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。     

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。     

基于混合神经网络的无线电信号自动调制识别

随着无线电信号数据海量增加，复杂电磁环境下面临着未知威胁和目标侦察识别复杂度高的问题，本文针对未知无线电信号的特征提取任务，设计了一种混合神经网络以提高目标无线电信号的识别能力。先通过胶囊神经网络对未知信号的空间信息进行提取，再进一步运用门控循环单元提取信号在时间上的特征信息。设计混合网络模型将信号的时间和空间特征相结合，提高对目标信号的分类精度。通过RML2016.04C调制信号数据集，验证了混合神经网络的识别性能。结果表明:当信噪比为6 dB时，混合网络模型对多种不同调制信号的分类精度大于95%。因此，本文所设计的混合神经网络能够有效对不同调制信号进行准确分类。     

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。     

多径信道下OFDM信号和单载波信号的盲识别

针对非协作通信条件下OFDM(正交频分复用)信号和单载波调制信号的类间识别问题,提出一种在多径信道下基于信号循环自相关的调制识别算法。该算法不需要信号和噪声的先验知识,可以直接对中频信号进行处理,具有较强的实用性。通过对信号循环自相关函数进行分析,仅需进行时域的延时自相关运算和特定延时下的循环自相关运算,就可以从频域提取特征值来实现OFDM信号和单载波信号的盲识别。在估计OFDM信号周期时,提出一种基于极大值抽取的延时估计算法,能在多径衰落信道中不需要先验信息的情况下完成估计。仿真表明,本文提出算法的识别性能优于传统的四阶累积量算法。     

基于点云的空间非合作目标结构识别问题研究

在空间非合作目标捕获任务中,从传感器数据中识别出目标表面的可抓取结构是一个有待解决的问题。以卫星点云数据集作为对象,对4种基于神经网络算法(PointNet、PointNet++、SPLATNet和SO-Net)在卫星结构分割识别任务中的性能进行了比较分析。为了能够更好地测试算法性能,基于NASA在线数据库构建了训练测试数据集,并给出一种点云数据的快速构建方法。使用该方法,可以实现成批量地生成点云数据。仿真测试结果显示:PointNet++在卫星完整点云数据集和非完整点云数据上的分割准确率都是最高,并且分割效果也优于其他算法。     

基于矩特征的雷达信号脉内调制样式识别方法研究

相控阵雷达为了获得良好的低截获(LPI)特性,同时兼顾距离和速度分辨率,需要对信号进行复杂的脉内调制,将发射能量扩散到很宽的频率范围上,甚至与噪声水平相近。对雷达脉内调制信号进行识别,可以获取敌方雷达作战性能并制定相应的干扰策略。针对不同调制信号的时频图几何分布不同的特点,对CW、LFM、PARFM、PSK、FSK五类信号进行Choi-Williams变换,提出将不同信噪比下时频图像中最能反映图像区域几何特征的四个不变矩作为输入特征向量,利用梯度下降算法构建神经网络,对调制样式进行识别的方法。仿真结果表明,方法的识别效果良好。     

基于小波变换法的相位编码信号脉内特征提取

信号脉内调制信息识别技术对密集和复杂环境中辐射源的分选和识别有着重要的意义。研究了基于小波变换技术识别相位编码信号的脉内调制信息的算法,分别基于计算机仿真数据和专用设备提供的仿真数据进行了算法验证,结果证实了算法的可行性。     

一种基于迁移学习的遥测数据异常检测方法

为解决卫星遥测数据异常检测面临的数据不平衡且缺乏有标签样本的问题,提出一种基于一维卷积神经网络(1dCNN)迁移学习的异常检测方法.首先利用源域卫星的遥测数据对1dCNN进行预训练,使得模型的卷积层具有卫星状态特征的提取能力;然后将训练好的模型迁移到缺乏标签数据的目标域卫星中;利用目标域有标签样本对预训练模型进行微调,...     

时-频分析算法在通信信号调制识别中的应用

在通信情报侦察系统中 ,对通信信号的识别和参数估计 ,是一项关键的技术。主要针对通信系统中最典型的几种信号调制类型 ,如 :PSK ,FSK ,线性FM ,采用了最近受到普遍关注的时频分析算法 (STFT和WVD)和小波变换 ,进行了调制类型的识别仿真。并介绍了这几种方法的基本原理和各自的性能。     

基于极化神经网络的雷达舰船检测识别方法

相参雷达捕获的全极化海面目标距离-多普勒(RD)回波数据中，目标区域占比小、信噪比低，且海况环境与干扰种类多变，使得经典的深度神经网络在此种条件下检测识别精度较低。为此，本文提出了一种基于极化深度神经网络的全极化相参雷达海面目标检测识别算法。首先，引入极化特征提取模块挖掘目标与干扰的差异化特征;其次，通过特征金字塔网络解决小目标检测识别的问题;最后，使用级联结构进一步提升算法性能。在全极化相参雷达回波数据集上的测试结果表明:基于特征值与特征矢量的极化特征对于数据集中两类舰船目标的平均精度分别达到0.907 9与1.0，相比不采用极化特征有着显著提高。     

