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。     

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。     

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.     

基于多维信号特征融合的空间通信目标识别技术

针对空间通信目标个体识别问题,在射频指纹分析的基础上提出了一种多维信号特征融合提取方法。首先分别在时域、频域和高阶谱域对截获的空间通信目标射频信号提取个体多维信号特征,然后对提取的特征进行融合,并应用支撑矢量机对个体进行分类识别,最后采用实测数据对这种识别方案进行了验证。实验表明,通过多维信号特征融合方法可以有效提取空间通信目标的个体信息,并能获得良好的识别效果。     

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。     

信号指纹识别技术发展与应用

由于制造工艺的细微差别,通信辐射源内部电路存在硬件差异,其发射信号会体现出区别于其他辐射源个体的特征,即为信号指纹。利用信号指纹识别技术,可以识别同型号的不同辐射源个体,进行信号追踪、监测,实现军事打击。论述了信号指纹识别技术的原理,分析了国内外关于信号指纹提取与识别的研究现状,展望了该技术未来在军事和民用领域的应用。     

基于局部围线积分双谱的通信辐射源个体识别

对同类通信辐射源个体识别方法进行了深入的研究,提出了基于局部围线积分双谱的通信辐射源个体识别算法,融合了辐射源调制特征参量作为分类特征向量,采用了基于混合核函数的支持向量机(SVM)实现辐射源个体识别。实验结果表明,该方法具有较高的正确识别率(90%以上),并能够较好地解决同型号、同批次通信辐射源的个体识别问题。     

基于多谱与支持向量机的通信辐射源个体识别

:研究电台信号性能识别问题,针对同类辐射源个体难以分类识别的特点,为消除噪声,识别有效信号,采用一种局部积分双谱作为个体识别的基本特征向量,并融合了对分类具有显著贡献的电台辐射源特征参数形成新的特征向量,提出了一种基于混合核函数的支持向量机实现通信辐射源个体的分类识别的方法,并比较了核函数的不同参数对通信信号分类正确率的影响以及使用混合核函数和普通核函数的各自的分类效果.对FM电台辐射源个体分类的实验结果表明,方法在较低信噪比下对同型号、同批次通信辐射源个体识别可以取得良好的效果.     

基于复数对比预测编码的辐射源个体识别

将无监督表征学习领域中对比预测编码技术用于辐射源个体特征提取,并结合复数网络,设计了一种基于复数对比预测编码的辐射源个体识别方法。对由实部和虚部组合而成的复数电磁信号,首先采用复数对比预测编码技术提取辐射源个体“指纹”特征,然后采用复数残差网络进行分类识别。实验结果表明,通过联合复数对比预测编码和复数残差网络的方法,极大地提高了辐射源个体识别正确率和鲁棒性,相较基于实数的神经网络算法和传统识别算法,识别正确率绝对提升了11.38%。     

基于1D-CNN-LSTM的特定辐射源识别方法

特定辐射源识别（Specific Emitter Identification,SEI）是指利用雷达指纹特征确定产生信号的辐射源个体。通过对雷达辐射源的识别,可以有效区分出敌我雷达,保证雷达信息的安全性,这在电子战中具有重要的军事意义。目前传统分类识别方法存在指纹特征提取困难,指纹识别正确率低等问题。本文提出了一种基于1D-CNN-LSTM(One Dimensional Convolutional Neural Network Long Short Term Memory)特定辐射源识别方法。该方法直接使用采集到的信号的同向相交分量（Inphase/Quadrature. I/Q）数据进行信号的特征提取,并实现了对于来自不同辐射源个体信号的识别与区分。该模型兼具卷积神经网络与长短时记忆网络的优点,它可以在提取抽象特征的同时进行时序分析。实验结果表明,1D-CNN-LSTM网络能够在复杂的电磁环境下实现对特定辐射源个体的更好识别。     

