雷达脉内调制信号时频分布特征提取方法

针对复杂体制雷达辐射源信号分类识别问题,提出了一种基于时频分析的雷达脉内调制识别算法。首先对时频矩阵在时间域进行等间隔分区,然后通过检测区间内信号时频能量峰值提取其时频特征,最后用支持向量机实现了分类识别。该方法以信号时频能量峰值分布的差异区别不同的雷达脉内调制方式,有效降低了特征维数。仿真结果表明,该方法对雷达脉内调制具有较好高识别正确率,而且具有较强的抗干扰能力。     

雷达辐射源信号一阶差分自相关特征提取

在统计自相关函数的基础上,提出一种对雷达辐射源信号进行脉内特征提取的方法。利用一阶差分运算突出信号的调制特性;将差分的结果进行自相关计算,提取不同时延下自相关函数的包络特征;根据提出的基于距离的可分性判据对包络进行特征选择,得到具有最优可分性能的二维或三维特征向量。通过对7种典型辐射源信号的特征提取和分类进行仿真实验,结果表明提取的特征在低信噪比下仍具有较好的抗噪性和可分类性。     

复杂脉内调制雷达信号的识别方法

提出一种识别包括相位编码、频率编码,以及脉内混合调制等复杂雷达信号的方法。该方法结合AR模型功率谱估计分析方法和小波变换模极大值方法,将复杂混合调制信号转化成相位编码信号,然后基于高次方频谱分析的方法提取信号的频率特征,首次实现了对6种复杂雷达信号的分类。实验表明,在信噪比为0 dB时,大多数信号的识别率可以达到93%以上。     

复杂调制形式脉压雷达信号的识别方法

如今,脉压雷达采用的脉内调制形式日益增多且越来越复杂。而传统的识别方法只能识别有限的几种简单调制样式的雷达信号。为了解决这个问题,提出一种基于ZAM-GTFR法和Radon变换的分类方法。该方法通过对信号进行ZAM-GTFR分析以及Radon变换提取最佳旋转角和满足一定条件的尖峰数,将信号区分开,能识别包括正弦调频信号和多相编码信号等在内的多种具有复杂调制形式的脉压雷达信号。仿真实验表明,该方法在[-3 dB]时能达到94%的平均正确识别率。     

雷达辐射源信号小波变换特征提取方法

在小波域滤波算法的基础上提出一种对雷达辐射源信号进行脉内特征提取方法,该方法能够从信号中有效地提取定量信息。将小波变换后低频逼近小波系数的能量分布熵与经过尺度相关去噪计算后反映信号边缘的高频细节小波系数能量分布熵构成雷达辐射源信号的二维特征向量。通过对10种雷达辐射源信号的特征提取和分类仿真实验分析表明：提取的样本特征在0 dB下具有很好的抗噪性和可聚类性,方法是有效的。该方法能够简化分类器的设计,有利于工程应用。     

基于聚集离散性与可分性的雷达信号特征评价

雷达辐射源信号脉内特征的好坏是决定雷达信号能否有效地加以区分的基础。为了定量地进行特征优劣的评价,提出了一种利用模糊度与贴近度来评估雷达信号脉内特征分布聚集离散性的方法。该方法首先对雷达信号脉内特征的空间分布进行分析;然后用模糊度的大小度量脉内特征的类内聚集性,用贴近度的大小度量脉内特征的类外分散性;并针对分类特征空间分布的重叠状态,采用类内类间距离和线性判别准则,提出了雷达辐射源信号脉内特征线性可分性指标。通过时频原子法提取5类雷达信号的两个脉内特征进行仿真实验,结果表明提出的方法和可分性指标是可行的。这为在雷达辐射源信号识别中定量地评价脉内特征提供了新的思路和途径。     

雷达辐射源信号符号化脉内特征提取方法

提出一种对雷达辐射源信号进行符号化分析的雷达辐射源信号脉内特征提取方法,该方法能够从信号中快速有效地提取定量信息。将符号化过程中反映信号自相关特性的采样时延和反映信号调制规律特性的香农熵作为脉内特征。通过对7种雷达辐射源信号仿真实验和数据分析表明:提取的样本特征在低信噪比(0~5 dB)情况下具有很好的抗噪性和可聚类性,同时算法计算简单快捷,能够简化分类器的设计,故有利于工程应用。     

