基于栈式降维与字典学习的辐射源调制识别

针对低信噪比环境下辐射源调制识别准确率和时效性不高问题,提出一种基于时频特征、栈式降维和字典学习的分类识别系统。对时域信号进行时频变换和稀疏域降噪,获取二维时频特征并降低噪声干扰;基于无监督学习的栈式降维网络提取低维非线性特征,进而降低特征冗余并提高后续处理时效性;通过多项判别约束和正则约束强化字典类间判别能力与分类时效性,并实现调制类型识别。仿真结果验证了该分类识别系统的有效性和可行性：当信噪比为-8 dB时,单载频信号、二相频率编码信号、四相频率编码信号、线性调频信号、二相编码信号、四相编码信号、Frank信号7类辐射源信号的整体平均识别率达到95.93%,具备较强的鲁棒性和时效性。     

基于联合投影字典学习的辐射源调制识别

针对字典学习用于辐射源识别时原子表征能力有限和复杂环境适应性不足问题,提出一种基于联合投影字典学习的辐射源识别方法。利用时频变换提取辐射源信号初始特征,并通过降维、降噪实现特征预处理;采用核空间投影和降维投影学习方式优化字典原子结构,基于数据集训练获取联合投影字典;通过分类测试完成了有效性验证。仿真结果表明：该方法所提取字典原子具备较强表征能力,能够适应参数多变的复杂环境;较常规有监督字典学习方式更易区分多类型、高相似度信号,-6 dB时单载频信号、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、Frank信号、二相频率编码信号、四相频率编码信号、非线性调频-二相编码复合调制信号、二相频率编码-二相编码复合调制信号10类辐射源信号的整体平均识别率为94.4%.     

基于Fisher判别字典学习的辐射源调制特征识别

针对基于字典的信号调制类型识别方法中解析字典原子形态单一、无法与复杂辐射源信号最优匹配的问题,提出一种基于Fisher判别准则的字典学习方法。对辐射源信号进行时频分析,借鉴图像处理的方法提取信号时频特征列向量,在字典训练过程中加入信号调制类型信息,根据Fisher准则训练字典,使字典原子类间距离最大同时类内距离最小,以增强字典的识别性能;通过仿真分析Fisher判别字典的识别性能以及原子个数对字典性能的影响。研究结果表明：该方法相比于解析字典法和无监督字典法,具有更好的识别性能,在低信噪比时识别性能突出、抗噪声干扰性能好;综合考虑识别性能和计算量,当字典原子数取20时该方法性能最优。     

基于核函数支持向量机的雷达辐射源识别

文中针对雷达辐射源信号环境复杂导致的正确识别率较低的问题,提出了基于支持向量机理论的雷达辐射源识别方法,并构建了基于多种核函数支持向量机的雷达辐射源分类器。通过在不同噪声环境下进行仿真实验,证明了支持向量机理论在雷达辐射源识别中的有效性,并比较了多种核函数支持向量机的识别效果。     

基于小波脊线特征提取的雷达辐射源信号识别

针对在低信噪比条件下雷达辐射源信号识别率低的问题,提出了一种基于小波脊线特征提取的雷达辐射源信号脉内调制方式识别方法.该方法使用新的改进Morlet小波提取信号瞬时频率,变换后提取其二次特征用于分类识别.计算机仿真结果表明本方法提取的特征向量具有良好的识别能力,在2 dB的低信噪比条件下,平均识别率可达到90％以上,通过与现有方法进行对比仿真验证了本算法在低信噪比环境下的优越性.     

基于小波脊线特征提取的雷达辐射源信号识别

针对在低信噪比条件下雷达辐射源信号识别率低的问题,提出了一种基于小波脊线特征提取的雷达辐射源信号脉内调制方式识别方法.该方法使用新的改进Morlet小波提取信号瞬时频率,变换后提取其二次特征用于分类识别.计算机仿真结果表明本方法提取的特征向量具有良好的识别能力,在2 dB的低信噪比条件下,平均识别率可达到90%以上,通过与现有方法进行对比仿真验证了本算法在低信噪比环境下的优越性.     