ABC优化BP神经网络算法在组合导航中的应用研究

针对北斗/捷联惯导组合导航,提出一种基于人工蜂群ABC(Artificial Bee Colony)算法的反向传播BP(Back Propagation)神经网络算法。首先,在北斗卫星导航系统接收机正常接收信号时,将捷联惯性导航解算信息(速度、位置)作为网络输入,卡尔曼滤波输出信息(速度、位置校正量)作为网络输出,对ABCBP神经网络进行在线训练,建立ABCBP神经网络的映射数学模型。然后,在北斗卫星导航系统接收机信号失效情况下,将惯性导航解算信息作为网络输入,利用建立好的ABCBP神经网络预测输出校正量信息,以此来校正捷联惯导系统SINS(Strapdown Inertial Navigation System)。最后,通过飞机飞行半物理仿真实验验证该算法的性能。仿真结果表明,ABCBP神经网络算法在定位精度方面具有更加优越的性能。     

基于YOLOV3的改进目标检测识别算法

经过近几十年不断的研究和发展，红外目标检测识别在侦察、导弹制导等领域取得了卓越的成就和广泛的应用，亦成为当今的热门话题。为进一步提高模型的检测识别性能，提出一种基于YOLOV3改进的目标检测识别算法。首先，通过分析红外目标的检测特性，改进了原始算法的特征提取网络，融合KL-LOSS，在原网络预测目标位置的基础上，进一步预测了位置的准确度标准差，并结合Soft-NMS算法用于改善网络的检测准确度;其次，针对红外目标相对三通道彩色图像的特征量少的问题，在检测层前融合了SKNET模块，使网络更加关注目标的有用特征;最后，给出改进网络训练的新的损失函数及前向传播算法流程。实验结果表明:改进的KS-YOLO网络在目标域(实拍空中红外目标数据集)上的平均AP性能值要优于原来的YOLOV3网络2.4个百分点，预测时间比YOLOV3实用性更好、更快。     

分布式MIMO雷达欺骗干扰抑制算法研究

从信号级协同对抗欺骗干扰出发,直接利用各节点雷达回波信号的复包络信息,建立相关检测融合算法实现协同抗干扰。首先展开对分布式MIMO雷达信号相参性的研究,并给出了回波信号间的独立性条件。依据目标空间散射特性的差异,提出了一种信号级协同对抗欺骗式假目标的算法。该算法根据真假目标回波相关性的差异,利用多脉冲回波数据得到相关系数估计值并进行相关性检验,实现对目标的有效鉴别。通过仿真验证了算法的有效性,并对算法性能进行仿真分析。     

一种机动辐射源的单站无源定位跟踪滤波算法

基于辐射源的信号到达时间(TOA)及方位角信息,提出了一种利用单站对机动目标进行无源定位与跟踪的方法.根据机动目标跟踪及系统测量模型,将变维(VD)滤波算法和交互多模(IMM)滤波用于单站无源定位.给出了算法的模型和实现步骤.仿真结果表明:该法正确有效,滤波性能更好.     

基于微多普勒特性的旋转对称进动目标的ISA R干扰技术

从旋转对称进动目标运动特性出发,给出了一种生成逆合成孔径雷达(IS A R)欺骗式干扰信号的新方法.干扰机根据这种旋转对称进动目标模型实时计算目标的微动量和强散射点的RCS,并依次对接收到的雷达信号在频率域进行调制转发,生成具有微多普勒特征的虚假目标,实现对敌方雷达系统的欺骗干扰.根据旋转进动目标模型,实时计算干扰机和虚假目标的位置,产生具有真实运动轨迹平面虚假目标,从而实现对基于轨迹平面识别真假目标雷达的有效对抗.仿真结果表明,该方法能够逼真地生成IS A R欺骗式干扰信号.     

复杂环境下少样本域自适应雷达RD智能识别技术

针对复杂电磁环境下，传统基于雷达回波的目标识别方法定位精度差和识别能力不足的问题，以典型海背景环境下的雷达时频二维像目标为研究对象，提出了复杂环境下少样本域自适应雷达智能RD识别技术，通过设计基于分离注意力的偏移区间配准目标识别算法架构，实现了对目标的精确定位和识别，同时设计了域自适应技术对源域和目标域进行特征配准，解决少样本条件下算法场景适应性不足的问题。通过在雷达回波仿真数据和真实数据上对算法测试验证，取得了较优的结果，证明了该算法的有效性。     

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SDP的LINK11数据链对抗系统

LINK11数据链是美国海军和空军采用的一种战术数据通信方式,对LINK11信号进行干扰和破解是电子对抗中的一项重要课题。根据其信道构成特点和信号调制方式,提出了一整套识别、解调以及干扰算法,并分别在基于DSP的软件无线电装备上实现,构成了LINK11数据链对抗系统。     

序列检测法在信号调制方式识别中的应用

理论决策法中的固定数据长度方法广泛用于通信信号识别中,文章使用可变长度的序列检测方法来代替它进行调制方式识别。序列检测方法通过设定适当的判决门限在较低信噪比下能达到所需的识别性能。文章仿真表明,在信噪比为4dB时,通过设置合适门限可以使每种调制方式的识别率达到98%左右。与同类的文献[2]对比,文章算法所需要的数据数目更少。