基于改进Choi-Williams分布的多分量信号频率识别方法

通过相关域内对短时信号模糊函数的分析,针对短时信号对Choi-Williams分布(CWD)的核函数进行了改进,提出对加窗信号运用改进后的CWD提取信号时频信息的方法。仿真实验表明陔方法对多分量信号具有较强的交叉项抑制能力,在提高了信噪比特性的同时,也减少了计算量。     

基于时频分布图像的辐射源特征提取及识别

新体制雷达在现代军事中得到越来越多的应用,如何提取这些新体制雷达的细微特征并用这些特征进行识别也成为一个迫切的问题。用Choi-Williams分布(CWD)对信号进行时频变换,然后基于这些信号时频变换图进行奇异值分解,提取信号特征,设计了根据这些特征进行识别的流程图,结合计算机仿真对该识别方法进行了深入的分析,得出该方法具有一定的适用性的结论。     

时相调制的循环相关匹配滤波技术研究

针对传统数字调制信号的边带衰减缓慢,造成频谱扩展问题,从相位突变调制出发,提出具有较快边带衰减特性的调制方式——时相调制(TPM)。提出以非平稳信号分析方法分析通信信号,并针对TPM调制的循环平稳特性,利用谱相关分析理论,给出TPM调制的循环相关匹配滤波设计方法,并进行了性能仿真分析。仿真结果表明:与传统匹配滤波方法相比较,循环相关匹配滤波方法能够充分利用TPM信号的循环平稳特性,可以有效提高TPM调制系统信息传输可靠性。     

时相调制信号的S变换和反变换性能分析

将S变换(ST)时频分析方法应用到时相调制(TPM)信号的分析和处理中。ST及其反变换(IST)分别有多种实现算法,这些算法组合的选择对TPM解调系统的性能有重要影响。在介绍ST和IST多种实现算法的基础上,仿真了TPM信号的ST和IST,对比分析了各种算法组合的性能。仿真结果表明:在恢复TPM信号波形方面,fST-fIST组合的性能最优,tST-tIST(mtIST)组合的性能次之,交叉算法组合的性能最差。所得结论为后续的TPM信号滤波和检测过程中ST和IST算法的选择提供了重要依据。     

基于时频分析的灵巧干扰特征研究

本文以雷达典型信号线性调频信号LFM(Linear Frequency Modulation)为研究对象,对卷积调制灵巧噪声干扰以及间歇采样循环转发干扰进行了原理分析并且进行了建模仿真,对每种干扰的效果进行了分析。并对每种干扰信号的时频域二维特征采用Choi-Williams分布进行研究,提取每种干扰有效地时频域特征,有利于研究灵巧干扰的对抗方法以及如何提高灵巧干扰的效果。     

基于循环谱理论的时相调制信号分析

针对传统数字调制信号频谱扩展问题,提出具有相位突变特性的时相调制(TPM)方式.基于循环谱理论对TPM已调信号的谱相关特性进行了详细的理论分析,计算机仿真实验验证了分析得到的结果,为TPM调制信号的干扰与噪声抑制提供了一种较好的非平稳信号处理方案.     

基于去噪卷积神经网络的雷达信号调制类型识别

针对低截获概率雷达(LPI)信号处理复杂,低信噪比条件下识别率低的问题,该文提出一种基于去噪卷积神经网络和Inception网络的信号分类识别系统。首先对8种LPI雷达信号进行Choi-Williams分布(CWD)时频变换,得到2维时频图像,然后使用去噪卷积神经网络进行时频图像去噪处理,最后将图像发送到Inception-V4网络进行特征提取,并使用softmax分类器进行分类,实现LPI雷达信号的有效分类识别。仿真结果表明,该方法在–10 dB信噪比(SNR)下,识别率仍然可以达到90%以上。     

基于稀疏编码的TPM通信噪声抑制分析

基于独立成分分析(ICA)时域滤波的时相调制(TPM)通信系统中的噪声干扰对系统性能有很大的影响。采用稀疏编码方法对TPM通信中的噪声进行抑制。首先对观测信号采用稀疏编码方法进行稀疏编码,然后对处理后的信号使用压缩方法处理,从而将ICA过程中对噪声所代表的小的变元值变小或置零,最终达到对噪声的削弱。仿真表明,稀疏编码方法对TPM通信中的噪声确实有较好的抑制,与不采用所提方法相比,大约有1 dB的系统误码性能提高。     

基于去噪卷积神经网络的雷达信号调制类型识别

针对低截获概率雷达(LPI)信号处理复杂,低信噪比条件下识别率低的问题,该文提出一种基于去噪卷积神经网络和Inception网络的信号分类识别系统.首先对8种LPI雷达信号进行Choi-Williams分布(CWD)时频变换,得到2维时频图像,然后使用去噪卷积神经网络进行时频图像去噪处理,最后将图像发送到Inception-V4网络进行特征提取,并使用softmax分类器进行分类,实现LPI雷达信号的有效分类识别.仿真结果表明,该方法在–10?dB信噪比(SNR)下,识别率仍然可以达到90％以上.     

基于多维特征的雷达信号脉内调制识别技术

为了在复杂信号环境下能够稳定、准确地识别出信号,使用Choi-Williams时频分布作为信号描述方式,选取信号时频图像特征、信号波形复杂度和瞬时量特征组成特征矢量输入到以支持向量机(SVM)为主分类器的组合分类器中得到信号类型,并估计出信号各项参数。仿真实验表明该算法性能优良,在低信噪比(SNR)与信号参数变化的情况下可以以较高的识别率得到稳定的识别结果。