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。     

基于随机森林的雷达信号脉内调制识别

针对雷达信号脉内调制识别算法存在着准确率低的问题,提出一种新的雷达脉内调制类型自动识别方法,该方法首先提取雷达信号时频图像的形状特征和纹理特征构成融合特征,然后将融合特征输入随机森林分类器,实现信号的分类识别.仿真实验中对8种常见的不同调制类型的雷达信号进行识别,提出的算法在信噪比为-2 dB时识别准确率可以达到90％以上,验证了该方法的有效性.     

基于CNN-Swin Transformer Network的LPI雷达信号识别

针对在低信噪比(SNR)条件下,低截获概率雷达信号调制方式识别准确率低的问题,提出一种基于Transformer和卷积神经网络(CNN)的雷达信号识别方法。首先,引入Swin Transformer模型并在模型前端设计CNN特征提取层构建了CNN+Swin Transformer网络(CSTN),然后利用时频分析获取雷达信号的时频特征,对图像进行预处理后输入CSTN模型进行训练,由网络的底部到顶部不断提取图像更丰富的语义信息,最后通过Softmax分类器对六类不同调制方式信号进行分类识别。仿真实验表明：在SNR为-18 dB时,该方法对六类典型雷达信号的平均识别率达到了94.26%,证明了所提方法的可行性。     

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。     

一种基于扩张残差网络的雷达信号识别方法

针对低信噪比(SNR)条件下雷达信号识别率低的问题,提出一种基于多时频图像融合和扩张残差网络的识别方法。首先,通过多种时频分析方法,将雷达信号变换为不同的时频图,并对这些时频图进行融合和处理。然后,构建一种新网络模型,将扩张残差网络与特征融合提取模块相结合,对10类雷达信号进行识别。仿真结果表明,当SNR为-6 dB时,所提方法对10类雷达信号整体识别准确率达到98.7%。     

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。     

基于优势遗传的模糊函数主脊切面智能搜索方法

提取和补充新的信号参数是解决复杂体制雷达辐射源信号分选难题的有效手段,模糊函数主脊切面特征是众多新特征参数中较为可行的特征之一.为更快速地搜索信号的模糊函数主脊切面,文章构建了一种优势遗传搜索的智能算法,并采用统计假设检验理论对数据进行分析和检验.实验结果表明,所提方法可使模糊函数主脊切面的平均搜索耗时降低为原方法的28.6％,且能以较高的概率成功搜索到精度更高的切面特征,证实了所提方法的有效性和可行性.     

基于优势遗传的模糊函数主脊切面智能搜索方法

提取和补充新的信号参数是解决复杂体制雷达辐射源信号分选难题的有效手段,模糊函数主脊切面特征是众多新特征参数中较为可行的特征之一。为更快速地搜索信号的模糊函数主脊切面,本文构建了一种优势遗传搜索的智能算法,并采用统计假设检验理论对数据进行分析和检验。实验结果表明,所提方法可使模糊函数主脊切面的平均搜索耗时降低为原方法的28.6%,且能以较高的概率成功搜索到精度更高的切面特征,证实了所提方法的有效性和可行性。     

基于深度学习的卫星信号调制识别算法

为实现卫星信号调制方式的分类,提出的高阶累积量与K最近邻算法(KNN)调制样式识别算法选取对噪声不敏感的5种高阶累积量特征参数用于信号的识别,通过KNN作为分类器对信号分类。实验结果表明,当信噪比(SNR)高于12 dB时,信号的调制方式可以被高效地识别,并且识别率趋近100%,但需要人工设计和提取特征参数。因此,提出了循环神经网络(Recurrent Neural Network, RNN)的卫星调制信号识别算法,以信号的IQ数据作为模型的输入,通过LSTM进行分时特征提取,全连接层进行分类,最终完成识别。在采样长度等于512,SNR大于4 dB时,识别率趋近100%。与KNN相比,LSTM网络的识别性能更为优越,尤其在低SNR的情况下,可以高效识别6种调制方式。     

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.     

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。     

雷达信号有意调制的粗分类和细分类识别方法

针对雷达信号脉内有意调制中2类典型调制信号,即相位编码(PSK)信号和调频(FM)信号,提出了一种由粗到细的方法进行脉内识别。首先,对接收到的雷达信号利用其3 dB带宽明显不同的特点,进行类间粗分类,识别出PSK信号和FM信号;然后,针对PSK信号和FM信号类内特征的不同,提出了利用信号的小波脊频特征,来对雷达信号进行类内细分类识别的方法,使PSK信号被细分类为BPSK信号和QPSK信号、FM信号被细分类为LFM信号和NLFM信号,从而完成了典型雷达信号的有意调制的识别。仿真结果表明,在一定信噪比下,此识别方法真实有效。     

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。     

Automatic modulation classification of noise-like radar intrapulse signals using cascade classifier

Automatic modulation classification is essential in radar emitter identification. We propose a cascade classifier by combining a support vector machine (SVM) and convolutional neural network (CNN), considering that noise might be taken as radar signals. First, the SVM distinguishes noise signals by the main ridge slice feature of signals. Second, the complex envelope features of the predicted radar signals are extracted and placed into a designed CNN, where a modulation classification task is performed. Simulation results show that the SVM-CNN can effectively distinguish radar signals from noise. The overall probability of successful recognition (PSR) of modulation is 98.52% at 20 dB and 82.27% at −2 dB with low computation costs. Furthermore, we found that the accuracy of intermediate frequency estimation significantly affects the PSR. This study shows the possibility of training a classifier using complex envelope features. What the proposed CNN has learned can be interpreted as an equivalent matched filter consisting of a series of small filters that can provide different responses determined by envelope features.     

基于模糊函数特征优化的雷达辐射源个体识别

对雷达辐射源信号进行模糊函数建模是一种有效的特征提取途径,通过对无意调制的雷达辐射源信号的模糊函数分析,提出了基于模糊函数子空间特征优化的个体识别方法,首先抽取模糊函数的"近零"频偏切片作为辐射源信号的主要特征,继而设计了切片串联策略构建了互补的特征子集对,从而分别利用典型相关分析和鉴别典型相关分析实现了切片特征的融合...     

基于多重同步压缩变换的雷达辐射源分选识别

针对低信噪比条件下雷达信号分选识别算法识别率低且复杂度高的问题,提出了一种基于多重同步压缩变换(MSST)的雷达辐射源分选识别算法。首先通过MSST得到信号的时频图像矩阵;然后,对时频图像进行预处理,提取出时频图像的灰度共生矩阵纹理特征和Zernike矩特征;同时提取了信号的功率谱参数特征和平方谱统计特征,组成特征参数向量;最后利用支持向量机分类器实现了对雷达信号的自动分选识别。仿真结果表明,在信噪比为-2 dB时,该算法对9种雷达信号(CW、LFM、NLFM、BPSK、MPSK、Costas、LFM/BPSK、LFM/FSK和BPSK/FSK)的整体平均识别成功率大于96.5%。