基于S变换的雷达脉内调制特征提取方法

针对利用常规参数进行复杂体制雷达辐射源信号分类识别存在的问题,提出一种基于S变换的雷达脉内调制特征提取方法。将S变换引入雷达脉内信号分析中,首先提取信号S变换时频图像的不变矩特征;然后针对其在BPSK和QPSK信号分类上的不足,提出了基于S变换峰值包络特征提取方法;最后用支持向量机作为分类器进行分类实验。仿真结果表明,在一定信噪比范围内,提取的特征具有较好的聚集性和可分性,对6种雷达脉内调制信号取得了较好的分类正确率。     

雷达辐射源信号小波变换特征提取方法

在小波域滤波算法的基础上提出一种对雷达辐射源信号进行脉内特征提取方法,该方法能够从信号中有效地提取定量信息。将小波变换后低频逼近小波系数的能量分布熵与经过尺度相关去噪计算后反映信号边缘的高频细节小波系数能量分布熵构成雷达辐射源信号的二维特征向量。通过对10种雷达辐射源信号的特征提取和分类仿真实验分析表明：提取的样本特征在0 dB下具有很好的抗噪性和可聚类性,方法是有效的。该方法能够简化分类器的设计,有利于工程应用。     

雷达辐射源信号符号化脉内特征提取方法

提出一种对雷达辐射源信号进行符号化分析的雷达辐射源信号脉内特征提取方法,该方法能够从信号中快速有效地提取定量信息。将符号化过程中反映信号自相关特性的采样时延和反映信号调制规律特性的香农熵作为脉内特征。通过对7种雷达辐射源信号仿真实验和数据分析表明:提取的样本特征在低信噪比(0~5 dB)情况下具有很好的抗噪性和可聚类性,同时算法计算简单快捷,能够简化分类器的设计,故有利于工程应用。     

Hilbert包络谱的熵特征在辐射源个体识别中的应用

针对基于时频统计参数的特征提取方法存在测量准确性要求高,特征维数大的问题,提出了一种基于Hilbert包络谱的熵特征。利用Hilbert法对信号提取包络谱后,求解包络谱的信息熵和指数熵特征,并联合包络方差识别辐射源个体。在仿真实验中对比功率谱熵特征识别正确率显著提高;对QAM、ASK以及频率成分适量的信号识别率在3 dB左右达到80%以上。该算法具有一定高效性和鲁棒性。此外应用特征于FM手持机信号,实测结果表明,算法具有一定实用性。     

一种新的通信辐射源个体识别方法

在低信噪比条件下,稳态信号中的通信辐射源个体特征极易被掩盖,从而难以提取和识别。针对该问题,依据不同通信辐射源中振荡器个体的频率稳定度不相等这一事实,提出一种适用于多进制数字相位调制（MPSK）信号的基于分形维数的特征提取与分类方法。首先对中频信号进行过采样,然后提取信号瞬时相位的信息维数作为分类特征,最后利用支持向量机（SVM）分类器实现样本属性的自动判别。该方法特征维数低、分类简单,对加性高斯白噪声具有一定的鲁棒性。计算机仿真实验结果表明,当信噪比为3dB时,对载波频率稳定度差异为0.01ppm的5种同阶MPSK信号的平均分类准确率达到95%。     

基于EMD与奇异值差分谱的侧信道信号特征提取

为了从强烈的背景噪声中提取侧信道信号的特征信息,提出了一种基于经验模式分解（EMD）与奇异值差分谱相结合的信号特征提取方法。该方法首先对原始侧信道信号进行EMD分解,计算各个特征模态函数（IMF）与原始信号的相关系数,找到最大相似特征分量;再对该分量进行奇异值分解求出对应的奇异值差分谱;最后根据差分谱进行重构和消噪,进一步提取分量的特征信息。实验结果表明,该方法可以有效应用于侧信道信号的特征提取,成功提高信号的信噪比和攻击成功率。     

