基于扩张残差网络的雷达辐射源信号识别

针对低信噪比条件下,复杂多类雷达辐射源信号识别存在特征提取困难,识别正确率低的问题,本文提出了一种基于时频分析和扩张残差网络的辐射源信号自动识别方法.首先通过时频分析将信号时域波形转换成二维时频图像以反映信号本质特征;然后进行时频图像预处理以保留时频图像完备信息,适应深度学习模型输入;最后构建扩张残差网络以自动提取信号时频图像特征,实现雷达辐射源信号分类识别.实验结果表明,信噪比为-6dB时,该方法对16类雷达辐射源信号的整体识别正确率能够达到98.2%,对时频图像特征相似的类LFM（Linear Frequency Modulation）信号的整体识别正确率超过95%.本文提供了一种新的雷达辐射源信号智能识别方法,具有较好的工程应用前景.     

基于栈式稀疏降噪自编码网络的辐射源调制识别

针对辐射源识别中噪声敏感和识别能力不足等问题,提出了一种基于核空间时频特征与栈式稀疏降噪自编码网络的识别系统.通过时频变换、稀疏域降噪和核空间降维投影降低噪声干扰和特征冗余,基于降噪自编码与稀疏自编码思想构建栈式稀疏降噪自编码识别网络.实验结果表明系统在识别率和时效性上综合性能最优,能够显著降低噪声敏感性,低信噪比环境下适应性较强.当信噪比为-12dB时,系统对8类辐射源信号的整体平均识别率达到96.75%.     

基于时频分布Rényi熵特征的雷达辐射源识别

针对复杂体制雷达辐射源识别,提出一种基于时频分布Rényi熵的雷达信号特征提取和识别方法。该方法首先对雷达辐射源信号进行时频变换,然后提取信号时频分布的3阶、7阶和11阶Rényi熵作为特征向量,得到具有维数低、类间差异较大的识别特征。最后采用支持向量机分类器实现信号的分类识别。文中对8种常见雷达信号进行了仿真实验,结果表明在较大的信噪比范围内,该方法能获得较为满意的正确识别率,当信噪比为-3dB时,采用时频分布Rényi熵特征的平均识别率仍能达到90.75%,验证了提出方法的有效性。     

基于信号暂态稀疏表示的AIS辐射源个体识别方法

针对民用船舶自动报告系统通信辐射源个体识别问题,该文提出一种基于信号暂态稀疏表示的个体识别方法。该算法求解一个充分利用信号暂态样本类别信息且可保持样本稀疏表示结构的投影变换,来提取低维个体特征矢量。该算法通过最大化类间特征的重构误差和最小化类内特征的重构误差来构造目标函数求解投影变换,并在低维辨别子空间以最小稀疏表示重构误差准则来判定测试样本类别属性。对实际数据处理结果表明该文提出的新算法可有效识别不同辐射源个体;对辐射源暂态信号建模仿真结果,验证了该文算法的正确性和有效性,且平均正确识别率优于现有算法。      

低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别

针对低信噪比条件下复杂多类雷达信号调制方式识别率低的问题，本文提出了一种基于时频分析和深度学习的雷达信号调制方式识别方法 .利用CTFD(Cohen class Time-Frequency Distribution)时频分析将信号时域波形变换为二维时频图像，更清晰地表征信号特征；采用灰度化和双三次插值运算等方法对时频图预处理，实现图像通道数和尺寸的减少，以降低深度学习模型数据输入量；进一步调整输入输出通道数构建小型EfficientNet网络，再由多个小型网络并行处理构建分裂网络EfficientNet-B0-Split3，将时频图像输入网络实现雷达信号调制方式识别.实验结果表明，在信噪比为-8 dB时，新方法对17类不同调制方式的雷达信号整体识别率可达97.1%，相对于扩张残差网络提高约2.4个百分点；在信噪比为-10 dB时，识别率可达92.1%，相对于EfficientNet提高约0.7个百分点，提升了低信噪比条件下复杂多类雷达信号调制方式识别率.     

基于改进残差网络的雷达辐射源多标签识别北大核心CSCD

针对现有的雷达辐射源识别方法具有低信噪比情形下识别精度低、无法识辩多个辐射源等缺点,文中提出融入注意力机制的残差网络用于雷达辐射源多标签识别。首先,利用残差网络学习过程数据的时序特征并提取相应的深层特征;然后,引入注意力机制对提取的特征进一步地分类和识别;最后,在雷达辐射源数据集上进行仿真实验。结果表明所提的Atten-Resnet模型不但可以在多标签条件下进行雷达辐射源的准备识别,而且在信噪比为6 dB时仍然可以保持95%以上的准确率。Atten-Resnet模型具有较高的实用性和较强的鲁棒性。     

