻击,为智能调制识别模型的攻防对抗提供参考。     

基于聚类分析的雷达信号分选研究

基于聚类分析的方法是近年来用于雷达信号分选的研究热点之一。首先从聚类算法自身的特点出发,对雷达信号分选的参数选取进行了讨论,在此基础上分析了聚类算法中距离测度及其参数权重对聚类结果的影响。通过仿真试验,对聚类分析在雷达信号分选中的应用方式进行了探讨,并提出了一种改进的基于K-Means聚类的DOA单参数聚类方法,通过仿真结果验证了其应用于预分选的可行性。     

脉冲多普勒雷达识别中的信号调制信息提取

由于脉冲多普勒雷达的不同工作方式采用不同的信号调制形式 ,因此研究信号调制信息提取方法是脉冲多普勒雷达识别中的一个重要环节。以脉冲多普勒雷达的特点和信号调制方法为理论基础提出几种信号调制信息的提取方法 ,仿真结果表明采用时域数字正交相干检波法能获得很好的识别效果     

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。     

基于粒子群聚类算法的雷达信号分选

在电子对抗领域,雷达信号分选的研究是一个重要课题。电子战的信号环境日趋复杂,雷达信号的处理面临高密度信号环境,雷达脉冲相互交错。对粒子群聚类算法进行了研究分析,把粒子群聚类算法应用到雷达分选中,仿真实验证明该方法能够得到很好的雷达信号分选效果,为雷达信号分选提供了新思路。     

一种基于TOA的同型雷达同源判别方法

雷达信号合批是辐射源识别过程中的一个重要环节,它可以有效地消除虚假和重复的雷达信号.然而,传统的雷达信号合批算法在同型雷达信号的判别方面存在着严重不足,极易造成多个同型雷达被错误的归并.针对这种情况,提出了一种基于TOA的同型雷达同源判别方法,该算法首先利用同余方程的余数周期性质估计出雷达信号的精确PRI数值,然后利用...