雷达辐射源信号快速识别综述

对现代战场的电磁环境特点进行分析,介绍了已有的几种雷达信号特征描述方式,阐述了目前的雷达辐射源信号快速识别方法及其发展方向,概述了雷达辐射源识别系统中的数据库设计研究现状.对未来进行展望,为进一步研究雷达辐射源信号快速识别技术提供参考.     

数据库样本缺失下的雷达辐射源识别

目前,基于机器学习的雷达辐射源识别技术大多以训练集和测试集同分布为假设,当雷达数据库样本不足导致与信号真实分布存在偏差时,传统的分类方法效果不佳.为此,将迁移学习理论引入识别系统,设计了一种基于结构发现与再平衡的雷达辐射源信号识别方法.通过对数据库和待识别辐射源信号样本进行聚类分析发现数据结构信息,通过重采样处理修正其分布差异.将新采样数据输入支持向量机进行训练并对侦收样本进行识别.仿真实验表明,在新训练样本集上学习的模型对测试集的分类性能有了很大的提升.     

基于雷达及其信号信息数据库的被动辐射源识别技术

介绍了雷达及其信号参数数据库的设计思路,论述了该数据库设计思路的科学性和有效性。详细描述了基于雷达信号信息数据库的被动辐射源识别方法。讨论了被动辐射源识别程序进行被动辐射源信息接收、存储和识别的稳定性和效率。     

一种基于模糊隶属度区间决策的雷达辐射源识别方法

现代密集信号环境中,随着复杂体制雷达装备数量的不断增多,雷达辐射源的识别面临越来越严峻的问题,提出一种新的基于模糊隶属度区间的雷达辐射源识别方法,仿真结果表明,该方法在不同信号环境下能够有效识别雷达辐射源。     

雷达信号识别效果的模糊综合评价研究

雷达辐射源识别是电子对抗情报系统中的关键技术之一,对其识别效果进行科学的评估是一项全新的课题。以往大多数学者评价雷达信号识别方法的好坏主要是比较识别率的高低。针对雷达辐射源识别效果评估指标单一等缺点,选取识别时间、识别率测试结果的均值和方差作为评估指标,将模糊综合评价法引入雷达辐射源识别效果的评估,提出基于模糊综合评价的雷达信号识别效果评估方法,并通过计算机仿真,对三种识别方法进行了评估实验,验证了该方法的可行性。     

雷达辐射源信号脉内特征分析

脉内特征提取是新型雷达辐射源信号识别的关键问题。本文提出一种新的雷达辐射源信号脉内特征提取和识别方法．将雷达辐射源脉冲信号的分形维数作为识别脉内调制方式的分类特征,这些特征包含了雷达辐射源信号幅度、频率和相位等的变化和分布信息,反映了雷达辐射源信号脉内调制规律,理论分析和仿真实验结果都证明了这些特征具有对噪声不敏感的良好特性．通过10种典型雷达辐射源信号的特征提取和分类识别的实验结果表明,本文所提取的脉内特征类间距离大、类内距离小、正确识别率高．证实了本文方法的有效性。     

基于脉冲样本图的雷达辐射源识别方法

雷达辐射源识别是雷达对抗侦察信号处理的关键环节。由于现代雷达体制日益复杂,传统的辐射源识别方法面临着越来越严峻的问题。因此针对这种情况,提出了一种基于脉冲样本图雷达辐射源识别算法。这种算法无需对相互叠加的雷达辐射源信号进行完全分选,并且不需要进行传统识别方法中的特征提取过程,简化了处理环节。在脉冲流密度适中的情况下,该算法具有很好的判别准确率。仿真结果验证了该方法的可行性和实用性。     

基于神经网络的未知雷达辐射源智能识别技术

提出了一种基于神经网络的未知雷达辐射源智能识别方法,该方法以实际中获得的雷达信号参数为基础,训练神经网络,对未知雷达参数进行预测识别,给出可能的工作状态,并分析其威胁程度.仿真实验表明,该方法是有效可行的,为工程上实现未知雷达辐射源的识别提供了一种新思路.     

