基于融合熵特征的辐射源信号识别

针对相近雷达辐射源信号难以识别的问题,一种新的雷达辐射源信号识别方法被提出.该方法基于小波包分解,用主成分分析法融合含有信号类别特性的小波包重构系数特征,并将融合特征的能量熵和概率熵构成特征向量,基于支持向量机实现信号的分类识别.在较大信噪比(SNR)范围内,使用该方法能获得满意的正确识别率,当SNR为5 dB时,十分近似的线性调频信号正确识别率达到了91%,实验结果证实了该方法的有效性.     

基于小波包变换的辐射源信号特征提取和识别

文中基于小波包变换方法,对MSK信号辐射源提取了J-散度特征和能量特征,结合支持向量机分类器完成辐射源的识别,仿真结果表明：两者识别率均达到90％以上,从而验证了基于小波包变换的辐射源识别的有效性。     

基于小波包变换的雷达辐射源信号识别

为了提高雷达辐射源信号的正确识别率以满足现代电子对抗的需求,提出一种以小波包系数的能量比和标准差为特征的算法,并采用BP神经网络进行识别。仿真实验表明,该方法能在较低的信噪比条件下取得较好的识别率。     

一种低信噪比下雷达辐射源识别方法

针对低信噪比下雷达辐射源信号分类,首先提出了基于高阶累积量和小波包变换相结合的特征提取方法,然后设计支持向量机分类器,并运用粒子群优化算法对分类器的参数进行寻优,最终实现对雷达辐射源信号的自动分类。仿真实验结果表明,在信噪比为-4dB时,6种雷达辐射源信号的平均识别率仍能达到93.83%,在低信噪比环境下取得了较为理想的分类效果。     

基于支持向量机的辐射源识别算法

为了提高电子对抗设备对辐射源的识别能力,采用小波包变换法提取信号的时频谱特征,并引入支持向量机完成对辐射源的分类。小波包变换对信号局部的时频特征具有较好的分辨率,支持向量机分类器结构简单、可获得全局优化、泛化能力强。仿真结果表明,基于支持向量机的辐射源分类方法的正确率优于传统算法。     

基于时频分布Rényi熵特征的雷达辐射源识别

针对复杂体制雷达辐射源识别,提出一种基于时频分布Rényi熵的雷达信号特征提取和识别方法。该方法首先对雷达辐射源信号进行时频变换,然后提取信号时频分布的3阶、7阶和11阶Rényi熵作为特征向量,得到具有维数低、类间差异较大的识别特征。最后采用支持向量机分类器实现信号的分类识别。文中对8种常见雷达信号进行了仿真实验,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正确识别率,当信噪比为-3dB时,采用时频分布Rényi熵特征的平均识别率仍能达到90.75%,验证了提出方法的有效性。     

基于小波包变换的辐射源信号识别

现代电子信息系统需要利用信号的细微特征识别功能参数相同或相近的辐射源信号。本文基于小波包变换,采用局部判别基(LDB)方法进行辐射源信号特征提取与识别。计算机仿真数据和实测数据分析表明本文方法有利于提取辐射源信号无意调制的差异信息,实现信号的辐射源个体识别。     

基于最近邻方法的雷达辐射源信号识别研究

在分析最近邻方法理论的基础上,提出了一种新的雷达辐射源信号识别结构,引入了一种新的距离贴近度度量方式。建立了基于最近邻方法的雷达辐射源信号识别模型,并分别在大样本和小样本数据集合对不同噪声背景下的雷达辐射源正确识别率和识别时间进行了比较分析。仿真表明,基于最近邻的雷达辐射源信号识别方法简单易行,快速简洁,有较高的正确识别率。     

基于小波包分析的辐射源特征提取和识别算法

提出了一种基于小波包的变换方法。该方法通过对不同脉内调制方式进行频带能量的提取,并引入支持向量机来完成对辐射源的分类。该小波包变换对信号局部的时频特征具有较好的分辨率。仿真结果表明,文中的小波包变换信号时频特征的分析精度优于传统算法。     

基于距离度量方法的雷达辐射源信号识别研究

为了能够在多种距离度量方法中选择一种最优的算法,提高基于距离度量方法的雷达辐射源信号识别的正确识别率,构建了雷达辐射源信号识别模型.并在不同的噪声背景下对基于距离度量方法的雷达辐射源识别模型的正确识别率和识别时间做了比较,最后进行了大量的仿真实验,给出了识别结论.     

