雷达辐射源信号脉内特征分析

脉内特征提取是新型雷达辐射源信号识别的关键问题。本文提出一种新的雷达辐射源信号脉内特征提取和识别方法．将雷达辐射源脉冲信号的分形维数作为识别脉内调制方式的分类特征,这些特征包含了雷达辐射源信号幅度、频率和相位等的变化和分布信息,反映了雷达辐射源信号脉内调制规律,理论分析和仿真实验结果都证明了这些特征具有对噪声不敏感的良好特性．通过10种典型雷达辐射源信号的特征提取和分类识别的实验结果表明,本文所提取的脉内特征类间距离大、类内距离小、正确识别率高．证实了本文方法的有效性。     

基于三维特征的雷达信号脉内调制识别

针对低信噪比条件下雷达信号识别算法对噪声敏感的问题,提出了一种基于三维特征的雷达信号脉内调制识别算法。该方法通过提取信号的差分近似熵、调和平均分形盒维数和信息维数特征组成三维特征向量,使用遗传算法优化的BP神经网络分类器实现雷达信号的分类识别。仿真结果表明,所提取的三维特征在信噪比为-4~10 dB变化范围内具有较好的类内聚集度和类间分离度,可以实现对不同雷达信号进行识别,证实了该方法的有效性。     

基于调制谱图卷积神经网络的空中目标识别技术

雷达对空中目标的分类识别技术是雷达信号处理领域中的关键技术.目前大部分雷达目标识别方法通用性较差且对雷达具有较高的要求.针对该问题,提出一种将目标回波的周期性调制谱信息图像化后,基于卷积神经网络调制谱图处理的空中目标识别方法.目标调制谱图像通过卷积神经网络逐层变换自动学习到目标特征信息,最终通过分类器进行分类识别.该方法避免了传统人工拟定调制谱特征的方式,实现了端对端的空中目标识别方法.实验结果表明,基于调制谱图的卷积神经网络模型具有较高的空中目标识别准确率,且模型的鲁棒性和泛化能力较好.     

基于CNN-Swin Transformer Network的LPI雷达信号识别

针对在低信噪比(SNR)条件下,低截获概率雷达信号调制方式识别准确率低的问题,提出一种基于Transformer和卷积神经网络(CNN)的雷达信号识别方法。首先,引入Swin Transformer模型并在模型前端设计CNN特征提取层构建了CNN+Swin Transformer网络(CSTN),然后利用时频分析获取雷达信号的时频特征,对图像进行预处理后输入CSTN模型进行训练,由网络的底部到顶部不断提取图像更丰富的语义信息,最后通过Softmax分类器对六类不同调制方式信号进行分类识别。仿真实验表明：在SNR为-18 dB时,该方法对六类典型雷达信号的平均识别率达到了94.26%,证明了所提方法的可行性。     

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。     

基于Att-BiLSTM的雷达信号调制方式识别

识别雷达信号的调制方式有助于分析雷达的工作模式和目的,为及时采取恰当的应对措施提供依据。长短时记忆网络(Long Short-Term Memory, LSTM)深度学习模型在基于特征的调制方式识别领域中有着广泛应用,但LSTM模型的时间性能会随着输入数据规模的增大而下降。针对以上问题,文中提出了一种基于注意力机制的双向长短时记忆网络（Bidirectional Long Short-Term Memory, BiLSTM）的雷达信号调制方式识别算法。该算法通过BiLSTM提取信号原始数据的特征,再使用注意力机制为学习到的特征分配相应权重,最后由分类器根据学习到的特征输出分类结果。使用Python框架构建基于注意力机制的BiLSTM网络模型,以雷达辐射源信号特征仿真数据作为网络的输入和训练基础,实现对辐射源的调制方式的识别。结果表明,该模型在识别雷达信号的调制方式方面具有良好的效果。     

低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别

针对低信噪比条件下复杂多类雷达信号调制方式识别率低的问题，本文提出了一种基于时频分析和深度学习的雷达信号调制方式识别方法 .利用CTFD(Cohen class Time-Frequency Distribution)时频分析将信号时域波形变换为二维时频图像，更清晰地表征信号特征；采用灰度化和双三次插值运算等方法对时频图预处理，实现图像通道数和尺寸的减少，以降低深度学习模型数据输入量；进一步调整输入输出通道数构建小型EfficientNet网络，再由多个小型网络并行处理构建分裂网络EfficientNet-B0-Split3，将时频图像输入网络实现雷达信号调制方式识别.实验结果表明，在信噪比为-8 dB时，新方法对17类不同调制方式的雷达信号整体识别率可达97.1%，相对于扩张残差网络提高约2.4个百分点；在信噪比为-10 dB时，识别率可达92.1%，相对于EfficientNet提高约0.7个百分点，提升了低信噪比条件下复杂多类雷达信号调制方式识别率.     

