基于信号暂态稀疏表示的AIS辐射源个体识别方法

针对民用船舶自动报告系统通信辐射源个体识别问题,该文提出一种基于信号暂态稀疏表示的个体识别方法。该算法求解一个充分利用信号暂态样本类别信息且可保持样本稀疏表示结构的投影变换,来提取低维个体特征矢量。该算法通过最大化类间特征的重构误差和最小化类内特征的重构误差来构造目标函数求解投影变换,并在低维辨别子空间以最小稀疏表示重构误差准则来判定测试样本类别属性。对实际数据处理结果表明该文提出的新算法可有效识别不同辐射源个体;对辐射源暂态信号建模仿真结果,验证了该文算法的正确性和有效性,且平均正确识别率优于现有算法。      

一种稳健的通信辐射源个体识别方法

通信辐射源个体识别是目前通信对抗领域研究热点与难点问题,相对于雷达辐射源,通信辐射源信号弱、瞬时特征不明显导致个体识别更复杂、更困难。利用通信辐射源信号的长时谱统计特性,提取信号功率谱峰值特征和包络模板,构造通信辐射源个体特征向量,通过朴素贝叶斯分类算法与个体特征矢量相结合,在训练样本数目足够大的条件下可进行有效识别。测试实验表明,识别方法稳健有效,可在信噪比5 d B情况下实现93.7%的正确识别概率。     

基于深度学习的通信辐射源指纹特征提取算法

针对在小样本条件下难以有效提取通信辐射源指纹特征的问题，设计了一种堆栈自编码网络的通信辐射源个体细微特征提取算法。首先通过预处理（高阶谱分析）将原始通信辐射源信号从时域转化到高维特征空间，然后利用大量无标签的通信辐射源高维样本训练堆栈自编码器网络，在此基础上，通过少量有标签的通信辐射源样本对softmax回归模型进行精校训练，从而获得面向通信辐射源指纹特征提取的深度学习网络。实际采集的通信电台数据集上的实验结果验证了该模型的可行性与有效性。      

基于样本约简的实时 SVDD 算法与电路故障检测应用

针对支持向量数据描述（SVDD）训练大规模样本时计算复杂度太大的问题,提出了一种基于样本约简的实时SVDD算法。该算法首先通过随机抽样的方法从原始样本集中抽取一定规模样本用于SVDD训练;然后用训练得到的支持向量对特征空间中的样本中心进行估计;最后计算原始样本集中所有样本到中心的距离,并对所有距离按降序排列,通过提取一定比例距离较大的样本作为训练样本集对SVDD进行训练,最终实现了训练样本规模约简。实验结果表明：算法有效削减了训练复杂度,满足了SVDD故障检测的实时性要求。     

异常样本监督下的最优超球的研究及应用

针对模拟电路新故障类型状态检测中,因支持向量描述(SVDD)构建时忽略异常样本监督和特征空间存在混叠,导致诊断新故障类型准确率不高的缺点,提出了异常样本监督下的最优超球SVDD。该方法利用训练后超球SVDD各参数,将相似度高的已知类型样本融合形成新类,降低新类间样本相似度。并从原理上改进SVDD,实现异常样本监督,从而在最大程度上降低虚警和漏警率以适应模拟电路新故障类型状态检测。经过模拟电路新故障类型检测应用实例可以看出该方法在模拟电路新故障类型检测中,较常用方法诊断准确率有所提升。     

适合大样本快速训练的最大夹角间隔核心集向量机

许多核化形式的分类方法如SVM,SVDD等都是对应一个二次规划(QP)问题,而核矩阵计算需要0(m2)空间复杂度,求解QP需要0(m3)时间复杂度,限制了这类方法对大样本数据的训练.本文基于一种新的分类间隔概念提出最大向量夹角间隔分类器MAMC,目标是在样本空间找到最优向量c,测试样本通过c与训练样本之间的最大化向量夹...     

