基于WVD改进算法的跳频信号参数估计

针对平滑伪维格纳分布（SPWVD：SmooLhedPseudoWigner—VilleDistribution）在跳频信号参数估计中存在的分辨率下降和运算量过大等问题,提出基于sTfTr（Short—TimeFourierTransform）与WVD（Wigner—VilleDistribution）的联合算法（STFT—WVD）,实现了跳频周期、跳变时刻和跳频频率等参数的盲估计。在参数估计的过程中,STFT—WVD算法有效地抑制了WVD的交叉干扰项,保持了WVD较高的时频分辨率,在运算量上和WVD相近,没有增加运算的复杂程度。仿真实验证明,STFT—WVD比SPWVD具有更好的整体性能,在信噪比优于-1dB时,能得到更为精准的估计值。     

双基地雷达信号的相关识别

探讨双基地雷达的侦察识别方法，在分析双基地雷达特征的基础上，提出了一种相关识别法，它能同时对双基地雷达发射站和接收站实现侦察识别和定位，计算机模拟证实了这种识别方法可行性和有效性。     

基于对角积分双谱的雷达辐射源信号识别

双谱以其独特的抗噪优势,广泛应用于信号分析。双谱的数据量较为庞大,目前减少双谱数据量的方法中积分双谱的效果最好,然而各种积分双谱均存在一定的缺陷。文章提出了对角积分双谱,它沿平行于双谱次对角线的直线序列积分,不但避免了插值,而且包含了更多的相位和幅度信息。最后将对角积分双谱应用于低截获概率（LPI）雷达信号的特征提取。仿真条件下,对比分析了各种积分双谱的识别性能,结果表明对角积分双谱的识别性能优于其它积分双谱。     

基于信号时频关联分析的光纤入侵振源识别算法

本文针对光纤预警系统提出了一种基于信号时频关联分析的光纤入侵振源识别算法.在特征提取阶段,本文采用信号的周期性和有序程度2个指标来描述信号的内在规律性,引入短时自相关算法和小波变换算法分别从时域和频域的角度提取信号的基音周期和小波功率熵特征,形成对信号的时频关联分析;在分类器设计阶段,根据本文所提取特征的特性,采用K临近算法作为分类器.经大量实测数据测试和仿真验证,证实了该算法模型具有较好的分类效果和较低的算法复杂度.     

基于AIT方法的雷达辐射源信号识别效能评估

为了有效对雷达辐射源信号识别效能进行评估,建立了基于识别测试结果的评估指标体系,提出了利用AHP法求解权值、采用区间TOPSIS法计算综合评分值的识别效能评估方法（AIT）．以复杂度特征作为实验所用的特征参数,采用概率神经网络（PNN）、支持向量机（sVM）、基于遗传算法的支持向量机（GA-SVM）和基于粒子群算法的支持向量机（PSO-SVM）四种识别算法进行了仿真实验．仿真结果验证了所得结果是合理的．该评估方法是可行的．     

基于AlexNet模型的雷达信号调制类型识别

针对现代战场复杂电磁环境,在低信噪比(-6 dB)下传统雷达调制信号采用常规五参数特征的识别方法准确率低的问题,本文采用深度学习中的AlexNet卷积神经网络模型自动提取图像各种特征细节,从而替代手工设计特征的庞大的特征工程以实现信号在低信噪比下的识别。该方法首先利用平滑伪Wigner-Ville时频分析在时频域内生成雷达调制信号的时频图像;然后采用中值和均值滤波结合去噪对时频图像进行预处理;最后使用图像处理器GPU在深度学习架构Tensorflow下搭建AlexNet模型进行训练,对CW、LFM、EQFM、DLFM、BFSK、BPSK以及QPSK这7种雷达信号进行特征的自动提取和选择,从而实现雷达信号的自动识别。仿真结果表明,在信噪比为-6 dB时,除QPSK信号外其余6种雷达信号的整体识别率均达到90%以上,比采用非深度学习和LeNet5卷积神经网络的识别效果好,从而验证了该方法在低信噪比下雷达信号识别的有效性。     

基于频域"CLEAN"抑制WVD中的交叉项

针对多分量正弦信号 ,采用信号分解的思想 ,提出一种基于频域“CLEAN”抑制交叉项的方法 ,即先在频域利用“CLEAN”的技术将信号逐一分解 ,然后对每一个分解后得到的单分量信号进行时频分析(Wigner Ville分布 ) .这样既可以避免交叉项的干扰 ,又能保持较高的信号时频分辨率 .与“CLEAN”法相比 ,该方法可以避免各信号分量持续时间及缓变包络等因素的影响 ,更适合于逆合成孔径雷达成像等实际应用领域 .仿真数据与实测数据的实验结果对上述结论也给予了很好的证明     

综合脉冲孔径雷达的主要特点及其“四抗”性能

稀布阵综合脉冲孔径雷达ＳＩＡＲ一种崭新体制的四维警戒与跟踪雷达。文中简单介绍了该雷达的基本原理及其主要技术特点，着重研究了该雷达体制的反隐身，反侦察，抗反辐射导弹和抗干扰性能，研究结果表明，ＳＩＡＲ雷达体制具有良好的“四抗”综合性能。     

