基于双谱分析的雷达有源欺骗干扰识别

针对跟踪雷达的三种常见欺骗干扰识别算法计算量大,使用范围较窄等问题,提出了基于双谱分析的识别算法。该算法对受到干扰与否的四种情况下的雷达接收信号进行双谱分析,经过降维和归一化处理后,将三维双谱信息转化为二维特征信息,对得到的二维特征谱提取熵特征和盒维数组成特征参数集放入分类器中进行分类识别。仿真实验表明,在SNR=4dB时,三种干扰的识别率均大于90%,在SNR=6dB时,三种干扰的识别率均接近100%。证明了该方法有较高的识别率,特别是该方法受信噪比影响较少,能够有效降低噪声对干扰识别的影响。通过与其他文献方法进行比较,证明了该方法的优越性。     

基于1阶Minkowski度量的多重分形谱算法

针对目前广义维数多重分形谱算法运算量大,难以用于预警识别的现状,提出1阶Minkowski度量的多重分形谱算法,并将该算法用于坦克噪声预警识别试验。该方法根据广义维数定义本质,通过简化测度计算,减少运算量。试验表明,该算法在信噪比较低时,预警识别性能高于目前常用的过零率检测方法。     

基于声信号多重分形和支持向量机的目标识别研究

为提高智能地雷对地面装甲目标的识别率,针对地面装甲目标辐射的噪声信号具有非线性的特性,建立了一种基于多重分形和支持向量机(SVM)相结合的分类识别模型。通过野外场地实验,采集到两种装甲目标在不同工况（运行速度）下的各40组样本信号;利用多重分形分析计算得到两种目标信号的广义分形维数谱(GFDS),分析了两种目标信号在不同工况下多重分形谱的特征;将GFDS值作为目标特征向量输入SVM分类模型,经训练得到最优分类结果,并与小波包能量(WPE)法提取样本特征后输入SVM的识别效果进行了对比,结果表明前者的识别率达到92.5%,高于后者的85%的识别率。     

基于简化多重分形谱算法的声信号预警识别

针对目前常用多重分形谱算法运算量大,难以用于实际目标识别的现状,提出基于简化多重分形谱算法的声信号预警识别方法。该方法计算时间短,所需样本量少,误判率低,在信噪比较低时预警识别综合性能高于目前常用的过零率检测方法。     

雷达信号脉内特征参数提取新方法

针对双谱的特点,提出一种新的雷达信号脉内特征参数提取方法.对接收到的信号首先提取双谱幅度谱并简化为二维特征,然后求取该二维特征的复杂度特征中的盒维数和信息维数.由于不同信号的双谱区别大且对高斯噪声不敏感,因此提取的盒维数和信息维数可分性强、稳定度高,仿真验证了新脉内特征参数的优越性.     

灰关联分析法在坦克声目标识别中的应用

提出了一种基于灰关联分析的声目标识别算法.该算法提取坦克声信号的线性预测系数特征作为关联参数,通过比较声信号的灰关联值实现目标识别.在白噪声背景下,结合谱相减法,通过提取坦克声信号特征识别,仿真表明灰关联算法可以从信息不完全、关系不明确的坦克声信号中提炼主要因素进行识别,其实现方法简单,识别率较高.因此该算法在声目标识别中具有可行性.     

基于双门限盒维数与信息维数的协作感知方法

由于认知超宽带系统在频带范围内授权信号调制样式已知,考虑到传统循环谱特征检测的不足,提出一种结合双门限盒维数与信息维数的协作频谱感知方法。该方法首先通过采用双门限盒维数检测,快速有效地实现频谱感知,然后,根据认知超宽带频谱感知的特殊性,引入信息维数对信号调制样式进行识别。仿真结果表明:该协作方法能够取得较好的检测效果,复杂度低,对噪声不敏感,能够有效识别信号调制样式、区分噪声与授权信号,适合于认知超宽带系统。     

