基于多域特征融合学习的辐射源个体识别算法

现有的基于专家经验的特定辐射源个体识别（Specific Emitter Identification,SEI）方法和基于深度学习的SEI方法,通常在单一类型辐射源畸变存在的场景下性能较好,然而在多种辐射源畸变同时存在的复杂场景下表现较差。为此,提出一种基于多域特征融合学习的辐射源个体识别算法,将原始接收辐射源信号转换为I/Q眼图、矢量图和Hilbert-VMD时频谱图等多域信号表示作为网络输入,并结合神经网络进行多域特征融合提取。实验结果表明,与现有的基于专家经验的SEI算法或其他单一信号表示输入的基于深度学习的SEI算法相比,该算法在符号信噪比10 dB下的识别增益约10%。     

采用CNN-SSD的雷达HRRP小样本目标识别方法

雷达高分辨距离像非合作目标识别技术的发展主要受限于两个方面:一是由于非合作目标观测频率极低,导致带标签样本量严重不足,使非合作目标识别成为典型的小样本识别问题,这在学界依然是一个没有定论的开放性的热点和难点问题;二是现有的目标识别方法多基于完备数据集假设,使得其与非合作目标小样本目标识别问题严重失配.针对上述问题,对于...     

基于调频指数特征的通信辐射源个体识别

该文首次研究了通信辐射源个体特征对工作频率变化的鲁棒性。针对一类导频静噪的调频FM辐射源,提取调频指数Mf作为识别辐射源个体身份的特征。对4个实际调频辐射源信号样本的实验表明：在工作频率不变的条件下,Mf的精确估计值可以有效地对辐射源个体身份进行识别;在不同工作频率下,同一个辐射源的Mf值会发生较大变化,从而在一定程度上限制了该特征的应用。     

一种基于相位噪声的MIMO OFDM辐射源个体识别方法

对MIMO OFDM发射机进行分类识别时,针对现有方法识别正确率较低的不足,提出一种基于相位噪声的MIMO OFDM辐射源个体识别方法.首先,对由相位噪声导致的共同相位误差(Common Phase Error,CPE)进行估计;其次,提取CPE的方差和星座点错误矢量平均功率作为指纹特征并进行特征融合;最后,使用支持向...     

小样本场景下的强化学习研究综述

根据小样本问题背景,将小样本场景分成两类,第一类场景追求更专业的性能,第二类场景追求更通用的性能. 一般在知识泛化过程中,不同的场景对知识载体的需求有着明显的倾向性. 针对小样本学习方法,以知识载体的角度,将其分为使用过程性知识的方法和使用陈述性知识的方法,再讨论该分类下的小样本强化学习算法. 最后,从理论和应用等方面提出了可能的发展方向,以期为后续研究提供参考.     

基于卷积原型网络的通信辐射源个体开集识别方法

针对通信辐射源个体开集识别问题,提出一种基于卷积原型网络的辐射源个体开集识别方法。将接收到的信号进行信噪比估计并处理为灰度矢量图输入至卷积原型网络计算出特征点。分析不同损失函数和判决准则,选取三维原型的特征提取层、DCE作为损失函数、DR作为判决准则的开集识别模型。对该方法进行了仿真实验,结果表明,该方法在开集识别场景下比传统CNN预测概率更有优势,归一化准确率提升约20%,证明该方法的有效性。     

基于受限样本的深度学习综述与思考

深度学习目前依靠大数据和强算力取得了较大进展,但在样本受限情况下的表现差强人意,主要问题在于函数空间(簇)的建构和在数据集受限情况下算法的设计。据此,本文对受限样本下的深度学习进行了分类综述。另外,从目前对大脑的研究来看,人的认知过程在大脑中是分区域的,每个区域担负的功能是不同的,对每个区域功能的学习过程也应该是有差异的。因此,提出了“功能进阶”式的深度学习的设想,试图构建分区分层多种功能模块组成的网络结构,研究“进阶”式的功能模块训练方法,以期探求“仿人学习”的新路径。     

基于深度学习的通信辐射源调制样式识别方法

针对自动调制分类中通信辐射源调制方式识别率低问题,提出了一种基于短时傅里叶变换(STFT)和卷积神经网络(CNN)结合的方法.该方法首先对通信辐射源信号进行小波阈值降噪,去除混在信号中的高斯白噪声;然后经过短时傅里叶变换,将一维时域信号变换成二维时频域图像,利用临近插值法降维;将时频图输入卷积神经网络进行训练,通过对超参数的选取,得到优化的卷积神经网络;最后采用softmax函数给出识别结果.仿真结果表明,当信噪比(SNR)为0 dB时,利用本文识别方法的宏平均值达到0.874以上,其性能显著优于传统方法.     

