基于参数样本图的雷达辐射源识别

在现代信号环境中,基于传统的雷达信号特征描述方式很难对复杂体制雷达辐射源进行准确描述和识别。提出一种新的雷达参数样本图的描述方式,并研究了基于参数样本图的雷达辐射源识别算法,利用脉冲序列与雷达参数样本图进行匹配识别,给出了参数类型匹配及参数样本图匹配的方案。仿真结果表明,这种方法是有效的。     

基于相似度的雷达目标识别灰关联分析算法

针对参数重叠的雷达目标识别算法准确率较低、对复杂体制雷达目标识别效果较差的问题,提出了基于相似度的灰关联分析算法,实现对复杂体制雷达目标的融合识别.该算法首先提取各参数间的相似度矩阵,然后运用灰关联分析得出相应的灰关联系数,同时根据各参数匹配程度确定其权重值,与灰关联系数组合获得待识别信号与库信号的灰关联度,根据灰关联度完成目标识别.仿真实验结果表明,该算法能很好地降低参数重叠给识别带来的影响,提高识别正确率,快速实现复杂体制雷达目标的识别.     

基于晶振特征的重点雷达信号快速靶向识别

针对传统的PRI分选算法难以有效识别PRI变化复杂的重点雷达信号的问题,提出基于晶振特征的重点雷达信号快速靶向识别的方法。该方法避开常规PRI分选算法的分选流程,利用PRI之间的相关性对脉冲信号进行分选,可以对多目标同时识别。从PRI产生的原理着手考虑,PRI变化是否复杂对识别效果几乎没有影响。通过仿真与对比,验证该算法能够快速识别出重点雷达信号的脉冲序列,且对PRI变化复杂的雷达信号的识别效果较好。     

一种折叠聚类的威胁雷达信号识别方法

威胁雷达信号的分选识别是雷达对抗侦察系统的重要任务,是影响对抗成败的因素之一。针对雷达数量大幅增加、信号调制样式多样、信号密度越来越高的复杂电磁环境,提出了一种TOA折叠聚类的威胁雷达信号识别方法。该方法首先对截获的脉冲流进行TOA折叠分选,然后用DBSCAN聚类算法提取数据,最后进行威胁雷达信号模板匹配识别。仿真结果表明,该方法在复杂环境下能够分选出目标雷达信号,对复杂体制的雷达信号适应能力强。     

匹配模板法在雷达信号识别中的应用

雷达采用低截获概率(LPI)技术之后,特别是在低信噪比条件下,传统的基于参数提取的雷达信号识别方法将会失效。数字接收机的研制与投入使用,开辟了信号截获识别的新思路。如果在先期情报侦察中截获雷达信号并且成功识别,那么就可以将该雷达中频采样数据保存下来制作为匹配模板,当该雷达信号再次出现时,即使信噪比较低,也可以完成匹配接收,截获的同时便完成信号识别。采用实际截获的雷达信号制作成匹配模板进行计算机仿真实验,当其中的某一雷达信号再次出现时,匹配模板成功截获,实验结果验证了该方法的有效性与可行性。     

针对线性调频雷达系统的信源数估计算法

针对线性调频体制雷达系统,提出了一种基于匹配滤波的快速估计雷达及诱饵数量的方法。首先从雷达和诱饵信号前沿、信号后沿的脉内信息中获取线性调频信号的调频斜率,然后构造匹配函数,采用匹配函数对混合信号进行匹配滤波,最后对滤波后的信号进行搜峰处理,得到雷达与诱饵的数量和。相比于谱估计信源数估计,本方法不受导引头频段、口径的限制,不受弹目距影响,也不受接收处理通道数限制。在小口径、远距离条件下,也能识别低频段雷达诱饵的数量。     

重点雷达电子目标的快速靶向识别

针对现有雷达对抗侦察系统对特定雷达电子目标识别针对性不强的问题,提出一种重点雷达电子目标快速靶向识别方法,并采用并行处理流程,对多目标同时进行处理。首先,利用雷达电子目标的先验信息完成小样本脉冲序列建模;其次,实现了基于小样本脉冲序列快速匹配出雷达电子目标的算法,该方法绕过传统雷达信号的分选环节,不仅对重点雷达信号的识别效果较好,而且处理速度得到有效的提高;最后,进行了计算机仿真验证。理论分析与仿真结果均表明:以快速靶向为目的识别算法,能够有效克服现有雷达辐射源识别方法针对性不强和处理流程僵化的缺陷。     