雷达辐射信号分类识别与特征提取

研究雷达信号提取和分类识别问题,雷达辐射源的有效分类识别是军事自动化控制和指挥系统的强烈需求.针对现代雷达体制下复杂信号的低截获特性,为了提高雷达辐射源信号的个体识别率,提出了一种新的分类识别方法.用小波包变换提取能反映信号脉冲无意调制特征的信号各频带能量,通过泛化能力和学习能力都很强的混合核函数支持向量机进行分类识别并进行仿真.仿真结果表明,识别效率提高,证明方法是有效和可行的,性能优于传统方法.     

基于Morlet小波在雷达信号脉内特征提取中的应用

为识别雷达信号不同调制方式,可通过准确估计雷达信号瞬时频率来分析信号脉内特征。通过分析小波脊线原理和Morlet小波各种参数对提取调制雷达信号小波脊线特征的影响,提出改进Morlet小波原子。针对不同调制类型雷达信号,分析了正确提取信号脊线特征的条件。提出一种基于改进Morlet小波的小波脊线方法估计雷达信号的瞬时频率。通过仿真实验表明,与普通Morlet小波相比,基于改进Morlet小波在提取信号脊线特征时精确度和抗噪性得到提高。     

基于小波不变矩的雷达辐射源信号识别

针对雷达辐射源信号识别,提出一种基于时频分布的小波不变矩特征向量提取和识别分类方法。对雷达辐射源信号时频图像进行处理,对图像进行小波变换,提取小波矩的特征向量。采用支持向量机分类识别的方法,对特征向量进行训练,实现信号识别。对6种常见雷达信号进行分类,结果表明在信噪比较低的情况下也能取得较好的识别效果,在SNR为-3 dB时,识别正确率仍达到93.9%。     

A three-way incremental-learning algorithm for radar emitter identification

Radar emitter identification has been recognized as an indispensable task for electronic intelligence system. With the increasingly accumulated radar emitter intelligence and information, one key issue is to rebuild the radar emitter classifier efficiently with the newly-arrived information. Although existing incremental learning algorithms are superior in saving significant computational cost by incremental learning on continuously increasing training samples, they are not adaptable enough yet when emitter types, features and samples are increasing dramatically. For instance, the intra-pulse characters of emitter signals could be further extracted and thus expand the feature dimension. The same goes for the radar emitter type dimension when samples from new radar emitter types are gathered. In addition, existing incremental classifiers are still problematic in terms of computational cost, sensitivity to data input order, and difficulty in multiemitter type identification. To address the above problems, we bring forward a three-way incremental learning algorithm (TILA) for radar emitter identification which is adaptable for the increase in emitter features, types and samples.     

深度特征选择网络在雷达信号识别中的应用

在现有的雷达辐射源信号识别研究中,传统人工提取到的特征虽具有较为良好的物理表征,但特征中还存在冗余、噪声特征,而通过深度神经网络虽可以挖掘到对信号更深层次的表达,但其特征存在的“黑箱”难以解释性无法避免.结合人工特征良好的物理表征性和深度学习强大的学习能力,本文提出将一种深度特征选择网络（DFS,Deep Feature Selection）应用到雷达信号识别技术中.DFS通过在深度神经网络的输入层和第一隐藏层之间增添一对一层,获取针对每维特征与分类相关性度量得到的权值,以此权值作为衡量标准,加强敏感特征的输入影响,削弱冗余、噪声特征的输入影响,提高分类准确率.方法先对雷达信号提取复杂度特征、小波脊频级联特征、信息熵特征,合并建立原始特征集,利用DFS进行学习训练,以达到在输入级别实现特征选择的目的.本文已利用上述方法对5类辐射源信号进行仿真实验,识别效果良好,验证了方法有效.     

