基于多学习单元卷积神经网络的雷达辐射源信号识别

现有基于人工提取特征的复杂体制雷达辐射源信号识别方法时效性低,识别准确率不佳. 为此,提出了一种基于多学习单元卷积神经网络的识别方法. 首先对辐射源信号的模糊函数进行高斯平滑,以校正噪声带来的毛刺与畸变;然后提取其正交切片作为进一步的特征提取对象;最后构建多学习单元卷积神经网络,学习和提取正交切片深层、泛在的特征,并通过softmax分类器进行分类识别. 仿真实验结果表明,所提方法在信噪比为-2 dB时对6类典型雷达信号的整体平均识别率均保持在99.86%以上,即便是在-6 dB环境中,雷达信号的识别率也可达到88.50%,在极低信噪比条件下具有良好的性能和可行性.     

基于IVIF-VIKOR的雷达辐射源信号分选识别特征性能综合评价方法

为解决雷达辐射源信号分选识别特征评价不够客观和缺乏评价依据等问题,提出了一种基于区间模糊原理、模糊交叉熵和多准则折衷法的特征评价方法. 首先通过区间模糊原理建立信噪比分级评价模型,并基于汉明距离进行寻优得出信噪比权重;其次结合信噪比权重和区间直觉模糊加权平均算子将分级模型整合成群决策矩阵,使用熵最大化法计算属性权重;最后基于多准则折衷法框架,采取模糊交叉熵实现特征方案排序. 仿真实验结果表明,所提方法能够给出与实际仿真实验相一致的分选识别特征评价排序结果,并优于逼近理想点方法,验证了所提方法的可行性和有效性.     

一种快速搜索模糊函数主脊切面的自适应灰狼算法

模糊函数主脊切面特征能较好地反映不同信号结构上的本质差别,是解决当前复杂体制雷达辐射源信号分选难题的可行参数,而快速、智能地搜索模糊函数主脊切面是增加其切面特征实用性的重要问题。为此,本文构建了一种结合均匀初始化策略和改进非线性收敛因子的改进自适应灰狼算法来搜索典型六种雷达辐射源信号的模糊函数主脊切面并提取切面特征,并与穷举法和标准灰狼算法进行对比。实验结果表明,所提方法在搜索AFMR切面并提取特征时,平均耗时仅为1.49s,相较于穷举法和标准灰狼优化算法,效率分别提高了75.7%和19.0%,具有较优的时效性。在固定信噪比环境下,当SNR不低于0dB时,提取到特征值的平均聚类准确率为96.4%,在0~20 dB动态信噪比环境下,平均聚类准确率可达95.2%,具有较好的准确性、抗噪性能及较强的类内聚集性和类间分离能力,证实了所提方法的可行性与有效性。     

卡拉胶寡糖对冷冻南美白对虾的抗冻保水作用

目的:研发冷冻南美白对虾虾仁的抗冻保水剂并探索其应用效果。方法:以冷冻虾仁解冻损失率、明度、p H值、肌原纤维蛋白含量、Ca~(2+)-ATPase活性、弹性和咀嚼性为评价指标,以焦磷酸钠为阳性对照,研究卡拉胶寡糖对冷冻虾仁的抗冻保水效果及微观组织结构的影响情况。结果:卡拉胶寡糖和焦磷酸钠浸泡处理能有效抑制冷冻虾仁解冻损失率的增加,减少肌原纤维蛋白含量和Ca~(2+)-ATPase活性的下降,对虾仁pH值、明度和质构特性的保护效果显著,且3g/100 m L处理组的保护效果整体高于1 g/100 m L处理组;同时,3 g/100 m L卡拉胶寡糖处理对虾仁肌原纤维蛋白的保护效果显著高于3 g/100 m L焦磷酸钠处理(P0.05);微观结构观察发现,冻藏6周后,3 g/100 m L卡拉胶寡糖处理组虾仁肌纤维排列紧密,完整性较好,与新鲜冷冻虾仁组织结构较为相近。结论:3 g/100 m L卡拉胶寡糖浸泡处理有利于冷冻虾仁品质的保持。研究结果可为开发一种低甜味、低热量的虾仁抗冻剂提供参考。     

基于卷积神经网络和模糊函数主脊坐标变换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耗时长、特征不明显等问题,提出一种基于深度学习卷积神经网络和模糊函数主脊坐标变换的雷达辐射源信号识别方法。该方法通过快速离散分数傅里叶变换提取信号的模糊函数主脊,并将模糊函数主脊极坐标域的二维时频图作为卷积神经网络的输入,实现对不同雷达信号的分选识别。仿真实验结果表明：新方法不仅在信噪比为0 dB以上保持100%的识别率,在-6 dB时识别准确率也稳定在90%以上;相对于传统的雷达信号识别方法和其他深度学习模型识别方法,在识别率和鲁棒性上均有较大提升,具有一定的工程应用价值。     

雷达辐射源信号分选识别特征性能评价的改进灰色关联模型

为解决雷达辐射源信号分选识别特征评价不够客观和缺乏评价依据等问题,构建了一种结合区间直觉模糊思想的改进灰色关联的特征评价模型。该模型引入信噪比维度来考察不同层次数据的动态差异,以区间型数据描述特征信息,建立区间直觉模糊综合决策矩阵;其次,采用特征间总离差最大化的优化模型来确定各指标权重;最后基于改进灰色关联框架,结合逼近理想点方法实现特征方案排序。仿真实验结果表明,所提方法能够给出与实际情况相一致的分选识别特征评价排序结果,并和未改进的灰色关联法分析结果基本一致,验证了所提方法的可行性和有效性。     

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.     

基于模糊函数等高线与栈式降噪自编码器的雷达辐射源信号识别

针对当前复杂体制雷达辐射源信号识别方法抗噪性能差、识别率低等问题,提出一种基于模糊函数等高线与栈式降噪自编码器的新识别方法。首先对辐射源信号的模糊函数进行高斯滤波并根据线性插值计算等高线,然后采用主成分分析方法降低其特征维度,保留主要模糊能量信息,最后构建深度学习栈式降噪自编码器,学习并提取等高线深层、泛在的特征,并通过Softmax分类器进行分类识别。实验结果表明,该方法在信噪比为0 dB时对6类典型雷达信号的整体平均识别率均保持在99.83%以上,即便是在-6 dB环境中,识别率也可达到83.67%,验证了所提方法在极低信噪比条件下良好的性能和可行性。