基于元学习的畸变雷达电磁信号识别

畸变雷达电磁信号会严重影响雷达侦察装备的探测性能.如何有效地识别畸变信号类型对侦察系统的精确感知具有重要现实意义.针对畸变雷达信号往往存在样本稀缺的问题,该文提出一种基于模型无关元学习的残差网络(MAML-ResNet).算法首先利用正常雷达信号样本训练元学习器,然后在畸变信号样本进行精调,最后在仅有少量畸变信号样本下...     

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。     

基于参数样本图的雷达辐射源识别

在现代信号环境中,基于传统的雷达信号特征描述方式很难对复杂体制雷达辐射源进行准确描述和识别。提出一种新的雷达参数样本图的描述方式,并研究了基于参数样本图的雷达辐射源识别算法,利用脉冲序列与雷达参数样本图进行匹配识别,给出了参数类型匹配及参数样本图匹配的方案。仿真结果表明,这种方法是有效的。     

基于无载波超宽带雷达的小样本人体动作识别

随着雷达硬件平台尺寸越来越小、成本越来越低,室内基于雷达的人体动作识别应用已经成为现实,能够在具有简单架构的低成本设备中实现.无载波超宽带雷达具有极高的分辨力,能够捕获人体细微动作变化并且对室内复杂环境具有很强的抗干扰能力.与基于视频人体动作识别研究相比,超宽带雷达还具有穿透家具、墙体以及保护个人隐私等优点.针对雷达回波信号利用传统时频分析方法实现人体动作识别比较耗时、实时性不好的缺陷,引入机器学习方法对不同类型人体动作进行分类识别.引入机器学习方法用于超宽带雷达人体动作识别最大难点是只有少量可用的超宽带雷达实测数据样本,针对该问题提出基于主成分分析法（PCA）和离散余弦变换（DCT）相结合的人体动作特征提取方法,并利用改进网格搜索算法优化的支持向量机在小样本数据下对人体动作进行识别,最后根据实测数据采取三种不同方案进行仿真实验,结果表明即使在训练数据样本只有5组的条件下,基于PCA和DCT相结合特征提取方法在不同类型人体动作的平均识别率均能达到96%以上.     

基于改进的半监督主动学习的雷达信号识别

为解决在雷达信号分类识别过程中训练样本较少的问题,本文提出了联合主动学习和半监督学习,并对其伪标记样本进行迭代验证改进的分类算法。针对复杂的电磁环境下雷达信号识别率低的问题,本文将径向高斯核时频分析应用于雷达信号,并对时频分布进行奇异值分解,提取出奇异向量作为雷达信号识别的特征参数。针对传统的半监督主动学习算法的不足,利用改进的半监督主动学习算法构建分类器,该算法通过对伪标记样本进行迭代验证来提高伪标记信息的准确性,从而改善了最终的分类性能,实现了在可获取的有标签样本数量较少的条件下对雷达信号的高概率识别。仿真结果表明,本文提出的特征识别方法可以获得较高的识别率。      

最近邻法用于雷达发射机识别

雷达发射机的识别问题就是要利用接收到的雷达信号来进行目标电子系统的识别。基于时频分析的性质，提出了一种雷达发射机的识别方法，即利用模糊函数对多个雷达发射机的信号进行时频分析。在本试验中取每一个雷达信号的几个样本模糊函数的均值作为目标特征向量，用最近邻法对其他样本信号做了识别试验，利用此方法能够得到很高的识别率和很好的识别效果。本方法在军事应用上有很重要的意义，可以对敌机进行识别、跟踪。     

一种基于脉冲样本图和模糊理论的雷达辐射源识别

在现代信号密集环境中,传统的雷达信号特征描述方式很难对复杂体制雷达辐射源进行描述和识别.因此提出了一种基于脉冲样本图和模糊理论的雷达辐射源识别算法,运用格贴近度的模糊识别算法进行雷达辐射源识别.该方法省略了特征提取过程,简化了处理环节,仿真结果表明,这种方法具有很高的识别准确率.     

