AdaBoost-NN在雷达信号识别中的应用

雷达信号识别是雷达侦察与对抗中的重要内容，也是其难点，现有的识别方法都不能取得让人非常满意的识别效果。AdaBoost即自适应Boosting算法，它可以提高任意给定分类器的分类精度。本文用AdaBoost提升神经网络并应用于雷达信号识别，并与几种现有的识别方法作了比较。实验结果表明，其识别准确率比文中所列的所有方法都要高。     

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。     

雷达信号识别效果的模糊综合评价研究

雷达辐射源识别是电子对抗情报系统中的关键技术之一,对其识别效果进行科学的评估是一项全新的课题。以往大多数学者评价雷达信号识别方法的好坏主要是比较识别率的高低。针对雷达辐射源识别效果评估指标单一等缺点,选取识别时间、识别率测试结果的均值和方差作为评估指标,将模糊综合评价法引入雷达辐射源识别效果的评估,提出基于模糊综合评价的雷达信号识别效果评估方法,并通过计算机仿真,对三种识别方法进行了评估实验,验证了该方法的可行性。     

基于数字告警接收机的雷达信号分选与识别方法研究

机载雷达告警接收机作为一种雷达侦察设备,主要用于对高威胁雷达目标进行识别和告警,而识别的前提是信号的分选。针对传统告警接收机普遍存在增批、虚警的问题,提出了基于数字雷达告警接收机的信号分选与识别方法,介绍了其工作流程和雷达信号的时域模型,对多通道雷达信号分选和识别实现方法进行了阐述,通过试验验证了该方法的有效性。     

基于专家系统的雷达识别方法

有别于传统的基于数据库的雷达识别方法,提出了一种基于专家系统的雷达识别方法,简要论述了其部件组成、工作过程及识别置信度融合算法。该方法对战争时期未知雷达信号属性识别具有特殊意义。     

基于优化算法的雷达辐射源信号识别方法及性能

针对基于支持向量机(SVM)的雷达辐射源信号识别方法中SVM模型参数对识别性能影响较大的问题,提出基于优化算法的雷达辐射源信号识别方法,并选择遗传算法、蚁群算法和粒子群算法三种典型的优化算法应用于新的识别方法进行优化识别.通过不同条件下计算机仿真实验,验证了新方法的有效性,并分析了三种典型优化算法在新方法中的综合性能,为对雷达辐射源信号进行更好的识别提供一定的依据.     

灰色关联分析法在常规脉冲雷达信号识别中的运用

在雷达对抗侦察过程中,雷达对抗侦察设备接收雷达信号的各参数容易受各种因素的干扰,影响系统对信号的识别。针对这种情况,提出了一种基于灰色关联分析法的常规脉冲雷达信号识别方法。该方法通过对满足一定容差要求但不与已知雷达信号完全匹配的侦收信号进行关联分析,计算并得出侦收信号与各相似雷达信号的灰色关联度,为进一步目标识别提供依据。     

基于KNN和雷达辐射源脉间参数的舰船目标个体识别方法

针对同型多目标位置接近无法有效区分的问题,提出了一种基于KNN和雷达辐射源脉间参数的舰船目标个体识别方法.根据雷达辐射源脉间参数计算待识别雷达信号与已识别雷达信号的参数关联度,若关联度小于阈值则认为是不同雷达,否则认为是同型雷达则利用最近邻分类算法通过计算待识别雷达目标位置点与已识别雷达目标历史航迹点的距离来判决待识别...     

相控阵雷达信号侦察及快速识别

根据相控阵雷达信号特征,提出了正确侦察和识别相控阵雷达信号的具体要求,分析了对稀疏脉冲探测和处理的3种方法,根据其扫描规律、数据变化率、脉冲数变换特性,提出了相应信号识别方法,最后,给出了相控阵雷达信号的快速识别技术。     

基于模糊匹配和神经网络的雷达辐射源识别技术

目前常用的雷达辐射源识别方法是数据库比较查询法．该方法实现简单,易于工程实践,但其识别效率取决于数据库的容量和质量．即对先验知识的依赖性强,缺少推理．灵活性差,特别是对于许多新体制雷达信号无法很好地识别。将利用模糊匹配和RBF神经网络两种算法,设计一种识别系统,该识别系统能够较好地识别复杂体制雷达信号,能应对目前雷达辐射源数据库不完善的实际情况。实验仿真表明,该识别系统具有较高的识别率,是一种可行的雷达辐射源识别方法。     