基于脉冲样本图的雷达辐射源识别新技术

现代雷达信号体制越来越复杂,使得现有的雷达信号特征描述方式很难有效地对复杂体制辐射源进行描述分析。为解决复杂体制雷达辐射源的识别问题,文章提出了一种新的雷达信号描述方式——脉冲样本图,并设计了一种可以对其进行分类识别的BP(Back Propagation)网络。仿真实验表明该网络可以对脉冲样本图进行有效识别,为解决复杂体制雷达辐射源的识别提供了新思路。     

基于模糊匹配和神经网络的雷达辐射源识别技术

目前常用的雷达辐射源识别方法是数据库比较查询法．该方法实现简单,易于工程实践,但其识别效率取决于数据库的容量和质量．即对先验知识的依赖性强,缺少推理．灵活性差,特别是对于许多新体制雷达信号无法很好地识别。将利用模糊匹配和RBF神经网络两种算法,设计一种识别系统,该识别系统能够较好地识别复杂体制雷达信号,能应对目前雷达辐射源数据库不完善的实际情况。实验仿真表明,该识别系统具有较高的识别率,是一种可行的雷达辐射源识别方法。     

基于匹配模板的二相编码信号识别方法

雷达采用低截获概率（LPI）技术之后,特别是在低信噪比条件下,传统的基于参数提取的雷达信号识别方法将会失效。针对这一问题,提出了基于匹配模板的雷达信号识别方法,阐述了该方法中匹配模板的创建、匹配算法的实现和匹配输出性能参数提取与分析三个关键步骤,以二相编码信号为例制定了相应的匹配识别准则,通过仿真实验验证了该准则的有效性和该方法的可行性。在信号受到噪声污染的情况下,该方法对二相编码信号的识别信噪比可以达到-6 dB。     

一种复杂电磁环境下雷达信号综合分选方法

随着雷达技术的发展,电子对抗面临的电磁环境越来越复杂。如何在复杂信号环境下进行信号的正确分选和识别是雷达侦察机的一个重要的任务。本文研究了一种结合序列差直方图分选算法算法和改进的PRI变换的综合分选方法。计算机仿真验证了算法的有效性。     

基于个体特征的雷达辐射源识别方法研究

电子战的电磁环境正朝着复杂性和多样性的方向日趋发展,使得过去传统的雷达辐射源识别技术已无法准确地对辐射源进行分类和识别。为了改善和解决该问题,文中利用信号的脉内调制特性和雷达的个体特征进行辅助识别,并围绕着雷达信号的调制特性、特征提取和选择进行了深入的研究,同时提出了新的特征提取方法。该方法可以实现针对常规的雷达信号识别其个体并判断其调制类型,测量其指纹特征参数。通过计算机仿真实验和实测数据计算结果证明了该方法的有效性。     

基于改进的半监督主动学习的雷达信号识别

为解决在雷达信号分类识别过程中训练样本较少的问题,本文提出了联合主动学习和半监督学习,并对其伪标记样本进行迭代验证改进的分类算法。针对复杂的电磁环境下雷达信号识别率低的问题,本文将径向高斯核时频分析应用于雷达信号,并对时频分布进行奇异值分解,提取出奇异向量作为雷达信号识别的特征参数。针对传统的半监督主动学习算法的不足,利用改进的半监督主动学习算法构建分类器,该算法通过对伪标记样本进行迭代验证来提高伪标记信息的准确性,从而改善了最终的分类性能,实现了在可获取的有标签样本数量较少的条件下对雷达信号的高概率识别。仿真结果表明,本文提出的特征识别方法可以获得较高的识别率。      

一种基于PRI谱特征的复杂雷达信号分选方法

通过分析雷达截获机所处的复杂雷达信号环境,提出了一种基于PR I谱特征的复杂雷达信号分选方法。该方法利用PR I变换获取雷达信号PR I谱,并根据各种复杂雷达信号PR I谱特征实现复杂雷达信号的分选工作。仿真结果表明,该方法能够较好地实现复杂信号环境下雷达信号的分选工作。     