一种基于模糊隶属度区间决策的雷达辐射源识别方法

现代密集信号环境中,随着复杂体制雷达装备数量的不断增多,雷达辐射源的识别面临越来越严峻的问题,提出一种新的基于模糊隶属度区间的雷达辐射源识别方法,仿真结果表明,该方法在不同信号环境下能够有效识别雷达辐射源。     

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。     

重点雷达电子目标的快速靶向识别

针对现有雷达对抗侦察系统对特定雷达电子目标识别针对性不强的问题,提出一种重点雷达电子目标快速靶向识别方法,并采用并行处理流程,对多目标同时进行处理。首先,利用雷达电子目标的先验信息完成小样本脉冲序列建模;其次,实现了基于小样本脉冲序列快速匹配出雷达电子目标的算法,该方法绕过传统雷达信号的分选环节,不仅对重点雷达信号的识别效果较好,而且处理速度得到有效的提高;最后,进行了计算机仿真验证。理论分析与仿真结果均表明:以快速靶向为目的识别算法,能够有效克服现有雷达辐射源识别方法针对性不强和处理流程僵化的缺陷。     

基于句法模式识别的雷达识别方法研究

针对参数相近的复杂体制雷达难以识别的问题,提出了一种基于句法模式识的雷达信号识别方法。该方法首先对已知雷达脉冲数据进行结构分析,用雷达脉冲序列参数作为句法识别中的基元进行描述,然后通过训练已知样本得出正则文法扩展生成式并构造一种多位有限态自动机作为识别器,最后选取雷达样本数据进行识别实验。理论分析和实验结果论证了该句法方法的可靠性和有效性。     

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。     

一种雷达目标正确识别的概率模型

通过计算基于测量值的识别结果与基于真实值的实际识别结果的偏差概率来建立目标正确识别概率模型,并给出了目标正确识别概率的计算模型和分析实例。研究表明,提高雷达测量精度是提高雷达识别准确率的主要方法,同时也应合理设置特征库中的识别样本数量,使之与雷达的分辨能力相匹配。     

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。     

基于个体特征的雷达辐射源识别方法研究

电子战的电磁环境正朝着复杂性和多样性的方向日趋发展,使得过去传统的雷达辐射源识别技术已无法准确地对辐射源进行分类和识别。为了改善和解决该问题,文中利用信号的脉内调制特性和雷达的个体特征进行辅助识别,并围绕着雷达信号的调制特性、特征提取和选择进行了深入的研究,同时提出了新的特征提取方法。该方法可以实现针对常规的雷达信号识别其个体并判断其调制类型,测量其指纹特征参数。通过计算机仿真实验和实测数据计算结果证明了该方法的有效性。     

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。     

粗糙集理论在雷达识别中的应用

基于粗糙集知识约简的思想,提出了一种雷达目标识别方法,该方法不仅能够找出雷达目标的有效特征集、降低目标识别的特征空间的雏数、减少目标识别的工作量,而且提高了目标的识别率.实践表明该方法是可行有效的.     

基于多尺度信息熵的雷达辐射源信号识别

随着雷达信号的日益复杂,从实数序列中提取特征变得越来越困难,但当它们表示成符号序列时,通常能更容易地挖掘出有效的特征参数。因此,该文提出一种基于多尺度信息熵(MSIE)的雷达信号识别方法。首先通过符号聚合近似(SAX)算法在不同字符集尺度下将雷达信号转换为符号化序列;然后联合各符号序列的信息熵值,组成MSIE特征向量;最后,使用k邻近算法(k-NN)作为分类器实现雷达信号的分类识别。通过仿真6种典型的雷达信号进行验证,结果表明该方法在信噪比(SNR)为5 dB时,不同雷达信号的识别正确率大于90%,并且优于传统的基于复杂度特征(盒维数和稀疏性)的识别方法。     

基于匹配模板的二相编码信号识别方法

雷达采用低截获概率（LPI）技术之后,特别是在低信噪比条件下,传统的基于参数提取的雷达信号识别方法将会失效。针对这一问题,提出了基于匹配模板的雷达信号识别方法,阐述了该方法中匹配模板的创建、匹配算法的实现和匹配输出性能参数提取与分析三个关键步骤,以二相编码信号为例制定了相应的匹配识别准则,通过仿真实验验证了该准则的有效性和该方法的可行性。在信号受到噪声污染的情况下,该方法对二相编码信号的识别信噪比可以达到-6 dB。