基于脉内特征的雷达抗欺骗干扰方法

抗欺骗干扰是电子对抗环境中雷达面临的一个重要问题。针对应答式欺骗干扰问题提出了一种基于信号脉内特征的目标与干扰的识别方法。首先对目标回波信号与干扰信号进行建模,分析了两类信号的脉内幅度特征,然后将目标与干扰看作是空间不同的模式类,利用目标回波信号和干扰信号的脉内幅度起伏差异,定义出分类的特征因子,最后采用径向基(RBF)神经网络进行分类。仿真结果表明,该方法在一定的信干比范围内具有较高的目标识别概率且受信干比影响较小,能够较好地抗应答式欺骗干扰。     

直扩系统中基于SVM的干扰自动分类识别方法

针对实际直接序列扩频系统中的干扰类型总是未知的,难以采用相应的干扰抑制措施有效提高系统性能的问题,提出了直接序列扩频系统中基于支持向量机的干扰自动分类识别方法。首先对直扩系统中八种主要干扰情况进行干扰信号建模;然后分别从时域、频域和时频域提取待识别干扰信号的特征参数;最后使用决策树支持向量机构造了一个5级干扰自动分类识别系统,实现了干扰信号的自动分类识别。仿真结果表明,干信比大于等于9dB时,分类器可以准确识别干扰类型。      

TETRA通信与干扰信号智能识别技术

陆上集群无线电(Terrestrial Trunked Radio,TETRA)数字集群通信系统因其开放性易受到内外部电磁干扰。干扰信号的类型多种多样,针对不同的干扰样式,采取的抗干扰措施也各不相同,因此干扰信号的识别具有重大意义。基于此,提出了一种干扰信号智能识别技术。该技术首先对受到不同干扰后的TETRA音频数据进行特征提取,并筛选出具有分类能力的特征,其次使用决策树、支持向量机和随机森林3种分类模型对特征提取后的待测试信号进行智能分类识别。实验结果表明,使用的这3种模型能够有效判断TETRA系统中的信号是否受到干扰,以及受到何种样式的干扰,可为后续TETRA系统中的信号干扰识别提供参考。     

基于多特征联合处理的灵巧噪声干扰识别

灵巧噪声干扰已成为一种作用于新体制相参雷达的重要干扰类型.为了有效抑制该类干扰,提出一种基于多维特征的抗干扰方式.通过分析DRFM产生灵巧噪声干扰原理,建立目标与干扰信号模型;在分析对比两类信号特性的基础上,提取包络起伏参数、相位门限内概率及盒维数特征以表征目标与干扰信号在波形、相位及尺度信息上的差异;为了进一步提高干扰识别性能,加入表征信号复杂度的近似熵特征,分析表明该特征因子对噪声具有较强的鲁棒性;最后采用支撑向量机对提取的多维特征进行处理以实现灵巧噪声干扰的识别对抗.仿真实验表明,该方法对目标和干扰的正确识别率高且基本不受干噪比影响.     

基于特征加权与相像系数聚类的有源压制干扰分类技术

为了提高雷达有源压制干扰识别正确率,提出一种特征加权与相像系数聚类的分类方法。针对分类过程中所提取特征参数对信号分类的权重不同,引入特征加权的概念。利用灰色关联度算法求取各特征权重,避免部分微弱特征对分类结果产生较大影响。最后利用相像系数聚类算法,对雷达有源压制干扰信号进行了分类识别。通过Matlab仿真实验证明,该方法可以有效提高雷达有源压制干扰信号类型的识别率。     

基于时频图像Zernike 矩特征的欺骗干扰识别

为了有效应对跟踪雷达的三种常见欺骗干扰,提出了一种基于平滑伪魏格纳-维尔分布时频图像的Zernike 矩特征的干扰识别方法。该方法对三种干扰下的雷达接收信号进行时频分析,运用数字图像处理技术对时频图像进行一系列的预处理后,通过Zernike 矩特征提取图像的细节特征组成特征向量进行分类识别。仿真实验证明:该方法有较高的识别率,特别是该方法受信噪比影响较小,能够有效降低噪声对干扰识别的影响,说明了采用图像识别方法对雷达欺骗干扰信号进行分类识别的可行性。通过与其他文献方法的比较,证明了该方法的优越性。     

基于射频功放非线性建模的欺骗干扰识别

针对欺骗干扰信号在时域、频域、空域与真实信号重叠,导致识别欺骗干扰的难度较大,假定真实发射机与欺骗干扰机射频前端器件除功放模块外均工作于理想状态,提出了一种基于射频功放建模的欺骗干扰识别方法。首先,利用Hammerstein模型对射频功放进行非线性建模,以模型参数作为提取的特征向量;其次,基于统计检测理论识别欺骗干扰;最后通过实验验证了方法的有效性,并与基于信号双谱特征的识别方法进行性能对比。实验结果表明,基于射频功放建模的欺骗干扰识别方法能够有效地识别欺骗干扰,且优于基于信号双谱特征的识别方法。     

