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。     

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%。     

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％．     

雷达辐射源模糊识别算法改进

改进了复杂电磁环境下雷达辐射源模糊识别算法。改进算法通过证据组合对模糊隶属度进行融合,很好地解决了识别中的不确定性,错误的识别结果经过融合后得到去除。采用最优隶属准则进行雷达辐射源类别决策,融合后的辐射源正确识别率得到明显提高。仿真结果及对比实验表明,相比于模糊识别算法,信噪比不小于0dB时,改进算法的正确识别率大于90%。     

雷达辐射源自动识别的设计与实现

针对基于五大常规参数的传统雷达辐射源识别方法的局限性,提出关于方位角稀释后的脉冲串波形数据的雷达辐射源自动识别方法.该方法通过对脉冲串波形数据的波形调理与脉冲分离、脉内特征参数提取、信号调制类型识别、脉冲归类和所属雷达辐射源识别等环节的设计研究,完成雷达辐射源自动识别系统架构的工程实现.采用模拟数据测试结果表明,基于该方法设计的系统识别速度快、准确率高,可为雷达对抗侦察设备的改进提供重要参考.     

基于面向对象模糊特征类库的特征识别模型的研究

运用模糊数学的原理，将面向对象模糊特征类思想引入特征建模领域，在此基础上，提出了面向对象模糊特征类库的特征建模思想和特征模糊识别的理论路线，并举出应用实例进行说明。     

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.     

基于复数域上元度量学习的小样本辐射源个体识别方法

当带标签样本数较少时,现有的基于深度学习的辐射源个体识别方法,识别性能退化。针对上述问题,提出一种基于复数域上元度量学习的小样本辐射源个体识别方法。该方法将元学习中基于度量的方法与复数神经网络结合,设计嵌入模块,在小样本条件下更充分地学习辐射源复信号波形中隐藏的个体指纹信息,提升识别精度。仿真实验结果表明,提出的复原型网络、复匹配网络和复关系网络,与它们的实数域形式相比,识别准确率均得到了提升,且其中性能最好的是复关系网络。复关系网络在5类待识别辐射源个体分别仅有5个带标签样本(5-way5-shot)的情况下,20 dB信噪比条件下的识别准确率达到了85%。     

基于模糊函数切片和 FrFT 的快速 LFM 信号参数估计

RAT（Radon-Ambiguity Transform）和FrFT（Fractional Fourier Transform）被广泛应用于线性调频（LFM）信号的参数估计。针对RAT调频斜率估计时的全角度域搜索和FrFT参数估计时的两维搜索导致计算量增加的问题,提出了一种快速LFM信号参数估计方法。采用模糊函数（Ambiguity Function）切片和RAT相结合的方法快速估计调频斜率,并以此确定最优分数阶变换阶数,然后利用一次FrFT实现LFM信号的剩余参数估计。理论分析和实验仿真表明了该方法的有效性。     

基于遗传算法优化的模糊神经网络车型识别

针对模糊神经网络中的隶属函数构造和推理规则建立两个难点,提出一种改进的遗传算法完成了隶属函数的自动生成和模糊规则的自动提取。其中采用的动态高斯变异算子,确保了进化初期有效地搜索解空间,进化后期则具有局部精确搜索的性能,提高了收敛速度,得到了精简稳定的模糊神经网络模型,并将其应用到客车车型的自动识别中,结果显示了该方法的有效性。     

Radar emitter signal recognition based on multi-scale wavelet entropy and feature weighting

In modern electromagnetic environment, radar emitter signal recognition is an important research topic. On the basis of multi-resolution wavelet analysis, an adaptive radar emitter signal recognition method based on multi-scale wavelet entropy feature extraction and feature weighting was proposed. With the only priori knowledge of signal to noise ratio（SNR）, the method of extracting multi-scale wavelet entropy features of wavelet coefficients from different received signals were combined with calculating uneven weight factor and stability weight factor of the extracted multi-dimensional characteristics. Radar emitter signals of different modulation types and different parameters modulated were recognized through feature weighting and feature fusion. Theoretical analysis and simulation results show that the presented algorithm has a high recognition rate. Additionally, when the SNR is greater than-4 d B, the correct recognition rate is higher than 93%. Hence, the proposed algorithm has great application value.     