融合卷积特征与判别字典学习的低截获概率雷达信号识别

针对低截获雷达信号通常采用人工特征选择,且在低信噪比、样本数量少情况下识别率低的问题,提出一种融合雷达信号时频图像的卷积特征与字典学习识别算法。该算法以表征信号调制方式的时频图像为基础,通过时频变换获得信号的二维时频数据,输入到LeNet-5卷积神经网络中。网络通过美国MNIST数据库手写数据集进行预训练,将预训练后网络中的2～6层网络参数迁移到新的LeNet-5中,取出第6卷积层的数据作为提取的卷积特征。使用判别字典学习方法进行识别。仿真结果表明：通过预训练处理能够加快网络的收敛与优化,有效提取到每类信号的卷积特征;与文献［4］、文献［24］、文献［25］、文献［26］中4种算法相比,利用判别字典学习能够在样本少、低信噪比情况下取得较高的识别率。     

基于时频图像纹理特征的雷达辐射源信号识别

为了解决低信噪比条件下雷达辐射源信号识别率低的问题,提出了一种提取时频图像纹理特征的脉内调制方式识别方法.该算法首先对信号进行Choi-Williams变换,在对时频图进行预处理后提取其改进的局部二值模式纹理特征(LBPV),并用支持向量机进行分类判别.使用6种典型雷达信号进行仿真实验,仿真结果表明在-2 dB的低信噪比条件下该方法的平均识别率可达95％以上,局部二值模式算子在低信噪比下的识别能力得到大的提高.     

基于MFCC的OFDM信号子载波调制方式识别方法

针对多径信道下传统的OFDM信号子载波调制方式识别方法存在识别率不高,判决门限不易确定,子载波调制方式识别不全面等问题,提出一种基于MFCC的OFDM信号子载波调制方式识别方法.利用语音模型下的识别算法提取OFDM信号的MFCC特征参数,计算出各阶MFCC特征参数的平均标准偏差和平均变化率,并将两类参数的组合作为OFDM信号子载波调制方式分类特征量对子载波调制方式进行识别.仿真实验结果表明,该方法能够有效实现多径信道下OFDM信号子载波多种调制方式的识别,且识别性能优于传统方法.     

基于MFCC的OFDM信号子载波调制方式识别方法

针对多径信道下传统的OFDM信号子载波调制方式识别方法存在识别率不高,判决门限不易确定,子载波调制方式识别不全面等问题,提出一种基于MFCC的OFDM信号子载波调制方式识别方法.利用语音模型下的识别算法提取OFDM信号的MFCC特征参数,计算出各阶MFCC特征参数的平均标准偏差和平均变化率,并将两类参数的组合作为OFDM信号子载波调制方式分类特征量对子载波调制方式进行识别.仿真实验结果表明,该方法能够有效实现多径信道下OFDM信号子载波多种调制方式的识别,且识别性能优于传统方法.     

基于模式识别与智能系统技术的发射器类型识别方法

基于模式识别与智能系统技术的发射器类型识别,运用CART训练集与考试集相互独立的分类树构造方法,先对给定数据样本近似相等地划分成训练集和考试集,然后分别独立使用.应用拆分规则及剪枝算法,把每个变量分成不同类,并保持类的数量合理,使得分类树在对节点的陆续拆分中生成,最后结束这种节点的拆分.     

基于卷积神经网络和模糊函数主脊坐标变换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耗时长、特征不明显等问题,提出一种基于深度学习卷积神经网络和模糊函数主脊坐标变换的雷达辐射源信号识别方法.该方法通过快速离散分数傅里叶变换提取信号的模糊函数主脊,并将模糊函数主脊极坐标域的二维时频图作为卷积神经网络的输入,实现对不同雷达信号的分选识别.仿真实验结果表明:新方法不仅在信噪比为...     

基于卷积网络和对抗式学习的雷达信号识别算法

针对雷达信号识别中因新信号数据与训练数据的样本差异,导致卷积网络模型识别率下降的问题,提出一种基于卷积网络和对抗学习的雷达信号识别算法,提升模型对新样本的识别率.首先,依据时频变换理论,变换得到雷达信号时域-频域能量分布图像,以表征信号脉内调制特征;然后,结合深度可分离卷积的结构,构建卷积网络模型,并利用样本数据对模型...     

