瞬时频率雷达信号脉内调制识别技术

雷达信号的脉内调制识别是雷达侦察信号处理的重要组成部分。随着信号环境愈趋复杂,雷达信号调制识别难度越来越大。首先根据调频和调相两类信号3 d B带宽明显差异的特征,实现类间粗分类识别。继而基于改进瞬时自相关算法提取的信号瞬时频率,将FSK信号和PSK信号进行类内细分类识别。在不同的信噪比条件下,经过多次仿真实验验证,与传统算法相比,此新信号识别算法具有更高的效率和准确度。     

一种快速雷达信号脉内调制识别分析方法

针对类信号的脉内调制识别问题,提出了一种基于短时傅里叶变换(STFT)和瞬时累加自相关的快速雷达信号脉内调制识别方法。采用由粗到细的识别方案,依据累加STFT频谱带宽将信号分为调频和调相信号。采用时域累加瞬时自相关识别BPSK和QPSK信号,利用STFT频谱的时域特征识别LFM和NLFM信号,经仿真实验分析,在较低信噪比下可正确实现信号识别,该方法适于FPGA的快速实现。     

基于多特征参数的雷达信号调制方式识别方法

提出一种以盒维数、信息维数、相像系数为分类特征识别雷达信号调制方式的方法。这些特征包含了信号的幅度、频率、相位、整体走势(或者轮廓)、波形复杂度和不规则度的细节信息,集中体现了不同调制方式的差异。同时,利用特征自身的类内距离小、类间距离大的特点先聚类分离部分调制方式,最后通过基于粗集的支持向量机分类器进一步分类识别。通过4种典型雷达辐射源信号的特征提取与分类识别的仿真试验,表明基于本方法的调制信号识别正确率高,具有一定的工程应用价值。     

基于随机森林的雷达信号脉内调制识别

针对雷达信号脉内调制识别算法存在着准确率低的问题,提出一种新的雷达脉内调制类型自动识别方法,该方法首先提取雷达信号时频图像的形状特征和纹理特征构成融合特征,然后将融合特征输入随机森林分类器,实现信号的分类识别.仿真实验中对8种常见的不同调制类型的雷达信号进行识别,提出的算法在信噪比为-2 dB时识别准确率可以达到90％以上,验证了该方法的有效性.     

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。     

一种适应低信噪比的脉内识别算法

针对传统的雷达信号脉内调制类型在低信噪比下识别能力不高的局限性,提出一种改进的适应低信噪比的信号调制类型分类识别算法。该算法对雷达脉冲信号流进行时间和脉宽格子划分,对同一格子中脉冲信号采用一阶差分自相关函数法计算特征向量,根据特征向量值进行聚类统计分类。分类后对每组内脉冲信号进行平方处理,再次计算特征向量并进行聚类统计分类,选择每组内质量较好的脉冲信号进行调制类型识别,提高了信号分类识别正确率,通过仿真实验验证了该方法的有效性。     

基于峰度和小波变换的超短波信号调制识别

针对FM,MSK,QPSK三种具体调制方式,由于在高斯白噪声环境中小波变换幅度方差区分MSK,QPSK调制信号效果较差,以及在不同信噪比条件下零中心归一化瞬时幅度谱密度的最大值对FM,MSK和QPSK识别效果的下降,提出利用峰度和基于小波变换特征量的方法对信号分类识别。该方法首先利用峰度进行模拟与数字调制信号的类间识别,然后采用基于小波变换系数提取的特征量对两种数字调制信号进行识别分类。采用决策树分类方法,利用Matlab对该方法进行仿真验证,仿真结果表明该方法具有较好的识别效果。     

基于三维特征的雷达信号脉内调制识别

针对低信噪比条件下雷达信号识别算法对噪声敏感的问题,提出了一种基于三维特征的雷达信号脉内调制识别算法。该方法通过提取信号的差分近似熵、调和平均分形盒维数和信息维数特征组成三维特征向量,使用遗传算法优化的BP神经网络分类器实现雷达信号的分类识别。仿真结果表明,所提取的三维特征在信噪比为-4~10 dB变化范围内具有较好的类内聚集度和类间分离度,可以实现对不同雷达信号进行识别,证实了该方法的有效性。     

突发自适应调制信号的调制识别算法研究

针对突发自适应调制信号中的PSK和QAM调制方式识别问题,本文提出了一种能够识别BPSK、QPSK、8PSK以及16QAM、32QAM、64QAM、128QAM、256QAM八种信号类型的盲识别算法。该算法首先对信号的循环平稳性进行了分析和讨论,给出了利用循环高阶累积量的特征实现信号识别分类的理论依据。然后,提出了三种基于循环累积量的特征分别实现了QAM和PSK类间识别、MPSK类内识别以及方形QAM与十字形QAM的识别。最后通过对MQAM信号的瞬时幅度分布特性的深入研究和分析,提出了一种基于瞬时包络平方的方差的特征实现了QAM的类内识别。该算法选择了二叉树支持向量机作为识别分类器,并设计了一种新的识别流程完成了对上述信号调制方式的识别。该算法无需精确同步,对载波相位具有较好的鲁棒性,并能够对中频信号进行识别。仿真实验表明,该算法能够实现在较低信噪比条件下突发信号的识别。      