Specific radar emitter identification using multiset canonical correlation analysis

In order to improve the performance of a specific radar emitter recognition system, a novel framework based on Multiset Canonical Correlation Analysis (MCCA) is proposed. It extracts the Doppler cuts of the ambiguity function (AF) of each radar signal as the initial feature set and employs MCCA to perform feature fusion and redundancy reduction in such a set. By using label information, the further developed Multiset Discriminant Canonical Correlation Analysis (MDCCA) achieves competitive performance while retaining the low order of canonical vectors. Thanks to the direct fusion strategy, the proposed scheme not only avoids the uncertainty in determining the optimal cut of AF in previous methods, but also extends the conventional CCA, which can only deal with two sets of feature vectors, to the multiset version. Experiments on real radar emitter data demonstrate the effectiveness of the proposed methods.     

雷达辐射源识别技术研究进展

雷达辐射源识别技术是雷达对抗侦察系统中的关键技术之一,是雷达对抗信息处理研究的重要内容。鉴于特征提取和分类识别是雷达辐射源识别的两大关键技术,综述了这两个关键技术的研究进展,从理论上分析了当前研究现状下存在的问题,并对未来的研究进行了展望,为进一步研究雷达辐射源识别技术提供了参考。     

Application of ambiguity function to ultrasonic signal recognition

The ambiguity function (AF) is proposed to represent the ultrasonic signal for its modulus’ independence of time shift and frequency shift, which avoids the effect of center frequency and arriving time of the ultrasonic signal on feature extraction. Moreover, the K-L transform is considered to extract features from the ambiguity plane, and the effect of signals to noises on validity of ambiguity features is analyzed. Furthermore, we discuss the performance of recognizing ultrasonic signals at different center frequencies and different arriving time based on ambiguity features. Experimental results show that the features extracted by the K-L transform (KLT) are immune to noises, and can recognize ultrasonic signals effectively in a lower dimensional space.     

特定辐射源识别的信息论描述

为对特定辐射源识别技术进行数学理论描述,引入了信息论对特定辐射源识别过程进行建模,设计了互信息计算算法以评估特定辐射源识别的理论极限性能,并采用信息论对特定辐射源识别的系统设计进行指导,提出依据互信息度量提取非参数特征实现特定辐射源识别.在实验和仿真中根据互信息描述对接收机畸变的影响和特征提取算法的性能进行了评估,表明了特定辐射源识别信息论描述的有效性和非参数特征的可行性.     

基于蚁群算法的行为识别特征优选方法

为了降低特征冗余,提高移动用户行为识别的准确率,提出一种基于蚁群算法的移动用户行为识别加速度信号特征优选方法。首先对样本数据进行预处理,根据特征对不同行为的分类敏感度进行初次优选,降低特征搜索空间的维度;然后利用蚁群算法结合神经网络分类器,以特征的分类准确度为评价准则对特征集合进行了二次优选。实验结果表明,该方法优选出的特征集具有较好的识别性能。     

基于特征融合的水下目标识别方法

针对传统Hu氏不变矩易受摄像头径向畸变影响造成水下目标识别率低的问题,提出一种基于改进的Hu氏不变矩提取形状特征的方法,该方法依据摄像头的径向畸变模型重新恢复目标像素坐标与其灰度值的映射关系,构造出新的具有平移、缩放和旋转不变形的形状特征向量.同时为消除形状特征向量信息间的冗余问题,根据相关向量线性组合不改变向量自身性...     

基于LBP层次特征的表情识别算法

提出了一种基于LBP层次特征提取的表情识别算法.将图像分成许多子块,并从子块中提取面部运动单元信息来组成基于面部运动单元的表情成分特征,对人脸图像的眼睛和口部作粗定位.采用局部二值模式(LBP)的层次特征提取法,对图像进行分块操作,求出每个子块的LBP直方图,然后将基于整体特征得到的LBP直方图与基于局部特征得到的LBP直方图连接起来,作为整幅图像的LBP直方图.将层次特征提取法所提取的LBP直方图作为嵌入式隐马尔可夫模型(EHMM)的初始向量,即形成观察序列.对JAFFE人脸库中的7种基本表情进行了测试,结果表明该方法能有效提高表情识别率.