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。     

高压水射流靶物反射声信号的特征提取方法

为了提高利用高压水射流靶物反射声信号识别靶物材质的效率,针对地雷探测过程常见的地雷、石块、砖块和木块4种靶物,采用不同的特征提取方法来识别靶物材质。在分析Mel频率倒谱系数及小波包变换倒谱系数基本原理的基础上,结合靶物反射声信号的特点,提出了一种基于Mel频率倒谱和小波包变换倒谱特征融合的特征提取方法:利用小波包变换将原始靶物反射声信号划分为若干子频段,选取其中一个子频段作为低频和高频的划分层;低频部分提取Mel频率倒谱系数作为特征值,高频部分则提取小波包变换倒谱系数作为特征值,将2组特征值线性合并为一组新的特征向量,用于靶物材质的识别。采用最小二乘支持向量机建立多分类模型,验证基于单一特征和基于特征融合的特征提取方法的识别率。实验结果表明,在取得低频与高频的最佳划分层时,基于特征融合的特征提取方法的平均识别率达到82.812 5%,较单一的利用Mel频率倒谱系数或小波包变换倒谱系数作为特征向量时的平均识别率分别提高了10.312 5%和7.812 5%。     

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。     

基于时频分布与MFCC的说话人识别

针对MFCC不能得到高效的说话人识别性能的问题,提出了将时频特征与MFCC相结合的说话人特征提取方法。首先得到语音信号的时频分布,然后将时频域转换到频域再提取MFCC+MFCC作为特征参数,最后通过支持向量机来进行说话人识别研究。仿真实验比较了MFCC、MFCC+MFCC分别作为特征参数时语音信号与各种时频分布的识别性能,结果表明基于CWD分布的MFCC和MFCC的识别率可提高到95.7%。     

一种公共网络攻击数据挖掘智能算法研究

公共网络的开放性和自组织特性导致网络容易受到病毒干扰和入侵攻击,对攻击数据的准确高效挖掘能确保网络安全。传统方法采用时频指向性波束特征聚类方法实现攻击数据挖掘,在信噪比较低时攻击数据准确挖掘概率较低。提出一种基于自适应滤波检测和时频特征提取的公共网络攻击数据挖掘智能算法。首先进行公共网络攻击数据的信号拟合和时间序列分析,对含噪的攻击数据拟合信号进行自适应滤波检测,提高信号纯度,对滤波输出数据进行时频特征提取,实现攻击数据的准确挖掘。仿真结果表明,采用该算法进行网络攻击数据挖掘,对攻击数据特征的准确检测性能较高,对干扰的抑制性能较强,能有效实现网络安全防御。     

基于Morlet复小波变换幅值和相位信息的间谐波检测方法

小波变换以其良好的时频局部化特性在电力系统中得到了广泛的应用,包括在谐波分析方面。但即使是时频窗面积最小的Morlet小波也存在频谱混叠现象,使得单纯利用小波变换系数的幅值无法对谐波准确检测。本文提出了基于Morlet复小波幅值和相位信息相结合的谐波、间谐波检测方法。首先利用a-S（a）曲线粗略确定包含被测信号信息的尺度范围,然后利用这些尺度上的小波变换系数的相位信息来实现谐波、间谐波频率的检测,最后根据检测出的频率确定特征尺度,进而确定被测信号的幅值。与FFT方法和传统的尺度-幅值法相比,该方法能够克服频谱泄漏现象,且能够区分频率相近的信号成分,提高了谐波、间谐波的检测精度。通过Matlab软件进行仿真,结果验证了该算法的正确性。     

泡沫夹层结构的超声检测特征成像

某型号直升机采用了碳纤维/聚甲基丙烯酰亚胺(CFRP/PMI)泡沫夹层结构制作旋翼,针对此结构内部存在分层、脱粘等缺陷识别困难的问题,通过预埋人工缺陷制作对比试块,从检测原理上分析了超声时域特征成像原理和频域特征成像原理,分别采用缺陷幅值、底波幅值、缺陷深度、频域幅值、频域相位5种特征成像效果进行了对比分析,寻找最优特征成像方法。结果表明：不管采用时域信号特征成像还是频域信号特征成像都能够清晰地发现CFRP中的分层缺陷。但是对于CFRP/PMI泡沫的脱粘缺陷,时域幅值特征成像效果优于深度特征成像;频域信号特征成像优于时域信号特征成像;相-频特征成像优于幅-频特征成像效果。     

时频域联合校正的PN码相干捕获算法

受多普勒频偏和本地时钟漂移的影响,接收信号中存在频偏且码字不同步。针对该问题,提出一种时频域联合校正的PN码相干捕获算法。从接收信号的循环平稳特性出发,进行载波频率和码字同步的联合校正,使校正后的信号与本地PN信号具有近似相干性。基于设计的相关特征函数,实现较长相关长度下的相干检测,完成PN码捕获。仿真结果表明,该算法在低信噪比、大频偏条件下,具有较高的检测概率。