基于脉冲包络前沿高阶矩特征的辐射源个体识别

雷达脉冲包络分析是雷达辐射源识别的常规方法,但常规的包络识别方法很难适应实际需要,无法有效地对雷达辐射源信号进行分类识别.提出了以脉冲包络前沿波形的高阶矩特征作为辐射源的"指纹"特征,进行雷达辐射源个体识别的思路.利用脉冲包络前沿波形的高阶矩特征受高斯噪声影响较小的特点,提高了辐射源个体特征参数的有效性.理论分析和实验结果表明利用雷达脉冲包络前沿波形的高阶矩特征可以较好地进行辐射源个体识别.     

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.     

一种适应低信噪比的脉内识别算法

针对传统的雷达信号脉内调制类型在低信噪比下识别能力不高的局限性,提出一种改进的适应低信噪比的信号调制类型分类识别算法。该算法对雷达脉冲信号流进行时间和脉宽格子划分,对同一格子中脉冲信号采用一阶差分自相关函数法计算特征向量,根据特征向量值进行聚类统计分类。分类后对每组内脉冲信号进行平方处理,再次计算特征向量并进行聚类统计分类,选择每组内质量较好的脉冲信号进行调制类型识别,提高了信号分类识别正确率,通过仿真实验验证了该方法的有效性。     

一种稳健的通信辐射源个体识别方法

通信辐射源个体识别是目前通信对抗领域研究热点与难点问题,相对于雷达辐射源,通信辐射源信号弱、瞬时特征不明显导致个体识别更复杂、更困难。利用通信辐射源信号的长时谱统计特性,提取信号功率谱峰值特征和包络模板,构造通信辐射源个体特征向量,通过朴素贝叶斯分类算法与个体特征矢量相结合,在训练样本数目足够大的条件下可进行有效识别。测试实验表明,识别方法稳健有效,可在信噪比5 d B情况下实现93.7%的正确识别概率。     

基于时频分布Rényi熵特征的雷达辐射源识别

针对复杂体制雷达辐射源识别,提出一种基于时频分布Rényi熵的雷达信号特征提取和识别方法。该方法首先对雷达辐射源信号进行时频变换,然后提取信号时频分布的3阶、7阶和11阶Rényi熵作为特征向量,得到具有维数低、类间差异较大的识别特征。最后采用支持向量机分类器实现信号的分类识别。文中对8种常见雷达信号进行了仿真实验,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正确识别率,当信噪比为-3dB时,采用时频分布Rényi熵特征的平均识别率仍能达到90.75%,验证了提出方法的有效性。     

基于融合熵特征的辐射源信号识别

针对相近雷达辐射源信号难以识别的问题,一种新的雷达辐射源信号识别方法被提出.该方法基于小波包分解,用主成分分析法融合含有信号类别特性的小波包重构系数特征,并将融合特征的能量熵和概率熵构成特征向量,基于支持向量机实现信号的分类识别.在较大信噪比(SNR)范围内,使用该方法能获得满意的正确识别率,当SNR为5 dB时,十分近似的线性调频信号正确识别率达到了91%,实验结果证实了该方法的有效性.     

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。     

基于Welch功率谱和卷积神经网络的通信辐射源个体识别

针对低信噪比条件下通信辐射源个体识别率低的问题,提出了一种基于Welch功率谱和卷积神经网络的通信辐射源个体识别方法.构建了由20个基于ZigBee协议的物联网设备组成的测试平台,将ZigBee信号前同步码部分的Welch功率谱数据作为辐射源指纹特征送入卷积神经网络进行分类.该方法在低信噪比条件下很好地保留了辐射源的指纹特征,结合卷积神经网络强大的微特征提取能力,对辐射源进行了有效分类.实验结果证明,在瑞利信道及低信噪比条件下,所提方法的识别效果明显优于其他方法.     

多径条件下的雷达辐射源个体识别方法

在实际场景中，接收机截获的雷达脉冲信号信噪比较低、多径干扰明显，从中提取的辐射源指纹特征存在畸变，给雷达辐射源个体识别带来严峻挑战.针对该问题，本文提出一种两阶段的信号处理方法.在第一阶段，以精确的脉冲对齐和迭代加权积累提高信号质量，解决低信噪比问题.在第二阶段，定义信号频谱相邻点前向商的绝对值为谱邻点商，并提取信号频谱主瓣和第一旁瓣对应的谱邻点商作为抗多径的指纹特征，解决多径干扰问题，同时利用Chirp-Z变换的局部精细化谱分析能力，进一步提高本文方法的计算精度和速度.仿真实验表明本文方法在脉冲对齐和克服多径干扰方面表现突出.实测数据实验对截获自15部同型号雷达的单频脉冲信号进行分类识别，获得超过97%的识别准确率，证明本文方法对多径条件下的雷达辐射源个体识别实际应用具有重要参考价值.     