基于自适应阈值的心音分段方法仿真研究

针对心音信号频率低、易受干扰并含有大量杂音的特点,提出了一种心音分段新方法。首先,采用dB6小波进行5层小波分解做心音信号降噪处理;然后,采用了一种提取降噪后心音信号连续平均能量包络的方法;最后,根据连续平均能量包络及自相关函数提出了一种自适应阈值心音分段方法。仿真结果表明,该方法所提取的心音信号包络特征更稳健,提出的分段算法与基于短时能熵比法和短时自相关函数法等心音分段算法相比,本文所提算法分段准确度更高。     

新型雷达辐射源识别

目的 雷达辐射源识别是指先提取雷达辐射源信号特征,再将特征输入分类器进行识别。随着电子科技水平的提高,各种干扰技术应用于雷达辐射源信号中,使得信号个体特征差异越来越不明显,仅靠传统的模板匹配、分类器设计、决策匹配等辐射源识别技术难以提取信号可辨性特征。针对这一问题,利用深度学习良好的数据解析能力,提出了一种基于卷积神经网络的辐射源识别方法。方法 根据雷达辐射源信号的特点,对未知辐射源信号提取频域、功率谱、信号包络、模糊函数代表性切片等传统域特征,从中获得有效的训练样本特征集合,利用卷积神经网络自动获取训练样本深层个体特征得到辐射源识别模型,将其用于所有测试样本中,获得辐射源识别结果。结果 在不同域特征下对卷积神经网络的识别性能进行测试实验,并将本文方法与基于机器学习和基于深度强化学习的深度Q网络模型（depth Q network,DQN）识别算法进行对比,结果表明,当卷积神经网络的输入为频域特征时,本文方法的识别准确率达100%,相比支持向量机（support vector machine,SVM）提高了0.9%,当输入为模糊函数切片特征和频域时,本文方法的平均识别准确率与SVM模型、极限学习机（extreme learning machine,ELM）分类器和DQN算法相比,分别提高了16.13%、1.87%和0.15%。结论 实验结果表明本文方法能有效提高雷达辐射源信号的识别准确率。     

小波和神经网络在心音识别中的应用

提出一种心音的特征提取和分类方法,用离散小波变换分解、重构产生信号的细节包络,进而用于提取特征,从预处理的信号中提取统计特性,作为心音分类的特征。多层感知器用于心音的分类,并通过250个心动周期得到验证,算法识别率达到92%。     

呼吸音信号的包络特征提取方法

针对时变宽带的呼吸音信号,在分析传统Hilbert变换方法提取包络的缺点基础上,提出基于复小波变换的呼吸音信号包络特征提取方法。选取Morlet复小波,以适当的尺度对预处理后的呼吸音数据进行变换得到包络,提取包络的统计量和能量作为特征,构造BP分类神经网络的输入矢量,经训练识别取得较好分类效果。研究表明该文的特征提取方法是行之有效的。     

基于高斯平滑与模糊函数等高线的雷达辐射源信号分选

雷达辐射源信号分选是电子侦察系统、威胁告警系统的关键步骤.针对现有基于模糊函数的复杂体制雷达辐射源信号分选方法信息利用率低、易受噪声影响等问题, 提出一种基于模糊函数等高线的分选新方法; 首先, 对信号的模糊函数进行高斯平滑处理并绘制其等高线作为进一步的特征提取对象; 其次, 从图像处理的角度提取正外接矩和方向角作为雷达信号分选的特征向量; 最后, 用核模糊C均值聚类算法对特征向量进行分选.仿真实验表明, 所提方法在8 dB以上的固定信噪比环境下分选6类典型信号的成功率均为100 %, 即使在0 dB环境下, 分选成功率也保持在89.04 %以上; 在0 ~ 20 dB动态信噪比环境下分选成功率达到96.36 %.实测数据验证, 所提特征提高了5种外场辐射源信号的分选效果, 可作为经典5参数的有效补充. 此外, 所提特征还具备较低的计算量, 提取单个信号特征的耗时仅为0.24 s, 具有一定的工程价值.     