辐射源个体识别的一种可解释性测试架构

由于射频信号种类多,电磁环境复杂,特征提取难度大,现有的基于人工特征的射频辐射源个体识别方法的鲁棒性、适用性难以满足应用需求。数据驱动的深度学习方法虽然可以提供更灵活的辐射源个体识别模式,但深度学习方法自身可解释性差,而且缺乏通用测试模式来评价一个深度学习方法的优劣。本文在电磁大数据非凡挑战赛目标个体数据集的基础上,探索了基于该数据集的深度学习模型测试方法,提出面向辐射源个体识别神经网络模型的通用测试系统架构。该构架通过信号特征遮掩、生成对抗网络(GAN)、欺骗信号汇集、信道模拟等方法构造仿真测试样本,并把测试样本与原样本数据导入深度模型进行识别结果对比测试。基于测试结果分析了深度模型聚焦的信号关键特征位置,分析模型的鲁棒性,揭示信道环境对识别性能的影响,从而解释了深度学习网络模型的性能。     

基于粒子群优化的神经网络算法在辐射源特征聚类中的应用

战场辐射源识别已成为电子侦察和雷达威胁告警的基本要素,其关键技术之一——辐射源特征聚类算法的研究也显得日益重要。在分析常用误差反传（BP）网络算法对辐射源特征聚类的不足后,提出利用基于粒子群优化的神经网络算法对多特征参数进行聚类。通过比较该优化算法和传统BP网络算法在聚类正确率和收敛速度方面的差别,验证了基于粒子群优化的BP算法在辐射源特征聚类中相对于传统BP算法的优越性,仿真结果证明了该方法具有较好的实用价值。     

一种最大分类间隔SVDD的多类文本分类算法

文本分类是信息检索和文本挖掘的关键技术之一。提出了一种基于支持向量数据描述(SVDD)的多类文本分类算法,用支持向量描述训练求得包围各类样本的最小超球体,并使得分类间隔最大化,在测试阶段,引入基于核空间k-近邻平均距离的判别准则,判断样本所属类别。实验结果表明,该方法具有很好的泛化能力和很好的时间性能。     

基于核主分量分析和支持矢量数据描述的雷达目标模糊识别方法

针对雷达目标高分辨距离像(HRRP)存在大量的信息冗余,易受到噪声的污染,可分性较差等问题,本文利用核方法解决非线性问题的优点,提出了基于核主分量分析(KPCA)的雷达目标HRRP特征提取与基于支持矢量数据描述(SVDD)的雷达多目标模糊识别方法.在特征提取过程中,利用KPCA对雷达目标HRRP做降噪与降维处理,使得HRRP降低噪声和姿态角的敏感性;在识别过程中,首先在特征空间求得包含每一类目标训练样本的最小超球体,然后根据各个测试样本到最小超球体球面的距离构造属于各个类别的模糊隶属度,根据模糊隶属度的大小判断测试样本所属的类别.仿真实验结果表明,本文提出的算法应用于雷达多目标识别时,具有较高的正确识别率;同时基于SVDD多目标模糊识别算法训练过程只需对每一类目标进行训练,因此具有计算量小,稳健性能优等优点.所以本文提出的KPCA特征提取与SVDD雷达多目标模糊识别方法有很强的实用性.     

基于训练特征空间分布的雷达地面目标鉴别器设计

该文对雷达地面目标高分辨1维距离像目标识别中的库外目标鉴别问题,提出一种基于训练特征空间分布的雷达地面目标鉴别器。在训练阶段利用基于相关系数预处理的K-Means聚类方法对库内目标样本特征空间进行区域划分,并采用基于空间分布的支撑向量域描述方法确定样本特征空间的边界与支撑向量,利用样本特征空间边界与加权K近邻原则对目标类别进行判决。该方法解决了库内目标与库外目标的鉴别问题,提高了目标识别系统的总体性能。针对多种不同姿态下目标特征空间非均匀聚合的特点,对训练样本特征空间进行区域划分,减小模板匹配搜索运算规模,保证目标鉴别所需的实时性工作要求。最后通过仿真和实测数据验证了该方法具备优良的鉴别性能与良好的实时处理能力。     

基于自激振荡器模型的辐射源个体识别方法

辐射源指纹识别也称为特定辐射源识别(SEI),是指通过对接收信号进行特征测量,确定产生信号的辐射源个体,是电子战、电磁环境监视等领域的关键技术之一.本文针对自激振荡类型的发射机,从射频振荡器的等效电路模型出发,提出了一种模型化的辐射源个体识别方法.仿真结果表明,该模型化方法扩展了传统的特征定义,集成信号瞬时频率、瞬时带宽的相关信息,具有良好的分类能力.在调制电压发生较大变化时,该方法能弥补传统上升沿、下降沿时延测量方法的不足.     

