一种深度强化学习的雷达辐射源个体识别方法

针对传统依赖于人工经验提取辐射源个体特征的不足,提出一种基于深度强化学习的雷达辐射源个体识别方法。利用发射机非理想信道造成的辐射源信号包络在信号变化时呈现的不同瞬态信息,以信号包络前沿作为深度神经网络的输入状态,以辐射源类别作为当前输入状态的可选动作,通过卷积神经网络自动提取辐射源包络个体特征,并拟合当前状态动作对的Q值,进而以强化学习模型完成雷达辐射源个体识别任务。讨论了深度Q网络模型、深度双Q网络模型以及Dueling Network模型3种深度强化学习模型在辐射源识别任务中的应用。实测数据仿真实验表明：传统机器学习算法的识别率不足80%,而深度强化学习网络的识别率高达98.42%.     

基于多域特征融合的通信辐射源个体识别方法

为解决利用单一特征进行通信辐射源个体识别识别率不高的问题，提出一种基于多域特征融合的通信辐射源个体识别方法。提取通信辐射源发射信号的多个变换域特征，并组合这些特征为多域特征。构建多通道卷积神经网络，利用多通道卷积操作对多域特征进行深层次提取。通过神经网络的分类器，完成对通信辐射源个体的分类。在低信噪比和瑞利信道条件下，使用所提方法对20个CC2530设备进行识别。研究结果表明：与基于单一特征的辐射源个体识别方法相比，该方法充分利用了通信辐射源发射信号的多个变换域特征，结合神经网络的强大细微特征挖掘能力，实现了对通信辐射源个体的有效识别；该方法能够显著提升在低信噪比的识别准确率和时效性，在0 dB条件下的识别效果仍可达到91.01%。     

基于小波脊线特征提取的雷达辐射源信号识别

针对在低信噪比条件下雷达辐射源信号识别率低的问题,提出了一种基于小波脊线特征提取的雷达辐射源信号脉内调制方式识别方法.该方法使用新的改进Morlet小波提取信号瞬时频率,变换后提取其二次特征用于分类识别.计算机仿真结果表明本方法提取的特征向量具有良好的识别能力,在2 dB的低信噪比条件下,平均识别率可达到90%以上,通过与现有方法进行对比仿真验证了本算法在低信噪比环境下的优越性.     

基于小波脊线特征提取的雷达辐射源信号识别

针对在低信噪比条件下雷达辐射源信号识别率低的问题,提出了一种基于小波脊线特征提取的雷达辐射源信号脉内调制方式识别方法.该方法使用新的改进Morlet小波提取信号瞬时频率,变换后提取其二次特征用于分类识别.计算机仿真结果表明本方法提取的特征向量具有良好的识别能力,在2 dB的低信噪比条件下,平均识别率可达到90％以上,通过与现有方法进行对比仿真验证了本算法在低信噪比环境下的优越性.     

基于转换脉冲神经网络的雷达辐射源识别方法

为提高雷达辐射源识别智能水平,提出一种新的基于转换脉冲神经网络进行雷达辐射源调制模式识别的 方法。将仿真产生的雷达信号转换为2 维时频图,将传统的卷积神经网络(convolutional neural networks, CNN)转化 为脉冲神经网络(spiking neuron network, SNN),使用SNN 进行雷达辐射源识别。仿真实验结果表明：该方法具有 优良的检测精度,当信噪比高于-9 dB 时,识别概率可达96%以上。     

基于图形轮廓的雷达信号模糊函数主脊切面特征提取方法

从复杂体制雷达辐射源信号中提取有效的特征参数,是解决复杂雷达信号分选问题的有效方法。鉴于模糊函数(AF)的主脊切面能很好地描述信号的模糊能量分布信息,提出一种基于图形轮廓的AF主脊切面特征提取方法,该方法提取了反映切面图形轮廓变化剧烈程度的累积角度和反映切面图形轮廓固有特征的单位累积长度作为信号分选的特征向量。模糊C均值聚类实验结果表明：当信噪比不低于12 dB时,常规信号、线性调频信号、二相编码、四相编码、M伪随机序列和二频编码6种典型雷达信号的分选成功率均为100%,即使在信噪比为0 dB时,平均分选成功率也能达到93.5%;在0～20 dB动态信噪比环境中平均分选成功率达到98.9%. 理论分析与分选耗时比较实验结果表明,所提方法具有较低的算法复杂度,证实了其有效性和时效性。     

基于时频图像纹理特征的雷达辐射源信号识别

为了解决低信噪比条件下雷达辐射源信号识别率低的问题,提出了一种提取时频图像纹理特征的脉内调制方式识别方法.该算法首先对信号进行Choi-Williams变换,在对时频图进行预处理后提取其改进的局部二值模式纹理特征(LBPV),并用支持向量机进行分类判别.使用6种典型雷达信号进行仿真实验,仿真结果表明在-2 dB的低信噪比条件下该方法的平均识别率可达95％以上,局部二值模式算子在低信噪比下的识别能力得到大的提高.     