基于AHP的复杂体制RES特征评价

针对复杂体制雷达辐射源信号特征的效能评估问题,提出一种基于层次分析法的特征评价方法。根据雷达辐射源信号特征的复杂性、可分选性、稳健性设计特征评价指标体系,采用层次分析法构建层次分析评价模型,并将该模型应用于实践。实验结果表明,该模型能减小不确定因素带来的不利影响,实现对复杂体制雷达辐射源信号特征的评价。     

基于模糊函数三维特征的雷达辐射源信号分选方法

提取并补充新的特征参数,是解决当前复杂体制雷达辐射源信号分选难题的有效途径.由于模糊函数能够很好地展现信号波形的内在信息,从主、侧视角分别提取模糊函数三维图的主岭重心、主峰分布半径作为雷达辐射源信号分选的特征向量.核模糊C均值聚类实验表明,所提出方法在10dB以上的固定信噪比环境下分选6类典型信号的成功率均为100{%     

复杂体制雷达辐射源信号特征的FAHP评价

提取有效的雷达辐射源信号特征是复杂体制下雷达辐射源信号识别的重要基础。为实现对复杂体制雷达辐射源信号特征的评价,提出了复杂体制雷达辐射源信号特征的模糊层次分析评价模型。该模型在构建复杂体制雷达辐射源信号特征评价指标体系的基础上,针对层次分析法在权重确定方面存在的不足,通过引入三角模糊数来刻画专家评判的模糊性,将该模型应用于雷达辐射源信号特征评价的算例分析,并将计算结果与标准层次分析法的分析计算结果进行了对比,结果表明该模型的计算结果与标准层次分析法的计算结果是一致的,从而证明了该模型的可行性和有效性。     

基于Choi-Williams时频图像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Choi-Williams时频图像的雷达辐射源信号特征提取和识别方法,将信号识别转化为图像识别问题。首先对雷达辐射源信号进行Choi-Williams时频变换,将得到的时频图转化为灰度图像;然后采用一系列图像处理方法对时频图像进行增强和去噪,之后将灰度图像转化为二值图像,并剪切掉不含信号的图像区域;最后分别提取二值图像的中心矩和伪Zernike矩作为识别特征,并采用支持向量机分类器实现信号的分类识别。文中针对8种常见雷达信号识别进行了仿真实验,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识别率,其中当信噪比为-3dB时,采用伪Zernike矩特征平均识别率仍能达到92%,验证了所提出方法的有效性。     

雷达脉内调制信号时频分布特征提取方法

针对复杂体制雷达辐射源信号分类识别问题,提出了一种基于时频分析的雷达脉内调制识别算法。首先对时频矩阵在时间域进行等间隔分区,然后通过检测区间内信号时频能量峰值提取其时频特征,最后用支持向量机实现了分类识别。该方法以信号时频能量峰值分布的差异区别不同的雷达脉内调制方式,有效降低了特征维数。仿真结果表明,该方法对雷达脉内调制具有较好高识别正确率,而且具有较强的抗干扰能力。     

基于局域波分解的雷达辐射源信号时频分析 *

在分析局域波分解原理的基础上 ,研究了雷达辐射源信号经过局域波分解后的分解分量的物理意义和抗交叉干扰等时频特性 ,并提取了六种经典辐射源信号的瞬时频率特征和相位编码信号的逐步波动特征。仿真实验表明 ,与传统方法相比 ,使用基于局域波分解的时频分析方法更有效地消除了信号分量干扰、提高了频率分辨率 ,并能自适应地改变基函数并解决了信号时频局部化问题 ,为辐射源信号的脉内特征分析提供了一种新思路。     

基于量子遗传算法的特征选择算法

特征选择是模式识别和机器学习等领域中重要而困难的研究课题.提出一种最优特征子集评价准则和实现特征选择的一种新量子遗传算法(NQGA).NQGA采用量子门旋转角更新新方法和增强算法寻优能力及防止早熟收敛的移民和灾变策略.定性分析了NQGA的高效性.典型复杂函数测试和雷达辐射源信号特征选择的应用表明,NQGA寻优能力强、收敛速度快和能有效防止早熟现象.采用提出的准则函数和搜索策略实现特征选择,大大降低了特征维数,获得了更高的正确识别率.