共查询到10条相似文献,搜索用时 15 毫秒
1.
雷达辐射源信号通过射频、脉冲重复周期、脉宽、天线转速等属性来描述。然而这些属性并不是在每个雷达数据库中都对识别起作用,通过粗糙集理论对其属性进行约简和规则提取,并且确定各属性的权重。对于没有受污染或受污染程度较小的信号可以通过约简规则进行匹配识别,如果受污染程度较为严重或失真的信号或是由粗糙集约简得到多义的规则,则可以计算目标信号各属性与数据库中各信号各属性的灰关联度,并用粗糙集计算得到的各属性权重对各属性得到的关联系数进行加权求和,得到关联度最大者为识别结果。仿真结果表明,基于粗糙集和灰关联理论的雷达辐射源信号识别方法能够有效地缩减识别过程,得到满意的识别结果。 相似文献
2.
3.
4.
5.
辐射源信号高度密集、波形复杂、频域宽广、隐身和抗干扰能力强,复杂现代电子对抗信号环境下,雷达辐射源类型识别面临着严峻的挑战.论文总结了雷达辐射源类型识别技术的最新发展动态.针对特征提取和识别算法的现状、雷达辐射源信号数据海量、高维和递增的特点及特征参数随雷达工作参数和模式变化的特性,分析了雷达辐射源类型识别算法的不足.并且,为改进上述不足之处,提出了现代电子对抗信号环境下雷达辐射源类型识别的新流程,以进一步提高雷达辐射源类型识别的实时性和准确性. 相似文献
6.
提出了基于蚁群聚类算法的雷达辐射源识别方法。该方法采用雷达辐射源特征参数建立模型,对雷达辐射源样本进行识别,仿真结果接近90%。实验表明,蚁群聚类算法识别雷达辐射源的方法具有一定的可行性。 相似文献
7.
雷达辐射源个体识别技术通过提取雷达细微特征判定载体身份属性,是电子对抗领域的热点研究方向之一。通过深度学习识别雷达辐射源指纹是当前的主流方法,然而训练网络需要大量的数据样本,当数据样本不足时,容易造成识别准确率不高等突出问题。基于此,提出了一种基于深度卷积对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN)的雷达辐射源信号个体识别算法,首先采用双谱切片对信号进行特征提取,然后构建了基于DCGAN的识别网络,最后通过实采数据验证了算法的有效性。实验结果表明,在样本缺失较为严重的条件下,所提出的算法能实现小样本条件下的雷达辐射源识别,识别准确率达到90%,完全满足日常需求。 相似文献
8.
9.