基于主成分分析和BP神经网络的煤岩界面识别

针对现有煤岩识别方法由于提取的时域参数过多,存在识别速度慢、实时性差等问题,提出了一种基于主成分分析和BP神经网络的煤岩界面识别方法。该方法首先提取采煤机滚筒扭矩的时域信号,然后利用主成分分析方法对该时域信号进行压缩,最后将得到的最终信号输入到BP神经网络进行煤岩识别。仿真结果表明,该煤岩识别方法不仅满足了识别率,还提高了识别速度,为提高滚筒调高响应速度奠定了基础。     

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CLDNN的调制信号识别方法

调制信号的识别在军用的电子战和民用的智能化无线通信中占有重要的地位,针对现有识别方法识别种类少、整体识别率不高和需要预处理等缺点,设计一个CLDNN端到端深度神经网络.该网络无需人工干预或数据统计,自动提取特征并进行多类调制信号类型识别.实验结果表明,该方法能够同时识别11种信号的调制方式,在低信噪比下识别效率相比现有方法有所提升,当信噪比在-4 dB以上时,整体识别精度达到94％以上.     

基于信号指纹的无人机遥控端个体识别方法

针对无人机遥控端个体间信号相似,难以识别的问题,提出了一种基于信号指纹的无人机遥控端个体识别方法.方法通过多项式拟合暂态信号瞬时幅值包络曲线,得到暂态信号特征,再提取稳态信号的瞬时频率特征,并采用K最近邻(KNN)等多种机器学习方法进行信号识别.对实际数据处理结果表明:能够有效识别2个无人机遥控端个体,仿真实验结果表明...     

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.     

基于特征融合的跳频信号射频指纹识别技术

射频指纹识别(RFID)是一种物理层身份认证的方法,是电子对抗中一个重要且基本的研究方向,为现代战争提供情报信息等方面发挥着重要作用;为了提升在电子战复杂环境下RFID的准确率,同时解决在跳频信号片段长度有限致使稳态特征难以提取的问题,提出了一种基于信号多个维度特征融合与深度卷积网络提取特征的智能识别技术,改进了传统的星座图特征提取方法并提取了信号的双谱、星座图和希尔伯特-黄变换 (HHT)时频谱进行特征融合,并设置了不同信噪比和不同输入条件下的对照实验来证明该方法的有效性和鲁棒性;相比于传统的识别方法,该方法运算量小,且提升了在各信噪比下识别准确率,在正常室外环境下对六部相移键控(PSK)类跳频电台的识别准确率达到了99.29%。     

基于指纹识别的通信电台识别仿真算法研究

研究电台准确识别的问题。在准确跟踪敌台活动、检测有效信息的过程中,由于信号受到哭声影响,实现识别较难。当待识别电台是相同调制模式和型号的不同电台个体,发射信号的差别非常细微。传统的关于暂态信号的识别方法是利用瞬间的暂态信号提取细微特征信息,造成信号的信噪比不高,不能正确识别电台信号。为了解决上述难题,提出了应用电台指纹的电台识别技术,通过对电台的稳态信号进行分析,计算信号的双谱特性,采用方形双谱和核主元分析算法,提取出信号中细微的指纹信息,通过分析电台的指纹信息完成电台的识别。实验表明,这种方法能够准确将差别细微的电台识别出来,避免传统方法信噪比不高的问题,保证了电台识别的准确率,取得了满意的结果。     

一种结合EWT和成分分析的无线电指纹提取方法

无线电台信号个体识别主要是提取无线电信号中的杂散成分,通过对杂散成分进行分析达到个体识别的效果。针对线电信号杂散成分具有非线性、非平稳性的特点,本文将经验小波变换(EWT)和信号成分分析结合起来,提出了一种新的信号特征提取方法。该方法首先利用EWT对信号进行自适应的分解处理,通过选取部分能够表征个体差异的信号成分进行特征值谱分析,并以信号成分的归一化特征值谱的差异为依据进行信号指纹特征的提取,再根据指纹特征对信号进行识别。仿真结果表明,该方法与HHT和局部积分双谱分析方法相比,具有更加优越的识别性能,并且具有更加优良的特征稳定性,同时受信噪比的影响较小。     