基于局域波分解的雷达辐射源信号时频分析 *

在分析局域波分解原理的基础上 ,研究了雷达辐射源信号经过局域波分解后的分解分量的物理意义和抗交叉干扰等时频特性 ,并提取了六种经典辐射源信号的瞬时频率特征和相位编码信号的逐步波动特征。仿真实验表明 ,与传统方法相比 ,使用基于局域波分解的时频分析方法更有效地消除了信号分量干扰、提高了频率分辨率 ,并能自适应地改变基函数并解决了信号时频局部化问题 ,为辐射源信号的脉内特征分析提供了一种新思路。     

基于Choi-Williams时频图像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Choi-Williams时频图像的雷达辐射源信号特征提取和识别方法,将信号识别转化为图像识别问题。首先对雷达辐射源信号进行Choi-Williams时频变换,将得到的时频图转化为灰度图像;然后采用一系列图像处理方法对时频图像进行增强和去噪,之后将灰度图像转化为二值图像,并剪切掉不含信号的图像区域;最后分别提取二值图像的中心矩和伪Zernike矩作为识别特征,并采用支持向量机分类器实现信号的分类识别。文中针对8种常见雷达信号识别进行了仿真实验,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识别率,其中当信噪比为-3dB时,采用伪Zernike矩特征平均识别率仍能达到92%,验证了所提出方法的有效性。     

Radar emitter recognition based on cyclostationary signatures and sequential iterative least-square estimation

Radar emitter recognition plays an important role in electronic warfare (EW). Specific radar emitter recognition is the state-of-art technology of emitter recognition, which can recognize the different radar devices of the same type. It is a composite task that involves radar signal interception, modulation recognition, features extraction and classification. In this paper, first we study the unintentional modulation on pulse (UMOP) features of radar emitter. Then the iterative least-square method is introduced for estimation of the UMOP features. Because of the discriminatory capability and abundant information of cyclostationary signatures, the zero frequency slice of cyclic spectrum is used for specific radar emitter recognition. Based on these, the sequential iterative least-square (SILS) algorithm is proposed for the online recognition of radar emitters. Finally experiments on three simulation radars and eight actual intercepted radars with the same type verify the correctness and validity of the proposed method.     

相位调制信号的小波参数估计方法及其Cramer-Rao界

现代雷达广泛使用相位调制信号,相位参数的有效估计对辐射源的识别和分类具有重要意义。运用小波变换方法对多项式相位信号的相位系数进行了估计,给出了小波变换方法下的估计多项式相位调制信号相位系数的Cramer-Rao下限,并提出了一种新的相位系数估计算法。理论分析和仿真结果表明利用小波变换方法估计相位调制信号的相位系数参数估值更精确,可以得到更低的Cramer-Rao下限。     

基于AHP的复杂体制RES特征评价

针对复杂体制雷达辐射源信号特征的效能评估问题,提出一种基于层次分析法的特征评价方法。根据雷达辐射源信号特征的复杂性、可分选性、稳健性设计特征评价指标体系,采用层次分析法构建层次分析评价模型,并将该模型应用于实践。实验结果表明,该模型能减小不确定因素带来的不利影响,实现对复杂体制雷达辐射源信号特征的评价。     

基于模糊函数多域特征融合与集成学习的雷达辐射源信号识别

针对复杂电磁环境下雷达辐射源信号识别方法中存在的抗噪性能差、识别准确率低等问题,提出一种融合模糊函数多域投影特征的集成深度学习识别方法.首先,对信号的模糊函数进行高斯平滑处理,从多域视角出发选取合适角度对模糊函数进行二维投影以构建特征数据集;然后,构建一种基于多域特征融合的两阶段识别分类方法,使用多个密集连接网络DenseNet 121作为初级分类器分别对3类特征数据集进行训练学习,得到初级分类结果;最后,通过Stacking策略对初级分类结果进行融合学习,得到最终类别信息.实验结果表明,所提出方法在信噪比为0 dB时对6类典型雷达信号的整体平均识别率均保持在97.24%以上,即使是在-4 dB环境中,识别率也稳定在87.16%以上,验证了所提出方法的有效性和可行性,具有一定的工程价值.