多特征融合的雷达信号脉内调制识别

针对当前电子侦察情报系统自动识别率低、识别类型少的问题,提出了一种有效的联合奇异值分解和主分量分析的雷达信号脉内调制类型自动识别方法。该方法对信号时频图像进行奇异值分解(SVD)和主分量分析(PCA)后,将所得特征参量按一定的准则进行融合来识别信号。仿真结果表明,SVD和PCA相融合的识别方法在低信噪比(4 dB)下,对常见脉内调制信号正确识别率均大于90%,并且该方法分类器具有结构简单、抗噪声能力强的优点。     

基于奇异值分解的雷达信号脉内调制类型自动识别

针对低信噪比下传统方法识别雷达信号脉内调制类型准确率低的问题,提出了一种有效的脉内调制类型自动识别方法。该方法首先计算雷达信号的模糊函数,然后利用图像处理算法提取其奇异值特征,将奇异值特征矢量作为神经网络的输入对脉内调制类型自动识别。仿真表明该方法在0dB信噪比下,对常见脉内调制信号识别率均大于84%。该方法需要的特征维数少、分类器结构简单、识别率高、抗噪能力强。     

基于排序时频特性的雷达脉内调制信号识别

提出了一种基于排序时频特性的雷达脉内调制信号识别算法.该算法可分为三步:首先,通过检验信号时频曲线的互易回归特性,识别出线性调频信号;然后,通过检验信号时频RANKIT图的正态性,识别出常规信号;最后,检验信号平方后时频RANKIT图的正态性,用以区分二相编码与四相编码信号.仿真结果表明,该算法无需接收信号的任何先验知识,在较低信噪比条件下可实现对常用雷达脉内调制方式的有效识别.     

基于时频分布图像和主分量分析的脉内调制识别算法研究

本文提出了一种利用模式识别中图像处理的方法来进行雷达脉内调制特征识别的新算法.通过对雷达信号时频分布图像进行二维小波分解,并对其进行主分量分析,获得每类雷达信号中的特征参数,构建相应的分类器,并利用此分类器对信号进行识别.仿真结果表明,利用信号的时频分布图像来进行信号识别是完全可行的,提取的特征参数具有很好的鲁棒性,具有较强的抗噪声能力,同时可以取得较高识别率.     

基于三维特征的雷达信号脉内调制识别

针对低信噪比条件下雷达信号识别算法对噪声敏感的问题,提出了一种基于三维特征的雷达信号脉内调制识别算法。该方法通过提取信号的差分近似熵、调和平均分形盒维数和信息维数特征组成三维特征向量,使用遗传算法优化的BP神经网络分类器实现雷达信号的分类识别。仿真结果表明,所提取的三维特征在信噪比为-4~10 dB变化范围内具有较好的类内聚集度和类间分离度,可以实现对不同雷达信号进行识别,证实了该方法的有效性。     

一种改进的脉内调制信号识别方法

针对低信噪比下传统方法识别雷达信号脉内调制类型准确率低的问题,提出一种有效的自动识别方法。基于时频原子分解提取雷达脉内调制特征,提出了一种融合差分进化与遗传算法优点的混合进化算法,进行最优原子搜索,从最优原子中提取出三种特征值并运用概率神经网络进行分类识别。仿真表明,该方法较差分进化算法有更高的搜索效率和更低的时间复杂度。在信噪比不低于-2dB时,该算法有90%的正确识别率。     

基于FPGA的脉内调制雷达信号识别算法

针对脉内调制雷达信号检测,提出了一种基于现场可编程门阵列(FPGA)的脉内调制特征实时提取技术,利用时-频分析、瞬时自相关、时域累加平滑的方法,实现对常见脉内调制雷达信号(简单脉冲信号、二进制相移键控(BPSK)信号、正交相移键控(QPSK)信号、线性频率调制(LFM)信号、频移键控(FSK)信号)实时检测及脉内调制样式实时提取,并将脉内调制类型与常规PDW字结合构成扩展脉冲描述字(EPDW).测试结果证明了该方法实时性好、准确率高.     

基于多维特征的雷达信号脉内调制识别技术

为了在复杂信号环境下能够稳定、准确地识别出信号,使用Choi-Williams时频分布作为信号描述方式,选取信号时频图像特征、信号波形复杂度和瞬时量特征组成特征矢量输入到以支持向量机(SVM)为主分类器的组合分类器中得到信号类型,并估计出信号各项参数。仿真实验表明该算法性能优良,在低信噪比(SNR)与信号参数变化的情况下可以以较高的识别率得到稳定的识别结果。     

低数据量下的雷达信号脉内调制识别方法

针对部分脉冲宽度窄、采样点数少的雷达信号监测应用场景,提出一种新的雷达信号脉内调制自动识别算法。采用小波变换与瞬时自相关相结合的方法,提取雷达信号瞬时频率特征,根据不同调制方式雷达信号的特征差别,实现了对常规信号、线性调频信号、非线性调频信号、二相编码信号、四相编码信号、二进制频率编码信号和四进制频率编码信号七种不同调制方式雷达信号识别。在不同数据量条件下,仿真结果表明,识别准确率随着码元个数或单个码元采样点数的减少而降低,此识别算法对信噪比为20 dB、采样点数为100个的雷达信号,可以实现对不同调制方式的准确识别,识别准确率高于80%。与传统识别方法相比,该方案所需数据量较少,识别准确率高,易于工程实现。     