基于LSTM网络和特征融合的通信干扰识别

针对现有通信干扰信号识别方法识别效果不佳的问题,提出了一种基于长短时记忆网络(Long Short-Term Memory,LSTM)和特征融合的通信干扰识别方法.该方法利用LSTM网络提取干扰信号的特征,通过LSTM强大的序列特征提取能力提升干扰信号特征提取的性能;通过提取信号的时域和频域特征后进行特征融合,使用全连...     

稀疏分解在跟踪干扰信号特征提取中的应用

针对跳频通信中跟踪干扰识别特征提取问题,提出了一种基于稀疏分解的跟踪干扰特征提取方法。简要介绍了稀疏分解的基本原理。根据跟踪干扰信号与跳频信号比较在时域存在时间延迟,在频域幅值大于跳频信号幅值的特点,通过对跳频信号和跟踪干扰信号进行重构,获得能表明两者之间显著差异的特征参数。仿真实验表明,该方法提取的特征参数,在信噪比大于5dB时,对跟踪干扰的识别率达到95%以上,验证了该方法的可行性和有效性。     

基于循环谱分析的航空通信干扰信号检测

随着现代通信技术在航空领域的广泛应用,在机场环境下如何避免各干扰信号对航空通信的危害成为人们广泛关注的焦点问题。本文基于机场环境下的信号感知模型,提出一种基于支持向量机（SVM）和谱相关性的干扰信号感知算法,有效避免了外界信号对航空通信信号的干扰。该算法采用信号循环谱进行分析的方法提取特征向量,进而结合SVM分类器对航空干扰信号进行检测。仿真结果表明,本文算法对干扰信号具有较高的分类检测精度和良好的识别性能。     

基于PSO-GWO-SVM的周界安防信号识别研究

针对支持向量机(SVM)在大规模入侵信号分类时存在的局限性,提出了一种改进的SVM信号识别方法。该方法首先采用粒子群优化算法(PSO)来生成多样化的初始位置,然后利用灰狼优化算法(GWO)更新离散搜索空间中样本的当前位置,获得最优特征子集;最后基于最优特征子集用SVM对待测样本进行分类识别。实验结果显明,在识别周界入侵信号时,基于PSO-GWO-SVM算法的分类器获得了96.86%的准确率、95.82%的灵敏度(SE)和96.31%的特异性。与传统的信号识别方法相比,具有更优异的识别精度、适应性和时效性。     

基于加权K-近邻分类的非视距识别方法研究

超宽带(UWB)定位系统中,针对复杂的环境下,信号的遮挡、直达信号的错误判断严重影响定位精度问题,该文基于信道冲激响应(CIR)提出一种新型特征参量——饱和度(S),结合前人提出的特征参量利用Relief算法和互信息特征选择(MIFS)算法进行特征选择,在相关性的基础上赋予特征相应的权重,选择最优的特征子集进行加权K-近邻(WKNN)分类,提高了非视距(NLOS)识别系统准确度。并且分析了WKNN算法中的训练数据集数量与近邻数K对算法的影响,确定优选方案,减小了算法计算量,提高了NLOS识别系统实时性。在不同环境下进行实验验证,结果表明,该方法具备较高的识别准确度和环境适用性,识别精度达到95%。     

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SVM算法的分布式光纤扰动传感系统快速检偏技术研究

针对基于双马赫-曾德尔干涉的分布式光纤扰动传 感系统对传感光信号的偏振状态需要进行实时监测以便及时进行偏振控制的问题,本文提出 一种基于支持向量机(SVM)的偏振状态快速判别算法。该方法对采集到的两路干涉信号进 行做差处理,得到原始数据。提取原始数据中的过零率与峰值的绝对和作为分类器的输入特 征向量,使用Verilog HDL语言编写支持向量机(SVM)分类识别算法,借助现场可编程门阵 列(FPGA)的硬件并行结构和流水线技术实现分类器权系数的快速迭代求解。通过提取未知 偏振状态信号的特征向量,并将其输入到训练好的支持向量机模型中可以实现高效率的偏振 状态识别。实验结果表明:本方法可以快速并准确的实现对系统偏振状态的识别判断,平均 识别率达到93.25%,分类模型训练时间在100 ms以内,平均识别响应时间在8ms以内。     

基于矩阵灰建模的单次P300检测新方法

针对少导联P300单次提取识别率较低的问题,提出了一种基于矩阵灰建模的参数模型法提取特征的方法,提高了P300单次识别率.首先对脑电信号进行预处理,然后选择导联组合,接着对每个Epoch进行建模,将模型参数作为特征向量输入SVM分类识别.结果表明,单次P300的平均识别率为91.43%,叠加平均3次正确率可高达97.87%.     

