基于围线积分双谱的雷达辐射源信号个体特征提取

雷达辐射源信号因无法避免的振荡器相位噪声影响而具有无意调制个体特征现象。特定辐射源识别（SEI）技术研究立足于从截获的辐射源信号中提取细微且稳健的特征,这些特征是由特定辐射源个体所决定的指纹信息。采用围线积分双谱提取由振荡器相位噪声所造成的无意调制个体特征,并将围线积分双谱的均值、波形熵和双谱熵作为量化特征衡量不同雷达辐射源之间的个体差异。仿真实验表明,提取的量化特征在一定的信噪比环境下较好地体现辐射源之间的个体差异性,并且能够实现辐射源个体识别。     

基于复数对比预测编码的辐射源个体识别

将无监督表征学习领域中对比预测编码技术用于辐射源个体特征提取,并结合复数网络,设计了一种基于复数对比预测编码的辐射源个体识别方法。对由实部和虚部组合而成的复数电磁信号,首先采用复数对比预测编码技术提取辐射源个体“指纹”特征,然后采用复数残差网络进行分类识别。实验结果表明,通过联合复数对比预测编码和复数残差网络的方法,极大地提高了辐射源个体识别正确率和鲁棒性,相较基于实数的神经网络算法和传统识别算法,识别正确率绝对提升了11.38%。     

一种基于相噪特性的辐射源指纹特征提取方法

辐射源指纹特征可用于实现对辐射源目标个体的识别.为了提升特征的区分能力和识别性能,提出了基于相位噪声特性的辐射源指纹特征提取方法.通过分析发射机频率源电路的等效数学模型,建立了描述发射机相位噪声特性的自回归-滑动平均(ARMA)模型,并提出通过ARMA参数估计构建辐射源指纹特征,从而完成辐射源个体识别.仿真结果证实了上述方法提取的特征可用于区分辐射源目标个体,且性能在中高信噪比情况下优于相噪功率谱特性的方法.结果表明,与依赖经验认识的经验参数特征方法相比,改进的相噪机理模型的指纹特征能更好地反映辐射源的本质差异,从而获得更好的识别性能.     

新型雷达辐射源识别

目的 雷达辐射源识别是指先提取雷达辐射源信号特征,再将特征输入分类器进行识别。随着电子科技水平的提高,各种干扰技术应用于雷达辐射源信号中,使得信号个体特征差异越来越不明显,仅靠传统的模板匹配、分类器设计、决策匹配等辐射源识别技术难以提取信号可辨性特征。针对这一问题,利用深度学习良好的数据解析能力,提出了一种基于卷积神经网络的辐射源识别方法。方法 根据雷达辐射源信号的特点,对未知辐射源信号提取频域、功率谱、信号包络、模糊函数代表性切片等传统域特征,从中获得有效的训练样本特征集合,利用卷积神经网络自动获取训练样本深层个体特征得到辐射源识别模型,将其用于所有测试样本中,获得辐射源识别结果。结果 在不同域特征下对卷积神经网络的识别性能进行测试实验,并将本文方法与基于机器学习和基于深度强化学习的深度Q网络模型（depth Q network,DQN）识别算法进行对比,结果表明,当卷积神经网络的输入为频域特征时,本文方法的识别准确率达100%,相比支持向量机（support vector machine,SVM）提高了0.9%,当输入为模糊函数切片特征和频域时,本文方法的平均识别准确率与SVM模型、极限学习机（extreme learning machine,ELM）分类器和DQN算法相比,分别提高了16.13%、1.87%和0.15%。结论 实验结果表明本文方法能有效提高雷达辐射源信号的识别准确率。     

信号指纹识别技术发展与应用

由于制造工艺的细微差别,通信辐射源内部电路存在硬件差异,其发射信号会体现出区别于其他辐射源个体的特征,即为信号指纹。利用信号指纹识别技术,可以识别同型号的不同辐射源个体,进行信号追踪、监测,实现军事打击。论述了信号指纹识别技术的原理,分析了国内外关于信号指纹提取与识别的研究现状,展望了该技术未来在军事和民用领域的应用。     

基于指纹特征融合的通信辐射源个体识别研究

在对辐射源信号进行时频分析的基础上,提出一种基于特征融合的通信辐射源个体识别方法。提取辐射源信号载频特征和瞬态幅值特征,对重采样的瞬态幅值做三次样条插值,采用最小二乘法分段对插值后的瞬态幅值进行曲线拟合,获取拟合系数作为瞬态指纹特征;最后与载频特征融合,采用遗传算法优化融合系数,融合后的特征作为辐射源指纹特征。识别分类器采用概率神经网络,对16部手持机进行识别实验。实验结果表明,该方法提取的特征能够反映通信辐射源个体的时频特性,可实现对辐射源个体的有效识别,在信噪比为20 dB时,系统识别率优于90%。     

