基于改进EfficientNet的雷达信号调制方式识别

针对在复杂电磁环境下的雷达辐射源信号识别中传统方法失效,深度学习算法存在低信噪比下识别效果差、网络复杂参数多的问题,提出一种改进EfficientNet模型对雷达辐射源信号进行识别。首先引入卷积注意力模块(Convolutional Block Attention Module, CBAM)改进网络,提高网络对通道和空间特征的提取能力;结合h-Swish和ReLU两种激活函数进一步改进网络在保持网络精度的情况下加快网络训练;对样本进行标签平滑,对9种不同调制信号的时频图像做CutMix数据增强后输入网络,增强模型的泛化能力。通过实验分析,改进后的模型在信噪比为-10 dB的情况下对9种调制信号的综合识别率达到了94.24%,验证了该方法能够在低信噪比条件下有效识别雷达辐射源信号。     

基于改进相像系数和奇异谱熵的雷达信号分选

脉内特征提取是新体制雷达辐射源信号分选的关键问题,文中针对现有方法分选准确率不高和对噪声敏感的问题,提出了一种基于高次频谱相像系数和频域奇异谱熵特征的分选新方法,实现了低信噪比下雷达辐射源信号的高准确率分选。对接收到的信号提取高次频谱相像系数特征以及奇异谱熵特征,并将两者作为分选的联合特征向量,运用K means聚类算法实现对不同调制方式的雷达辐射源信号的分选。仿真结果表明：改进后提取的信号特征类间的分离度大且受噪声影响程度小,在信噪比为-2 dB的情况下,该算法的总体平均分选准确率在85％左右,不同调制类型信号间的分选准确率最低为80％。与现有方法相比,文中提出的算法具有更好的信号识别效果。     

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.     

基于对角切片特征提取和深度学习的辐射源识别

针对复杂电磁环境下辐射源识别率低的问题，提出基于对角切片特征和深度学习的辐射源识别算法。利用辐射源信号双谱的个体特性，提取信号双谱对角切片特征作为深度学习模型的输入数据，采用Softmax分类器进行辐射源识别。仿真实验利用两部同型辐射源进行测试，结果表明该算法能识别个体辐射源，在低信噪比条件下也能获得高的辐射源识别率；相比于其他识别算法，双谱对角切片特征有更鲁棒的分辨性。     

基于领域自适应的动态噪声辐射源个体识别

现有基于深度神经网络的辐射源识别算法受训练场景限制,当待测信号与训练数据集的信道环境噪声不一致时,网络的识别性能严重退化。为了克服该问题,本文提出一种基于迁移学习的辐射源个体识别算法。该算法结合领域自适应的思想,建立优化模型将不同信噪比下信号的特征对齐,使在特定信噪比下训练的神经网络学习到与信道噪声无关的射频指纹特征,实现对其他信噪比下信号的高准确率识别。仿真实验结果表明,提出的算法显著提升了基于深度神经网络的辐射源个体识别算法在动态噪声条件下的准确率,在待识别信号信噪比下降4 dB的情况下,准确率提升了45.18%。      

低信噪比条件下FSK信号调制特征提取

平滑伪Wigner-Ville分布可以用来提取频率编码信号调制特征,但在低信噪比条件下,提取信号调制特征准确率不高。小波去噪是降低信号噪声的有力工具,但对FSK信号有其局限性。本文对小波去噪的算法进行改进,提出“子脉冲”去噪,然后结合信号的SPWVD提取信号的调制特征,仿真表明,在同等低信噪比条件下该方法更有效。     

基于多参数联合判决的雷达信号调制特征识别

根据雷达辐射源信号的不同特性,提取其非线性相位方差、瞬时频率统计直方图、瞬时频率方差和相像系数等特征量,对单载频、线性调频、非线性调频、频率编码和相位编码等常用雷达辐射源信号调制形式进行多参数联合判决.仿真结果表明,该算法在低信噪比下,仍能够自动准确地识别雷达信号脉内特征.     