一种雷达辐射源智能个体识别的方法

针对使用传统的卷积神经网络及低信噪比环境下雷达辐射源智能个体识别研究中识别性能不够的问题,提出了一种基于短时傅里叶变换(STFT)和EfficientNet的雷达辐射源个体识别方法。首先对雷达信号进行短时傅里叶变换,提取时频特征,然后利用EfficientNet中多个MBconv模块对不同时频特征图像的叠加,挖掘出信号图像隐含的更加复杂和抽象的深层次时频特征,包括信号强度的分布、时频模式、周期性变化等,从而完成个体分类识别。EfficientNet可以同时改变网络深度、宽度、图像分辨率3个参数,解决了梯度消失、梯度爆炸等问题。实验结果表明,基于STFT和EfficientNet的雷达辐射源智能个体识别的方法,相比于传统卷积神经网络在低信噪比环境下具有更好的识别性能。     

一种基于时频原子特征的雷达辐射源信号识别方法

提出了一种全新的基于时频原子特征的雷达辐射源信号识别方法.训练阶段,在过完备时频原子库的基础上,以类区分度为度量,提取少数最能区分不同类别信号的时频原子作为一组固定的特征;识别阶段,以原子和信号的内积的绝对值作为分类器的输入特征,采用有监督模糊自适应共振网络进行辐射源的自动识别.对5类典型雷达辐射源信号的实验结果表明,...     

基于Welch功率谱和卷积神经网络的通信辐射源个体识别

针对低信噪比条件下通信辐射源个体识别率低的问题,提出了一种基于Welch功率谱和卷积神经网络的通信辐射源个体识别方法.构建了由20个基于ZigBee协议的物联网设备组成的测试平台,将ZigBee信号前同步码部分的Welch功率谱数据作为辐射源指纹特征送入卷积神经网络进行分类.该方法在低信噪比条件下很好地保留了辐射源的指纹特征,结合卷积神经网络强大的微特征提取能力,对辐射源进行了有效分类.实验结果证明,在瑞利信道及低信噪比条件下,所提方法的识别效果明显优于其他方法.     

一种新的多线性调频信号时频表示

本文提出了一种用于多线性调频信号时频表示的方法.首先由Radon-Ambiguity变换设计出线状核函数,以去除噪声和多线性调频信号之间的交叉项在模糊域中的影响,再通过二维傅立叶变换得到一种新的时频表示.仿真实验证明了此方法可以有效的去除噪声和多信号之间交叉项的影响,在低信噪比下也十分有效.     

基于改进的半监督主动学习的雷达信号识别

为解决在雷达信号分类识别过程中训练样本较少的问题,本文提出了联合主动学习和半监督学习,并对其伪标记样本进行迭代验证改进的分类算法。针对复杂的电磁环境下雷达信号识别率低的问题,本文将径向高斯核时频分析应用于雷达信号,并对时频分布进行奇异值分解,提取出奇异向量作为雷达信号识别的特征参数。针对传统的半监督主动学习算法的不足,利用改进的半监督主动学习算法构建分类器,该算法通过对伪标记样本进行迭代验证来提高伪标记信息的准确性,从而改善了最终的分类性能,实现了在可获取的有标签样本数量较少的条件下对雷达信号的高概率识别。仿真结果表明,本文提出的特征识别方法可以获得较高的识别率。      

扩展稀疏表示稳健HRRP目标特征提取方法

为提高低信噪比下高分辨一维距离像目标识别性能，提出扩展稀疏表示的噪声稳健目标特征提取方法。本方法通过对稀疏表示的扩展，实现对目标高分辨一维距离像局部特征与全局特征的提取。其中，在训练阶段利用支持向量理论与字典学习原理，对特征提取字典进行优化提高特征向量的可分性。在测试阶段，利用因子分析模型匹配方法对去噪声字典进行优化，从而实现对噪声的有效抑制，保证了目标识别系统的噪声稳健性。利用实测数据对本方法性能进行测试，结果表明本方法可在低信噪比条件下有效地恢复目标高分辨一维距离像，并实现较高的识别正确率。     

Frequency hopping modulation recognition based on time-frequency energy spectrum texture feature

For frequency hopping modulation identification,a novel method based on time-frequency energy spectrum texture feature was proposed.Firstly,the time-frequency diagram of the frequency hopping signal was obtained by smoothed pseudo Wigner-Ville distribution,and the background noise of the time-frequency diagram was removed by two-dimensional Wiener filtering to improve the resolution of the time-frequency diagram under low SNR conditions.Then,the connected-domain detection algorithm was used to extract the time-frequency energy spectrum of each hop signal and convert it into a time-frequency gray-scale image.The histogram statistical features and the gray-scale co-occurrence matrix feature were combined to form a 22-dimensional eigenvector.Finally,the feature set was trained,classified and identified by optimized support vector machine classifier.Simulation experiments show that the multi-dimensional feature vector extracted by the algorithm has strong representation ability and avoids the misjudgment caused by the similarity of single features.The average recognition accuracy of the six modulation methods of frequency hopping signals BPSK,QPSK,SDPSK,QASK,64QAM and GMSK is 91.4% under the condition of -4 dB SNR.     