基于调制域的雷达信号脉内特征提取新方法

针对传统调制域检测法在提取雷达信号脉内特征中的不足,提出了一种通过检测极值点来提 取信号脉内特征的方法。首先通过检测出信号极值点,再对极值点进行运算处理,进而提取 出极值点中包含的脉内特征信息。该方法借助于极值点具有最大信息量的优势,并运用二次 提取频率来估计码元宽度,使得算法的信噪比性能得到有效改善。仿真结果表明,与传统调 制域检测法相比,该方法在低信噪比下对于多种类型信号的脉内特征参数的估计精度平均提 高30%。     

一种有效的雷达信号快速识别方法

针对多种调制类型的雷达信号快速侦察识别成功率较低的问题,提出了基于瞬时频率特征提取的雷达信号快速识别新算法.首先,由短时傅里叶变换(STFT)得到信号每一部分的瞬时频率特征;其次,对得到的瞬时频率进行两次归一化分别得到各自特征值;最后,用层次决策方法对雷达信号进行分类识别.仿真实验结果证明该方法能有效识别各种雷达信号,在信噪比高于-3 dB时,各种脉内调制的识别成功率都达到90%以上.     

宽带雷达信号特征提取的系统设计与实现

阐述了宽带雷达信号特征提取系统的设计和实现,该系统采用经典的高速FPGA 多片高速DSP的硬件结构,实现了常见宽带雷达信号的时域和频域特征信息的提取。给出了测试结果。     

基于短时分析的数字调制信号识别方法的研究

研究了一种新的数字调制信号识别方法。该方法用短时分析提取数字调制信号在幅度、频率和相位随时间变化的特征，并利用这些特征对各种数字调制信号进行识别。在加性高斯白噪声条件下给出了相应的最佳阈值，并通过仿真研究了该识别方法的性能。仿真结果表明该方法对噪声不敏感，在SNR为OdB时仍能获得90％以上的正确识别率。     

采用积分二次相位函数的雷达脉内调制类型识别

为了在低信噪比条件下获得较好的识别准确率,提出了一种基于积分二次相位函数(IQPF)的识别分类方法。根据不同信号的调频斜率的正负值完成信号的预分类,然后再利用不同信号的IQPF峰值-能量比以及功率谱估计实现信号的自动化分类。给出了识别流程图并进行了仿真实验,结果表明,该方法在信噪比大于-3dB时,其识别正确率达到90%以上,证明了方法的有效性和可行性。相关研究为雷达脉内调制类型的识别提供了一种切实可行的方法,具有一定的应用价值。     

基于奇异值分解的车牌特征提取方法研究与实现

研究了基于小波分析的车牌图像定位、分割、大小归一化方法,并分析了奇异值分解算法的数学原理和算法。利用奇异值分解作为代数特征提取方法,获得图像的有效特征描述。以Matlab为开发环境,进行车牌字符的奇异值特征提取,得到车牌字符的奇异值特征,计算具有稳定性,并且有利于将得到的奇异值特征结果可视化,便于对车牌图像的奇异值特征进行分析。该特征能够较好地表达字符图像的细节和结构特征,通过数据和曲线分析,证明车牌字符特征具有较好的可分性。     

红外图像目标特征提取方法

针对实际红外空中图像中目标的大小，方向等发生变化等情况，基于奇异值分解的特征向量稳定性不好。为解决这一技术难题，提出了基于尺度奇异值变换的红外图像目标特征提取方法。该方法是一种基于尺度变换的矩阵方法。同类目标图像样本经过上述变换后所得到的矩阵都具有相似的能量，用文中提出的矩阵表示方法对红外图像进行描述后，对其应的奇异值进行特征提取，克服了对原始图像的矩阵进行奇异值提时存在的缺点，实验表明该方法提取目标矩阵的奇异值特征向量具有较好的稳定性，对图像的平移，旋转和比例变化具有良好的不变性，是一种实用的特征提取方法。     

低信噪比下基带相位编码信号的脉内特征分析

针对基带相位编码信号相位抗噪能力弱的特点,通过提高相位的直流分量和计算相位的高阶差分,成功地提取到信号的突变信息。为了能在更低的信噪比下恢复出相位编码规律,还对原始相位进行了修正。理论分析了算法的实现过程,并进行了仿真试验。仿真结果表明,新算法在较低的信噪比下可以实现基带相位编码信号的脉内特征分析。     

基于核方法的探地雷达目标特征提取方法

把核方法引入探地雷达目标特征提取中,先对雷达特征数据进行基于核的非线性变换投影到高维空间;然后在高维空间应用传统的探地雷达目标特征提取方法（LDA方法和PCA方法）提取雷达数据特征。对PCA、LDA、基于核方法的PCA和基于核方法的LDA四种探地雷达目标特征提取方法进行对比研究,对实测数据处理的结果表明：无监督的学习方法不适合探地雷达目标特征提取,所提基于核方法的LDA探地雷达目标特征提取方法效果最好。并详细阐述了基于核方法的LDA探地雷达目标特征提取方法。     

基于代数特征的多光谱图像特征提取方法

多光谱图像特征提取的好坏直接关系着目标识别算法的复杂程度,也影响着最终目标识别的性能。研究了一维主成分分析（1DPCA）、二维主成分分析（2DPCA）、一维奇异值分解(1DSVD)和二维奇异值分解(2DSVD)等代数特征提取方法,并用这些方法构成图像识别框架的特征提取部分,通过识别率的大小来验证是否适合于多光谱图像特征提取。实验结果表明：①与可见光图像目标识别相比,PCA和SVD特征更适合于红外图像目标识别;②训练样本分类时,PCA和SVD特征的识别性能改善不明显;③训练样本少时,SVD重构图像、2DSVD和1DPCA特征的识别性能较好。