基于神经网络与时域校验的信号分选方法

针对现有雷达信号预分选方法对参数捷变雷达信号分选准确率不高的技术难题,提出了一种基于深度学习算法的全连接神经网络与时域校验的雷达信号预分选方法。该方法首先提取雷达数据库中已知雷达信号的载频、脉宽和脉内调制信息作为单脉冲分选特征,使用全连接神经网络完成单脉冲的识别。为了避免神经网络将未在雷达数据库中的信号(未知雷达信号)识别为已知雷达信号,在神经网络的输出层中加入置信度神经元生成置信指数,将置信指数低于阈值的判定为未知雷达信号进行剔除。最后根据分选结果调用雷达数据库中对应的时域信息(脉冲重复间隔),进行时域校验,完成雷达信号预分选。仿真结果表明,该方法在不同信噪比环境下对参数捷变雷达信号有较高的分选准确率,并且能有效剔除未知雷达信号。     

小波神经网络在雷达信号分选中的应用

提出了一种基于小波神经网络的雷达信号分选方法。该方法首先进行脉冲流的粗分选，然后应用小波神经网络和模式匹配进行细分选。进行了仿真试验，给出了该方法对含有噪声的脉冲流的分选结果，证明了该方法的可行性。     

基于独立分量技术的信号分选方法研究

雷达信号分选与识别是雷达对抗侦察信号处理的重要内容之一,也是进行雷达特征提取、识别以及威胁评估的前提和基础.充分利用雷达的各种信息参数,是进行雷达信号分选识别时的关键.通过对独立分量这种算法的分析,提出了在分选系统中使用独立分量分析方法分选雷达信号.这种方法对信号的分选的精度有一定的提高.     

雷达辐射源信号分选研究进展

雷达辐射源信号分选是雷达信号侦察的关键技术之一,同时也是战场态势感知的重要环节。该文系统梳理了雷达辐射源信号分选的主流技术,从基于脉间调制特征、基于脉内调制特征、基于机器学习的雷达辐射源信号分选3个角度阐述了目前雷达辐射源信号分选工作的主要研究方向及进展,并重点阐释了基于深度神经网络、数据流聚类等最新分选技术的原理与特点。最后,对现有雷达辐射源信号分选技术的不足进行了总结并对未来趋势进行了预测。      

现代雷达信号分选跟踪的几种方法

随着现代软件无线电技术的飞速发展,战场电磁信号环境从地面、空中、海上到太空,信号密度大,频谱宽,变换复杂,并且多功能数字雷达的多种工作方式和多种波形变换,雷达反侦察、抗干扰能力不断增强,传统的雷达信号分选跟踪方法面临着严峻的挑战。文中分析了几种传统的信号分选方法,从复杂电磁环境信号中,分析盲信号分选、聚类神经网络分选、脉内细微特性分选法,从信号分选的参数上进行多参数联合分选,并且通过多信号模拟器进行实验仿真,在分选的基础上进行跟踪处理,信号参数稳定、效果良好。     

独立分量分析在雷达信号分选上的应用

传统的雷达信号分选主要是基于统计的思想，通过对脉冲序列的PRI分析，依据PRI的调制方式，将对应的雷达信号分选出来。这种方法存在运算量大，速度慢，且准确率不高的缺点。文章提出将含噪的快速独立分量分析算法应用于雷达信号的分选并分析了不同信噪比下分离的效果。仿真试验证明了该算法可以取得很好的雷达信号分离效果。     

基于盲信源分离技术的雷达信号分选研究

基于雷达信号分选的实时性处理要求，提出了一种基于盲信源分离（BSS，Blind Source Sepamtion）技术的雷达信号分选算法。该算法在盲信源分离自然梯度算法的基础上，引入动态神经网络（DNN）构成分离系统，通过自适应增加或删减输出神经元个数，检测出变化着的雷达信号数目，并很好的对其进行分离。其中，增加输出神经元个数的方法很好的解决了脉冲雷达信号并非同时到达时的问题。仿真结果验证了该算法的有效性。     

神经网络在雷达对抗与反对抗中的应用

本文从神经网络应用于雷达对抗与反对抗中的潜在优势出发，论述了将其应用于雷达信号分选和识别、自适应信号处理，识别反辐射导弹，探测隐身目标和抗人为干扰等方面的广阔前景。     

基于BFSN聚类的雷达信号分选与特征提取算法

为克服传统信号分选算法的局限性,提出了一种雷达信号分选与特征提取相结合的算法。这种算法利用了数据挖掘中的聚类技术,可用于常规雷达和特殊雷达的信号分选。另外,该算法将信号分选与特征提取进行有机的结合,算法的结果不仅分选出雷达信号,还得到了每部雷达信号的参数特征。最后用仿真结果验证此算法的有效性。     