基于双谱特征融合的通信辐射源识别算法

针对当前通信辐射源个体识别方法存在识别效率不高,内在细微特征难以提取等问题,提出了基于双谱特征融合的通信辐射源特征提取算法。该算法通过融合对角积分双谱与双谱对角切片特征组成特征向量,并对对角切片特征提取方法进行了改进,将原信号先进行经验模态分解(EMD),在得到的本征模函数(IMF)基础上提取对角切片特征,最后使用支持向量机(SVM)得到分类结果。分类实验结果表明,基于双谱特征融合的算法较积分双谱的算法在识别效果上有一定程度的提升。     

基于双谱分析的毫米波多普勒引信目标检测

双谱分析在雷达信号处理中已得到了应用,但未见在毫米波引信中应用,因此,提出将双谱分析法引入毫米波多普勒引信的目标检测中。该方法通过采用双谱及双谱对角切片进行毫米波回波信号的特征分析及特征提取,利用提取的特征进行有无目标的判别。试验表明:双谱分析用于毫米波多普勒引信对复杂背景中地面目标检测的识别率高于短时傅里叶变换(STFT)对信号的检测识别。     

基于RD-SRT的TR MIMO雷达DOA估计算法

针对时间反转MIMO雷达多重信号分类算法计算量庞大的问题,提出一种基于降维子空间旋转变换技术的多目标波达角估计算法。首先,通过采用降维思想对TR MIMO回波信号进行降维处理,来减少计算量; 然后,为构造旋转变换矩阵,对噪声子空间按行分块并取其逆矩阵; 最后,利用该逆矩阵对噪声子空间矩阵旋转变换,得到低维子空间矩阵,对比导向矢量构造谱函数估计目标的角度信息。相对于传统的MUSIC算法,该算法降低了噪声子空间的维度,大大降低了计算量,而且具有更高的目标分辨率。     

基于栈式稀疏自编码器的有源欺骗干扰识别

针对传统方法在欺骗干扰特征提取时需要依赖人工经验的缺点,提出了基于栈式稀疏自编码器(Stacked Sparse Autoencoder)的有源欺骗干扰识别算法。该算法对干扰下的雷达接收信号进行时频分析,对时频特征进行降维,利用无标签样本对特征提取模型进行预训练,再通过少量有标签样本进行监督精校。最后利用soft max分类器完成有源干扰的识别。仿真实验证明,该方法有较高的识别率,特别是该方法受信噪比影响较少,说明了深度学习方法应用于雷达欺骗干扰信号分类识别领域的可行性。相较于其他文献方法,该算法拥有更好的实验效果,证明了该方法的优越性。     

基于多分形特征的枪械自动机裂纹故障诊断

为更好地利用振动信号对枪械自动机的裂纹故障进行诊断,提出基于振动信号多分形特征的故障诊断方法。该方法利用Wavelet Leader 来估计振动信号的多分形谱,通过6个特征量描述多分形谱的形态特征以实现多分形谱的降维,并使用基于Mahalanobis距离的分类器对不同的裂纹故障进行分类。应用该方法对某12.7 mm高射机枪自动机闭锁机构的裂纹故障进行了诊断,诊断正确率达到了82.5%,验证了将振动信号的多分形特征用于自动机裂纹故障诊断的可行性。     

基于双谱技术的毫米波雷达目标特征提取方法

在毫米波雷达系统中,信噪比对作用距离的影响很大;要满足探测及识别目标对信噪比的要求,就制约了雷达系统的作用距离。为改善雷达自动控测识别目标的能力,放宽对接收机信噪比的要求,本文在对含操信号的双谱特性进行分析的基础上,提取了含有目标信号双谱相位信息的特征矢量;它不仅包含了丰富的目标回波信息,而且对噪声不敏感。实验结果表明,在信噪比很低时,信号双谱波形变化不大,特征矢量仍很稳定,大大降低了目标识别对雷达系统信噪比的要求,从而提高了毫米波雷达的灵敏度及作用距离。     

基于STFT的雷达脉内调制信号类型识别

针对雷达脉内调制信号特征分析中的信号特征提取和自动识别问题,文中提出了一种基于短时傅立叶变换(STFT)的雷达脉内调制信号类型自动识别算法.该算法是在获取信号时频变换规律的基础上,通过频率序列的均方差、序列的自相关,序列的直方图等信息提取了信号的相关特征参数,并利用这些参数的组合作为识别特征对信号类型进行了识别.然后对不同的信号利用该算法做了大量的仿真试验,结果表明该算法简单,运算量小,且对雷达脉内调制信号类型的正确识别率较高.此算法具有一定的实际应用价值.     

