复杂环境下跳频信号网台模糊分选

跳频信号的网台分选是电子战领域的一个传统难题。由于实际作战环境非常复杂,有时同时存在多个定频信号、多个跳频电台信号,而且这些电台的跳变速度相近,工作的频率范围又可能有重合,就更增加了网台分选的难度;文章详细分析了跳频信号的特点,建立了一个模糊分选的数学模型,并结合周期值估计的方法,利用容易侦察得到的频率、驻留时间、电平等参数进行网台模糊分选。通过大量的工程实用表明,这种算法能够适用于复杂环境下跳频信号的分选。     

跳频网台分选方法概述

本文简要介绍了跳频组网方式,并通过实际接收机采集数据验证了两种常见的跳频网台分选方法。实验表明,基于盲源分离和不同网台间信号特征的分选方法均具有可行性,但各自都存在优缺点,以帮助研发人员在工程应用中进行合理选择。     

跳频网台分选中跳频规律的分布情况数据分析

通过大量仿真和测试数据分析，对通信电台跳频规律的分布情况进行了统计，得出了对网台分选有一定指导意义的测试结论。     

跳频网台信号分选技术研究

详细阐述了跳频同步正交网台信号分选技术中网络信息参数的提取问题，并对参数提取的性能进行了仿真验证。     

基于盲源分离的跳频网台分选

盲源分离在跳频网台分选中有良好的应用前景,但是其应用受到噪声、信号功率差异和信号相对带宽等因素的影响。首先实验验证了盲源分离在跳频网台分选中应用的可行性;接着,分析了这些因素影响分离效果的原因;最后,通过数值仿真,验证了理论分析,并指出了要达到一定的分离效果,噪声、信号功率比和信号相对带宽需要满足的数值条件。     

利用无线电极化特征的跳频网台分选方法

针对现有方法在跳频通信用户“空时频能”域特征相近、跳频参数捷变等条件下,跳频网台分类识别效果不佳的问题,该文提出一种基于无线电极化特征的跳频用户分选方法。该方法将无线电双极化特征引入到跳频侦察,充分利用各用户的交叉极化鉴别度差异,实现了跳频网台精准分选。针对同类用户交叉极化鉴别度参数易受噪声污染的问题,构建了双通道双极化接收系统,抑制了信号噪声,保证了极化特征提取的精度。在此基础上,基于谱聚类思想,完成了极化特征的分类软判决,进一步提升了跳频网台分选效果,实现了跳频信号的精准识别。仿真实验表明,在5 dB信噪比条件下,所提方法可对同步正交和非正交组网方式下的多跳频网台准确识别,识别分类成功率达99%以上,验证了新方法的有效性。     

基于图像处理的跳频信号参数估计和双网台分选

针对多网台的跳频信号的参数估计和网台分选问题,提出了使用图像处理的方法。针对低信噪比的情况下参数估计精确率低的问题,提出了适用于图像处理去噪的自适应定门限二分聚类算法。最后,进行了实验仿真,仿真结果表明通过自适应定门限二分聚类算法对跳频信号进行去噪后,再通过图像处理的深度学习检测框架可以有效地对双网台的跳频信号进行网台分选,并且较为精确地识别出跳频参数。     

复杂环境下基于联合特征聚类的多跳频网台分选

为了从混叠信号中去除干扰并分选出各个跳频网台信号,提出一种基于联合特征聚类的多跳频网台分选算法。首先,对混叠信号进行短时傅里叶变换得到时频矩阵,并根据时频矩阵能量分布直方图进行自适应阈值去噪;其次,通过形态学滤波处理,去除扫频干扰;再次,进行连通域标记,计算各段信号的持续时长和平均能量,以此去除定频干扰和短突发干扰并组成各跳频段的联合特征向量;最后,利用MeanShift算法对各段信号的联合特征向量进行聚类分析,完成各个跳频信号的分选。仿真结果表明,相比传统跳频网台分选算法,所提算法对混叠信号具有更高的分选率、更强的抗干扰能力和更广泛的适用性。     

跳频正交网台信号分选算法研究

跳频正交网台信号的分选是跳频通信侦察领域亟待解决的关键问题,在简要叙述 2种典型跳频组网方式基本特征的基础上,从侦察和反侦察相结合的角度出发,进一步深入分 析了2种组网方式的组网机理和不同跳频网之间信号特征的差异性,并找出了可用于分选的 特征参数;重点讨论了2种网台信号的分选问题,分别给出了1种分选算法。     

跳频高密度异步网台信号的分选

根据跳频高密度异步网台信号的主要特征,通过建立分选模型,确定分选参数,将跳频信号的网络信息参数用于跳频高密度异步网台信号的分选,并与跳频信号的频率统计特性相结合,提出了一种基于多接收机分频段侦收的跳频高密度异步网台信号分选算法,并对其进行了仿真验证。     

基于模糊聚类的常规通信信号自动分选方法

为解决从干扰环境中自动分选出常规通信信号的问题,提出了一种基于模糊聚类的常规通信信号分选方法.该方法首先利用区分度函数确定最优的相关度阈值参数,然后利用模糊聚类算法对利用频域检测和测向得到的测量集进行信号分选,并对分选后的通信信号进行特征参数估计.实验结果表明,该算法能够在不做任何假定的条件下对常规通信信号进行正确分选,并对窄带信号的特征参数进行准确估计.     