基于径向基概率神经网络的雷达辐射源信号识别

雷达辐射源信号识别是电子情报系统和电子支援系统的重要组成部分。文章提出一种基于径向基概率神经网络的雷达辐射源信号识别方法，通过对几种典型雷达辐射源信号复杂度特征提取和采用径向基概率神经网络分类器进行分类识别的实验结果表明，文章所提出的方法是有效的，能在较宽的信噪比范围内获得满意的识别率。     

基于最近邻方法的雷达辐射源信号识别研究

在分析最近邻方法理论的基础上,提出了一种新的雷达辐射源信号识别结构,引入了一种新的距离贴近度度量方式。建立了基于最近邻方法的雷达辐射源信号识别模型,并分别在大样本和小样本数据集合对不同噪声背景下的雷达辐射源正确识别率和识别时间进行了比较分析。仿真表明,基于最近邻的雷达辐射源信号识别方法简单易行,快速简洁,有较高的正确识别率。     

基于个体特征的雷达辐射源识别方法研究

电子战的电磁环境正朝着复杂性和多样性的方向日趋发展,使得过去传统的雷达辐射源识别技术已无法准确地对辐射源进行分类和识别。为了改善和解决该问题,文中利用信号的脉内调制特性和雷达的个体特征进行辅助识别,并围绕着雷达信号的调制特性、特征提取和选择进行了深入的研究,同时提出了新的特征提取方法。该方法可以实现针对常规的雷达信号识别其个体并判断其调制类型,测量其指纹特征参数。通过计算机仿真实验和实测数据计算结果证明了该方法的有效性。     

基于脉冲信号上升/下降沿的雷达辐射源识别

提出了利用雷达脉冲信号上升/下降沿进行辐射源识别的思路。首先分析了脉冲调制器中分布电容对上升/下降沿的影响,然后进行计算机仿真,对脉冲信号的测量实验验证了仿真结果。实验室实验和计算机仿真结果表明脉冲信号上升/下降沿可以作为识别雷达辐射源的特征参数。     

基于模板匹配的雷达辐射源信号识别研究

从统计学理论出发,对基于模板匹配的雷达辐射源信号识别进行研究,通过设定容差测试了4种不同的距离计算方法的识别效果,得出了在雷达特征参数测量精度较高的情况下,使用City Block距离和Euclidean距离进行距离计算识别效果较好,当测量精度不高时,需要增大容差范围且使用M距离进行距离计算时识别效果较好。建立的数据库和雷达辐射源识别模型可用于电子战的模拟训练。     

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.     

一种新的雷达辐射源信号识别方法研究

随着雷达技术的发展,雷达体制的多样性和雷达信号的复杂性对雷达辐射源信号识别技术提出了严峻的挑战。循环双谱抗噪性能强,且包含了丰富的信息,能用于识别雷达辐射源信号。但是其数据量庞大,而循环双谱对角切片法丢失了大部分信息。证明了循环双谱的对称性和周期性,提出了局部轴向积分循环双谱。该方法首先计算信号的循环双谱,然后在两个谱频率构成的平面上沿平行于谱频率轴的直线积分,最后用Fisher判决率（FDR）选择鉴别能力较强的轴向积分循环双谱。这样不但能有效地减小数据量,而且保留了大部分有用的循环双谱信息。仿真条件下,对比分析了局部轴向积分循环双谱与循环双谱对角切片的识别效果,结果表明新方法的识别率远远优于循环双谱对角切片法。      

基于时差多参分选的多层感知器网络脉间识别

现代战争中,雷达系统发展迅速。为识别复杂的雷达信号调制模式以及混合体制雷达,该文提出一种基于多站获取脉冲时差参数联合其他脉冲描述字分选的办法,利用多层感知器神经网络得到脉间调制识别结果。该文通过时差参数与其他脉冲描述字去交错解决传统脉冲重复周期估计算法无法对复杂的脉间调制方式进行估计。利用训练好的多层感知器,获取完成去交错后的脉冲序列其特征向量,获得其脉间调制类型识别。通过实验仿真,在脉冲丢失率不高于20%情况下,对复杂脉间调制方式的正确识别概率在90%以上。     

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.     

基于云模型的DSm证据建模及雷达辐射源识别方法

为了提高雷达辐射源特征参数存在互相交叠和多个模式情况的雷达辐射源正确识别率,该文提出一种基于云模型的DSm(Dezert-Smarandache)证据建模及雷达辐射源识别方法。该方法首先将存在互相交叠和多个模式的先验雷达辐射源特征参数进行基于云模型的DSm建模,然后将含有噪声的测量信号特征参数进行基于云模型的DSm隶属度赋值,再通过隶属度与基本信度赋值的关系求得DSm模型的基本信度赋值,最后通过DSmT+PCR5的方法将多传感器测量信号的同特征的基本信度赋值进行融合,再将各特征的融合结果进行DSmT+PCR5融合得到最终的识别结果,如果仅为单传感器测量信号的特征参数,则仅将不同特征参数的基本信度赋值进行DSmT+PCR5得到融合识别结果。最后通过多种情况下的仿真实验,验证了该文方法的优越性。