连续小波变换与信号时频分析

对连续小波变换、傅里叶变换及短时傅里叶变换等几种信号时频分析方法进行了理论分析,并通过确定信号的处理研究了各种方法的优势及局限性,研究结果对实际信号分析具有一定的参考价值.     

雷达信号脉内调制特征的时频分析

以线性调频与非线性调频信号为例 ,对雷达信号的脉内调制特征进行了时频分析。首先 ,通过求取解析信号的瞬时相位微商的方式得到信号的瞬时频率 ;然后引出Wigner分布和小波变换的方法 ,对信号进行分析 ,从而得到了调频信号的时频分布 ;最后 ,对这三种方法作了分析比较 ,指出小波变换方法是进行雷达信号脉内特征分析的有力工具     

基于时-频分析的LFM信号检测研究

线性调频(LFM)波形是现代雷达系统广泛采用的一种非平稳扩谱信号波形,具有良好的低截获概率特性,为此,现代电子侦察系统常采用时频分析技术检测和分析这类时变信号.介绍了短时傅里叶变换和WVD等线性和非线性时频分析方法,运用这些方法对LFM信号的检测进行了分析,揭示了LFM信号在二维时频平面上的分布特征,并运用Hough变换检测WVD时频平面上呈直线分布的LFM信号.计算机仿真结果证实了此方法的有效性.     

小波分析及其在快速算法上的应用

小波分析是近年来国际科技界高度关注的前沿领域，是继傅立叶分析方法之后的重大突破。小波变换和小波分析是分解与重构函数或信号的新的数学工具，通过不断改变尺度将函数的奇点、信号的突变或图象的细节，逐级放大后呈现在研究者面前，犹如一台高性能的“数学”显微镜能够看清切片的细部特征结构。小波分析的应用领域十分广泛，包括数学领域本身的许多学科、信号分析、图象处理、量子力学、电子对抗、计算机识别、地震勘探数据处理、音乐与语言人工合成、计算机图形及众多非线性学科等。因此，近十几年来，小波分析成为众多领域的研究热点。     

基于小波多重分形的通信信号调制识别

针对非平稳、信噪比变化范围较大的通信信号,采用小波多重分形的方法进行调制类型识别。先利用小波变换把通信信号进行分解,再对得到的细节信号计算多重分形维数。仿真结果表明,该方法对噪声和调制参数不敏感,可对通信中的数字调制信号进行有效识别。     

小波变换及其在信号处理中的应用

小波理论是近年来兴起的一种崭新的信号分析理论。文章介绍了小波分析的发展历史和基本理论，综述了小波变换在信号处理中的应用。展望了理论的发展前景。     

基于深度学习的通信信号调制识别算法

随着通信技术的发展,信号体制、调制方式日趋复杂,例如CPM、OFDM等,这给调制识别技术带来了巨大挑战。近年来,深度学习技术由于其强大的特征提取能力和分类能力,被广泛应用到模式识别领域中。为了实现复杂调制方式的识别,文章将深度学习技术引入到调制识别领域,并提出一种基于改进的CLDNN模型的调制识别算法。CLDNN模型已被成功应用到语音识别领域,其表现出了强大的特征提取和分类能力。该方法在原有CLDNN模型的基础上,针对调制识别问题的特点,对CLDNN进行了改进。而且该方法不依赖于载波同步、码元同步等预处理。实验结果表明,该方法可同时识别12种信号调制方式和信号体制,信噪比在3dB以上时,整体识别准确率达到90%以上,并且可以较好地识别复杂调制方式和信号体制。     

基于ICA和小波脊的多辐射源调制类型识别

针对电子侦察中多个雷达辐射源信号混叠时的调制类型识别问题,利用独立分量分析将多个雷达辐射源信号进行分离,再对分离后的辐射源信号采用小波变换,提取信号时频分布的脊线,最后计算脊线特征值,通过脊线特征值来判断辐射源调制类型.仿真实验验证了该方法的正确性和有效性.     

