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.     

基于改进EfficientNet的雷达信号调制方式识别

针对在复杂电磁环境下的雷达辐射源信号识别中传统方法失效,深度学习算法存在低信噪比下识别效果差、网络复杂参数多的问题,提出一种改进EfficientNet模型对雷达辐射源信号进行识别。首先引入卷积注意力模块(Convolutional Block Attention Module, CBAM)改进网络,提高网络对通道和空间特征的提取能力;结合h-Swish和ReLU两种激活函数进一步改进网络在保持网络精度的情况下加快网络训练;对样本进行标签平滑,对9种不同调制信号的时频图像做CutMix数据增强后输入网络,增强模型的泛化能力。通过实验分析,改进后的模型在信噪比为-10 dB的情况下对9种调制信号的综合识别率达到了94.24%,验证了该方法能够在低信噪比条件下有效识别雷达辐射源信号。     

一种雷达辐射源智能个体识别的方法

针对使用传统的卷积神经网络及低信噪比环境下雷达辐射源智能个体识别研究中识别性能不够的问题,提出了一种基于短时傅里叶变换(STFT)和EfficientNet的雷达辐射源个体识别方法。首先对雷达信号进行短时傅里叶变换,提取时频特征,然后利用EfficientNet中多个MBconv模块对不同时频特征图像的叠加,挖掘出信号图像隐含的更加复杂和抽象的深层次时频特征,包括信号强度的分布、时频模式、周期性变化等,从而完成个体分类识别。EfficientNet可以同时改变网络深度、宽度、图像分辨率3个参数,解决了梯度消失、梯度爆炸等问题。实验结果表明,基于STFT和EfficientNet的雷达辐射源智能个体识别的方法,相比于传统卷积神经网络在低信噪比环境下具有更好的识别性能。     

辐射源个体识别的一种可解释性测试架构

由于射频信号种类多,电磁环境复杂,特征提取难度大,现有的基于人工特征的射频辐射源个体识别方法的鲁棒性、适用性难以满足应用需求。数据驱动的深度学习方法虽然可以提供更灵活的辐射源个体识别模式,但深度学习方法自身可解释性差,而且缺乏通用测试模式来评价一个深度学习方法的优劣。本文在电磁大数据非凡挑战赛目标个体数据集的基础上,探索了基于该数据集的深度学习模型测试方法,提出面向辐射源个体识别神经网络模型的通用测试系统架构。该构架通过信号特征遮掩、生成对抗网络(GAN)、欺骗信号汇集、信道模拟等方法构造仿真测试样本,并把测试样本与原样本数据导入深度模型进行识别结果对比测试。基于测试结果分析了深度模型聚焦的信号关键特征位置,分析模型的鲁棒性,揭示信道环境对识别性能的影响,从而解释了深度学习网络模型的性能。     

基于Att-BiLSTM的雷达信号调制方式识别

识别雷达信号的调制方式有助于分析雷达的工作模式和目的,为及时采取恰当的应对措施提供依据。长短时记忆网络(Long Short-Term Memory, LSTM)深度学习模型在基于特征的调制方式识别领域中有着广泛应用,但LSTM模型的时间性能会随着输入数据规模的增大而下降。针对以上问题,文中提出了一种基于注意力机制的双向长短时记忆网络（Bidirectional Long Short-Term Memory, BiLSTM）的雷达信号调制方式识别算法。该算法通过BiLSTM提取信号原始数据的特征,再使用注意力机制为学习到的特征分配相应权重,最后由分类器根据学习到的特征输出分类结果。使用Python框架构建基于注意力机制的BiLSTM网络模型,以雷达辐射源信号特征仿真数据作为网络的输入和训练基础,实现对辐射源的调制方式的识别。结果表明,该模型在识别雷达信号的调制方式方面具有良好的效果。     

通信特定辐射源识别的多特征融合分类方法

针对通信辐射源个体识别问题,提出了一种基于多通道变换投影、集成深度学习和生成对抗网络的融合分类方法.首先,通过对原始信号进行多种变换得到三维特征图像,据此构建信号的时频域投影以构建特征数据集,并使用生成对抗网络对数据集进行扩充.然后,设计了一种基于多特征融合的双阶段识别分类方法,利用神经网络初级分类器分别对3类特征数据...     

