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。     

基于脉冲包络前沿高阶矩特征的辐射源个体识别

雷达脉冲包络分析是雷达辐射源识别的常规方法,但常规的包络识别方法很难适应实际需要,无法有效地对雷达辐射源信号进行分类识别.提出了以脉冲包络前沿波形的高阶矩特征作为辐射源的"指纹"特征,进行雷达辐射源个体识别的思路.利用脉冲包络前沿波形的高阶矩特征受高斯噪声影响较小的特点,提高了辐射源个体特征参数的有效性.理论分析和实验结果表明利用雷达脉冲包络前沿波形的高阶矩特征可以较好地进行辐射源个体识别.     

一种稳健的通信辐射源个体识别方法

通信辐射源个体识别是目前通信对抗领域研究热点与难点问题,相对于雷达辐射源,通信辐射源信号弱、瞬时特征不明显导致个体识别更复杂、更困难。利用通信辐射源信号的长时谱统计特性,提取信号功率谱峰值特征和包络模板,构造通信辐射源个体特征向量,通过朴素贝叶斯分类算法与个体特征矢量相结合,在训练样本数目足够大的条件下可进行有效识别。测试实验表明,识别方法稳健有效,可在信噪比5 d B情况下实现93.7%的正确识别概率。     

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。      

以贴近度为基础的雷达信号个体识别方法研究

经济社会的腾飞发展,也带动了科学信息技术的进步.雷达就是运用无线电技术来实现信息存储的,因此雷达又称作是“无线电定位”.近年来,国家加深加快了对雷达信号的探索,雷达信号的个体识别更是作为重点课题进行研究.以贴近度为标准的雷达辐射源个体识别技术,最关键的是雷达“指纹”特征数据的选取、高精度测量以及识别算法.本文就将从雷达辐射源个体识别的信号概念,分析贴近度对于雷达信号的重要性,展开雷达信号个体识别方法的研究.     

辐射源个体识别的一种可解释性测试架构

由于射频信号种类多,电磁环境复杂,特征提取难度大,现有的基于人工特征的射频辐射源个体识别方法的鲁棒性、适用性难以满足应用需求。数据驱动的深度学习方法虽然可以提供更灵活的辐射源个体识别模式,但深度学习方法自身可解释性差,而且缺乏通用测试模式来评价一个深度学习方法的优劣。本文在电磁大数据非凡挑战赛目标个体数据集的基础上,探索了基于该数据集的深度学习模型测试方法,提出面向辐射源个体识别神经网络模型的通用测试系统架构。该构架通过信号特征遮掩、生成对抗网络(GAN)、欺骗信号汇集、信道模拟等方法构造仿真测试样本,并把测试样本与原样本数据导入深度模型进行识别结果对比测试。基于测试结果分析了深度模型聚焦的信号关键特征位置,分析模型的鲁棒性,揭示信道环境对识别性能的影响,从而解释了深度学习网络模型的性能。     

雷达辐射源分类识别方法综述

阐述了雷达辐射源识别研究的必要性,详细介绍了现有雷达辐射源基本分类识别方法,系统梳理了现有分类识别技术的优缺点,合理分析了多、大且杂的电磁环境下雷达辐射源识别研究趋势,提出将深度学习与雷达辐射源识别全面结合,实现雷达辐射源识别智能化。     

基于KNN和雷达辐射源脉间参数的舰船目标个体识别方法

针对同型多目标位置接近无法有效区分的问题,提出了一种基于KNN和雷达辐射源脉间参数的舰船目标个体识别方法.根据雷达辐射源脉间参数计算待识别雷达信号与已识别雷达信号的参数关联度,若关联度小于阈值则认为是不同雷达,否则认为是同型雷达则利用最近邻分类算法通过计算待识别雷达目标位置点与已识别雷达目标历史航迹点的距离来判决待识别...     