通信辐射源瞬态特征提取和个体识别方法

通信信号的个体识别是近年来非合作通信领域一个重要研究课题．根据瞬态信号的非线性特征,采用递归图的分析方法提取瞬态信号的起始时刻,然后采用小波变换进行特征提取,在此基础上采用遗传算法挑选出分辨能力强的特征,利用支持向量机分类器实现对通信辐射源信号的个体识别．实验结果表明该方法用较少的特征获得较高的正确识别率,正确识别率大于90％．     

元学习框架下基于圆损失度量的行人重识别模型

提出一种元学习框架下基于圆损失度量的行人重识别模型,以元学习的方式对行人重识别问题进行建模,同时使用改进的圆损失进行度量学习,改善样本之间距离的 自适应优化效果.首先,构建基于元度量学习的模型学习过程,按照逐个子任务的学习方式,在子任务中划分查询样本和支持集样本,将样本映射到向量空间.其次,在向量空间中计算查询样本与支...     

浮空器主缆绳表面的小样本学习缺陷检测研究

针对浮空器主缆绳表面缺陷样本获取困难的特点,提出一种小样本度量学习方法来检测主缆绳的表面缺陷。小样本学习由特征编码和度量两模块组成,特征编码模块采用预训练的卷积神经网络在通用图像集上提取样本特征,度量模块用来度量与未知类别样本最相似的样本从而完成缺陷种类的分类;由于辅助数据和检测数据差异较大,将微调策略引入小样本学习方...     

基于多学习单元卷积神经网络的雷达辐射源信号识别

现有基于人工提取特征的复杂体制雷达辐射源信号识别方法时效性低,识别准确率不佳. 为此,提出了一种基于多学习单元卷积神经网络的识别方法. 首先对辐射源信号的模糊函数进行高斯平滑,以校正噪声带来的毛刺与畸变;然后提取其正交切片作为进一步的特征提取对象;最后构建多学习单元卷积神经网络,学习和提取正交切片深层、泛在的特征,并通过softmax分类器进行分类识别. 仿真实验结果表明,所提方法在信噪比为-2 dB时对6类典型雷达信号的整体平均识别率均保持在99.86%以上,即便是在-6 dB环境中,雷达信号的识别率也可达到88.50%,在极低信噪比条件下具有良好的性能和可行性.     

模糊神经网络的舰载雷达辐射源识别方法

采用模糊神经网络方法,对舰载雷达辐射源进行识别,将模糊系统确定模糊推理规则以及如何推理决策作为黑盒子,只需给出模糊化的输入,即可得到决策输出．该方法具有简捷方便、快速、准确的优点,特别适用于复杂的识别问题。     

基于条件证据理论的雷达辐射源识别方法

基于观测证据与先验信息和谐的思想。利用条件证据理论。提出了一种融合先验信息的雷达辐射源识别方法，首先将雷达辐射源观测数据通过灰关联分析表示为D-S数据的随机集形式。然后计算观测证据与先验知识之间的和谐度。最后利用条件证据理论将需要融合的证据进行组合，该方法可在复杂战场环境下充分利用不同来源的信息，提高雷达识别的可靠性。     

基于稳态循环谱特征的通信辐射源识别方法

为实现低信噪比环境下多种通信辐射源的高精度识别,提出了一种基于稳态循环谱特征的通信辐射源识别方法,利用循环谱频域截面谱对高斯噪声的强鲁棒性,提取不同辐射源成形滤波器间的本征差异进行识别.首先对接收到的稳态信号提取循环谱频域截面谱并利用主成分分析方法降维,之后分别采用皮尔逊相关系数法、概率神经网络、弗雷歇距离法等判决方法进行辐射源类别判决.仿真实验显示,该特征使用概率神经网络判决和皮尔逊相关系数法判决,显著优于传统循环频率域的切片特征,证明有一定应用价值.     

基于模糊函数零点切片特征优化的辐射源个体识别

针对模糊函数核函数优化法的计算问题和核点排序的不稳定性,提出了一种新的辐射源个体识别算法．首先抽取模糊函数零点切片作为中间特征,继而设计了直接判别比准则来指导核点优化．零点切片特征优化法不仅显著提高了识别性能,而且保留了辐射源信号最具鉴别力的个体特征,避免了在模糊函数全平面进行参数优化带来的内存溢出问题．对美国海军实验室雷达数据和实测雷达辐射源数据的实验均验证了所提方法的可行性和有效性．     

基于逆云模型的雷达辐射源识别方法

针对由于噪声环境造成的雷达辐射源不能正确识别的问题,提出了一种新的基于逆云模型的雷达辐射源识别方法。该方法首先构建了更符合实际的含有噪声数据的雷达辐射源数据库,利用逆云模型求出数据库中雷达辐射源各属性的云数字特征,给出了基于属性相似度的识别权重确定方法,并构建了基于云模型和属性相似度的雷达辐射源分类器。仿真实验证明,该方法可以更好地处理由于噪声环境引起的随机性和模糊性,能在恶劣噪声环境下有效地进行雷达辐射源识别。     

不完备信息系统的辐射源识别方法研究

该文将粗糙集理论引入不完备信息系统下的辐射源识别。基于粗糙集理论,给出了一种新的不完备信息系统下辐射源识别模型。该方法以相似关系、相容关系作为基础,通过知识约简和决策规则的提取,较好地解决了不完备信息系统的辐射源识别问题。以雷达辐射源用途识别为例给出实例分析,说明了该模型处理不完备信息识别问题的有效性。