基于模糊函数三维特征的雷达辐射源信号分选方法

提取并补充新的特征参数,是解决当前复杂体制雷达辐射源信号分选难题的有效途径.由于模糊函数能够很好地展现信号波形的内在信息,从主、侧视角分别提取模糊函数三维图的主岭重心、主峰分布半径作为雷达辐射源信号分选的特征向量.核模糊C均值聚类实验表明,所提出方法在10dB以上的固定信噪比环境下分选6类典型信号的成功率均为100{%     

一种快速搜索模糊函数主脊切面的自适应灰狼算法

模糊函数主脊切面特征能较好地反映不同信号结构上的本质差别,是解决当前复杂体制雷达辐射源信号分选难题的可行参数,而快速、智能地搜索模糊函数主脊切面是增加其切面特征实用性的重要问题。为此,本文构建了一种结合均匀初始化策略和改进非线性收敛因子的改进自适应灰狼算法来搜索典型六种雷达辐射源信号的模糊函数主脊切面并提取切面特征,并与穷举法和标准灰狼算法进行对比。实验结果表明,所提方法在搜索AFMR切面并提取特征时,平均耗时仅为1.49s,相较于穷举法和标准灰狼优化算法,效率分别提高了75.7%和19.0%,具有较优的时效性。在固定信噪比环境下,当SNR不低于0dB时,提取到特征值的平均聚类准确率为96.4%,在0~20 dB动态信噪比环境下,平均聚类准确率可达95.2%,具有较好的准确性、抗噪性能及较强的类内聚集性和类间分离能力,证实了所提方法的可行性与有效性。     

模糊函数主脊切面特征提取的局域差分方法

雷达信号分选是电子对抗的关键技术,提取和补充新的特征参数是解决复杂体制雷达信号分选难题的有效手段。鉴于模糊函数是表征信号内在结构上的有效工具,本文采用改进粒子群算法（Particle swarm optimization,PSO）快速搜索信号的模糊函数主脊切面,并提出一种基于局域差分的模糊函数主脊切面特征提取方法,提取出差值和、差值最大值和差值分布熵3个特征,以表征不同信号波形结构上的局域差异;然后通过模糊C均值算法对提取的特征参数进行聚类性能分析。最后使用LFM,BFSK,CON,QPSK,M-SEQ及BPSK共6种典型信号进行实验。实验结果表明,在固定信噪比下,当SNR不低于0 dB时,CON,LFM及BFSK信号的平均聚类准确率达到98.7%,6类信号的平均准确率为93.2%。在0~20 dB动态信噪比环境下,平均分选准确率仍保持在80.5%以上,且算法具有较好的特征提取时效性,证明了所提方法的可行性和有效性。     

基于模糊函数多域特征融合与集成学习的雷达辐射源信号识别

针对复杂电磁环境下雷达辐射源信号识别方法中存在的抗噪性能差、识别准确率低等问题,提出一种融合模糊函数多域投影特征的集成深度学习识别方法.首先,对信号的模糊函数进行高斯平滑处理,从多域视角出发选取合适角度对模糊函数进行二维投影以构建特征数据集;然后,构建一种基于多域特征融合的两阶段识别分类方法,使用多个密集连接网络DenseNet 121作为初级分类器分别对3类特征数据集进行训练学习,得到初级分类结果;最后,通过Stacking策略对初级分类结果进行融合学习,得到最终类别信息.实验结果表明,所提出方法在信噪比为0 dB时对6类典型雷达信号的整体平均识别率均保持在97.24%以上,即使是在-4 dB环境中,识别率也稳定在87.16%以上,验证了所提出方法的有效性和可行性,具有一定的工程价值.     