雷达辐射源信号聚类分选算法

基于脉内特征参数的聚类是实现雷达辐射源信号分选的一种重要途径.本文在小波域滤波算法的基础上提出一种新的雷达辐射源信号脉内特征提取和聚类分选方法,将小波变换后的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作为分选的脉内特征向量,并引入灰关联测度来衡量脉内特征样本之间的相似程...     

基于小波变换的雷达辐射源信号特征提取

在小波多分辨分析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一起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,结果表明：提取的样本特征在低信噪比下具有很好的抗噪性和可聚类性,证明了本文方法的有效性。     

雷达辐射源信号脉内特征分析

脉内特征提取是新型雷达辐射源信号识别的关键问题。本文提出一种新的雷达辐射源信号脉内特征提取和识别方法．将雷达辐射源脉冲信号的分形维数作为识别脉内调制方式的分类特征,这些特征包含了雷达辐射源信号幅度、频率和相位等的变化和分布信息,反映了雷达辐射源信号脉内调制规律,理论分析和仿真实验结果都证明了这些特征具有对噪声不敏感的良好特性．通过10种典型雷达辐射源信号的特征提取和分类识别的实验结果表明,本文所提取的脉内特征类间距离大、类内距离小、正确识别率高．证实了本文方法的有效性。     

应用最优小波包变换的特征提取方法

在模式识别或分类中,从原始模式中提取有效的分类特征是非常重要的.但对于大量的非平稳或时变信号模式来说,如语音,雷达,地震信号等,用于分类的特征往往包含在局部的时-频信息中,用一般的变换方法提取有效的特征比较困难.近年来小波变换在信号处理和特征提取中得到了广泛应用,但小波包变换的任意多尺度分解特性,是分析非平稳信号更有效的方法,这是由于小波库中包含了丰富的小波包基,不同的小波包基具有不同的性质,反映不同的信号特性,能获取其他变换所不能获取的信号特征.本文主要研究由给定的训练样本集,如何选择最优小波包基,从被识别或分类的信号中提取具有最大可分性的特征.为此提出了应用三种可分性准则,即距离准则,散度准则和熵准则选择最优基.通过实验,对应用各准则选择最优基提取特征与小波基提取特征的性能进行了比较.     

一种基于时频原子特征的雷达辐射源信号识别方法

提出了一种全新的基于时频原子特征的雷达辐射源信号识别方法.训练阶段,在过完备时频原子库的基础上,以类区分度为度量,提取少数最能区分不同类别信号的时频原子作为一组固定的特征;识别阶段,以原子和信号的内积的绝对值作为分类器的输入特征,采用有监督模糊自适应共振网络进行辐射源的自动识别.对5类典型雷达辐射源信号的实验结果表明,...     

Ensemble convolutional neural networks for automatic fusion recognition of multi‐platform radar emitters

Presently, the extraction of hand‐crafted features is still the dominant method in radar emitter recognition. To solve the complicated problems of selection and updation of empirical features, we present a novel automatic feature extraction structure based on deep learning. In particular, a convolutional neural network (CNN) is adopted to extract high‐level abstract representations from the time‐frequency images of emitter signals. Thus, the redundant process of designing discriminative features can be avoided. Furthermore, to address the performance degradation of a single platform, we propose the construction of an ensemble learning‐based architecture for multi‐platform fusion recognition. Experimental results indicate that the proposed algorithms are feasible and effective, and they outperform other typical feature extraction and fusion recognition methods in terms of accuracy. Moreover, the proposed structure could be extended to other prevalent ensemble learning alternatives.     

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.