基于集成固有时间尺度分解的IFF辐射源个体识别算法

为研究敌我识别(IFF)辐射源信号的细微特征,针对目前在复杂噪声环境中IFF辐射源个体识别研究不足的问题,该文提出一种基于集成固有时间尺度分解的IFF辐射源个体识别算法。该算法应用集成固有时间尺度分解(EITD)将采样信号自适应划分为若干有实际意义的信号分量并求取IFF辐射源信号在时频域的能量分布图。通过对时频能量谱的纹理分析,以图像的纹理特征表征辐射源信号的无意调制特征,送入支持向量机(SVM)中进行分类识别。实验表明,所提算法相较于基于希尔伯特-黄变换(HHT)、基于固有时间尺度分解(ITD)的辐射源个体识别方法在识别准确度上有较大提升。     

基于空时编码的雷达脉冲辐射源识别算法

随着宽带电子侦察接收机的广泛使用,同时进入接收机的信号越来越多,输出的数据量越来越大,传统的雷达辐射源识别方法很难适应分析处理的实时性和准确性要求.为解决这一问题,提出基于空时编码的雷达脉冲辐射源识别算法.通过设计一种空时编码算法来对雷达辐射源全脉冲数据中的载频、脉宽及重频等参数进行编码和特征提取,形成包含全脉冲数据时空信息的特征序列.这些特征序列既保留了雷达全脉冲数据的主要信息,又实现了对雷达全脉冲数据的简化,为利用深度学习和大数据处理技术实现对雷达辐射源快速精准识别奠定基础.利用长短时记忆网络(Long Short-Term Memory,LSTM)深度神经网络模型,结合提取的空时特征序列,通过大数据学习训练,实现了对7型雷达辐射源的精确识别.在数据集上的对比实验表明,提出的识别方法在处理识别精度和普适性上优于目前的主流算法,具有较强的鲁棒性.     

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.     

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.     

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。     

深度学习在雷达目标检测中的应用综述

雷达目标检测技术能够判断回波信号中目标存在与否,并提取目标位置信息。随着雷达图像质量的提升和人工智能技术的发展,利用雷达图像数据通过深度学习方法实现雷达目标检测功能成为一种新的思路。该文首先从雷达目标检测原理入手,对传统和现代两类检测方法进行了梳理,分析了各类检测方法的特点及适用性。然后针对现代雷达回波信号复杂性增大导致传统检测方法统计建模难的问题和机器学习方法特征提取难度大的问题,对深度学习目标检测方法进行了归纳,主要从深度学习算法、雷达回波图像数据类型和应用场景三个方面进行总结。最后分析了深度学习在雷达目标检测应用中面临的挑战,展望了未来的发展趋势。     

自监督双流融合的小样本雷达辐射源识别方法

针对实际场景中辐射源数据稀缺造成的小样本问题，提出了一种基于自监督和双流融合的小样本雷达辐射源识别方法。首先利用高斯分布噪声、莱斯多径衰落、设计时钟偏移信号等减损方法，基于有限数量的真实样本构建类均衡辐射源信号样本集。基于增强数据集，提出一种信号时间序列与时频图的双流特征融合模型。采用对比学习方法构建双流特征融合模型的自监督上游任务，以提升在有限标签数据情况下信号多域特征的表征能力与泛化能力。实验结果证明，该方法在小样本条件下能够有效地实现较好的辐射源类型识别能力，在目标域每个类别100个样本限制下，识别精度达到97.1%,与传统一维特征方法和基于长短期记忆(Long Short Term Memory, LSTM)的方法相比均有较大提升。     

应用动态时间规整算法实现雷达辐射源个体识别

雷达辐射源个体识别,即识别同型号同批次的雷达辐射源,是当今电子战研究的重点课题。雷达辐射源的个体差异是由其内部各种元器件的细微差异产生的,瞬时幅度和瞬时频率能够很好地体现雷达辐射源的个体差异。基于这一事实,采用动态时间规整算法实现了雷达辐射源的距离测度。利用数据融合技术,综合考虑了瞬时幅度和瞬时频率的动态时间规整测度值,实现了雷达辐射源个体识别中的目标匹配。最后,通过仿真验证了动态时间规整算法在雷达辐射源个体识别课题中的可行性。