基于脉内特征参数的雷达信号调制方式识别方法

研究了一种识别辐射源脉内调制方式的方法。该方法运用分形维数和相像系数作为辐射源信号的脉内特征,提出了基于模糊综合评估获取特征的基本概率赋值,然后运用D-S证据理论进行多脉冲数据融合,从而识别辐射源信号调制方式的方法。基于本方法的辐射源脉内调制方式识别方法通过仿真试验表明,其正确率高,具有一定应用价值。     

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.     

一种适应低信噪比的脉内识别算法

针对传统的雷达信号脉内调制类型在低信噪比下识别能力不高的局限性,提出一种改进的适应低信噪比的信号调制类型分类识别算法。该算法对雷达脉冲信号流进行时间和脉宽格子划分,对同一格子中脉冲信号采用一阶差分自相关函数法计算特征向量,根据特征向量值进行聚类统计分类。分类后对每组内脉冲信号进行平方处理,再次计算特征向量并进行聚类统计分类,选择每组内质量较好的脉冲信号进行调制类型识别,提高了信号分类识别正确率,通过仿真实验验证了该方法的有效性。     

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。     

无人机着舰引导信息处理方法研究

针对远距理想着舰轨迹摆动幅度较大使得无人机难以跟踪的问题,提出了曲线拟合的方法,针对着舰雷达近距引导失效或引导精度不高的问题提出了近距多天线测距定位法,最后提出了远近距切换的方法。对保障无人机安全着舰、提高无人机重复作战能力提供了前瞻性的理论依据。     

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。     

基于分数阶傅里叶变换的距离维超分辨方法

宽带雷达目标一维距离像是实现目标识别的重要依据,提高距离维的分辨率对提高目标识别概率非常重要。针对超宽带雷达运动目标回波,采用分数阶傅里叶变换算法(FrFT)搜索并补偿带宽内的多普勒差异,同时将距离维时延信息转换为频域信息,采用多重信号分类(MUSIC)超分辨算法,针对FrFT处理后的数据进行超分辨。该方法实现了距离维信息的超分辨,其性能较传统的脉冲压缩技术或"去斜"技术有显著提高,可以应用到目标识别与分类中,提高正确识别概率。采用计算机仿真验证了所给出算法的有效性。     

超视距空战中机载雷达的使用策略研究

分析了隐身作战对机载雷达使用的新要求以及机载火控雷达的主要性能特性。基于使用要求,提出一种选择雷达开启(辐射)时刻和开启地点的搜索算法,建立了机载雷达目标探测距离和目标截获距离的数学模型,雷达开启点优势函数、开启点优势判断及搜索步骤;最后完成了基于Matlab环境的仿真验证。     

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.     

多雷达距离测量空间定位方法及精度分析

针对影响雷达目标定位误差主要是测向系统误差,提出了一种基于多雷达距离测量空间定位方法,并对其定位的精度进行了分析。该方法基于ECEF坐标系,采用多部雷达对目标探测距离交汇的方法,直接计算目标的空间位置,只需要确定各雷达站的大地坐标,就可以给出目标的大地坐标,可以有效解决地球曲率所带来的坐标转换问题,并且不涉及高次方程组和多值解判断,也不涉及迭代初值计算。该定位系统不仅能得到很高的定位精度,同时,作用距离可以很远,能较好地解决多雷达距离测量交汇定位问题。     

面向地面时敏目标跟踪的多传感器智能切换技术

针对地面时敏目标跟踪问题,提出了一种多传感器组合的智能切换方案。首先结合可能的作战任务需求,对跟踪平台中多传感器集合进行初始配置。然后根据初始配置的传感器集合和不同传感器具有数据互补性的特点完成传感器分类组合。基于当前统计模型的机动目标跟踪算法,给出综合考虑目标跟踪精度和在线运算时间的多传感器组合智能切换目标函数,并计算每一传感器分类组合的目标函数值,同时根据目标函数值实现多传感器智能切换。最后,通过一个仿真实验验证了所提出的面向地面时敏目标跟踪的多传感器智能切换方法的有效性。