基于信息熵的目标平台识别方法

目标平台识别是雷达对抗侦察任务中的一项重要内容。现有的目标平台与辐射源识别结果关联方法未对目标配属辐射源的特征信息进行利用,存在着一定的模糊性。利用信息熵提取目标平台配属辐射源的特征信息,并以此对目标平台进行关联和可信度赋值。方法实现简单,获得的结果可以直接参与多传感器融合的目标识别处理,具有较强的实用性。     

基于多舰协同侦察与信息融合的雷达识别

对雷达型号的识别一直是电子侦察情报系统的重要内容.为了提高单一平台侦察设备对雷达型号识别的可信度和准确率,这里采用协同侦察的思想,共享其他平台侦察的雷达辐射源信号.然后应用灰色关联方法对来自同一部雷达的辐射源信号进行相关处理,并对相关的雷达辐射源信号特征进行加权信息融合,以提高信号特征参数的精度;最后再对融合后的信号特征按最大相关准则,从雷达辐射源知识库中找出要协同识别的雷达型号.     

基于粗糙集和灰关联理论的雷达辐射源信号识别研究

雷达辐射源信号通过射频、脉冲重复周期、脉宽、天线转速等属性来描述。然而这些属性并不是在每个雷达数据库中都对识别起作用,通过粗糙集理论对其属性进行约简和规则提取,并且确定各属性的权重。对于没有受污染或受污染程度较小的信号可以通过约简规则进行匹配识别,如果受污染程度较为严重或失真的信号或是由粗糙集约简得到多义的规则,则可以计算目标信号各属性与数据库中各信号各属性的灰关联度,并用粗糙集计算得到的各属性权重对各属性得到的关联系数进行加权求和,得到关联度最大者为识别结果。仿真结果表明,基于粗糙集和灰关联理论的雷达辐射源信号识别方法能够有效地缩减识别过程,得到满意的识别结果。     

一种基于ESM和红外传感器决策层信息融合的目标识别方法

针对异类传感器目标识别的问题,提出了一种融合ESM和红外传感器的互补信息进行目标识别的方法.该方法首先利用了神经网络在目标识别中的优越性,完成目标初步分类;其中对于ESM的输出结果,运用粗集理论的方法实现辐射源类型向目标类型的转化;最后将网络每次的输出作为一条证据,在决策层上利用改进的D-S理论方法实现数据的融合.最后飞机目标识别的仿真实验,验证了该方法可以获得较高的识别效率.     

机场场面目标松驰定位技术研究

由被动传感器组成的无源多点定位系统可以实现对机场场面合作目标进行监视,而无法监视非合作目标。为实现对机场场面各类目标的同时有效监视,在无源多点定位系统中引入辐射源,使该系统可以利用目标对辐射源信号的散射实现对各类目标定位。另外,由于系统中辐射源的存在,各个接收传感器可利用辐射源的直达波与目标散射波之间时间差进行定位,避免各站间的时间基准统一问题,定位精度更高。实验结果表明:提出的方法可以有效地对场面多个目标进行定位,是一种有效的场面各类目标定位方法。     

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。     

基于进化策略的多传感器雷达辐射源目标识别方法

多传感器雷达辐射源目标识别中,各传感器检测数据常常是不完整的、还可能存在矛盾,为此,针对这种多传感器检测结果提出一种改进的融合识别方法.首先,该方法基于命题概率分布与识别报告提供的概率分布估计间的差异建立目标函数;然后利用进化策略对传感器目标函数进行优化,在无须使用目标函数的导数信息的情况下,求得命题的概率分配.仿真结果表明该方法正确有效.改进的融合识别方法,有效地利用了进化策略的良好全局搜索能力,使优化过程能够顺利收敛到最优解附近,具有较好的收敛性,效果优于传统的融合识别方法.     

一种基于多分类器融合的雷达辐射源识别方法

雷达辐射源识别传统方法只使用一个分类器进行分类,对于类别数较大、输入样本受噪声污染严重的情况很难获得好的识别效果.首先分析了雷达特定辐射源识别的可行性,分别提取信号的包络和双谱用来作为个体特征.然后将概率SVM引入雷达辐射源识别,得到分类识别的概率输出,并结合灰关联分析得到的灰关联度,采用D-S证据推理方法对两个分类器结果进行融合.仿真实验针对10种同类型雷达的脉冲数据,结果证明多分类器融合较之单个分类器能获得更高的识别率,提高了分类置信度.     

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.     

模糊匹配方法及证据理论在辐射源识别中的应用

辐射源识别是面向区域电子战的一个重要组成部分,关系到平台识别以及后续的态势分析,但传统的辐射源识别方法并不适用于日益复杂的电磁环境,本文阐述了如何将模糊匹配方法与证据理论相结合进行辐射源识别,在说明模糊匹配方法与证据理论基本概念的基础上,较系统地论述了识别算法,在最后做了仿真实验,取得了较满意的效果。