基于卷积网络和对抗式学习的雷达信号识别算法

针对雷达信号识别中因新信号数据与训练数据的样本差异,导致卷积网络模型识别率下降的问题,提出一种基于卷积网络和对抗学习的雷达信号识别算法,提升模型对新样本的识别率。首先,依据时频变换理论,变换得到雷达信号时域-频域能量分布图像,以表征信号脉内调制特征;然后,结合深度可分离卷积的结构,构建卷积网络模型,并利用样本数据对模型进行预训练;最后,融合生成对抗网络的思想,网络模型采用对抗学习方式,根据输入新样本数据自适应调整、更新网络各层参数,提升模型对新样本特征提取能力。仿真结果表明,-4dB信噪比样本识别率由79.78%提升到90.67%,-2dB信噪比样本识别率由83.15%提升到91.00%,验证了算法的有效性。     

基于核函数支持向量机的雷达辐射源识别

文中针对雷达辐射源信号环境复杂导致的正确识别率较低的问题,提出了基于支持向量机理论的雷达辐射源识别方法,并构建了基于多种核函数支持向量机的雷达辐射源分类器。通过在不同噪声环境下进行仿真实验,证明了支持向量机理论在雷达辐射源识别中的有效性,并比较了多种核函数支持向量机的识别效果。     

融合卷积特征与判别字典学习的低截获概率雷达信号识别

针对低截获雷达信号通常采用人工特征选择,且在低信噪比、样本数量少情况下识别率低的问题,提出一种融合雷达信号时频图像的卷积特征与字典学习识别算法。该算法以表征信号调制方式的时频图像为基础,通过时频变换获得信号的二维时频数据,输入到LeNet-5卷积神经网络中。网络通过美国MNIST数据库手写数据集进行预训练,将预训练后网络中的2～6层网络参数迁移到新的LeNet-5中,取出第6卷积层的数据作为提取的卷积特征。使用判别字典学习方法进行识别。仿真结果表明：通过预训练处理能够加快网络的收敛与优化,有效提取到每类信号的卷积特征;与文献［4］、文献［24］、文献［25］、文献［26］中4种算法相比,利用判别字典学习能够在样本少、低信噪比情况下取得较高的识别率。     

基于1D-CNN 的弹链运动加速度分类与识别

针对人工判读研究弹链运动规律时存在过程复杂、效果不佳的问题,结合弹链运动加速度的1维特性,提出一种基于1D-CNN的弹链运动加速度分类与识别方法。基于Keras深度学习框架搭建1维卷积神经网络模型(1D convolutional neural network,1D-CNN),对小口径自动炮射击试验中获取的弹链运动加速度信号进行数据预处理并制作训练集和测试集,利用训练集和测试集对1D-CNN模型进行训练和测试。结果表明:利用1D-CNN模型可实现弹链运动加速度信号的分类和识别,准确率在84%左右,达到了预期效果。     

基于特征融合的注意力增强卷积神经网络的航空发动机滚动轴承故障诊断方法

针对现有基于深度卷积神经网络的故障诊断方法只考虑对信息局部特征的提取、忽视全局信息的不足,将可以把握全局信息的注意力机制融入卷积层,使得注意力机制参数和卷积层参数参与网络的训练,提出一种注意力增强卷积神经网络的机械故障诊断方法。通过经验模态分解、变分模态分解和小波包分解的方法提取滚动轴承振动信号的高维特征模量;将特征模量组成多通道样本输入到注意力增强卷积神经网络中进行训练,利用网络对特征模量自适应地融合和选择,从而挖掘特征模量的隐式特征;使用Softmax分类器进行分类识别;通过训练好的网络对高转速下的滚动轴承进行故障诊断;利用不同信噪比的信号对所提方法进行测试,以验证网络的泛化能力和故障诊断效果。实验结果表明：该方法能准确、有效地对航空发动机滚动轴承不同故障的损伤程度进行分类识别。     

基于演化计算的迷彩目标隐蔽策略仿真设计

针对典型自然环境下军事装备的隐蔽问题,提出一种新颖的演化计算策略,将其与图像仿真设计手段相结合,根据环境状况,构建一种快速仿真计算进而给出迷彩目标隐蔽策略的新方法。该方法主要包括迷彩目标与场景图像的融合仿真计算,引入视错觉条带覆盖的迷彩目标隐蔽计算,基于粒子群优化算法和概率分布采样的搜索计算,以及基于深度神经网络图像特征的融合度计算。运用深度神经网络图像分割模型,结合迷彩目标的分割识出率,评估新方法的性能。仿真实验结果表明：在林地和荒漠环境中获得的隐蔽仿真图像平均融合度可达0.99以上,平均分割识出率低于0.90;新方法能够为设计给定目标在场景图像中的隐蔽策略提供有效的依据,具有较高的实用价值和可扩展性。     

基于IF 特性的雷达辐射信号脉内调制特性识别

为解决雷达侦察中雷达脉内调制类型识别问题,研究NS、LFM、PSK、FSK 4 种类型调制信号的高效识 别问题。通过改进瞬时自相关算法在抑制相位模糊和噪声干扰的前提下得到雷达辐射信号自相关函数,进行滑动平 均采样处理得到信号的瞬时频率。分析4 种不同调制类型信号频率图特征,提取频率图的自相关系数、突跳峰次数 和二级均值差特性作为识别特征向量,构建一种高效的脉内调制识别算法。仿真实验表明：该算法可在信噪比较低 的条件下,有效地区分4 种调制类型,当信噪比高于9 dB 时,识别概率可达到97%以上。