基于小波熵的辐射源指纹特征提取方法

在对辐射源信号进行小波分析的基础上,提出一种基于小波熵的辐射源指纹特征提取方法。 首先计算辐射源信号的功率谱,对功率谱进行连续小波变换,提取不同尺度下小波系数的熵 特征作为辐射源信号指纹特征。识别分类器采用概率神经网络,对20部手持机进行识别实验 ,并与传统矩形积分双谱进行对比。实验结果表明,该方法能够把辐射源信号的时频特性信 息通过小波系数的熵特征映射到特征向量中,从而实现对辐射源个体的有效识别,而且该特 征参数对噪声干扰不敏感,在信噪比为20 dB时,系统识别率达到95%以上,在信噪比为5 dB 时系统识别率仍优于80%,验证了所提方法的有效性。     

基于Choi-Williams时频图像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Choi-Williams时频图像的雷达辐射源信号特征提取和识别方法,将信号识别转化为图像识别问题。首先对雷达辐射源信号进行Choi-Williams时频变换,将得到的时频图转化为灰度图像;然后采用一系列图像处理方法对时频图像进行增强和去噪,之后将灰度图像转化为二值图像,并剪切掉不含信号的图像区域;最后分别提取二值图像的中心矩和伪Zernike矩作为识别特征,并采用支持向量机分类器实现信号的分类识别。文中针对8种常见雷达信号识别进行了仿真实验,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识别率,其中当信噪比为-3dB时,采用伪Zernike矩特征平均识别率仍能达到92%,验证了所提出方法的有效性。     

小样本雷达辐射源识别的深度学习方法综述

面对复杂多变的电磁环境与新体制雷达系统,传统的雷达辐射源识别方法已无法满足需求。深度学习模型可有效提取雷达信号的脉内特征,快速准确地对低信噪比、未经分选的雷达辐射源信号进行脉内调制类型识别、型号识别与个体识别。但真实环境中雷达辐射源信号难以收集,无法满足传统的深度学习训练需要,因此小样本雷达辐射源识别是目前研究的热点与难点。文中首先对近年来将基于监督学习的多种经典深度学习方法应用于小样本雷达辐射源识别的研究进行了回顾;其次,介绍了小样本学习在雷达辐射源识别领域的研究进展;最后,基于小样本雷达辐射源识别的研究现状,总结面临的挑战,提出了对未来研究方向的展望。     

基于蚁群参数优化的LightGBM辐射源个体识别

为提升辐射源个体识别正确率和运算效率,提出了一种基于蚁群参数优化的LightGBM辐射源个体识别方法。运用提升小波包变换对辐射源信号数据进行特征提取并构建特征参数体系,对得到的特征数据集进行Z-score标准化处理;以最大分类正确率和最小特征子集规模为目标,建立了LightGBM参数优化和特征选择的数学模型;采用蚁群算法优化LightGBM的6个参数(最小叶子节点数据量、决策树的数量、学习率、L₁正则化项的权重、L₂正则化项的权重和最小叶子节点样本权重和);根据优化后的LightGBM得到每个特征的重要性值并使用序列后向搜索策略进行特征选择;最后通过LightGBM分类器实现对辐射源信号的分类识别。实验结果表明,所提方法在无噪声、信噪比为10 dB和信噪比为5 dB信号的数据集上的识别正确率优于对比特征选择方法GBDT、XGBoost和LightGBM的,同时特征维数的减少也提升了辐射源个体识别的运算效率。     

一种基于循环谱切片的通信辐射源识别方法

提出一种基于循环谱切片的通信辐射源个体识别方法.通过计算信号的循环谱密度矩阵,将循环谱密度切片作为初始高维特征,再采用主成分分析方法对其进行降维处理得到指纹特征矢量,最后采取概率神经网络分类器实现辐射源的个体识别.通过对20部手持机的实验表明,使用该方法提取的特征矢量能够较好地反映信号的循环平稳特性,并且特征参数对噪声干扰不敏感,在较低信噪比条件下,系统仍具有较高的正确识别率,说明该方法确实能够较好地解决同型号、同批次、同工作参数通信辐射源的个体识别问题.     

基于对抗的一致性正则半监督辐射源个体识别方法

针对在有标签信号样本数量较少,待识别信号因复杂信道导致数据分布发生变化的实际场景中,传统通信辐射源个体识别技术识别率较低的问题,提出基于对抗的一致性正则半监督辐射源个体识别方法;该方法在一致性正则半监督模型上首次引入基于对抗的域适应思想,建立网络模型提取“域不变”特征,即不同信噪比条件下的信号数据的特征对齐,从而实现在原始信号上训练的模型,对其他信噪比下信号的高准确率识别;在ORACLE射频指纹数据集上通过设置不同条件的数据集展开实验,实验结果表明,基于对抗的一致性正则半监督模型比全监督方法以及经典的一致性正则半监督模型具有更高的识别准确率。     

基于随机无穷自动机的多功能雷达辐射源识别方法

针对基于随机上下文无关文法（SCFG）建模的多功能雷达（MFR）辐射源识别问题,提出了一种基于随机无穷自动机（SISA）的MFR辐射源识别方法。在文法建模的基础上,对“水星”MFR控制模块文法产生式和系统特征文法产生式进行重新构造生成SCFG,利用SCFG构造随机无穷自动机作为识别器,从而实现对测量辐射源的识别。通过理论分析和实验仿真得出：该方法能实现对MFR辐射源的识别;在一定范围内,通过增加文法产生式个数,可以提高平均识别率,且识别性能优于通过SCFG构造的随机下推自动机（SPDA）。实验结果表明了该方法的正确性和有效性。     