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。      

Asymboost-based fisher linear classifier for face recognition

When using AdaBoost to select discriminant features from some feature space （e.g. Gabor feature space） for face recognition, cascade structure is usually adopted to leverage the asymmetry in the distribution of positive and negative samples. Each node in the cascade structure is a classifier trained by AdaBoost with an asymmetric learning goal of high recognition rate but only moderate low false positive rate. One limitation of AdaBoost arises in the context of skewed example distribution and cascade classifiers： AdaBoost minimizes the classification error, which is not guaranteed to achieve the asymmetric node learning goal. In this paper, we propose to use the asymmetric AdaBoost （Asym-Boost） as a mechanism to address the asymmetric node learning goal. Moreover, the two parts of the selecting features and forming ensemble classifiers are decoupled, both of which occur simultaneously in AsymBoost and AdaBoost. Fisher Linear Discriminant Analysis （FLDA） is used on the selected features to learn a linear discriminant function that maximizes the separability of data among the different classes, which we think can improve the recognition performance. The proposed algorithm is demonstrated with face recognition using a Gabor based representation on the FERET database. Experimental results show that the proposed algorithm yields better recognition performance than AdaBoost itself.     

融合注意力机制的雷达欺骗干扰域适应识别方法

针对目前雷达欺骗干扰识别中常规特征识别方法应用受限和训练高性能深度学习模型需要的大量标注样本难以高效获取的问题,该文提出一种基于对抗域适应网络的雷达欺骗干扰识别方法,以改善标签限制;并融合注意力机制残差模块进一步提升识别精度。首先,对雷达接收信号进行时频变换后,应用基于对抗网络思想的域适应技术实现从标注源域样本到未标注目标域样本的迁移识别。其次,通过所设计的空间通道注意力残差模块使网络训练聚焦于时频图全局空间特征和高响应通道,以忽略时频图像中可迁移性低的区域抑制负迁移的产生。在不同源域与目标域雷达欺骗干扰数据集上的实验结果表明了该方法的可行性和有效性。     

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.     

基于混沌、多重分形理论的雷达信号分析和目标识别

本文旨在将混沌、多重分形的理论和方法引入雷达信号处理,分析雷达目标的混沌、分形特性,以有效进行雷达目标识别。文中统计了飞机目标回波信号的Lyapunov指数分布情况,并计算了其多重分形维数,然后在此基础上,利用ART2神经网络进行了飞机目标识别的研究,获得较高识别率。本文的研究表明,混沌、多重分形理论结合人工神经网络在目标特性和目标识别的研究中有着良好的应用前景。     

基于非平稳时间序列处理的雷达信号融合

本文提出一种基于非平稳时间序列处理的雷达信号融合方法,该方法利用时间序列对非平稳的目标雷达散射回波信号在频域进行建模预测,然后利用去卷积与子空间分析技术对两个子带雷达信号进行处理,最后融合成一个等效的宽带信号。仿真试验表明,本文所提出的方法可以提高目标成像分辨率,有利于目标的检测与识别。     

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。     

分布式相参雷达LFM宽带去斜参数估计方法

宽带分布式相参雷达技术能够有效提升目标测量精度和识别性能,具有重要的研究价值。针对现有雷达装备一般不具有同时对正负调频率宽带线性调频信号进行去斜处理的能力,即在接收相参合成阶段无法通过正负调频率宽带去斜方式获取宽带信号发射相参所需延时相位值的问题,该文利用单元雷达与目标之间存在延时差,将单元雷达发射的宽带线性调频信号等效为目标信号,对接收信号进行互相关处理获取发射相参合成所需的参数值,通过建模和仿真实现接收相参和发射相参合成处理,并对飞机目标进行1发2收相参探测试验,获得了理想的试验结果。该方法具有估计精度高、运算量小和时实性好的优势,可应用于分布式相参雷达工程实现。     

基于时频图像Zernike 矩特征的欺骗干扰识别

为了有效应对跟踪雷达的三种常见欺骗干扰,提出了一种基于平滑伪魏格纳-维尔分布时频图像的Zernike 矩特征的干扰识别方法。该方法对三种干扰下的雷达接收信号进行时频分析,运用数字图像处理技术对时频图像进行一系列的预处理后,通过Zernike 矩特征提取图像的细节特征组成特征向量进行分类识别。仿真实验证明:该方法有较高的识别率,特别是该方法受信噪比影响较小,能够有效降低噪声对干扰识别的影响,说明了采用图像识别方法对雷达欺骗干扰信号进行分类识别的可行性。通过与其他文献方法的比较,证明了该方法的优越性。     

海况对海面目标雷达回波的影响分析

海面自身随机多变的特性会对海面目标的雷达回波信号检测产生重要影响。文中利用分形方法对海面建模仿真, 模拟了五种不同的海况,基于雷达工作原理设计了一款雷达视频回波信号仿真软件,提高了仿真的逼真度和实时性。针对雷达散射截面(RCS)不同的舰船目标模拟仿真雷达回波,研究了海况对海面目标雷达回波的影响。结果表明:随海况等级的增加,海杂波噪声信号增强,RCS 相对较小目标的雷达回波会逐渐被海杂波淹没。海面目标雷达回波仿真软件既能用于分析海面及目标的电磁散射特性;同时,在目标检测与识别中会有重要应用价值。