一种深度强化学习的雷达辐射源个体识别方法

针对传统依赖于人工经验提取辐射源个体特征的不足,提出一种基于深度强化学习的雷达辐射源个体识别方法。利用发射机非理想信道造成的辐射源信号包络在信号变化时呈现的不同瞬态信息,以信号包络前沿作为深度神经网络的输入状态,以辐射源类别作为当前输入状态的可选动作,通过卷积神经网络自动提取辐射源包络个体特征,并拟合当前状态动作对的Q值,进而以强化学习模型完成雷达辐射源个体识别任务。讨论了深度Q网络模型、深度双Q网络模型以及Dueling Network模型3种深度强化学习模型在辐射源识别任务中的应用。实测数据仿真实验表明：传统机器学习算法的识别率不足80%,而深度强化学习网络的识别率高达98.42%.     

基于机器学习的雷达辐射源识别研究综述

回顾和介绍了复杂雷达信号环境下辐射源智能化识别的相关机器学习理论的发展历程;对近年来基于机器学习理论的雷达辐射源识别技术研究状况进行了综述;在已有研究的基础上,着眼于提高小样本学习能力和新型雷达识别能力的发展需要,提出了基于机器学习理论的雷达辐射源识别技术的主要研究方向和难点问题,并对相应的解决方法进行了讨论。     

基于压缩感知的辐射源信号数据级融合识别方法

针对协同侦察数据级融合识别中通信量大的问题,利用压缩感知可用少量测量值表征完整信号的特点,提出了一种基于压缩感知的数据级融合识别方法。接收终端采用确定测量阵对侦察信号的Gabor时频特征进行压缩测量,通过传输少量的压缩测量值以减轻通信压力,融合中心根据多源测量数据间的相关特性,采取相关性融合规则直接对多源压缩测量数据进行融合,最后再计算融合压缩测量值在不同类信号字典下的重构误差,最小重构误差对应的信号类别即识别结果。分别对融合识别方法识别性能和相关性融合规则融合效果进行仿真分析,实验结果表明：所提方法在保证识别率的同时大幅减小了数据通信代价,在低信噪比时识别性能突出、抗噪声干扰性能好;相比于其他融合规则,基于测量向量相关性的融合规则可保留更为全面的信息。     

基于转换脉冲神经网络的雷达辐射源识别方法

为提高雷达辐射源识别智能水平,提出一种新的基于转换脉冲神经网络进行雷达辐射源调制模式识别的 方法。将仿真产生的雷达信号转换为2 维时频图,将传统的卷积神经网络(convolutional neural networks, CNN)转化 为脉冲神经网络(spiking neuron network, SNN),使用SNN 进行雷达辐射源识别。仿真实验结果表明：该方法具有 优良的检测精度,当信噪比高于-9 dB 时,识别概率可达96%以上。     

基于字典学习的实时运动目标跟踪算法

采用提取图像的尺度不变特征可以获得较好的匹配跟踪效果,但该特征提取方法比较耗时。针对这一问题,提出了一种鲁棒的实时目标跟踪方法。该方法通过提取目标的多尺度平移、旋转特征来构建字典,提高了算法的鲁棒性。利用所构建的字典来表示待跟踪目标集特征,查找与目标模板最近邻的待跟踪目标,即可确定跟踪的最终结果。试验结果表明,这种基于字典学习的实时跟踪算法可以鲁棒实时地跟踪单目标。     

一种新的混合信号调制识别方法

在现代电子对抗和通信侦察中,共信道通信信号的调制模式识别是重要的研究课题。经验模态分解(EMD)是一种处理非平稳信号的新方法,但标准EMD方法存在模式混叠问题。文中提出了一种基于EMD分解与希尔伯特变换相结合的调制识别新算法,通过在EMD分解过程中多次添加掩蔽信号,用于共信道混合信号的分离,并讨论了所添加的掩蔽信号能够消除模式混叠现象需满足的必要条件。计算机仿真结果表明,该方法对频谱不混叠的单载波混合信号有较好的分离和调制识别效果。     

基于CPLD的正交及程控调制信号的实现

基于CPLD芯片器件与数字频率合成技术,设计并实现了两路相位差可精确控制的正交正弦信号及一路调幅度可程控调节的调制波信号。给出了CPLD参数化设计及竞争冒险问题的解决方法,并进行了理论相位误差计算。简述了这种信号电路设计方法的优点。