数据驱动的ADS-B干扰源信号类型识别

传统干扰源信号类型识别方法在提取干扰信号的细微特征时,存在干扰信号调制类型分类精度低、识别效果差等缺点。对此,本文提出一种基于深度神经网络的ADS-B干扰信号调制类型识别算法。首先将ADS-B信号和干扰波形进行叠加混合,通过控制矢量信号发生器(VSG)进行仿真信号发射,并在接收端进行采集;接着对接收的基带I、Q数据进行人为添加随机噪声,并据此构造各种信噪比场景下的张量训练样本数据集;最后,利用训练样本数据对本文设计的神经网络进行训练,并在样本数据集上将传统分类算法和本文所提出的神经网络算法两者的识别性能进行对比分析。实验结果表明本文所提的神经网络算法相比于现有的传统识别算法,具有更好的识别性能。     

基于特征融合的通信辐射源个体识别

针对通信辐射源个体识别研究中单一特征不足以全面表示细微特征差异,从而限制识别率的问题,提出了一种基于特征融合的通信辐射源个体识别方法。该方法首先对原信号进行短时傅里叶变换和双谱变换,提取时频特征和双谱特征,结合小波融合技术进行特征融合,最后使用残差神经网络挖掘信号隐含的深层次特征,完成分类识别。实验结果表明,对于模拟信号源发射的短波通信信号,经过特征融合后的识别效果相较于使用单一特征方法有更高的识别准确率,并且在低信噪比的情况下仍有较好的识别效果。     

基于FDMA的超声波室内定位信标识别方法

在超声波室内定位的信标识别问题上,针对无线射频控制分配的信道策略复杂性高、定位滞后和基于码分多址(CDMA,code division multiple access)方法的自相关运算量巨大问题,提出基于频分多址(FDMA,frequence division multiple access)的超声波室内定位信标识别方法,令超声波具备信息携带能力.通过对信号调制技术的分析,在超声波频率响应范围内,利用不同频率的载波调制信源身份识别码,接收节点通过解调、匹配区分信号源进行定位.采用Simulink对多路信号传输过程以及调制与解调进行仿真,并用电路仿真发射、识别了编码.结果表明,FDMA方法能有效区分多路信号源互相干扰,准确恢复发射节点身份识别码,大大减少计算量,有利于定位效率的提高.     

瞬时频率的Prony方法提取及MATLAB实现

瞬时频率是信号重要的瞬时特征参数,由于其在通信中的信号调制样式识别、电台"指纹"识别等诸多方面有着广泛的应用,故成为信号处理领域的一个研究热点.旨在有效的提取信号的瞬时频率,介绍了瞬时频率的定义、常用的瞬时频率提取方法及扩展的Prony方法的基本原理与步骤,采用Prony方法提取信号的瞬时频率,给出了算法流程和MATLAB实现的核心程序代码,对线性扫频信号和4FSK信号进行了仿真试验,与相位建模法、WVD法相比,估计的瞬时频率在低信噪比时的均方差较小,结果表明该方法可行,在低信噪比条件下有一定的优势.     

