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。     

现代雷达辐射源识别技术研究

对雷达辐射源进行准确识别是当前研究的重点课题之一,主要包括对雷达辐射源个体信号、雷达辐射源型号的识别.系统地介绍了当前用于识别雷达辐射源个体信号、雷达辐射源型号的几种常用方法,从理论上详细分析了它们的优缺点,并重点提出了脉内特征在现代雷达辐射源识别中的重要性.最后指出当前这一领域亟需解决的一些问题.     

基于双谱特征的个体辐射源识别

针对个体辐射源识别困难的问题,提出了一种基于双谱分析的个体辐射源识别新方法.首先用双谱分析法提取信号的双谱对角切片,利用主成分分析法(PCA)从大量训练样本特征中挑选低维、低复杂度的特征矢量,并融合对分类具有显著贡献的辐射源属性参数作为识别特征矢量.最后采用势函数分类法实现雷达辐射源识别.仿真结果表明基于双谱的识别法能...     

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.     

一种基于类内聚集度和类间离散度的特征集提取方法

雷达辐射源信号识别是雷达对抗信号处理中的关键技术,特征提取和选择是其中的重要一环。由于受噪声等多种因素影响,信号最重要的特征常常难以发现,特征提取一般采用经验式的方法。为消除特征提取的主观性和提高准确识别率,给出了类内聚集度和类间离散度的定义,并提出了一种基于类内聚集度和类间离散度的特征集评价准则。基于该准则,采用特征排序选择的搜索策略,可以从雷达辐射源信号原始特征集中挑选出品质优良的特征子集,从而实现对雷达辐射源信号的准确识别。     

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。     

基于粗糙集的雷达辐射源信号识别

雷达信号识别是侦察系统信号处理的目的,是整个雷达对抗信号处理中的关键性环节,为解决雷达辐射源信号模式识别困难的问题,在深入研究粗糙集理论的基础上,将其同辐射源信号识别问题相结合,给出了基于粗糙集的辐射源信号识别模型。同时介绍了连续属性离散化、知识约简和规则提取的概念,给出工基于粗糙集的识别过程。实验表明该方法减少了识别的主观因素,能有效处理辐射源识别中的模糊性和不确定性,具有广阔的应用前景。     

基于谐波小波变换的雷达辐射源识别

雷达辐射源识别是电子战系统的关键技术之一。分析了放大器的非线性效应,提出用谐波信号幅度之间的约束关系特征进行雷达辐射源识别的方法,针对谐波信号十分微弱的问题,提出采用谐波小波变换对信号进行重构、然后对重构的信号用最小二乘拟合进行幅度估计的方法,提高了幅度估计的精度。最后通过仿真验证了方法的准确性和有效性。     

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。     

基于卷积神经网络技术的直升机旋翼谱识别方法

针对直升机雷达回波在时频二维分布图上的分布特性,提出一种基于卷积神经网络技术的直升机旋翼谱识别方法,实现了直升机旋翼谱与其他类型目标的区分,从而有效识别直升机。当雷达工作在低重复频率(LPRF)时,直升机旋翼回波在时频分布图上呈现明显的扩展特征。通过仿真与实测数据分析,表明该特征与其他目标回波在频率维分布特性存在较大差异。利用卷积神经网络中的卷积核技术,将实测数据与卷积核矩阵进行二维卷积运算,依据输出矩阵实现了直升机旋翼谱的识别。利用实际采集的直升机回波数据进行验证,证明该方法是有效的,可应用于各种采用脉冲多普勒工作体制的雷达系统。     