基于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,采用选择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辐射源特征参数,采用径向基神经网络分类器实现了对通信辐射源信号的个体分类识别。实验结果表明,该方法在较低信噪比条件下较好地解决了同类辐射源的个体识别问题,识别正确率优于90%。     

基于领域自适应的动态噪声辐射源个体识别

现有基于深度神经网络的辐射源识别算法受训练场景限制,当待测信号与训练数据集的信道环境噪声不一致时,网络的识别性能严重退化.为了克服该问题,本文提出一种基于迁移学习的辐射源个体识别算法.该算法结合领域自适应的思想,建立优化模型将不同信噪比下信号的特征对齐,使在特定信噪比下训练的神经网络学习到与信道噪声无关的射频指纹特征,...     

接收机畸变对辐射源个体识别中调制器指纹特征的影响

辐射源个体识别(Specific Emitter Identification,SEI)技术利用辐射源指纹特征识别发射设备,但辐射源指纹特征极易受接收机畸变的影响,无法在不同接收设备间通用.针对这一问题,基于一种利用调制畸变的辐射源个体识别方法,分析了接收机畸变对该方法特征识别结果的影响,得到了接收机畸变特性与特征估计结果的准确数学模型;并将推导结果与接收机设计指标相对应,对SEI接收机设计提出了建议;利用仿真实验和设计实例,证明了推导结果的准确性.该成果能够有效指导SEI系统接收机设计,并为跨接收机SEI系统的实现提供了可能.     

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.     

一种基于时频原子特征的雷达辐射源信号识别方法

提出了一种全新的基于时频原子特征的雷达辐射源信号识别方法.训练阶段,在过完备时频原子库的基础上,以类区分度为度量,提取少数最能区分不同类别信号的时频原子作为一组固定的特征;识别阶段,以原子和信号的内积的绝对值作为分类器的输入特征,采用有监督模糊自适应共振网络进行辐射源的自动识别.对5类典型雷达辐射源信号的实验结果表明,...     

Specific emitter identification based on ITD and texture analysis

To solve the defects of time-frequency analysis and poor separability of extracted features in specific emitter identification (SEI) based on Hilbert-Huang transform (HHT),a novel SEI method based on intrinsic time-scale decomposition(ITD)was proposed.ITD was utilized to decompose the emitter signals and get the time-frequency energy distribution(TFED)firstly,later the TFED spectrum was transformed into gray image and several image texture features through histogram statistic and gray-level co-occurrence matrix was extracted for identification.Measured ship communication signals and simulated emitter signals were used to test the performance of proposed method.Compared with another two SEI methods based on HHT,the proposed method is proved more effective in identification accuracy.     

基于差分-变分模态分解与全局信息分析网络的辐射源个体识别方法

为了解决基于希尔伯特黄变换（HHT,Hilbert-Huang Transform）辐射源个体识别方法中的模态混叠分解不充分以及低信噪比下效果较差的问题,本文将信号处理与深度学习相结合提出了一种新的辐射源个体识别方法。首先,对信号进行差分处理,并通过变分模态分解得到对应的模态分量;接着,对各模态分量进行希尔伯特变换得到希尔伯特谱;最后,针对希尔伯特谱的稀疏性特点,本文运用改进的全局信息分析模块对其进行全局细微特征提取。本文实验采用ORACLE公开数据集对所提方法进行性能测试,实验结果表明,该方法识别性能优于4种现有的基于希尔伯特黄变换的辐射源识别方法,其不仅有较低的计算复杂度,而且在5 dB信噪比下有着90%以上的识别效果。     

雷达信号的扩散特征及其在特定辐射源识别中的应用

本文利用Yoyos直观系统模型与随机微分几何,分析特定辐射源识别问题,为该问题建立了一种有意义的几何学描述.通过上述模型及分析,指出辐射源个体所辐射信号的瞬时参数中包含具有内蕴性质的指纹特征信息,且由产生信号的系统低维状态流形决定.扩散映射是一种新兴的流形学习算法,已有研究与实践证明该算法可以在提取高维数据蕴含的低维流形的同时较完整地保持采样点之间的几何性质.本文利用扩散映射的这一良好特性,结合所建立的直观模型,提取信号瞬时参数的扩散特征,用于特定辐射源识别,取得了较好的效果.最后通过外场实验,验证了上述模型与特征的正确性和有效性.