基于谱相关函数截面特征的调制方式识别

谱相关函数在双频平面上全面反映了循环平稳信号的二阶周期性。调制信号是循环平稳信号,不同调制信号的谱相关函数具有不同的分布特性,且对平稳噪声、干扰不敏感,可用于低信噪比下的调制方式识别。采用时域平滑FFT积累算法计算出调制信号的谱相关函数,对结果进行了对比分析,提取了多种调制信号的谱相关函数截面特征,设计了AM、MSK、PAM、2ASK、2FSK、4FSK、QPSK七种调制信号的树形识别流程。仿真结果表明在低信噪比下,七种调制方式具有90%以上的识别率。     

多网络联合识别辐射源个体的优化方法

针对辐射源指纹特征间差异细微且受噪声干扰容易导致识别率下降的问题,提出了一种基于stacking方法集成多个异构网络识别结果的辐射源个体识别优化算法。利用不同网络结构在低信噪比条件下提取指纹特征的差异性,多个异构网络集成各自的预测结果能够提升对指纹特征的提取能力。同时为避免分类准确率提高造成模型规模过大,本文使用网络规模小且结构差异较大的EfficientNets系列异构网络作为基础网络。实验首先在高斯信道条件下验证了基础网络能够有效识别功率放大器杂散噪声,之后利用stacking等优化算法改进模型整体的性能。结果表明,本方法能够进一步利用信号指纹特征之间差异,与其他方法相比对辐射源个体有更高的识别率。      

基于周期模糊函数理论的信噪比估计

周期模糊函数表示周期调制连续波信号的时延-频偏平面的相关,不同的信号具有不同的周期模糊函数。针对雷达中频信号的信噪比估计,提出了基于周期模糊函数理论的信噪比估计方法。根据信号和噪声在周期模糊函数中的不同位置具有不同的表现特征,推导了在高斯白噪声背景下基于周期模糊函数的信噪比估计公式,给出了实现算法,同时和其他信噪比估计算法进行了对比仿真分析。结果表明,基于周期模糊函数的信噪比估计方法,特别是对低信噪比情况下,估计精度高,算法简单,易于工程实现。     

基于栈式自编码机和模糊函数主脊的雷达辐射源信号识别

针对人工提取雷达辐射源信号特征存在提取周期长、特征描述不完备等局限性,提出了一种基于深度学习栈式自编码机和模糊函数主脊的雷达信号识别方法.该方法根据信号模糊函数主脊包含丰富的内在调制信息的特点,从信号中提取用于分类识别的抽象特征.通过对六种雷达辐射源信号进行实验,并对比人工特征提取及其他深度学习方法,结果表明,本文所提方法在信噪比（signal-noise ratio,SNR）为2 dB以上时均能保持100%的识别准确率,SNR为-6 dB时识别准确率仍能保持82.83%以上,明显高于其他方法.即使在包含相同调制类型不同参数的信号环境中,当SNR大于0 dB时识别率均稳定在95.0%以上,SNR降低到-4 dB时识别率也能达到79.0%.证明该方法能有效提取到信号的深层特征,且具有良好的抗噪性能,基本满足实际战场的需求.     

基于模糊函数的雷达辐射源个体识别

雷达辐射源个体识别是现代电子情报和电子支援系统的重要研究内容。本文在辐射源个体特征分析的基础上,提出了一种基于模糊函数的辐射源个体识别算法。针对模糊函数的冗余性,分别利用模糊函数切片和局部模糊函数切片表征雷达的细微差异与个体特征,并推导了局部模糊函数切片的快速算法。仿真实验验证了提出算法对于辐射源个体特征提取和识别的可行性和有效性。     