一种新的时分多址信号射频特征及其在特定辐射源识别中的应用

时分多址(TDMA)信号特定辐射源识别(SEI)的性能主要受限于突发数据的长度。为此,该文提出一种新的射频特征,从载波相位上揭示了相邻时隙的用户是否相同,为相同用户的数据累积提供了依据。该文首先分析了特征的产生机理,并给出了提取方法;根据特征的统计特性,推导了自适应的判决门限,实现了相邻时隙用户身份的检测;在此基础上,设计了新的SEI处理流程,通过数据累积打破了每个时隙单独识别的传统思维。实验结果表明：该特征对噪声具备良好的鲁棒性,能够实现相邻时隙用户身份的准确检测;与传统做法相比,新的处理流程能够有效改善TDMA信号SEI的性能。     

考虑多普勒效应的脉冲无意调制特征比较

脉内无意调制特征是雷达特定辐射源识别的基础和关键。该文在考虑多普勒效应的条件下,对工程中常用的脉内无意调频与无意调相特征进行了可分性比较。首先给出了高斯白噪声以及中、高信噪比条件下,脉内信号相位的简化观测模型;在分析以往关于两种待比较特征的提取流程的基础上,给出了特征定义;然后利用基于离散度矩阵的可分性判据对两种特征进行了理论的可分性比较。结果显示,脉内无意调相特征对噪声的鲁棒性相对更强。仿真实验以及104个实测雷达的个体识别试验验证了上述结果。     

基于矢量图的特定辐射源识别方法

发射机的指纹特征具有复杂性,现有的认识水平制约了特定辐射源识别(SEI)的性能。为此,该文提出一种基于矢量图的SEI方法,应用深度学习技术实现了多种复杂特征的联合提取。该文首先分析了多种发射机畸变在矢量图上的视觉表现;在此基础上,以矢量图灰度图像作为信号表示,构建深度残差网络提取图像中的视觉特征。该方法克服了现有认知的局限,兼具高信息完整性和低计算复杂度。实验结果表明,与现有算法相比,该方法能够显著改善SEI的性能,识别增益约为30%。

     

基于同步压缩小波变换的主信号抑制技术

在辐射源个体识别(SEI)技术中,能量较高的主信号往往导致微弱个体特征稳定性降低,进而影响最终的个体识别效果。为了解决该问题并提升辐射源个体识别性能,该文提出基于同步压缩小波变换的主信号抑制技术。首先,利用静态小波变换完成对带噪信号的去噪预处理;然后,利用同步压缩小波变换完成对主信号的检测和抑制,并以均方根误差和皮尔逊相关系数为数值指标,验证算法的有效性;最后,在主信号抑制的基础上,利用分形理论中盒维数完成对信号的特征提取,并利用单核支持向量机验证个体识别性能。实验结果表明,与主信号抑制之前相比,主信号抑制算法下个体识别率提升了10%左右,验证了同步压缩小波变换的主信号抑制算法对辐射源个体识别率提升的有效性。

     

面向ADS-B信号辐射源个体识别的轻量化模型设计

针对辐射源个体识别高精确度、轻量化、实时性的现实应用需求,提出了面向广播式自动相关监测(ADS-B)信号辐射源个体识别的轻量化模型设计方法。根据信号数据特点进行解码处理,并对不均衡样本进行权重调节,改善样本质量;通过分组卷积获取不同维度的细微特征,与初始特征拼接,实现多维互补特征融合,并联同步进行提高识别效率。利用Ghost bottleneck结构实现网络模型压缩与跨层连接,在融合多维特征的同时节省计算资源。实验结果表明,本文算法结构精简,计算量低,识别率达到95.2%,并在不同容量的样本识别中效果稳定。本文算法较好地平衡了辐射源个体识别精确度、轻量化与高时效的需求。     

基于图像核函数的图像目标识别技术研究

核方法已经广泛应用于模式识别的各个领域,但是传统的核函数仅能接受一维矢量作为输入数据,对二维图像数据需要进行一定的预处理.本文从核函数构造的角度出发,以RBF核函数为结构原型,定义了一种输入量为图像数据的新型核函数.从形式上看,本核函数仅在输人数据的类型上有所不同,其他方面完全一致,经典的基于核方法的分类器算法都可以使用本核函数.对UCI数据实验结果表明,本核函数在多种图像识别应用中均有良好的效果.     

基于支持向量域描述的雷达地面目标鉴别技术

在高分辨一维距离像目标识别中,有效的对库内目标特征空间进行描述,并且对库外目标进行鉴别是一个关键问题.本文提出了一种基于非均匀特征向量分布的目标鉴别器设计方法,该方法利用训练特征空间的协方差分布情况,选择库内协方差较小,即样本密度较大的区域进行细致描述,有效克服了训练样本分布非均匀造成的特征空间描述偏差,进而保证对库内...