基于融合熵特征的辐射源信号识别

针对相近雷达辐射源信号难以识别的问题,一种新的雷达辐射源信号识别方法被提出.该方法基于小波包分解,用主成分分析法融合含有信号类别特性的小波包重构系数特征,并将融合特征的能量熵和概率熵构成特征向量,基于支持向量机实现信号的分类识别.在较大信噪比(SNR)范围内,使用该方法能获得满意的正确识别率,当SNR为5 dB时,十分近似的线性调频信号正确识别率达到了91%,实验结果证实了该方法的有效性.     

ICA去除EEG中眼动伪差和工频干扰方法研究

眼动伪差和工频干扰是临床脑电图(EEG)中常见噪声,严重影响其有用信息提取.本文尝试采用独立分量分析(Independent Component Analysis,ICA)方法分离EEG中此类噪声.通过对早老性痴呆症(Alzheimer disease,AD)患者临床EEG信号(含眼动伪差和混入工频干扰,信噪比仅0dB)作ICA分析,比较了最大熵(Infomax)和扩展最大熵(Extended Infomax)ICA算法的分离效果,证实虽然最大熵算法可以分离出眼动慢波,但难以消除工频干扰,为此需采用扩展的最大熵算法;并知ICA方法在极低信噪比时也有较好的抗干扰性,且在处理非平稳信号时有好的鲁棒性;文中还结合近似熵(approximate entropy,ApEn)分析说明利用ICA去除干扰后有助于恢复和保持原始EEG信号的非线性特征.研究结果表明ICA方法在生物医学信号处理中具有潜在的重要应用价值,值得深入研究和推广.     

光纤周界入侵信号特征提取与识别方法的研究

提出一种基于互补经验模态分解(CEEMD)奇异值熵结合多核支持向量机(SVM)的入侵信号特征提取与识别方法。首先,采用CEEMD方法对入侵信号进行分解得到若干个本征模态函数(IMF);其次,再对IMF分量进行奇异值分解,计算其奇异值熵;然后,根据奇异值熵筛选出有用IMF分量,构建特征向量;最后,采用多核支持向量机识别入侵信号。采用实际采集的攀爬,敲击,汽车,风等场外入侵信号进行了实验验证,结果表明：CEEMD方法有效解决了EEMD的残留白噪声问题,多核SVM比单核SVM具有更好的识别率,攀爬入侵信号识别率达到95%。     

基于多元集对分析的辐射源信号熵特征评价

针对雷达辐射源信号新特征选取问题,提出基于多元集对分析的熵特征评价方法。根据雷达辐射源信号香农熵、近似熵和范数熵特征的识别率、稳定性、灵敏性、时间复杂度和适用范围设计评价指标,采用多元集对分析对指标体系评价。仿真实验结果表明,多元集对分析能适应对不同属性重要度的要求,实现对雷达辐射源信号熵特征的评价,对雷达辐射源信号新特征选取有一定指导作用。     

基于时频分布Rényi熵特征的雷达辐射源识别

针对复杂体制雷达辐射源识别,提出一种基于时频分布Rényi熵的雷达信号特征提取和识别方法。该方法首先对雷达辐射源信号进行时频变换,然后提取信号时频分布的3阶、7阶和11阶Rényi熵作为特征向量,得到具有维数低、类间差异较大的识别特征。最后采用支持向量机分类器实现信号的分类识别。文中对8种常见雷达信号进行了仿真实验,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正确识别率,当信噪比为-3dB时,采用时频分布Rényi熵特征的平均识别率仍能达到90.75%,验证了提出方法的有效性。     

基于PRI熵的雷达信号聚类方法研究

针对脉冲分选聚类中存在的问题,引入熵的概念,定义了 PRI(脉冲重复间隔)熵,给出了雷达脉冲序列之间合并的 PRI 熵判据.并在此基础上提出了新的雷达信号聚类方法.采用先分选后合并的思路,通过计算合并前后 PRI 熵是否减小来判断是否对序列合并.通过仿真验证该方法解决增批问题的有效性.     