基于深度学习的组合体航天器模型预测控制

利用模型预测算法先预测控制结果后控制的类人行为特点,借助深度学习在多参数寻优上的优势,提出了一种基于卷积神经网络的模型预测控制算法,满足航天工程低硬件需求,实现组合航天器多场景下姿态控制律的重构。该算法首先利用模型预测控制将组合航天器从初始状态控制到预期状态,然后将控制过程中状态量用于3层3核卷积神经网络的训练,训练完成后,用该卷积神经网络代替模型预测对组合航天器进行控制,从而降低计算资源需求。仿真校验表明：该算法可预测5个控制周期内的控制参数,相比传统模型预测算法所需硬件计算时间降低约5倍,在一般硬件环境下30 s内即可完成各场景下的组合航天器姿态控制,控制精度在10 -4 量级。     

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。     

压制干扰下组网雷达目标检测与跟踪技术

针对压制干扰下组网雷达目标检测与跟踪,提出了一种基于压制干扰下雷达量测模型的跟踪技术。该跟踪技术包括压制干扰下量测模型和组网雷达序贯滤波跟踪两部分。压制干扰下量测模型根据雷达采取抗干扰措施前后接收机输入端的信干比分别计算检测概率,进而模拟传感器在压制干扰下对目标的检测情况。组网雷达序贯滤波中,首先对压制干扰下各雷达的量测数据进行串行合并和点迹合成,而后采用基于交互多模型(IMM)的序贯滤波方法对压缩后的数据进行跟踪。该检测与跟踪技术可模拟出雷达在压制干扰下由于检测概率下降造成的目标暂消现象,提高组网雷达跟踪航迹的连续性和稳定性。仿真结果表明了该技术的可行性和有效性。     

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。     

月球表层采样样品智能确认方法

表层采样是月球采样探测的重要方式，样品智能确认有助于提升工作效率与复杂问题处理能力。结合月球表层采样铲挖工作过程，分析了铲挖过程中臂载相机图像的特点，模仿有人参与识别过程，提出了层次解耦的月球样品智能识别流程，利用深度学习方法构建了一类深度卷积识别网络，完整地描述了图像、特征、标记在网络中的正反传递关系，并在月球表层采样地面试验中进行了验证，结果表明该方法对不同光照、不同背景、不同过程、不同形态的样品，具有较好的泛化识别能力，误识别率优于8.1%，平均单幅识别时间约0.7 s。     

基于改进PSO-WNN的高频地波雷达 电离层杂波抑制方法

高频地波雷达的海上目标探测能力与电离层杂波的抑制效果息息相关,而电离层杂波的复杂性与变化多样性又为抑制带来了难题。为实现电离层杂波的抑制,分析了电离层杂波的混沌特性,在此基础上提出一种基于改进粒子群算法优化小波神经网络的抑制方法,解决了粒子群算法易早熟和易陷入局部最优的缺点;提出一种自适应概率变异的策略,丰富了种群多样性,使得整个迭代过程中粒子群能够跳出当前最优,寻得全局最优。实测实验表明,基于改进粒子群算法优化的小波神经网络（PSO-WNN）能够基本预测电离层杂波的数值,进行电离层杂波的抑制,有效改善了信噪比,对电离层杂波的抑制研究具有重要意义。     

基于神经网络的太阳电池阵热真空试验外热流模拟系统辨识

文章针对太阳电池阵热真空试验非线性的特点,引入一种基于神经网络的系统辨识方法。该方法采用BP网络作为模型辨识器,而辨识器又采用L-M（Levenberg-Marquart）算法进行训练。仿真结果表明,该方法具有较高的训练速度与精度,可以对太阳电池阵热真空试验测点温度响应做出较为精确的预测。     

液体火箭发动机传感器故障检测与数据恢复算法研究

以某型液体火箭发动机为研究对象,根据其传感器的故障特性,提出了基于BP神经网络的传感器故障检测与数据恢复算法。通过定义的传感器置信度来判断传感器是否发生故障,以及确定故障传感器,利用已训练好的神经网络结构对故障传感器进行数据恢复。研究内容能够实现传感器的故障检测、定位与补偿,能够有效提高发动机故障检测方法的可靠性和鲁棒性。