基于循环谱和稀疏表示的多信号调制识别*1

针对难以识别时频重叠的多信号问题,提出一种不用分离混合信号即可识别信号类型的新方法。该方法针对各种调制循环谱的不同,用稀疏表示提取各信号的特征,最后根据提取的特征利用支持向量机对信号进行识别分类。经理论推导和仿真实验得出:该方法对噪声具有一定的鲁棒性,在较低信噪比条件下仍能保持较好的识别性能,在信噪比为-4 d B时,对单信号和混合信号的正确识别率分别可达到93.5%和90.67%。     

融合协作表达和重构判别分析的数据降维算法

数据降维是处理高维数据的有效手段。子空间学 习算法由于其计算量小,性能较为出 色而广泛应用于模式识别等领域,传统的子空间学习算法均可归纳为图嵌入算法框架中。稀 疏表达是近年来的一个研究热点,并广泛应用于信号处理和模式识别等领域,但计算复杂度 较高。在稀疏表达的基础上,研究者提出了协作表达。相比稀疏表达,协作表达算法由于其 有一个闭式解,因而计算量较小且判别性能较好,可以看成是数据表达的一种有效方法。本 文从协作表达的角度来解释图嵌入算法,将图嵌入算法看作是一类回归模型。通过最小化类 内重构误差散度的同时最大化类间重构误差散度,提出了一种新的图嵌入算法,即重构判别 分析,并将它应用于该回归模型中,然后将问题归结为一广义的特征值问题,算法在某种程 度上能有效避免子空间学习过程中矩阵的奇异性问题。在人脸识别上的实验验证了算法的正 确性和有效性。     

复杂场景下结合SIFT与核稀疏表示的交通目标分类识别

针对复杂场景下的交通目标分类识别难点,提出一种基于尺度不变特征转换(SIFT)与核稀疏表示的分类识别算法.该算法首先利用SIFT分别提取训练样本和待测目标局部特征信息,通过核方法将特征样本映射到核空间,构建过完备字典,最后通过待测目标在字典中的稀疏度与重构误差对交通目标类别进行判定.同时,分析了随机投影下的核稀疏表示分类与特征维数之间的关系.实验结果表明,与SVM、稀疏表示分类(SRC)相比,该方法增强了交通目标特征层的类判别能力,具有较好的识别率和鲁棒性.     

基于低秩表示的鲁棒判别特征子空间学习模型

特征子空间学习是图像识别及分类任务的关键技术之一,传统的特征子空间学习模型面临两个主要的问题。一方面是如何使样本在投影到特征空间后有效地保持其局部结构和判别性。另一方面是当样本含噪时传统学习模型所发生的失效问题。针对上述两个问题,该文提出一种基于低秩表示(LRR)的判别特征子空间学习模型,该模型的主要贡献包括:通过低秩表示探究样本的局部结构,并利用表示系数作为样本在投影空间的相似性约束,使投影子空间能够更好地保持样本的局部近邻关系;为提高模型的抗噪能力,构造了一种利用低秩重构样本的判别特征学习约束项,同时增强模型的判别性和鲁棒性;设计了一种基于交替优化技术的迭代数值求解方案来保证算法的收敛性。该文在多个视觉数据集上进行分类任务的对比实验,实验结果表明所提算法在分类准确度和鲁棒性方面均优于传统特征学习方法。     

Kernel collaboration representation-based manifold regularized model for unconstrained face recognition

Most recent researches have demonstrated the effectiveness of using kernel function into sparse representation and collaborative representation, which can overcome the problem of ignoring the nonlinear relationship of samples in face recognition and other classification problems. Considering the fact that space structure information (i.e., manifold structure or spatial consistence) can help a lot in robust sparse coding by nonlinear kernel metrics. In our paper, we present a kernel collaborative representation-based manifold regularized method, where we apply kernel collaborative representation with \({{\ell }_{2}}\)-regularization-based classifier and add spatial similarity structure to collaborative representation for benefiting classification accuracy. Meanwhile, the local binary patterns feature is used to increase discrimination of classifier and reduce the sensitivity to unconstrained case (i.e., occlusion or noise). So our method is a joint model of linear and nonlinear, local feature and distance metrics, kernel subspace structure and manifold structure. Experiments show that the proposed method outperforms several similar state-of-the-art methods in terms of accuracy and time cost.     

基于多线性核主成分分析的掌纹识别

提出运用多线性核主成分分析(MKPCA)的一种新方法进行掌纹识别.首先MKPCA通过非线性变换,将输入样本图像向高维特征空间F上投影,运用多线性主成分分析(MPCA)直接对掌纹张量进行降维,得到低维的投影张量;然后掌纹图像向张量子空间上投影提取特征向量;最后计算特征向量间的余弦距离进行掌纹匹配.运用PolyU掌纹图像库...