融合表面肌电和加速度信号的下肢运动模式识别研究

为了提高下肢运动模式识别率,本文设计了一种融合表面肌电和加速度信号的下肢运动模式识别方法.首先,用局部均值分解将表面肌电信号分解为多个乘积函数（Product Functions,PFs）,再计算PF成分的多尺度排序熵.然后,通过拉普拉斯权重（Laplacian score,LS）特征选择算法选定每路肌电信号的一个尺度排序熵为特征,并把该特征和加速度信号的排序熵组成特征向量.最后,根据类内欧氏距离和类间样本分布,设计了改进的二叉树支持向量机,把特征向量输入该支持向量机进行下肢运动模式分类.实验结果表明所提方法对七个日常动作的平均识别率达到98.62%,相较于其他方法有较高的识别率.     

考虑时间相关性的功耗估计熵算法

熵估计是一种在高层次估计功耗的方法,但已经提出的熵算法无法考虑输入信号在时间上的相关性.本文提出了改进熵的概念,在传统熵中加入条件翻转因子,使改进后的熵能够有效估计时间上有相互关联性的信号的翻转率.理论证明和大量BENCHMARK实验结果都表明我们提出的改进熵算法具有合理性和可靠性.     

基于小波包能量熵和PSO的轴承故障诊断方法

支持向量机(SVM)在识别滚动轴承故障过程中,由于其参数选择并非最优导致识别率不高。为解决这一问题,提出了基于小波包能量熵和粒子群优化WSVM的滚动轴承故障诊断方法。首先,获取滚动轴承的振动信号,将信号进行小波包变换计算出小波包能量熵;其次,将小波包能量熵作为故障特征初步判断轴承是否发生故障;然后对各状态的特征向量集进行训练,建立WSVM故障诊断模型,采用粒子群优化算法对WSVM进行参数最优化;最后,将测试样本输入到训练好的向量机中,根据输出结果准确判断出工作状态与故障类型,还可计算得出故障识别率。结果表明:该方法能有效地判断出轴承故障类型,识别率高。     

基于小波能量熵的光纤周界安防系统信号识别

针对分布式光纤周界安防系统易受外界各种干扰导 致误报率高的问题,本文根据不同干扰源引起的系统输出信号在时频分布上的差异, 基于小波分析方 法建立小波能量熵(WEG)测度将这种差异表现为信号分解尺度上能量 分布的差异进行定量描述,实现对系 统输出信号进行特征提取和分类,可以有效区分外界轻微扰动、风雨等环境因素与 蓄意入侵所引 起的信号之间的差别,提高系统的准确性和实时性。实验结果表明:本文方法可以有效排除 非人为入侵的干扰,正确识别率高于93%,实验较低的 误报率。     

雷达辐射源信号脉内特征分析

脉内特征提取是新型雷达辐射源信号识别的关键问题。本文提出一种新的雷达辐射源信号脉内特征提取和识别方法．将雷达辐射源脉冲信号的分形维数作为识别脉内调制方式的分类特征,这些特征包含了雷达辐射源信号幅度、频率和相位等的变化和分布信息,反映了雷达辐射源信号脉内调制规律,理论分析和仿真实验结果都证明了这些特征具有对噪声不敏感的良好特性．通过10种典型雷达辐射源信号的特征提取和分类识别的实验结果表明,本文所提取的脉内特征类间距离大、类内距离小、正确识别率高．证实了本文方法的有效性。     

基于带宽比特征的雷达辐射源信号识别

提出了用信号带宽比特征识别雷达辐射源的新方法。通过两次对雷达辐射源信号进行平方处理,提取两次处理前后信号带宽的比值组成二维特征向量。利用四种常见的雷达辐射源信号进行的仿真实验结果表明,带宽比特征类内聚集性强,类间分离度大,能达到非常满意的正确识别率,证实了所提方法的有效性。     

基于小波包变换和特征选择的雷达辐射源信号识别

为了提高雷达辐射源信号的正确识别率以满足现代电子对抗的需要，提出一种基于小波包变换和特征选择的雷达辐射源信号识别新方法。先采用小波包变换进行特征提取，再采用基于量子遗化算法的相像系数特征选择法来挑选出小波包特征中分辨能力强的特征。仿真实验结果显示，该方法用较少的特征能获得较高的正确识别率，具有一定的参考价值。     

