基于ESM与ELINT信息融合的机载辐射源识别

本文深入研究了ESM和ELINT多传感器系统的机载辐射源识别方法.首先针对ESM系统提供的辐射源多特征信息,提出了基于模糊综合评估获取基本可信度赋值函数(BPAF)的方法;针对ELINT系统量测数据的特点,提出了基于灰关联分析的BPAF获取方法.在此基础上,研究了应用D-S证据理论进行多传感器信息融合,从而识别机载辐射源的原理.识别实例和对比实验表明,本文提出的BPAF获取方法是实用有效的,基于信息融合的识别正确率高.     

雷达辐射源识别决策层融合算法

针对雷达辐射源识别过程中数据信息量大的实际情况,应用多传感器最优组合理论,提出一种对辐射源侦察传感器的优化组合方法,以提高融合效率;此外,将D-S证据理论用于数据融合过程中,结合雷达辐射源识别问题的特点,并借鉴信息论中熵的概念,对基本概率赋值函数(BPAF)进行了建模;仿真结果表明该模型的有效性和融合算法的优良性能。     

基于特征融合的海洋哺乳动物声音识别

为了提高海洋哺乳动物声音识别算法的识别率和鲁棒性,提出了一种将梅尔倒谱系数MFCC、线性倒谱系数LFCC和时域特征融合作为特征参数进行声音识别的方法。该方法通过融合不同倒谱系数以增强对不同频段的表征能力,通过融合时域特征来更全面地描述声音信息。声音样本通过基于海洋环境下的预处理、特征提取与融合后,用支持向量机进行分类识别。相对于传统算法只针对一种或几种哺乳动物进行识别,该方法在包含61种海洋哺乳动物声音的样本库中进行测试。测试结果显示该算法较传统的梅尔倒谱系数在识别率上提升了5.5%,且在海洋低信噪比环境下有更好的识别表现。     

云模型在分布式传感器辐射源识别中的应用

针对辐射源识别中的参数模糊交叠问题,提出了基于云模型的辐射源样本隶属度获取方法,结合分布式传感器的优势,构建云模型在分布式传感器辐射源识别中的应用系统。首先介绍云模型的有关概念,其次分析分布式传感器的特征,再由云模型区间型和离散型辐射源样本隶属度,并进行单传感器时域融合和分布式传感器信息融合,利用判决规则完成决策。仿真结果说明基于云模型的辐射源识别率高。     

基于脉冲样本图的雷达辐射源识别方法

雷达辐射源识别是雷达对抗侦察信号处理的关键环节。由于现代雷达体制日益复杂,传统的辐射源识别方法面临着越来越严峻的问题。因此针对这种情况,提出了一种基于脉冲样本图雷达辐射源识别算法。这种算法无需对相互叠加的雷达辐射源信号进行完全分选,并且不需要进行传统识别方法中的特征提取过程,简化了处理环节。在脉冲流密度适中的情况下,该算法具有很好的判别准确率。仿真结果验证了该方法的可行性和实用性。     

自监督双流融合的小样本雷达辐射源识别方法

针对实际场景中辐射源数据稀缺造成的小样本问题，提出了一种基于自监督和双流融合的小样本雷达辐射源识别方法。首先利用高斯分布噪声、莱斯多径衰落、设计时钟偏移信号等减损方法，基于有限数量的真实样本构建类均衡辐射源信号样本集。基于增强数据集，提出一种信号时间序列与时频图的双流特征融合模型。采用对比学习方法构建双流特征融合模型的自监督上游任务，以提升在有限标签数据情况下信号多域特征的表征能力与泛化能力。实验结果证明，该方法在小样本条件下能够有效地实现较好的辐射源类型识别能力，在目标域每个类别100个样本限制下，识别精度达到97.1%,与传统一维特征方法和基于长短期记忆(Long Short Term Memory, LSTM)的方法相比均有较大提升。     

基于脉内特征参数的雷达信号调制方式识别方法

研究了一种识别辐射源脉内调制方式的方法。该方法运用分形维数和相像系数作为辐射源信号的脉内特征,提出了基于模糊综合评估获取特征的基本概率赋值,然后运用D-S证据理论进行多脉冲数据融合,从而识别辐射源信号调制方式的方法。基于本方法的辐射源脉内调制方式识别方法通过仿真试验表明,其正确率高,具有一定应用价值。     

基于D-S证据理论多传感器信息融合的辐射源及平台识别

本文深入研究了基于D-S证据理论的多传感器信息融合方法,将其应用于单个辐射源识别,并在此基础上将其推广到辐射源平台识别,提出了一种应用于平台识别的可行方法,仿真结果表明,这种基于D-S证据理论信息融合识别方法是适用有效的.     

面向非均衡类别的半监督辐射源识别方法

针对辐射源个体识别(SEI)中样本标签不完整和数据类别分布不平衡导致分类准确率下降的问题,该文提出了一种基于代价敏感学习和半监督生成式对抗网络(GAN)的特定辐射源分类方法。该方法通过半监督训练方式优化生成器和判别器的网络参数,并向残差网络中添加多尺度拓扑模块融合时域信号的多维分辨率特征,赋予生成样本额外标签从而直接利用判别器完成分类。同时设计代价敏感损失缓解优势样本导致的梯度传播失衡,改善分类器在类不平衡数据集上的识别性能。在4类失衡仿真数据集上的实验结果表明,存在40%无标记样本的情况下,该方法对于5个辐射源的平均识别率相比于交叉熵损失和焦点损失分别提高5.34%和2.69%,为解决数据标注缺失和类别分布不均条件下的特定辐射源识别问题提供了新思路。      