随机PRI的LPI波形相参积累

随机脉冲重复频率(PRI)脉冲波形能够增加电子支援措施(ESM)利用重频分选侦收雷达辐射源信号的难度,提高雷达复杂对抗环境下的抗侦收能力。利用非均匀离散傅里叶变换(NUDFT)对这种低截获概率(LPI)波形进行脉冲多普勒(PD)处理时,距离模糊引起目标所处距离门走动,导致目标能量分散至多个模糊距离单元。为此,提出一种基于时间窗口的离散傅里叶变换(TWDFT)算法,实现了距离模糊条件下目标能量的相参积累。对TWDFT算法和加权副瓣抑制的性能进行了分析。仿真结果表明,基于TWDFT的PD处理在距离模糊时不存在目标能量分散问题,通过优化波形设计能够改善加权后目标主副瓣比。     

基于模糊函数特征优化的雷达辐射源个体识别

对雷达辐射源信号进行模糊函数建模是一种有效的特征提取途径,通过对无意调制的雷达辐射源信号的模糊函数分析,提出了基于模糊函数子空间特征优化的个体识别方法,首先抽取模糊函数的"近零"频偏切片作为辐射源信号的主要特征,继而设计了切片串联策略构建了互补的特征子集对,从而分别利用典型相关分析和鉴别典型相关分析实现了切片特征的融合...     

基于脉间特征深度学习的雷达辐射源识别

多功能雷达在复杂程序调度下,发射信号参数呈现取值范围宽、捷变速度快、变化随机性强等特点,非合作接收方难以对其建立有效的信号模型,给电子侦察系统的雷达辐射源识别带来严峻挑战。本文提出一种基于深度学习的复杂体制雷达辐射源识别方法,利用大样本全脉冲数据形成脉间参数变化的图像特征表示,从宏观上揭示雷达辐射源隐含的波形设计机理,并设计了基于AlexNet网络的图像特征深度学习网络开展辐射源识别,实测数据实验表明了本文的方法对一定时间跨度内的有限部同型多功能雷达具有良好的识别性能,为多功能雷达辐射源智能个体识别提供了新的解决思路。      

基于小波包变换和特征选择的雷达辐射源信号识别

为了提高雷达辐射源信号的正确识别率以满足现代电子对抗的需要，提出一种基于小波包变换和特征选择的雷达辐射源信号识别新方法。先采用小波包变换进行特征提取，再采用基于量子遗化算法的相像系数特征选择法来挑选出小波包特征中分辨能力强的特征。仿真实验结果显示，该方法用较少的特征能获得较高的正确识别率，具有一定的参考价值。     

基于优势遗传的模糊函数主脊切面智能搜索方法

提取和补充新的信号参数是解决复杂体制雷达辐射源信号分选难题的有效手段,模糊函数主脊切面特征是众多新特征参数中较为可行的特征之一。为更快速地搜索信号的模糊函数主脊切面,本文构建了一种优势遗传搜索的智能算法,并采用统计假设检验理论对数据进行分析和检验。实验结果表明,所提方法可使模糊函数主脊切面的平均搜索耗时降低为原方法的28.6%,且能以较高的概率成功搜索到精度更高的切面特征,证实了所提方法的有效性和可行性。     

基于优势遗传的模糊函数主脊切面智能搜索方法

提取和补充新的信号参数是解决复杂体制雷达辐射源信号分选难题的有效手段,模糊函数主脊切面特征是众多新特征参数中较为可行的特征之一.为更快速地搜索信号的模糊函数主脊切面,文章构建了一种优势遗传搜索的智能算法,并采用统计假设检验理论对数据进行分析和检验.实验结果表明,所提方法可使模糊函数主脊切面的平均搜索耗时降低为原方法的28.6％,且能以较高的概率成功搜索到精度更高的切面特征,证实了所提方法的有效性和可行性.     

基于最小平方误差的辐射源识别

针对测量参数不确定所造成的辐射源不能正确识别问题,提出一种基于最小平方误差模型的识别方法。该方法首先计算辐射源的特征参数相对于数据库中相应特征参数的平方误差,然后利用最小平方误差来确定辐射源隶属度。该模型与几何距离度模型、云模型相比,在识别辐射源类型时,增加了雷达特征参数（重复频率、脉宽和天线扫描周期）的多值性和相关性,仿真结果表明,该方法的正确识别率比前2种方法分别高出5%和40%。