一种基于Spectrum原子的雷达辐射源信号识别方法

为了提高雷达辐射源信号的正确识别率以满足现代电子对抗的需求,该文提出了一种新的雷达辐射源信号识别方法。在过完备多尺度Spectrum原子库基础上,采用匹配追踪(MP)方法对信号进行原子分解,并通过FFT降低MP搜索过程的时间复杂性,在此基础上,对本征Spectrum原子参数进行有效降维,提取具有分类意义的原子特征向量,同步实现信号的自动分类和参数估计。实验结果表明,该方法在低信噪比环境下不仅可以获得高的信号类别正确识别率,同时具有准确的参数估计结果,证实了所提出方法的有效性。     

基于扩张残差网络的雷达辐射源信号识别

针对低信噪比条件下,复杂多类雷达辐射源信号识别存在特征提取困难,识别正确率低的问题,本文提出了一种基于时频分析和扩张残差网络的辐射源信号自动识别方法.首先通过时频分析将信号时域波形转换成二维时频图像以反映信号本质特征;然后进行时频图像预处理以保留时频图像完备信息,适应深度学习模型输入;最后构建扩张残差网络以自动提取信号时频图像特征,实现雷达辐射源信号分类识别.实验结果表明,信噪比为-6dB时,该方法对16类雷达辐射源信号的整体识别正确率能够达到98.2%,对时频图像特征相似的类LFM（Linear Frequency Modulation）信号的整体识别正确率超过95%.本文提供了一种新的雷达辐射源信号智能识别方法,具有较好的工程应用前景.     

一种雷达辐射源双谱二次特征提取方法

针对常规参数进行复杂体制雷达辐射源信号分选时存在的问题,对信号双谱图分别进行频率分区和奇异值分解,二次提取其双谱分布熵和奇异谱熵作为雷达辐射源特征参数.该方法利用双谱分析可以完全抑制高斯有色噪声对信号的影响,同时保留信号的幅度和相位信息的特点,并有机地融合了双谱理论、奇异值分解和信息熵理论的各自优点,反映出信号的本质信息.采用模糊C均值聚类算法对不同信噪比条件下6种典型调制类型的雷达辐射源信号进行聚类分选实验.实验结果表明,该方法取得了较好的分选效果,克服了传统图像特征提取算法特征维数过高和聚集性差的缺点,验证了该方法的有效性.     

雷达辐射源信号聚类分选算法

基于脉内特征参数的聚类是实现雷达辐射源信号分选的一种重要途径.本文在小波域滤波算法的基础上提出一种新的雷达辐射源信号脉内特征提取和聚类分选方法,将小波变换后的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作为分选的脉内特征向量,并引入灰关联测度来衡量脉内特征样本之间的相似程...     

雷达辐射源信号识别效能评估的I2TOPSIS方法

针对雷达辐射源信号识别效能评估方法杂乱,指标模糊等问题,提出一种基于I2TOPSIS雷达辐射源信号识别效能评估方法。该方法主要在以下三点对传统区间TOPSIS方法进行改进:利用熵值计算指标权值;利用理论极值确定正负理想点;利用区间距离计算评估方案到正负理想点的距离,并将I2TOPSIS方法应用于雷达辐射源信号识别效能评估中得到一种新的雷达辐射源信号识别效能评估方法。最后通过与传统区间TOPSIS方法的评估对比实验证明新方法所得结果更合理、可行。      

一种基于时频原子特征的雷达辐射源信号识别方法

提出了一种全新的基于时频原子特征的雷达辐射源信号识别方法.训练阶段,在过完备时频原子库的基础上,以类区分度为度量,提取少数最能区分不同类别信号的时频原子作为一组固定的特征;识别阶段,以原子和信号的内积的绝对值作为分类器的输入特征,采用有监督模糊自适应共振网络进行辐射源的自动识别.对5类典型雷达辐射源信号的实验结果表明,...