基于随机森林的雷达辐射源识别算法研究

为解决低信噪比条件下传统雷达辐射源识别准确性低、时效性差、稳健性不强的问题,提出了一种基于随机森林的雷达辐射源型号识别算法.算法以载频、脉宽、脉冲重复周期为识别特征向量,首先从先验样本集中随机抽取得到多个训练集,然后使用训练集构建多个决策树分类器,最后通过多个决策树分类器对新识别特征向量进行识别并投票得到最终识别结果....     

基于知识蒸馏与注意力图的雷达信号识别方法

针对传统雷达信号识别方法无法有效进行识别类型扩展问题,该文提出一种基于知识蒸馏与注意力图的雷达信号识别方法。首先将雷达信号的平滑伪Wigner-Ville分布(SPWVD)作为输入;然后设计了基于残差网络的增量学习网络结构,利用基于知识蒸馏与注意力图的损失函数,缓解类别增量过程中的灾难性遗忘;最后采用基于样本特征均值距离的方法对数据集进行管理,有效降低存储资源占用空间。实验表明,该方法能在存储资源有限的情况下,对扩展分类的信号快速完成训练,且对原有分类和扩展分类信号均有良好的识别准确率。     

一种稀缺样本条件下的雷达信号识别方法

针对复杂电磁环境下的辐射源精确识别问题，基于战场环境下雷达信号采集困难、 样本稀少的特点，以及相控阵雷达信号的特征，提出一种稀缺样本条件下基于迁移学习的雷达信号识别算法及其优化方法。该方法在识别稀缺样本目标时，训练时常短、识别准确度高，在-10 dB 条件下，对四种雷达信号进行识别，识别准确率可达 85.3%。     

基于谱特征与数据结合的辐射源个体识别技术

针对基于传统特征的个体识别算法难以满足实际需求，与仅靠数据驱动的神经网络识别方法所需数据量较大、针对性较差的问题，设计了一种基于谱特征与数据相结合的通信辐射源个体识别算法。文中方法结合先验知识对原始采样信号进行双谱和功率谱的谱特征提取，并将提取的特征与原始数据进行融合，得到更符合网络模式且具有信号意义的数据集。设计并行可分离卷积结构，得到针对辐射源个体识别的网络。通过实际采集信号对网络进行训练和测试以验证其有效性，实验得到采用文中方法的平均分类识别准确率为97%。     

基于GMM和神经网络的辐射源识别方法

针对基于截获雷达脉冲特征参数的辐射源识别问题,通过建立一个高斯混合模型(GMM),采用最大化期望(EM)方法对模型参数进行训练,构建了一个输入为截获雷达脉冲特征参数,输出为雷达辐射源类型的分类器。同时,为实现对分类识别性能对比,进一步提出基于神经网络方法构建雷达辐射源类型分类器。仿真试验结果表明,基于GMM和神经网络构建的两种分类器均能实现对雷达辐射源的在线识别,且当用于训练的样本比例不低于10%时,均能获得90%以上的分类正确率。     

雷达辐射源信号识别结果评估方法研究

针对雷达辐射源信号识别结果评价方法杂乱,指标单一等问题,提出一种新的信号识别结果评估体系结构,将识别率测试结果引入到雷达辐射源信号识别结果评估中,构建了基于识别率测试结果的雷达辐射源信号识别结果评估指标体系,建立了评估指标的层次结构模型,应用模糊综合评价法对识别结果进行评估,并对三种识别方法进行了计算机仿真评估实验,验证了新方法的可行性.     

基于脉冲样本图的雷达辐射源识别新技术

现代雷达信号体制越来越复杂,使得现有的雷达信号特征描述方式很难有效地对复杂体制辐射源进行描述分析。为解决复杂体制雷达辐射源的识别问题,文章提出了一种新的雷达信号描述方式——脉冲样本图,并设计了一种可以对其进行分类识别的BP(Back Propagation)网络。仿真实验表明该网络可以对脉冲样本图进行有效识别,为解决复杂体制雷达辐射源的识别提供了新思路。     

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.     

用于SVM的RCS统计特征集约减方法

传统的支持向量机分类算法对训练样本数目敏感且不具备增量学习的能力,而空间目标识别的工程应用需要积累样本进行大样本的增量学习。根据样本在特征空间分布,提取几何意义上边缘的样本点,成功约减了应用于支持向量机学习的基于雷达散射截面统计特征的训练样本集。利用中心距离比和特征空间多维高斯分布特性,分别提取两类边界样本集和单类边缘样本集;再采用直推式实验设计方法再采样,根据样本潜在结构分布信息选择最能代表样本集结构分布的高价值样本。实验结果表明：样本初选算法能够在有效约减样本集规模的同时保持支持向量机训练分类的精度。     

一种基于类融合向量的支持向量机及其在语音识别系统中的应用

支持向量机可以通过产生的支持向量来概括数据集合中的信息,其分类函数仅依赖于一小部分训练样本,即支持向量,这使得它对噪声数据非常敏感.本文采用数据融合的方法加以改进,提出了一种新的基于类融合向量的支持向量机,降低了对噪声数据和较大偏差值的敏感性,提高了算法的容噪性能,并成功地应用于语音识别系统中,取得了较好的效果.     

