数据融合技术在辐射源和平台识别中的应用

辐射源和平台识别是面向区域电子战的一个重要组成部分，对后续的威胁估计和态势估计起奠基的作用。数据融合技术在辐射源和平台识别中的应用越来越广泛。文中论述了辐射源和平台识别的基本功能模型以及识别过程，各功能模块中应用的几种主要的数据融合技术。最后，总结了在辐射源和平台识别中的问题，并指出了研究方向。     

数据融合技术在辐射源和平台识别中的应用

辐射源和平台识别是面向区域电子战的一个重要组成部分,对后续的威胁估计和态势估计起奠基的作用.数据融合技术在辐射源和平台识别中的应用越来越广泛.文中论述了辐射源和平台识别的基本功能模型以及识别过程,各功能模块中应用的几种主要的数据融合技术.最后,总结了在辐射源和平台识别中的问题,并指出了研究方向.     

基于蚁群优化特征选择的辐射源个体识别

辐射源个体识别技术可以为战场指挥官提供复杂电磁环境中辐射源个体特征,使得指挥官在数字化战场中获得优势。为提升辐射源个体识别的效率和效果,提出了一种基于蚁群优化特征选择的辐射源个体识别方法。以最大分类正确率和最小特征子集规模为目标,建立了特征选择数学模型,使用分类器的分类正确率作为特征选择的目标函数,设计了求解模型的蚁群算法。在实测的电台辐射源信号数据集上验证算法的有效性,实验结果表明方法对辐射源信号的分类正确率有较高提升。     

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。     

雷达辐射源类型识别分析

辐射源信号高度密集、波形复杂、频域宽广、隐身和抗干扰能力强,复杂现代电子对抗信号环境下,雷达辐射源类型识别面临着严峻的挑战.论文总结了雷达辐射源类型识别技术的最新发展动态.针对特征提取和识别算法的现状、雷达辐射源信号数据海量、高维和递增的特点及特征参数随雷达工作参数和模式变化的特性,分析了雷达辐射源类型识别算法的不足.并且,为改进上述不足之处,提出了现代电子对抗信号环境下雷达辐射源类型识别的新流程,以进一步提高雷达辐射源类型识别的实时性和准确性.     

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CORBA规范的分布式辐射源和平台识别研究

论述了基于CORBA规范的分布式辐射源和平台识别的基本功能模型以及识别过程。介绍了各功能模块中应用的主要数据融合技术,以及如何利用CORBA规范的一个实现visibroker达到分布式设计的目的。     

基于指纹特征融合的通信辐射源个体识别研究

在对辐射源信号进行时频分析的基础上,提出一种基于特征融合的通信辐射源个体识别方法。提取辐射源信号载频特征和瞬态幅值特征,对重采样的瞬态幅值做三次样条插值,采用最小二乘法分段对插值后的瞬态幅值进行曲线拟合,获取拟合系数作为瞬态指纹特征;最后与载频特征融合,采用遗传算法优化融合系数,融合后的特征作为辐射源指纹特征。识别分类器采用概率神经网络,对16部手持机进行识别实验。实验结果表明,该方法提取的特征能够反映通信辐射源个体的时频特性,可实现对辐射源个体的有效识别,在信噪比为20 dB时,系统识别率优于90%。     

基于VPRSM的辐射源灰色识别法

针对辐射源识别问题,提出一种基于变精度粗糙集与灰色理论相结合的雷达辐射源识别方法.利用变精度粗糙集获取雷达辐射源各属性参数的权重,并结合灰色关联分析完成辐射源识别.以雷达用途识别为例,给出仿真实验.结果表明,该算法在-15dB的低信噪比条件下,能获得高于90%的识别率,从而表明了新算法的有效性.     

基于稀疏表示的雷达辐射源信号级融合识别算法

针对现有融合识别算法难以兼顾信息完备性和节点通信数据量的问题,提出一种基于信号稀疏表示的雷达辐射源信号级融合识别算法。该方法将接收信号投影到稀疏域并进行压缩,从而在稀疏域完成融合,最后利用融合后的稀疏系数进行识别。该方法既降低了通信数据量,又较好地保证了信息的完整性。仿真实验表明,相对于单一传感器和决策级融合,所提出的方法可有效提高信号识别性能。     

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PID和深度卷积神经网络的辐射源识别方法

利用神经网络进行辐射源个体识别时,训练样本的单一性会导致深度网络出现过拟合的现象,继而影响辐射源个体识别的精确性。针对该问题,本文提出一种基于PID算法的深度卷积网络结构,该结构通过在传统卷积神经网络的输出层与输入层间构建一条反馈回路,采用PID算法将网络输出错误率转化为划分训练集数据构成的概率,通过优化训练集数据构成,达到抑制过拟合的目的。将该方法应用于超短波电台识别,平均识别率达到92.59%,识别率方差约为传统算法的1/3,训练用时减少约35 min,上述指标均优于传统神经网络。实验结果表明,该算法增强了深度网络的鲁棒性,有效地抑制了过拟合现象。     

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%。     

基于机器学习的流量识别技术综述与展望

流量识别是实现网络管理与网络安全的关键环节。随着基于端口号和深度包检测两种流量识别方法相继失效,基于机器学习的流量识别技术成为近十年流量识别领域最受关注的方法。鉴于流量识别技术的重要性,首先介绍流量识别技术的概况及相关基本概念,包括其应用场景、输入对象、识别类型及评价指标。然后详述机器学习背景下,流量识别过程中的数据集获取、特征提取与选择、识别模型设计等关键技术的进展,并对近年主要研究工作进行总结和比较。最后对基于机器学习的流量识别技术面临的主要挑战及未来的发展方向进行探讨与展望。     

不平衡数据集的分类方法研究

传统的分类算法在处理不平衡数据分类问题时会倾向于多数类,而导致少数类的分类精度较低。针对不平衡数据的分类,首先介绍了现有不平衡数据分类的性能评价;然后介绍了现有常用的基于数据采样的方法及现有的分类方法;最后介绍了基于数据采样和分类方法结合的综合方法。     

基于机器学习的脑网络分析方法及应用

脑网络学习旨在从整体上研究大脑各功能区的交互,对于人类深入了解大脑功能和结构以及对一些脑疾病的诊断都具有非常重要的作用。作为脑网络分析的重要工具,机器学习由于能够从数据中学习规律并对未知数据进行预测,已成为近年来脑网络分析领域一个新的研究热点。本文综述了近年来基于机器学习技术在脑网络分析中的典型研究方法和应用,主要从网络的构建、特征学习和分类预测等3个方面加以介绍。最后,总结全文并展望未来研究方向。     

A three-way incremental-learning algorithm for radar emitter identification

Radar emitter identification has been recognized as an indispensable task for electronic intelligence system. With the increasingly accumulated radar emitter intelligence and information, one key issue is to rebuild the radar emitter classifier efficiently with the newly-arrived information. Although existing incremental learning algorithms are superior in saving significant computational cost by incremental learning on continuously increasing training samples, they are not adaptable enough yet when emitter types, features and samples are increasing dramatically. For instance, the intra-pulse characters of emitter signals could be further extracted and thus expand the feature dimension. The same goes for the radar emitter type dimension when samples from new radar emitter types are gathered. In addition, existing incremental classifiers are still problematic in terms of computational cost, sensitivity to data input order, and difficulty in multiemitter type identification. To address the above problems, we bring forward a three-way incremental learning algorithm (TILA) for radar emitter identification which is adaptable for the increase in emitter features, types and samples.