未知雷达辐射源分选的一种新方法

为提高未知雷达辐射源的分选正确率,本文提出一种基于第二维相像系数(Cr2)和第四维小波包特征(Wpt4)相结合的分选新方法。对接收到的未知雷达辐射源信号,首先提取其Cr2和Wpt4,将Cr2和Wpt4作为分类依据,并利用基于核方法的模糊C-均值算法(KFCM)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。     

基于在线核聚类的雷达信号分选方法

提出一种变参数在线核聚类算法(OKCAP),将其应用于未知雷达辐射源信号分选中。OKCAP基于支持向量机的思想,采用核映射技术将数据映射到高维线性空间中进行处理,利用随机梯度下降法更新类的边界函数,且梯度下降步长和惩罚项参数可根据雷达信号动态调整,从而实现雷达辐射源信号的在线分选。仿真结果证明,该方法具有较快的聚类分选速度和较高的分选准确率。     

基于多二维RBF神经网络的航空雷达信号分选

针对航空雷达信号分选中侦察装备普遍存在的信号分选实时性差,分选结果经常出现增批、漏批现象的缺点.为了提高侦察系统在复杂电磁环境下准确快速的分选出雷达辐射源信号,根据径向基(RBF)神经网络通过理想数据训练后能够对未知数据进行分类的特点,将径向基神经网络算法用于对航空雷达侦察信号的分选,在此基础上提出了一种新型多二维径向基神经网络结构,通过与BP网络、RBF网络的对比,多二维径向基神经网络的识剐率优于其它几种网络,而且其结构便于实现.通过试验结果可以得出,多二维径向基神经网络能够提高雷迭信号分选的准确率.     

雷达信号交互式分选方法

雷达信号分选指从混叠雷达信号数据中分选出属于各单部雷达辐射源发射的雷达信号.随着雷达技术快速发展,雷达核心属性分布不均、重叠度高、变换复杂,而且数据采集过程不稳定,导致传统自动化分选方法准确率不高.文中介绍了一种自动化分选和交互式分选结合的雷达信号监控数据可视分析方法;提出了一种改进的雷达信号自动化分选方法,结合核密度估计、密度聚类和排列熵技术对数据进行分区式聚类和量化结果评价;设计了一个可视分析原型系统,提供了可协同分析的多可视化视图和简单易用的交互手段,以直观地展示雷达信号分布情况和自动化分选结果,帮助用户参与整个信号分选过程.     

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。     

基于多舰协同侦察与信息融合的雷达识别

对雷达型号的识别一直是电子侦察情报系统的重要内容.为了提高单一平台侦察设备对雷达型号识别的可信度和准确率,这里采用协同侦察的思想,共享其他平台侦察的雷达辐射源信号.然后应用灰色关联方法对来自同一部雷达的辐射源信号进行相关处理,并对相关的雷达辐射源信号特征进行加权信息融合,以提高信号特征参数的精度;最后再对融合后的信号特征按最大相关准则,从雷达辐射源知识库中找出要协同识别的雷达型号.     

一种新的未知雷达辐射源聚类分选方法

未知雷达信号的分选一直是雷达对抗情报处理中的难题。因此,提出了一种新的基于数据势场聚类的未知雷达信号分选方法。该方法无需预先指定分类数,利用信号参数之间的关联性自动进行聚类,以此达到分选的效果。同时方法适宜于处理大量数据,对噪声影响不敏感,无需先验知识支撑。最后,通过计算机仿真验证了该方法的可行性和有效性。     

基于多参数的雷达辐射源分选新方法

针对现有方法分选准确率不高和对参数变换敏感的问题,提出一种新的雷达辐射源分选算法.将常规参数到达角、载频、脉宽和脉内特征参数Wpt6,Wpt7构成特征向量,用Kohonen神经网络实现自动分选.仿真结果表明,新方法的分选准确率较常规方法可以提高7%左右,更加适应于现代电子战环境.     

小样本雷达辐射源识别的深度学习方法综述

面对复杂多变的电磁环境与新体制雷达系统,传统的雷达辐射源识别方法已无法满足需求。深度学习模型可有效提取雷达信号的脉内特征,快速准确地对低信噪比、未经分选的雷达辐射源信号进行脉内调制类型识别、型号识别与个体识别。但真实环境中雷达辐射源信号难以收集,无法满足传统的深度学习训练需要,因此小样本雷达辐射源识别是目前研究的热点与难点。文中首先对近年来将基于监督学习的多种经典深度学习方法应用于小样本雷达辐射源识别的研究进行了回顾;其次,介绍了小样本学习在雷达辐射源识别领域的研究进展;最后,基于小样本雷达辐射源识别的研究现状,总结面临的挑战,提出了对未来研究方向的展望。     

基于高斯平滑与模糊函数等高线的雷达辐射源信号分选

雷达辐射源信号分选是电子侦察系统、威胁告警系统的关键步骤.针对现有基于模糊函数的复杂体制雷达辐射源信号分选方法信息利用率低、易受噪声影响等问题, 提出一种基于模糊函数等高线的分选新方法; 首先, 对信号的模糊函数进行高斯平滑处理并绘制其等高线作为进一步的特征提取对象; 其次, 从图像处理的角度提取正外接矩和方向角作为雷达信号分选的特征向量; 最后, 用核模糊C均值聚类算法对特征向量进行分选.仿真实验表明, 所提方法在8 dB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 %, 即使在0 dB环境下, 分选成功率也保持在89.04 %以上; 在0 ~ 20 dB动态信噪比环境下分选成功率达到96.36 %.实测数据验证, 所提特征提高了5种外场辐射源信号的分选效果, 可作为经典5参数的有效补充. 此外, 所提特征还具备较低的计算量, 提取单个信号特征的耗时仅为0.24 s, 具有一定的工程价值.     

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{%     

一种改进的DNN算法在雷达信号分选中的应用

针对深度神经网络能自动学习数据深层特征的优点进行了研究，提出一种基于深度信念网络的信号分选方法，来解决传统雷达信号分选中人工提取特征的耗时、特征冗余等问题。通过堆叠多层的深度模型对原算法进行改进，克服单一模型学习力的不足，对不同信号的本质特征进行深入学习，融合各个深度模型的后验概率进行分类决策，从而进一步提高了信号的识别率。采用改进方法对七种不同类型的雷达信号进行分选识别，并与其他信号分选方法进行对比，实验结果表明，该方法取得了更好的分类效果，展现出较强的学习数据本质特征的能力，从而验证了算法的有效性和优越性。     

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%。     

一种基于蚁群聚类算法的雷达辐射源识别方法

提出了基于蚁群聚类算法的雷达辐射源识别方法。该方法采用雷达辐射源特征参数建立模型,对雷达辐射源样本进行识别,仿真结果接近90%。实验表明,蚁群聚类算法识别雷达辐射源的方法具有一定的可行性。     

一种新的ESM数据分选算法

研究获取敌方雷达辐射源数据,在识别准确性问题上,ESM数据分选在电子侦察领域有重要的作用.针对辐射源识别的正确性,采用聚类和到达角外推相结合方法实现ESM数据分选,提出一种基于支持向量机和到达角外推的ESM数据分选算法.算法根据ESM数据辐射源参数信息,用支持向量机实现ESM数据聚类,根据其参数实现分类,再将信号到达角外推,预测信号下一时刻到达角,并以最近邻域关联准则将信号方位角关联,从而实现ESM数据分选.算法有效结合了辐射源参数特征和到达角变化趋势,可在辐射源较密集的环境下实现分选.仿真结果和实际数据测试表明了算法的有效性.     

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。