基于相关性测度的雷达分选算法

雷达信号分选利用信号特征参数的相关性来实现不同雷达信号的分离。在实际雷达信号分选的处理过程中,由于信号参数的无规律性以及先验知识的缺乏,采用独立分量分析(In-dependent Component Analysis, ICA)的方法对雷达信号进行处理。针对 ICA 算法分离非平稳信号性能下降的问题,提出一种相关性测度变步长 ICA 算法,将其应用于雷达信号分选中。计算机仿真表明,这种算法不仅减少了信号的分选达到收敛的迭代次数,而且可以有效地提高信号分选的稳态性。     

基于人工鱼群聚类的雷达信号分选算法

随着科技的不断发展,各种新体制雷达的不断出现,使得电磁环境变得复杂多变,这就对雷达信号的处理提出了新的要求。目前普遍采用的基于直方图统计的信号分选方法已经不能满足当前雷达信号分选的要求。文中将人工鱼群聚类算法引入到雷达信号分选中,并对其进行了改进,对雷达信号分选进行了一种新的探索,该方法不需要雷达信号的先验知识,适用于处理未知雷达信号。通过仿真实验证明该算法分选准确率高,为雷达信号分选提供了新的思路。     

一种基于PRI谱特征的复杂雷达信号分选方法

通过分析雷达截获机所处的复杂雷达信号环境,提出了一种基于PR I谱特征的复杂雷达信号分选方法。该方法利用PR I变换获取雷达信号PR I谱,并根据各种复杂雷达信号PR I谱特征实现复杂雷达信号的分选工作。仿真结果表明,该方法能够较好地实现复杂信号环境下雷达信号的分选工作。     

一种基于双平台信号协同分选处理的设计方法

电磁信号环境日趋复杂,传统单平台信号分选对脉冲数极少的慢扫雷达以及相控阵雷达分选较为困难。提出了一种基于双平台的协同分选信号处理方法,有效地弥补了传统信号分选上的不足,并针对脉冲数极少的慢扫雷达以及相控阵雷达信号提出了相应的分选、融合、跟踪方法。     

基于蚁群算法的K-Means聚类雷达信号分选算法

在现代战争中随着新体制雷达的不断涌现,电磁环境变得越来越复杂,这就对雷达信号分选提出了新的挑战。目前普遍采用的基于直方图统计的信号分选方法越来越不适应现代雷达信号环境。文中将聚类分析技术引入到雷达信号分选中,将蚁群算法和K-Means相结合,互相弥补不足,提出了一种新的雷达信号分选方法,该方法易编程实现,不需要雷达信号的先验知识,适用于处理未知信号的雷达。仿真实验证明分选结果较理想,为雷达信号分选提供了新的思路。     

基于时序匹配及变长滑窗的雷达信号分选

信号分选是雷达侦察技术与信号处理技术中的关键步骤之一,但常规分选算法运算量大、识别耗时长。同时,在信号丢失严重或者脉冲密度大的情况下易出现增批、漏批问题。针对上述问题,本文提出一种基于时序匹配及变长滑窗的信号分选方法,首先利用载频和脉宽进行粗筛选,然后在时域参数上抽取与雷达参数模板匹配的脉冲序列,匹配的时间窗口根据两条脉冲之间的时间差和雷达参数模板的PRI动态确定。在此基础上,本文提出一种新的雷达信号分选处理流程：将待分选脉冲列分段,对每一段分别进行常规分选和本文所述方法。仿真实验表明,本文算法具有准确率高、耗时短的优点,新的分选流程能够有效弥补常规分选算法的不足。     

基于独立分量分析的雷达信号分选研究

独立分量分析(Independent Component Analysis,ICA)是近年来发展起来的一种有效的盲信源分离方法。在介绍了独立分量分析基本理论的基础上,将基于负熵最大化的FastICA算法应用于对脉冲多普勒雷达信号和连续波雷达信号进行分选,是一种新方法的尝试,并通过2种性能指标来评价分选的效果。仿真结果表明,该算法能够有效地对脉冲多普勒雷达信号和连续波雷达信号进行分选。     

改进的FastICA算法在雷达信号分选中的应用

独立分量分析（ICA）是近几年新出现的一种数据处理方法。对传统的FastICA进行了改进,并将其应用到雷达信号分选当中。仿真实验证明能够取得很好的雷达信号分离效果,为雷达信号分选提供了新的思路。     

基于峭度的盲抽取技术用于雷达信号分选

在高密集、高交错的复杂雷达信号环境下,进行实时雷达信号分选处理技术是新一代雷达截获接收机信号处理的关键技术,也是电子战领域一个亟待解决的问题。文章对基于峭度的盲信号抽取（BsE,Blind Signal Extraction）术进行了分析研究,并将其应用于雷达信号分选中,通过仿真实验证明：在日趋密集、复杂的电磁信号环境中,盲抽取技术能较好地解决传统雷达信号分选方法所存在的不足和局限性。