基于支持向量机的说话人辨认研究

支持向量机是统计学理论的一个重要的学习方法，也是解决模式识别问题的一个有力的工具，本文提出了用支持向量机来解决说话人辨认问题。结合语音信号的特点，解决了大数据量情况下支持向量机的训练问题。支持向量机对两类的分类问题有着突出的优势，本文用两种判决规则将两类问题应用到多类的识别问题。用支持向量机实现了一个与文本无关的说话人辨认系统，实验表明，本方法有良好的效果。     

A vector neural network for emitter identification

This paper proposes a three-layer vector neural network (VNN) with a supervised learning algorithm suitable for signal classification in general, and for emitter identification (EID) in particular. The VNN can accept interval-value input data as well as scalar input data. The input features of the EID problems include the radio frequency, pulse width, and pulse repetition interval of a received emitter signal. Since the values of these features vary in interval ranges in accordance with a specific radar emitter, the VNN is proposed to process interval-value data in the EID problem. In the training phase, the interval values of the three features are presented to the input nodes of VNN. A new vector-type backpropagation learning algorithm is derived from an error function defined by the VNN's actual output and the desired output indicating the correct emitter type of the corresponding feature intervals. The algorithm can tune the weights of VNN optimally to approximate the nonlinear mapping between a given training set of feature intervals and the corresponding set of desired emitter types. After training, the VNN can be used to identify the sensed scalar-value features from a real-time received emitter signal. A number of simulations are presented to demonstrate the effectiveness and identification capability of VNN, including the two-EID problem and the multi-EID problem with/without additive noise. The simulated results show that the proposed algorithm cannot only accelerate the convergence speed, but it can help avoid getting stuck in bad local minima and achieve higher classification rate.     

一种基于微波雷达回波信号的车型分类方法

车辆类型识别方法是智能交通系统的关键技术之一。利用深度学习的高维特征泛化学习能力,将改进的LeNet-5卷积神经网络用于基于交通微波雷达的大小车型分类识别。首先,以雷达触发前的N帧信号为基础,对雷达的回波信号进行分析并构建数据集;然后,分析LeNet-5卷积神经网络的特点;最后提出一种改进的LeNet-5卷积神经网络。实验结果表明,与传统的支持向量机方法相比,所提方法能够智能学习大小车的雷达时频信号特征,大小车型识别准确率达到97%以上,可为交通场景下的车型识别研究提供新的技术途径。     

基于包络指纹特征的辐射源分类识别技术

辐射源识别技术是当前电子侦察的重要研究方向。文中利用雷达模拟器的脉冲包络指纹特征,构建特征数据库,提出一种新的指纹特征向量匹配识别方法。该方法根据自适应评分机制,衡量不同特征向量之间的相似性,实现对辐射源脉冲的分类和识别处理。利用同型号雷达模拟器的外场实录数据,验证了该识别方法的有效性,分类性能优于传统的M-距离法。文中还定量分析了辐射源分类正确率与信噪比的关系,结果表明,分类正确率与SNR成正相关,当信噪比高于20 dB时,分类正确率超过95%。     

基于DAGSVM的雷达辐射源信号分选与识别

支持向量机具有较好的解决小样本、非线性问题的能力,而DAG算法具有分类精度高的优点。针对现有方法分选与识别准确率不高和对参数变换敏感的问题,在DAGSVM的基础上,提出一种新的雷达辐射源分选与识别方法。首先概述了支持向量机的原理及特点,然后完成了对SVM多分类器的设计,介绍了DAG算法,提出了基于DAGSVM的雷达辐射源信号分选与识别。并通过仿真实验分析了分类器对分选识别结果的影响。实验结果表明,使用DAGSVM这种方法是可行的,该方法具有较强的泛化性能,明显地提高了信号分选识别的准确性。     

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。     

雷达辐射源分类识别方法综述

阐述了雷达辐射源识别研究的必要性,详细介绍了现有雷达辐射源基本分类识别方法,系统梳理了现有分类识别技术的优缺点,合理分析了多、大且杂的电磁环境下雷达辐射源识别研究趋势,提出将深度学习与雷达辐射源识别全面结合,实现雷达辐射源识别智能化。     

基于主动学习的支持向量机算法

针对支持向量机（svM）模型不能有效处理海量数据挖掘的问题,提出一种改进的基于主动学习的支持向量机（AL_SVM）方法。该方法首先将训练集随机划分为多个独立同分布的子集,并选择其中一个子集作为初始训练集来训练SVM得到初始分类器和支持向量集,然后根据已经得到的分类器信息在剩余样本集中选择对于分类器改进作用最大的有价值样本。并与已得到的支持向量集合并构成新训练集,以更新分类器,从而在保留重要支持向量信息的前提下,去除大量不重要的支持向量,一定程度上避免了过学习问题,提高了学习效率。实验表明,AL_SVM方法能够在保持学习器泛化能力的同时提高其学习效率。