融合卷积特征与判别字典学习的低截获概率雷达信号识别

针对低截获雷达信号通常采用人工特征选择,且在低信噪比、样本数量少情况下识别率低的问题,提出一种融合雷达信号时频图像的卷积特征与字典学习识别算法。该算法以表征信号调制方式的时频图像为基础,通过时频变换获得信号的二维时频数据,输入到LeNet-5卷积神经网络中。网络通过美国MNIST数据库手写数据集进行预训练,将预训练后网络中的2～6层网络参数迁移到新的LeNet-5中,取出第6卷积层的数据作为提取的卷积特征。使用判别字典学习方法进行识别。仿真结果表明：通过预训练处理能够加快网络的收敛与优化,有效提取到每类信号的卷积特征;与文献［4］、文献［24］、文献［25］、文献［26］中4种算法相比,利用判别字典学习能够在样本少、低信噪比情况下取得较高的识别率。     

基于卷积神经网络和模糊函数主脊坐标变换的雷达辐射源信号识别

针对人工提取雷达辐射源信号特征耗时长、特征不明显等问题,提出一种基于深度学习卷积神经网络和模糊函数主脊坐标变换的雷达辐射源信号识别方法。该方法通过快速离散分数傅里叶变换提取信号的模糊函数主脊,并将模糊函数主脊极坐标域的二维时频图作为卷积神经网络的输入,实现对不同雷达信号的分选识别。仿真实验结果表明：新方法不仅在信噪比为0 dB以上保持100%的识别率,在-6 dB时识别准确率也稳定在90%以上;相对于传统的雷达信号识别方法和其他深度学习模型识别方法,在识别率和鲁棒性上均有较大提升,具有一定的工程应用价值。     

基于高阶谱的战场声目标特征提取

由于高阶谱对于高斯噪声不敏感的特性，在战场噪声环境中。提取被动声目标的双谱、双谱切片和相位耦合特征，通过建立声目标的高斯混合模型（GMM），进行声目标信号的识别。将基于此模型的识别结果与功率谱方法比较。仿真结果证明：基于高阶谱特征提取方法优于AR功率谱特征，该方法在抑制背景干扰中具有优越性。     

舰船辐射噪声功率谱特征提取方法研究

基于分段最小二乘曲线拟合方法,提出了一种的提取舰船噪声信号功率谱中线谱特征的新方法,通过一种新的坐标变换,用最小二乘曲线拟合方法精确提取了连续谱特征,将连续谱特征和线谱特征组合得到了舰船噪声的功率谱特征。利用BP神经网络对海上实录的两类目标噪声进行了分类识别,实验证明了方法的有效性,识别率达到90%以上,分类效果很好。     

频谱弥散和切片组合欺骗式干扰的识别算法

针对频谱弥散(SMSP)和切片组合(CI)两种有源欺骗干扰检测识别算法计算量大,需要过采样等问题,提出了频谱弥散和切片组合欺骗式干扰的识别算法。该算法首先建立干扰的时、频域模型,在此基础上分析其时、频域特征,并进一步提取基于时域的盒维数与基于频域的指数熵作为干扰的本质特征参数,通过基于二叉树结构的支持向量机分类器(SVM)对干扰信号进行分类识别。仿真结果表明,在一定的信噪比要求下,该算法能够准确识别出干扰类型,为雷达抗干扰措施的选取提供先验知识,提高雷达在复杂电磁环境下工作的可靠性。     

基于卷积网络和对抗式学习的雷达信号识别算法

针对雷达信号识别中因新信号数据与训练数据的样本差异,导致卷积网络模型识别率下降的问题,提出一种基于卷积网络和对抗学习的雷达信号识别算法,提升模型对新样本的识别率.首先,依据时频变换理论,变换得到雷达信号时域-频域能量分布图像,以表征信号脉内调制特征;然后,结合深度可分离卷积的结构,构建卷积网络模型,并利用样本数据对模型...