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。     

模糊函数主脊切面特征提取的粒子群优化方法

模糊函数主脊切面能较为完整地描述雷达辐射源信号的结构信息,其特征参数可作为信号分选经典五参数的有效补充。但搜索信号模糊函数主脊切面的计算量较大,不利于雷达信号的实时分选。提出一种模糊函数主脊切面特征快速提取的改进粒子群优化方法,该方法通过均匀初始化策略、随机惯性权重与自然选择等技术,有效避免了算法陷入局部最优并显著提高收敛速度。实验结果表明,所提方法能可靠地工作在SNR不低于6dB的情况下,在显著提高搜索速度的同时还可获得更为精确的模糊函数主脊切面,进一步证实了方法的可行性和有效性。     

基于小波不变矩的雷达辐射源信号识别

针对雷达辐射源信号识别,提出一种基于时频分布的小波不变矩特征向量提取和识别分类方法。对雷达辐射源信号时频图像进行处理,对图像进行小波变换,提取小波矩的特征向量。采用支持向量机分类识别的方法,对特征向量进行训练,实现信号识别。对6种常见雷达信号进行分类,结果表明在信噪比较低的情况下也能取得较好的识别效果,在SNR为-3 dB时,识别正确率仍达到93.9%。     

雷达辐射源信号符号化脉内特征提取方法

提出一种对雷达辐射源信号进行符号化分析的雷达辐射源信号脉内特征提取方法,该方法能够从信号中快速有效地提取定量信息。将符号化过程中反映信号自相关特性的采样时延和反映信号调制规律特性的香农熵作为脉内特征。通过对7种雷达辐射源信号仿真实验和数据分析表明:提取的样本特征在低信噪比(0~5 dB)情况下具有很好的抗噪性和可聚类性,同时算法计算简单快捷,能够简化分类器的设计,故有利于工程应用。     

雷达辐射源信号一阶差分自相关特征提取

在统计自相关函数的基础上,提出一种对雷达辐射源信号进行脉内特征提取的方法。利用一阶差分运算突出信号的调制特性;将差分的结果进行自相关计算,提取不同时延下自相关函数的包络特征;根据提出的基于距离的可分性判据对包络进行特征选择,得到具有最优可分性能的二维或三维特征向量。通过对7种典型辐射源信号的特征提取和分类进行仿真实验,结果表明提取的特征在低信噪比下仍具有较好的抗噪性和可分类性。     

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。     

基于聚集离散性与可分性的雷达信号特征评价

雷达辐射源信号脉内特征的好坏是决定雷达信号能否有效地加以区分的基础。为了定量地进行特征优劣的评价,提出了一种利用模糊度与贴近度来评估雷达信号脉内特征分布聚集离散性的方法。该方法首先对雷达信号脉内特征的空间分布进行分析;然后用模糊度的大小度量脉内特征的类内聚集性,用贴近度的大小度量脉内特征的类外分散性;并针对分类特征空间分布的重叠状态,采用类内类间距离和线性判别准则,提出了雷达辐射源信号脉内特征线性可分性指标。通过时频原子法提取5类雷达信号的两个脉内特征进行仿真实验,结果表明提出的方法和可分性指标是可行的。这为在雷达辐射源信号识别中定量地评价脉内特征提供了新的思路和途径。     

基于AHP的复杂体制RES特征评价

针对复杂体制雷达辐射源信号特征的效能评估问题,提出一种基于层次分析法的特征评价方法。根据雷达辐射源信号特征的复杂性、可分选性、稳健性设计特征评价指标体系,采用层次分析法构建层次分析评价模型,并将该模型应用于实践。实验结果表明,该模型能减小不确定因素带来的不利影响,实现对复杂体制雷达辐射源信号特征的评价。     

雷达辐射源信号小波变换特征提取方法

在小波域滤波算法的基础上提出一种对雷达辐射源信号进行脉内特征提取方法,该方法能够从信号中有效地提取定量信息。将小波变换后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构成雷达辐射源信号的二维特征向量。通过对10种雷达辐射源信号的特征提取和分类仿真实验分析表明：提取的样本特征在0 dB下具有很好的抗噪性和可聚类性,方法是有效的。该方法能够简化分类器的设计,有利于工程应用。     

基于Wpt_6和Cr_1的雷达辐射源信号分选

针对现有方法分选准确率不高和对噪声敏感的问题,提出一种新的雷达辐射源信号分选算法。对接收到的未知雷达辐射源信号,首先提取其第六维小波包特征(Wpt6)和第一维相像系数(Cr1),将两者作为分类依据,并利用Kohonen神经网络实现对未知雷达辐射源的分选。计算机仿真结果表明,新方法较传统的分选方法可以获得更高的准确率。