面向ADS-B信号辐射源个体识别的轻量化模型设计

针对辐射源个体识别高精确度、轻量化、实时性的现实应用需求,提出了面向广播式自动相关监测(ADS-B)信号辐射源个体识别的轻量化模型设计方法。根据信号数据特点进行解码处理,并对不均衡样本进行权重调节,改善样本质量;通过分组卷积获取不同维度的细微特征,与初始特征拼接,实现多维互补特征融合,并联同步进行提高识别效率。利用Ghost bottleneck结构实现网络模型压缩与跨层连接,在融合多维特征的同时节省计算资源。实验结果表明,本文算法结构精简,计算量低,识别率达到95.2%,并在不同容量的样本识别中效果稳定。本文算法较好地平衡了辐射源个体识别精确度、轻量化与高时效的需求。     

多传感器模糊D-S理论辐射源识别

研究了将D-S证据理论与模糊推理组合应用辐射源识别的方法,提出了基于模糊综合评估获取基本概率分配函数的方法;在此基础上研究了应用D-S证据理论进行多传感器信息融合,从而识别雷达辐射源的原理;仿真实验和对比实验表明本算法的有效性。     

雷达辐射源识别的多元信息融合算法研究

该文针对复杂电磁环境下侦察设备获得的雷达辐射源信息具有不完整性和模糊性的情况,通过对现代雷达侦察情报特点的分析,研究了利用多种侦察设备获得的多元信息,采用证据理论信息融合的方法对雷达辐射源进行识别。设计了辐射源属性的基本概率赋值函数,提出了辐射源属性融合、多侦察周期时域融合和多侦察设备空域融合的三级融合算法。仿真结果表明该融合算法具有优越的性能。     

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.     

基于云模型的DSm证据建模及雷达辐射源识别方法

为了提高雷达辐射源特征参数存在互相交叠和多个模式情况的雷达辐射源正确识别率,该文提出一种基于云模型的DSm(Dezert-Smarandache)证据建模及雷达辐射源识别方法。该方法首先将存在互相交叠和多个模式的先验雷达辐射源特征参数进行基于云模型的DSm建模,然后将含有噪声的测量信号特征参数进行基于云模型的DSm隶属度赋值,再通过隶属度与基本信度赋值的关系求得DSm模型的基本信度赋值,最后通过DSmT+PCR5的方法将多传感器测量信号的同特征的基本信度赋值进行融合,再将各特征的融合结果进行DSmT+PCR5融合得到最终的识别结果,如果仅为单传感器测量信号的特征参数,则仅将不同特征参数的基本信度赋值进行DSmT+PCR5得到融合识别结果。最后通过多种情况下的仿真实验,验证了该文方法的优越性。     

基于栈式自编码机和模糊函数主脊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存在提取周期长、特征描述不完备等局限性,提出了一种基于深度学习栈式自编码机和模糊函数主脊的雷达信号识别方法.该方法根据信号模糊函数主脊包含丰富的内在调制信息的特点,从信号中提取用于分类识别的抽象特征.通过对六种雷达辐射源信号进行实验,并对比人工特征提取及其他深度学习方法,结果表明,本文所提方法在信噪比（signal-noise ratio,SNR）为2 dB以上时均能保持100%的识别准确率,SNR为-6 dB时识别准确率仍能保持82.83%以上,明显高于其他方法.即使在包含相同调制类型不同参数的信号环境中,当SNR大于0 dB时识别率均稳定在95.0%以上,SNR降低到-4 dB时识别率也能达到79.0%.证明该方法能有效提取到信号的深层特征,且具有良好的抗噪性能,基本满足实际战场的需求.     

一种优化孪生网络的小样本辐射源个体识别方法

针对信号辐射源个体识别小样本难以稳定收敛、识别准确率不足的问题,提出了一种基于优化孪生网络模型进行小样本辐射源个体识别的方法,分析了通过孪生网络实现不同类别样本对特征向量距离增大、相同类别样本对特征向量距离减小的弹簧模型,达到小样本训练损失函数的快速收敛的目的,并结合交叉熵实现损失函数优化,从而提升了小样本个体识别的准确率和稳定性。试验结果表明,针对每类不大于10个训练样本集的通信电台所提方法能够达到88%以上个体识别准确率。     

一种敌我识别辐射源暂态信号指纹特征提取方法

信号的指纹特征是辐射源个体识别的重要依据。针对敌我识别辐射源的个体识别问题,提出了一种基于双树复小波和多重分形的信号暂态特征提取方法。该方法通过双树复小波变换实现信号多分辨率分解,求解分解信号Hilbert谱的信息熵和指数熵,计算信号的多重分形奇异指数和谱值,最终组成表征辐射源的特征向量。通过实验验证,提取的特征向量能充分代表辐射源个体之间的差异;被测信号的信噪比满足8 dB或9 dB的条件时,对辐射源的识别正确率能达到90%以上。统计分析表明该方法提取的特征具有很高的稳定性。     

一种非组合的电磁目标快速识别算法

针对电磁目标识别算法中辐射源组合的本质是避免同一辐射源的多个可能识别结果同时参与一个目标识别模板的匹配置信度计算的问题,提出了一种非组合的快速电磁目标识别方法。依据目标平台与辐射源的搭载关系,建立辐射源识别和平台识别的两级识别体系,基于两点和三点模板匹配法对辐射源进行识别,然后使用非组合的快速模板匹配法对目标平台属性进行识别。仿真实验表明使用该方法计算目标的识别置信度简单易行,可用于实际工程中电磁目标的识别。