基于贝叶斯深度学习的一维雷达有源干扰信号识别方法

雷达干扰信号准确识别是雷达抗干扰的前提,对于雷达生存至关重要。针对传统雷达干扰信号识别方法需要繁琐的分析计算提取特征,通用性差,泛化能力弱,难以适应复杂的雷达工作环境问题。本文考虑无需人工提取特征信息且具有较好的分类识别效果的深度学习网络。考虑到传统的深度学习网络由于使用点估计方式,不能够很好的衡量预测结果中的不确定性,本文提出了一种基于贝叶斯深度学习的干扰识别方法。首先,通过概率建模代替网络参数模型的点估计,解决了不确定性随机数据引起的网络过拟合问题。其次,考虑有效利用雷达回波信号的时序特性设计了LSTM层,同时解决训练过程中的梯度消失问题。基于线性调频雷达有源干扰实测数据完成了网络训练与测试,实验结果表明,引入贝叶斯方法可以在加快网络收敛速度的同时有效提高识别准确率。     

雷达辐射源个体识别综述

雷达辐射源个体识别通过提取个体特征来辨识雷达个体,是电子对抗领域的热点研究方向。近年来随着深度学习的飞速发展及其在各领域的成功应用,基于深度学习的雷达辐射源个体识别成为焦点。虽然研究多年,成果丰富,但目前尚缺少关于该方向全面、细致的综述。基于此,该文从雷达辐射源个体特征机理分析、基于手工特征的识别方法、基于深度学习的识别方法以及数据集构建4个方面着手,对雷达辐射源个体识别开展系统的综述工作,并对当前现状和未来方向进行总结与展望,旨在推动雷达辐射源个体识别理论和方法研究的新发展。     

基于脉冲样本图的雷达辐射源识别新技术

现代雷达信号体制越来越复杂,使得现有的雷达信号特征描述方式很难有效地对复杂体制辐射源进行描述分析。为解决复杂体制雷达辐射源的识别问题,文章提出了一种新的雷达信号描述方式——脉冲样本图,并设计了一种可以对其进行分类识别的BP(Back Propagation)网络。仿真实验表明该网络可以对脉冲样本图进行有效识别,为解决复杂体制雷达辐射源的识别提供了新思路。     

基于对角切片特征提取和深度学习的辐射源识别

针对复杂电磁环境下辐射源识别率低的问题，提出基于对角切片特征和深度学习的辐射源识别算法。利用辐射源信号双谱的个体特性，提取信号双谱对角切片特征作为深度学习模型的输入数据，采用Softmax分类器进行辐射源识别。仿真实验利用两部同型辐射源进行测试，结果表明该算法能识别个体辐射源，在低信噪比条件下也能获得高的辐射源识别率；相比于其他识别算法，双谱对角切片特征有更鲁棒的分辨性。     

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。     

雷达辐射源分类识别方法综述

阐述了雷达辐射源识别研究的必要性,详细介绍了现有雷达辐射源基本分类识别方法,系统梳理了现有分类识别技术的优缺点,合理分析了多、大且杂的电磁环境下雷达辐射源识别研究趋势,提出将深度学习与雷达辐射源识别全面结合,实现雷达辐射源识别智能化。     

数据库样本缺失下的雷达辐射源识别

目前,基于机器学习的雷达辐射源识别技术大多以训练集和测试集同分布为假设,当雷达数据库样本不足导致与信号真实分布存在偏差时,传统的分类方法效果不佳.为此,将迁移学习理论引入识别系统,设计了一种基于结构发现与再平衡的雷达辐射源信号识别方法.通过对数据库和待识别辐射源信号样本进行聚类分析发现数据结构信息,通过重采样处理修正其分布差异.将新采样数据输入支持向量机进行训练并对侦收样本进行识别.仿真实验表明,在新训练样本集上学习的模型对测试集的分类性能有了很大的提升.     

基于脉冲神经网络的雷达辐射源调制类型识别

面对日益复杂的电磁环境和层出不穷的新体制雷达,基于人工方式提取雷达辐射源特征难以满足现代认知电子战的需求.为提升雷达辐射源识别的智能化水平,提出一种新的基于脉冲神经网络(Spiking Neuron Network,SNN)进行雷达辐射源调制类型识别的算法.首先利用时频分析的方法,将5种常见雷达时域信号转换为二维灰度图...     

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.     

改进的K-Means算法在特征关联中的应用

特征关联是无源多传感器辐射源融合识别的一个关键步骤。特征关联是根据来源于同一辐射源的量测数据所具有的相似性,采用一定的算法和分配策略将多传感器获取的对多辐射源的量测值进行分类划分和关联判定,利用辐射源的特征信息来消除关联模糊。特征关联过程中一个重要环节就是分类算法的选取。K-Means算法是基于划分的聚类算法,已经广泛应用于诸多领域。改进了 K-Means算法,用灰关联度代替传统的距离度量定义了样本点间的距离,并对模拟产生的雷达辐射源特征参数样本集 Radar-da-tabase进行了分类。仿真结果表明,改进的K-Means算法提高了关联正确率,但消耗了更多时间。