现代雷达信号分选跟踪的几种方法

随着现代软件无线电技术的飞速发展,战场电磁信号环境从地面、空中、海上到太空,信号密度大,频谱宽,变换复杂,并且多功能数字雷达的多种工作方式和多种波形变换,雷达反侦察、抗干扰能力不断增强,传统的雷达信号分选跟踪方法面临着严峻的挑战。文中分析了几种传统的信号分选方法,从复杂电磁环境信号中,分析盲信号分选、聚类神经网络分选、脉内细微特性分选法,从信号分选的参数上进行多参数联合分选,并且通过多信号模拟器进行实验仿真,在分选的基础上进行跟踪处理,信号参数稳定、效果良好。     

典型雷达电磁环境效应特征数据模拟系统

针对雷达系统复杂电磁环境效应,在分析雷达面临复杂电磁环境的基础上,研究电磁环境要素表征方法,提出雷达信号处理和数据处理阶段电磁环境效应量化指标,建立雷达电磁环境要素信号模型、雷达信号接收与处理、雷达数据处理模型,给出雷达电磁环境效应数据模拟方法,支持不同复杂电磁环境要素的参数化输入,并动态仿真复杂电磁环境与雷达系统的作用过程,输出各个节点的效应表征参数瞬态和统计值。初步结果验证了研究思路的正确性,能够为建立复杂电磁环境要素与复杂电磁环境效应之间的映射关系提供大样本数据支撑。     

基于混沌、多重分形理论的雷达信号分析和目标识别

本文旨在将混沌、多重分形的理论和方法引入雷达信号处理,分析雷达目标的混沌、分形特性,以有效进行雷达目标识别。文中统计了飞机目标回波信号的Lyapunov指数分布情况,并计算了其多重分形维数,然后在此基础上,利用ART2神经网络进行了飞机目标识别的研究,获得较高识别率。本文的研究表明,混沌、多重分形理论结合人工神经网络在目标特性和目标识别的研究中有着良好的应用前景。     

基于贝叶斯深度学习的一维雷达有源干扰信号识别方法

雷达干扰信号准确识别是雷达抗干扰的前提,对于雷达生存至关重要。针对传统雷达干扰信号识别方法需要繁琐的分析计算提取特征,通用性差,泛化能力弱,难以适应复杂的雷达工作环境问题。本文考虑无需人工提取特征信息且具有较好的分类识别效果的深度学习网络。考虑到传统的深度学习网络由于使用点估计方式,不能够很好的衡量预测结果中的不确定性,本文提出了一种基于贝叶斯深度学习的干扰识别方法。首先,通过概率建模代替网络参数模型的点估计,解决了不确定性随机数据引起的网络过拟合问题。其次,考虑有效利用雷达回波信号的时序特性设计了LSTM层,同时解决训练过程中的梯度消失问题。基于线性调频雷达有源干扰实测数据完成了网络训练与测试,实验结果表明,引入贝叶斯方法可以在加快网络收敛速度的同时有效提高识别准确率。     

基于扩张残差网络的雷达辐射源信号识别

针对低信噪比条件下,复杂多类雷达辐射源信号识别存在特征提取困难,识别正确率低的问题,本文提出了一种基于时频分析和扩张残差网络的辐射源信号自动识别方法.首先通过时频分析将信号时域波形转换成二维时频图像以反映信号本质特征;然后进行时频图像预处理以保留时频图像完备信息,适应深度学习模型输入;最后构建扩张残差网络以自动提取信号时频图像特征,实现雷达辐射源信号分类识别.实验结果表明,信噪比为-6dB时,该方法对16类雷达辐射源信号的整体识别正确率能够达到98.2%,对时频图像特征相似的类LFM（Linear Frequency Modulation）信号的整体识别正确率超过95%.本文提供了一种新的雷达辐射源信号智能识别方法,具有较好的工程应用前景.     

基于峭度加权VMD和熵特征的雷达脉内调制识别

针对复杂电磁环境下识别雷达信号脉内调制样式困难以及受噪声影响识别准确率受限的问题,提出了一种将变分模态分解(Variational Mode Decomposition, VMD)与熵特征提取相结合的识别方法。首先,通过基于峭度加权的改进VMD算法对雷达信号进行分解,得到由三个本征模态函数组成的最优分量集合;其次,对各分量分别计算其模糊熵、排列熵和符号熵值,从而实现对熵特征信息提取;最后,将特征向量输入到支持向量机完成识别。相较于其他方法,该方法有着较高的识别准确率和抗噪性能,在2 dB信噪比以上平均识别准确率为94.63%。