一种基于Zernike矩双谱的雷达信号特征提取新算法

雷达信号的相位可反映其脉内调制特征,而双谱在提取雷达信号特征时可以完整地保留相位信息。针对现有双谱特征提取方法存在平凡双谱、交叉项、特征维数过高等问题,提出一种基于双谱二次特征的雷达信号脉内特征提取算法。首先,将双谱转化为灰度图像,以灰度值表示双谱幅度;然后,利用图像处理技术提取双谱二次特征,提取出能够反映复杂雷达信号脉内特征的不同阶Zernike正交矩特征集;最后,将Zernike矩特征集与广泛应用于特征提取的Hu-不变矩特征集进行实验对比,结果表明,本文提出的算法具有更好的分类识别性能。     

一种新的Morlet小波及其在雷达信号特征提取中的应用研究

为准确估计雷达信号的瞬时频率,文中提出了一种基于新Morlet小波原子提取信号小波脊线的方法。通过分析小波脊线原理,使用新Morlet小波原子提取雷达辐射源信号的小波脊线特征。同时,针对不同调制类型的雷达信号,根据小波分解时—频约束关系,分析了正确提取信号脊线特征的条件。仿真实验表明,与普通Morlet小波原子相比,基于改进的Morlet小波提取信号脊线特征具有较强的检测概率和抗噪性能,其方法的有效性为实验结果所证实。     

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.     

基于循环自相关的OFDM调制识别方法

针对通信信号的调制识别问题,首先根据通信信号的循环平稳性,提出一种基于循环自相关的OFDM信号和单载波信号的调制识别算法,然后将小波多分辨分析理论与调制信号的瞬时特征以及高阶累积量相结合,提出一种基于小波分解的单载波信号识别方法,在此基础上采用分层结构的神经网络分类器对OFDM,2ASK,4ASK,2PSK,4PSK,8PSK,16QAM这7种调制信号进行识别。仿真结果表明该方法具有良好的分类性能,且对噪声不敏感。     

小波包转换域PSK信号的模式识别

提出并采用信号的连续小波包分解的方法对BPSK、QPSK、8PSK数字调制信号进行模式识别。首先,根据3种调制信号的特点设置目标信号模板,然后将其分解到小波包子域形成子域模板并预先存储。执行识别任务时,将实际信号进行小波包分解,并在各小波包子域和子域模板作匹配相关,根据相关运算的结果完成识别。由于小波包分解的频带划分比小波分解的频带划分精细,所以识别的正确率更高。文中采用Monte Carlo法产生信号,采用Matlab进行仿真。仿真结果表明,采用小波包分解的识别正确率更高,尤其是在低信噪比环境下,该方法也能实现调制信号的精确识别。     

基于小波变换的线性调频信号模型辨识

脉冲压缩雷达信号是电子战信号处理领域面临的一种信号类型，如何有效地对其截获和识别具有重要的现实意义。文中依据小波变换理论和对线性调频脉冲压缩信号的分析，提出了一种快速辨识线性调频脉冲压缩信号模型的新算法。进行了计算机仿真，仿真结果证明了此算法的有效性。     

基于时频分析和RBF神经网络的调制识别

提出了利用Wigner-Ville分布区分FSK、PSK、FM和BSS信号的自动调制样式识别方法，利用Wigner-Ville分布提取调制信号的瞬时频率特征，用径向基(RBF)神经网络根据提取的特征参数识别这四种信号，计算机仿真结果证实了该方法的有效性和正确性。     

一种低信噪比下雷达辐射源识别方法

针对低信噪比下雷达辐射源信号分类,首先提出了基于高阶累积量和小波包变换相结合的特征提取方法,然后设计支持向量机分类器,并运用粒子群优化算法对分类器的参数进行寻优,最终实现对雷达辐射源信号的自动分类。仿真实验结果表明,在信噪比为-4dB时,6种雷达辐射源信号的平均识别率仍能达到93.83%,在低信噪比环境下取得了较为理想的分类效果。     

衰落信道盲接收条件下的调制分类

该文针对衰落信道下调制识别算法预处理要求高的问题,提出了一种基于循环平稳性检测的调制分类算法,提升了盲接收环境下的分类效果。算法以信号的循环频率为特征,结合循环平稳性检测,实现了OFDM, PSK, FSK等常见数字调制信号的区分。算法无需各种参数估计以及同步等预处理过程,理论推导及仿真结果证明,能够实现低信噪比衰落信道条件下信号的有效区分。该算法将有助于提升衰落信道中非合作接收条件下的信号分类能力。     

基于高阶累量的数字调制方式识别

数字通信调制方式识别一直是信号截获处理方面的热点课题,是信号筛选和解调的基础,在通信对抗中意义重大。本文提出了以接收信号的四、六阶累量为特征来识别数字调制信号,文中进行了理论推导,并做了仿真验证该方法的可行性,实现了对2A SK/2PSK、4A SK、8A SK、4PSK、8PSK、16SQAM等数字调制类型识别。