基于有源RFID技术的定位系统研究

针对传统出入口监控管理方式的效率低下及无源射频识别技术在实际应用中存在的金属物干扰、人体吸收、识别数量有限等问题,提出一种基于有源2.4 G射频识别技术的出入口监控管理方法。该方法利用125 kHz激励器唤醒2.4 GHz射频识别标签及标签定位的技术,比传统出入口监控管理方式更加准确、便捷、高效;同时,有效地延长了有源射频识别设备的使用寿命。采用低频触发器、读卡器和有源2.4 G射频识别标签等设备,搭建试验环境进行为期30天的测试;结果表明,基于低频触发的有源射频识别出入口监控管理系统具有较高的可靠性和实用性。     

一种低信噪比下的高精度射频指纹变换方法

针对低信噪比时无线发射机的射频指纹识别问题,提出了一种基 于功率放大器非线性系数的射频指纹变换方法。基于功放非线性与无线信道模型,以及通信 帧的先验知识,利用卡尔曼滤波方法估计功放模型的非线性系数,并将系数矢量作为射频指 纹,用于相应发射机的硬件识别。理论分析与数值仿真表明：新的射频指纹变换方法,在低 信噪比时仍具有高精度的优点。提出的射频指纹变换方法可应用于无线或有线通信个体的物 理层融合识别等。     

基于OFDM符号特征的干扰抑制与盲波束形成方法

为了抑制L波段数字航空通信系统1正交频分复用接收机中的测距机脉冲干扰信号的影响,提出基于正交频分复用符号特征的盲波束形成方法.阵列天线接收的数据首先经正交投影抑制测距机干扰,然后根据正交频分复用符号中循环前缀的延迟重复特征,将波束形成的权值求解问题转化为瑞利商的最大化问题,通过对延迟协方差矩阵的特征值分解获得阵列天线的波束形成权矢量,不需要预先知道期望信号的来向信息.仿真结果表明:所提出方法能够将波束主瓣对准期望信号来向,同时在干扰信号来向上形成深零陷,从而提高阵列输出端信噪比.所提出方法在低信噪比环境下波束形成性能优于内积最大化方法,随着信噪比增大,两种方法波束形成的性能逐渐接近.     

基于CMFS-MIC特征选择的跳频电台个体识别方法

针对跳频电台细微特征集中存在冗余特征等导致电台识别时存在计算量大、识别准确率低等问题,提出了一种基于CMFS-MIC特征选择的跳频电台个体识别方法。首先计算采集到的各个跳频电台信号样本的细微特征集,然后采用关联信息熵度量特征子集的组合效应,兼顾考虑特征间的关联关系和冗余关系对各个特征进行降序排序。在此基础上,采用最大信息系数度量的近似马尔可夫毯方法删除冗余特征,实现对特征子集进行优化和降维。最后,设计了投票组合分类器实现对4部跳频电台信号的识别。仿真结果表明,本文算法具有更高的分选识别率。     

Wavelet transform analytics for RF-based UAV detection and identification system using machine learning

In this work, we performed a thorough comparative analysis on a radio frequency (RF) based drone detection and identification system (DDI) under wireless interference, such as WiFi and Bluetooth, by using machine learning algorithms, and a pre-trained convolutional neural network-based algorithm called SqueezeNet, as classifiers. In RF signal fingerprinting research, the transient and steady state of the signals can be used to extract a unique signature from an RF signal. By exploiting the RF control signals from unmanned aerial vehicles (UAVs) for DDI, we considered each state of the signals separately for feature extraction and compared the pros and cons for drone detection and identification. Using various categories of wavelet transforms (discrete wavelet transform, continuous wavelet transform, and wavelet scattering transform) for extracting features from the signals, we built different models using these features. We studied the performance of these models under different signal-to-noise ratio (SNR) levels. By using the wavelet scattering transform to extract signatures (scattergrams) from the steady state of the RF signals at 30 dB SNR, and using these scattergrams to train SqueezeNet, we achieved an accuracy of 98.9% at 10 dB SNR.     

低信噪比下RFID调制识别方法的研究

针对RFID标准中常用的数字调制方式,提出了一种新的低信噪比下测试识别方法。该方法采用自适应阈值小波消噪方法预处理识别信号,提高了在低信噪比下的调制识别能力,设计了一种基于遗传BP神经网络的识别分类器,进一步改善了低信噪比下的识别效果。仿真结果表明,该方法在信噪比为5dB时,识别正确率也能达到95%以上。