基于双通道GoogLeNet网络的旋翼无人机分类

针对利用雷达微多普勒效应的旋翼无人机识别问题,提出了一种基于双通道GoogLeNet网络的分类识别方法。首先对旋翼无人机的回波信号进行短时傅里叶变换（Short-Time Fourier Transform,STFT）从而获得信号时频谱,对时频谱沿时间轴进行傅里叶变换得到节奏速度图（Cadence-Velocity Diagram,CVD）。然后将时频图和CVD作为双通道GoogLeNet网络的输入进行特征提取用以获得回波信号的时频域和节奏速度域的特征,最后将所获得的特征输入到Softmax分类器中进而实现旋翼无人机的分类识别。基于实际雷达数据的实验结果表明,所提旋翼无人机分类方法准确率可达到98.9%。     

基于FMCW雷达的人体复杂动作识别

针对利用摄像机进行人体动作识别时易受视距和光线影响等问题,提出一种基于FMCW雷达的人体复杂动作识别方案。首先基于FMCW信号模型对雷达采样数据采用一种以RDM（Range Doppler Map）向速度维投影的方式逐帧构建微多普勒谱图,继而基于微多普勒谱图来提取用于表征整个动作频谱相关信息的8种特征矢量。最后,基于雷达实测数据,以贝叶斯超参数调整优化后的支持向量机作为分类器,分析利用所提取的单特征矢量以及特征矢量组合来进行分类时对分类准确率的影响,用以筛选最优异的特征矢量组合。实验结果表明,从微多普勒谱图中所提取的特征矢量皆可直观地表述整个动作过程的特性,且利用最终筛选得到的最优异的特征矢量组合对已知个体和未知个体的9种动作进行识别,识别准确率分别高达99.07%和96.76%。     

改进CSP算法的联合特征优化

传统的公共空间模式分解需要大量输入通道、缺乏频域信息,文章分别从改进CSP滤波器、构建关于CSP的联合特征、优化识别过程三个方面完善CSP算法的不足。首先,提出基于S变换的公共空间滤波器成分选择算法--CSPS。并将CSPS与EMD、EEMD、双谱分析结合,构建EMD-CSPS、EEMD-CSPS、双谱-CSPS三种联合特征并比较判别效果。最后,使用优化后的联合特征,一方面,对支向量机惩罚因子和内核参数进行优化,确定惩罚因子最优取值范围和最具分类稳定性的内核函数;另一方面,分别采用支持向量机和线性判别分析进行特征识别与比较。文章设计了左右手想象运动思维任务实验,获取实验数据集,并结合BCI竞赛数据集,从分类正确率和响应时间两个指标出发,分析各优化方法有效性。结果表明:采用S变换优化后的双谱-CSPS特征在LDA分类器下,获得较高的分类正确率和较低的系统建模时间。      

基于去噪卷积神经网络的雷达信号调制类型识别

针对低截获概率雷达(LPI)信号处理复杂,低信噪比条件下识别率低的问题,该文提出一种基于去噪卷积神经网络和Inception网络的信号分类识别系统。首先对8种LPI雷达信号进行Choi-Williams分布(CWD)时频变换,得到2维时频图像,然后使用去噪卷积神经网络进行时频图像去噪处理,最后将图像发送到Inception-V4网络进行特征提取,并使用softmax分类器进行分类,实现LPI雷达信号的有效分类识别。仿真结果表明,该方法在–10 dB信噪比(SNR)下,识别率仍然可以达到90%以上。     

基于生成对抗网络的舰船辐射噪声分类方法研究

基于机器学习的舰船目标识别近年来已成为水声信号处理领域的一个重要研究方向,但水声目标信号的获取困难,样本量不足和不均衡的问题很容易导致目标分类模型的识别效果不佳。该文提出一种基于条件卷积生成对抗网络的船舶噪声数据分类方法,该方法利用生成对抗学习理论,生成相比于传统数据增强算法非线性特征更强,特征差异更丰富的伪DEMON调制谱数据来缓解训练样本量不足的问题。之后将传统生成对抗网络中的全连层输出替换成更善于解决小样本问题集成分类器,从而降低分类器对于数据量的依赖程度,进一步提高分类模型性能。最终由基于真实样本的实验结果表明,相比于传统数据增强算法和卷积生成对抗网络,该文方法能够更有效提高在样本不足条件下的模型的分类性能。