基于多学习单元卷积神经网络的雷达辐射源信号识别

现有基于人工提取特征的复杂体制雷达辐射源信号识别方法时效性低,识别准确率不佳. 为此,提出了一种基于多学习单元卷积神经网络的识别方法. 首先对辐射源信号的模糊函数进行高斯平滑,以校正噪声带来的毛刺与畸变;然后提取其正交切片作为进一步的特征提取对象;最后构建多学习单元卷积神经网络,学习和提取正交切片深层、泛在的特征,并通过softmax分类器进行分类识别. 仿真实验结果表明,所提方法在信噪比为-2 dB时对6类典型雷达信号的整体平均识别率均保持在99.86%以上,即便是在-6 dB环境中,雷达信号的识别率也可达到88.50%,在极低信噪比条件下具有良好的性能和可行性.     

基于时频分析的LFM信号检测与参数估计

基于Radon Wigner变换、分数阶Fourier变换与时频分布的关系,利用其对线性调频(linearityfrquencymodulation,LFM)信号良好的时频聚集性,通过计算Radon Wigner变换或分数阶Fourier变换,对线性调频信号LFM信号进行检测和参数估计。理论分析和计算机仿真证明:2种方法对于LFM信号的分析好于Wigner Ville变换等常用的时频变换。     

基于广义S变换的测井信号时频谱分析

S变换虽兼备短时傅里叶变换和小波变换的优点,但基本小波固定,在薄互层识别方面受到较大限制。广义S变换,通过引入λ,p两个参数对S变换中的高斯窗函数进行改造,时频分辨率得到了明显提高。本文在对广义S变换方法原理进一步研究的基础上,应用VC++在Qt平台上编写了广义S变换时频分析程序,并构造平稳信号和非平稳信号进行了对比分析,凸显了广义S变换的时频聚焦性。最后,应用该方法对实际测井信号进行了时频谱分析,取得了良好效果。     

时频分析技术在雷达抗通信干扰中的应用

针对抑制通信信号对雷达的干扰,基于时频投影滤波方法,提出了应用时频分析技术抑制从雷达主瓣进来的带宽占信号总带宽比率较大的通信干扰,进行了理论分析,并以LMF信号和MSK信号为对象进行了计算机仿真.仿真结果证明了这种方法的有效性.     

时频联合分析频率编码信号调制特征提取

针对小波脊线法在提取频率编码信号调制特征时信噪比性能较差的缺点，基于小波变换谱，将时频重排牙口时频脊线相结合，提出了一种新的时频联合分析方法．该方法借助于时频重排在改善谱图时频凝聚性方面的优势，使算法的信噪比性能得到有效改善．仿真表明，该方法在低信噪比条件下仍可得到准确的估计值．     

动平衡信号的时频分析方法研究

针对动平衡信号面向去重平衡机应用时存在的非线性、非平稳性以及实时性,本文在分析硬支撑动平衡理论的基础上,以联合时频分析方法对标准工件进行加重获得的动平衡信号为研究对象,分别用短时傅立叶变换(STFT)、Wigner-Ville分布(WVD)、小波变换和Hilbert-Huang变换(HHT)对动平衡信号进行时频分析。仿真结果表明,STFT是基于窗函数变换的分析方法,对信号局部分析能力不足且分析精度不高;WVD虽然具有好的时频聚集性,但对多分量信号存在交叉干扰项;小波变换局部分析能力强且分析精度高,但涉及小波基的选择,对非平稳信号不具有实时性;HHT可根据信号的局部时变特征对其进行自适应分解,最终给出信号的时频谱和幅值谱,能够准确描述动平衡信号的特征,具有很高的时频分辨率和时频聚集性。     

基于自适应锥形核的心音信号时频特征提取与分析

特征提取及其维数大小的确定是实现心音信号有效分类的重要环节,本文提出了一种基于自适应锥形核的心音信号时频特征提取的新方法。首先选用心音信号时频分析归一化能量的10%E、50%E、90%E和能量最大处所对应的频率点Fm ax构成第一、第二心音信号的八维特征向量,其次采用F isher降维方法的检验参数对其相关性进行了比较研究,选取相关性相对较小的参数F-10%和F-Fm ax构成二维特征向量,并将其应用于五种心音信号特征参数散度的对比分析。结果表明:降维后的二维特征向量较全面的反映了心音信号的特征,提高了分类算法的效率,具有临床实用价值。     

LFM雷达信号分析

从归一化的单脉冲信号和LFM信号性能比较分析入手,提出了一种新的分析方法.以模糊函数定义为基础,从分辨率、测量精度、模糊度和抗干扰等多个方面对雷达信号进行分析,系统地阐述了模糊函数分析雷达波形和波形设计的物理意义.计算机仿真结果表明,这种分析方法是全面而有效的,为雷达波形设计提供了有意义的参考.     

基于离散脉位混合噪声调制的雷达信号分析

推导了离散脉位随机多元码调制和脉间二元序列相位调制雷达信号的平均模糊函数，得到了几个有益的结论．结论表明，合理选取波形参数，既可使信号具有良好的距离分辨力和测速精度，又可降低产生这种信号的难度，使其更具工程可实现性．