雷达辐射信号分类识别与特征提取

研究雷达信号提取和分类识别问题,雷达辐射源的有效分类识别是军事自动化控制和指挥系统的强烈需求.针对现代雷达体制下复杂信号的低截获特性,为了提高雷达辐射源信号的个体识别率,提出了一种新的分类识别方法.用小波包变换提取能反映信号脉冲无意调制特征的信号各频带能量,通过泛化能力和学习能力都很强的混合核函数支持向量机进行分类识别并进行仿真.仿真结果表明,识别效率提高,证明方法是有效和可行的,性能优于传统方法.     

基于PCA网络的协同指纹识别

指纹识别是生物特征识别技术中的热点.指纹特征可分为全局特征与细节特征,现有主流指纹识别方法是基于细节特征的识别,但是指纹全局特征识别具有明显的优势,更加符合人类识别机理.本文尝试采用PCA网络提取指纹的全局特征--主分量特征,理论分析与实验说明了指纹主分量特征是有效的,鲁棒性较好.在识别方法上,采用协同模式识别方法,该方法注重模式的整体信息,并将其与PCA网络特征提取层有机的结合.对FVC2002指纹库的实验表明,本文的指纹全局特征识别方法预处理与特征提取简单,识别速度快,鲁棒性较好,取得了良好的指纹识别与身份认证效果.     

基于Softmax回归的通信辐射源特征分类识别方法

当前通信辐射源的特征识别方法不仅需要较高的样本数,而且存在识别效率低、识别率下降的问题。为此,提出一种应用Softmax回归对通信信号循环谱进行多分类识别的方法。以通信信号的循环谱密度特征为样本集,通过主成分分析降维算法筛选特征样本,使用Softmax回归多分类识别器对特征样本进行分类。实验结果表明,与传统神经网络方法相比,该方法可以实现对通信辐射源个体的有效识别,并且识别时间较短。     

复杂体制雷达辐射源信号特征的FAHP评价

提取有效的雷达辐射源信号特征是复杂体制下雷达辐射源信号识别的重要基础。为实现对复杂体制雷达辐射源信号特征的评价,提出了复杂体制雷达辐射源信号特征的模糊层次分析评价模型。该模型在构建复杂体制雷达辐射源信号特征评价指标体系的基础上,针对层次分析法在权重确定方面存在的不足,通过引入三角模糊数来刻画专家评判的模糊性,将该模型应用于雷达辐射源信号特征评价的算例分析,并将计算结果与标准层次分析法的分析计算结果进行了对比,结果表明该模型的计算结果与标准层次分析法的计算结果是一致的,从而证明了该模型的可行性和有效性。     

基于粗糙集的决策树雷达辐射源识别方法

关于优化识别雷达辐射源问题,雷达辐射源信号受到外界环境影响和各种干扰,造成识别困难.为解决上述问题,提出了一种新的决策树雷达辐射源识别方法.首先,应用粗糙集理论对雷达辐射源信号进行分析.通过离散化、属性约简,得到分类结果对于各条件属性的重要度.根据各条件属性重要度来确定各属性信息量的相对大小,建立决策树.该方法简化了决策树的结构,并改进了传统的决策树的建立方法.选取雷达信号的主要参数特征进行了仿真.仿真结果验证了改进方法的有效性与可靠性.为消除噪声,正确识别结果提供了依据.     

一种新的通信辐射源个体识别方法

在低信噪比条件下,稳态信号中的通信辐射源个体特征极易被掩盖,从而难以提取和识别。针对该问题,依据不同通信辐射源中振荡器个体的频率稳定度不相等这一事实,提出一种适用于多进制数字相位调制（MPSK）信号的基于分形维数的特征提取与分类方法。首先对中频信号进行过采样,然后提取信号瞬时相位的信息维数作为分类特征,最后利用支持向量机（SVM）分类器实现样本属性的自动判别。该方法特征维数低、分类简单,对加性高斯白噪声具有一定的鲁棒性。计算机仿真实验结果表明,当信噪比为3dB时,对载波频率稳定度差异为0.01ppm的5种同阶MPSK信号的平均分类准确率达到95%。     

基于加速度传感器的连续动态手势识别

针对个体手势动作信号的差异性和不稳定性,提出了一种基于加速度传感器的连续动态手势识别方法.通过MEMS加速度传感器采集手势动作信号,并结合手势信号的动作特征,对单个手势的有效数据进行自动定位截取,经预处理和特征提取后,构建隐马尔可夫模型(HMM)以实现对特定手势的实时识别.通过设计实现了一种可穿戴手势信号采集硬件原型系统,对10类手势的1000个手势数据进行识别对比实验,统计结果表明:该方法可以对连续手势进行实时有效的识别.