一种基于BFSN聚类的多参数综合分选算法

为克服传统信号分选算法的局限性，本文提出了一种多参数的综合分选算法。该算法利用数据挖掘中聚类技术的特殊性能进行预分选，并与常用的PRI分选算法结合，可用于常规雷达和特殊雷达的信号分选。在文章的最后，用仿真结果验证此算法的有效性。     

一种基于改进网格聚类的雷达信号分选算法

将网格聚类算法用于雷达信号分选,针对传统网格聚类算法执行效率不高,聚类精度低等问题,对传统网格聚类算法进行了改进,最后通过仿真实验验证了改进算法有效性和先进性。     

基于FCM的无监督最优模糊聚类算法

基于模糊c-均值算法的无监督最优模糊聚类算法集合了模糊c均值算法与无监督最优聚类算法的优点,它通过逐渐改变聚类数c,依据一些有效性衡量尺度,能无监督搜索出最优聚类数c.通过对距离测量尺度的改进,使聚类不受类形状的影响,以达到具备更高准确率的聚类效果.仿真实验结果表明,新算法不仅能准确找出聚类数,而且跟单纯的模糊c均值算法比,具有更好的聚类效果.     

基于模糊聚类的云任务调度算法

为了更好地实践云计算提供廉价按需服务的宗旨,提出了一种在模糊聚类基础上,基于两级调度模式的任务调度(FCTLBS,fuzzy clustering and two level based task scheduling)算法,新算法设置用户调度和任务调度2个等级。对资源进行性能模糊聚类;根据任务参数计算资源偏好,使不同偏好任务在不同聚类中选择,缩小了选择范围,更好地反映了任务需求。仿真实验表明,本算法较之同类算法具备一定的优越性。     

基于相对熵的直觉模糊聚类方法

在众多的模糊集中,直觉模糊集同时定义了信任度、非信任度和犹豫度,便于处理不确定信息.在不确定信息应用领域的背景下,重点研究了直觉模糊环境下的聚类问题,提出了基于相对熵的直觉聚类方法,并通过数值算例验证了方法的可行性和有效性.     

一种自适应容差的雷达信号分选聚类算法

雷达信号分选的目的就是从交错的、密集复杂的脉冲信号流中提取出同一辐射源的脉冲序列。战场环境中信号流的密集性,信号形式的复杂性,给信号分选带来了严重的挑战。面对如此复杂的信号环境,传统的基于直方图统计的雷达信号分选算法的分选结果可信度越来越差。在聚类雷达信号分选算法的基础之上提出了一种自适应容差的雷达信号聚类算法,克服了传统的雷达信号聚类分选算法中容差选择困难的问题。仿真结果表明该方法能够准确地分选出各个辐射源的脉冲序列。     

一种基于L-M算法的组合神经网络模糊控制器

提出了一种基于L-M算法的神经网络模糊控制器。用两个相同的三层前向神经网络①和②来生成E和EC的隶属度,用三层前向神经网络③来实现模糊控制规则并生成控制输出,经过研究和对比选择了对于这3个网络来说最好的训练算法Levenberg-Marquardt算法。仿真结果表明了该控制器极好的控制性能。     

基于数据流聚类的动态信号分选框架

为了解决雷达信号分选中准确性与实时性相矛盾的问题,提出了一种基于数据流聚类的动态信号分选框架。该框架分为在线和离线两部分,在线部分利用网格帧保存侦察数据的概要信息;离线部分通过网格聚类算法对网格帧进行聚类分选,并得到分选结果。仿真实验表明,该框架能够分选高密度复杂侦察数据流,对噪声不敏感,且无需先验知识支撑,能够较好地满足信号分选准确性和实时性的需要。     

一种基于模糊聚类理论的文本水印算法

基于模糊聚类理论,建立了以文本文档中汉字特征为变量的聚类模型。根据人类视觉系统特性,将文本文档中汉字按照汉字笔画数、出现频率及分布均匀度作了分类,选择文本文档中汉字笔画数相对较少、使用频率较高、分布均匀度高的类别嵌入水印。实验结果表明,该算法对于内容的部分删除、添加、格式调整等攻击具有较好的鲁棒性,水印的不可见性好。