基于神经网络的时频域雷达信号调制参数估计

针对常规时频分析方法对多分量雷达信号分析的不足,提出一种基于神经网络的时频域多分量雷达信号调制参数估计新方法.把多分量雷达信号的时频分布作为灰度图像,通过神经网络训练得到高分辨率时频平面图,然后在时频域实现雷达信号各分量的调制参数估计,相对于时频重排等方法,其对时频分布的处理不需要关于各分量信号的先验知识.仿真实验表明,该方法在得到比时频重排方法更高分辨率时频图的基础上,能够较准确地估计各分量雷达信号调制参数.     

应用解析小波法识别MPSK与MFSK信号

文章提出了一种利用解析小波变换识别MPSK与MFSK信号的方法。利用解析小波变换可以有效提取信号的瞬时相位、频率以及变换后的瞬时幅度信息,根据这些信息,可以通过适当的判决准则识别MPSK与MFSK信号。该方法与利用H ilbert变换提取的瞬时参量相比,对噪声有更好的抗干扰作用,在低信噪比下,也有较好的效果。文中给出了仿真结果。     

小波变换在弹箭遥测数据处理中的应用

由于遥测参数的时变性和各种干扰的影响，传统的Ｆｏｕｒｉｅｒ分析往往不能给出令人满意的处理结果。小波变换是一种同时在时间（或空间）域和频率域内进行局部化分析的新方法；利用小波变换及其自适应性，可以在不同的分辨率下分析和处理数据，尤其是处理非平稳信号。本文介绍小波分析的基本原理，说明利用小波变换将遥测信号在时频平面上表示的方法。在此基础上，将小波变换应用于实测遥测数据的分析和处理，从被噪声淹没的数据中成功地恢复出冲击信号，提高了箭遥数据的信噪比。     

用维格纳－威利时频分布进行信号时频分析

信号时频分析对电子战侦察有重要意义。讨论了维格纳 威利时频分布的基本原理、与谱相关及模糊函数的关系。给出了求离散时间信号的维格纳 威利时频分布算法,以及用信号的维格纳 威利时频分布计算信号瞬时频率的方法。给出了几种目标信号的瞬时频率的计算实例。     

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。     

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。     

基于时频稀疏性的跳频信号时频图修正方法

为了获取清晰的时频图,提出了一种基于时频稀疏性的跳频信号时频图修正方法。该方法根据跳频信号时频图的时频稀疏性,建立了修正时频图的最优化求解模型,然后利用匹配搜索的方法进行求解得到修正后清晰的时频图。仿真结果表明本文方法能够在低信噪比下获取精确的时频图,且用修正后的时频图估计跳周期,估计性能明显优于现有方法。     

编队目标架次的识别

分析了编队目标间距引起的目标间多普勒频率的差别以及多普勒频率的变化规律 ,利用Morlet小波变换 ,对编队目标回波进行时 -频分析 ,从回波信号的三维时频图在二维时频坐标下的等高线上识别目标架次。通过实验结果可以看出 ,此方法是可行的、有效的     

跳频信号的时频分析

时频分析是跳频信号检测的重要工具之一,获得清晰的时频图是跳频信号参数估计和信号分选的前提.使用各种时频分析工具,包括线性时频表示、二次时频分布、重排类二次时频分布、不同时频分布组合方法对跳频信号进行仿真,在时频聚焦性和抑制交义项干扰两个方面综合比较各分布之性能,寻找适合针对多个跳频信号同时存在的时频分布,并给出了各分布性能的定量评价.仿真结果表明,谱图、平衡伪wigner-Ville 分布(SP-WVD)、重排类时频分布以及线性与非线性时频分布组合方法能获得较清晰的时频图.     

二维时频面的MTI滤波算法研究

分析了传统的动目标显示（MTI）滤波算法的缺陷，提出了一种二维时频面的MTI滤波算法，该方法利用时频分析多通道滤波和时频局域化的特点，在时频平面内进行二维滤波，从而获得良好的杂波抑制能力，且具备 的自适应性和鲁棒性，最后，根据实验结果给出了此种滤波算法与其他滤波算法的对比效果。     

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。