基于Choi-Williams时频图像特征的雷达辐射源识别

针对复杂体制雷达辐射源识别,提出一种基于Choi-Williams时频图像的雷达辐射源信号特征提取和识别方法,将信号识别转化为图像识别问题。首先对雷达辐射源信号进行Choi-Williams时频变换,将得到的时频图转化为灰度图像;然后采用一系列图像处理方法对时频图像进行增强和去噪,之后将灰度图像转化为二值图像,并剪切掉不含信号的图像区域;最后分别提取二值图像的中心矩和伪Zernike矩作为识别特征,并采用支持向量机分类器实现信号的分类识别。文中针对8种常见雷达信号识别进行了仿真实验,结果表明在较大的信噪比范围内,该方法能获得较为满意的识别率,其中当信噪比为-3dB时,采用伪Zernike矩特征平均识别率仍能达到92%,验证了所提出方法的有效性。     

基于混合核函数的雷达辐射源信号识别

针对单核函数支持向量机性能的局限性问题,提出将多项式核函数与高斯核函数构建成一种混合核函数支持向量机,并将其应用于雷达辐射源信号识别。将信号的常规参数与脉内特征参数作为输入特征,通过仿真实验,证明了算法的有效性,并比较了不同权值对于分选效果的影响。     

一种雷达辐射源信号分类新方法

针对复杂体制雷达辐射源信号分类问题,提出一种基于时频分析、图像处理和支持向量机的辐射源信号分类新方法.该方法将辐射源信号分类问题转换为图像处理及识别问题,先对辐射源信号进行时频分析,获得时频分布图,并将其转化为灰度图像并作归一化处理,再用支持向量机对处理后的图像进行分类.5种典型辐射源信号分类实验表明,该方法在信噪比高于2.5 dB时,平均正确分类率达92%以上.     

基于图像边缘小波矩和支持向量机的目标识别

小波矩结合了矩特征和小波特征,既反映了图像的全局性信息,又反映了图像的局域性信息,并且具有旋转、平移和缩放不变性.利用小波矩与支持向量机进行目标识别,不但解决了图像识别中特征量随图像旋转、平移和缩放而变化的问题,而且提高了对近似物体的识别能力,是解决小样本、近似图像识别的有效方法.     

基于自动机器学习流程优化的雷达辐射源信号识别

针对雷达辐射源信号识别课题中复杂的参数配置问题,从机器学习参数优化的研究入手,发现了一种基于树结构的机器学习流程优化方法,该方法利用遗传编程生成基于树结构的机器学习流程,并对其结构和参数进行进化,得到表现最佳的带参数的机器学习流程。该流程可以包括特征处理和建模的任意组合,实现对原始数据集的学习和识别。并与人工参数配制的一对一支持向量机在两种不同维度的雷达信号特征集上进行对比识别,相比之下,该方法无须繁琐的参数配置,最高准确率提高超过6%,证明该方法得到的基于树结构的机器学习流程有着明显的优势。     

基于不变矩和支持向量机的手势识别

选取Hu不变矩、手势轮廓的凹陷个数及其周长与面积比为手势识别的主要特征,采用了基于径向基核的SVM分类器进行0～9十种手势的识别。实验结果表明,在背景单一、光照情况良好条件下,该方法具有很高的识别率,并且简单快速。     

雷达辐射信号分类识别与特征提取

研究雷达信号提取和分类识别问题,雷达辐射源的有效分类识别是军事自动化控制和指挥系统的强烈需求.针对现代雷达体制下复杂信号的低截获特性,为了提高雷达辐射源信号的个体识别率,提出了一种新的分类识别方法.用小波包变换提取能反映信号脉冲无意调制特征的信号各频带能量,通过泛化能力和学习能力都很强的混合核函数支持向量机进行分类识别并进行仿真.仿真结果表明,识别效率提高,证明方法是有效和可行的,性能优于传统方法.     

基于不变矩特征及SVM的图像识别

该文提出了一种利用不变矩和支持向量机(SVM)对图像进行识别的方法。该方法提取图像的7个不变矩作为特征矢量,对得到的特征量应用支持向量机进行图像分类和识别。该文通过试验验证了此方法的有效性。     

基于稀疏表示的雷达辐射源信号级融合识别算法

针对现有融合识别算法难以兼顾信息完备性和节点通信数据量的问题,提出一种基于信号稀疏表示的雷达辐射源信号级融合识别算法。该方法将接收信号投影到稀疏域并进行压缩,从而在稀疏域完成融合,最后利用融合后的稀疏系数进行识别。该方法既降低了通信数据量,又较好地保证了信息的完整性。仿真实验表明,相对于单一传感器和决策级融合,所提出的方法可有效提高信号识别性能。     

基于粗糙集和灰关联理论的雷达辐射源信号识别研究

雷达辐射源信号通过射频、脉冲重复周期、脉宽、天线转速等属性来描述。然而这些属性并不是在每个雷达数据库中都对识别起作用,通过粗糙集理论对其属性进行约简和规则提取,并且确定各属性的权重。对于没有受污染或受污染程度较小的信号可以通过约简规则进行匹配识别,如果受污染程度较为严重或失真的信号或是由粗糙集约简得到多义的规则,则可以计算目标信号各属性与数据库中各信号各属性的灰关联度,并用粗糙集计算得到的各属性权重对各属性得到的关联系数进行加权求和,得到关联度最大者为识别结果。仿真结果表明,基于粗糙集和灰关联理论的雷达辐射源信号识别方法能够有效地缩减识别过程,得到满意的识别结果。     

基于小波变换的雷达信号调制类型识别方法

为适应复杂环境下雷达信号脉内分析的需要,提出一种脉内调制类型识别方法。基于Morlet小波变换提取信号小波脊线,根据瞬时频率和最佳尺度的关系得到时频曲线,基于时频曲线的形状识别脉内调制类型。构造时频分辨率调节函数,优化小波脊线提取过程,提出形状识别算法,达到提高识别准确率、降低计算量的目的。仿真结果表明,信噪比为3 dB时,该算法的识别准确率在98%以上,信噪比为1 dB时,识别准确率能达到70%以上。     

小波多分辨率分解的雷达视频压缩研究

由于雷达视频信号数据量非常巨大,在对雷达情报的传输和记录时都要求进行相应的数据压缩。依据雷达视频信号的特点和人眼的视觉特性,提出并详细分析了一种基于小波变换域的雷达视频信号压缩算法,并结合某型雷达信号记录仪采集的数据进行测试,验证结果表明,算法取得了较好的压缩效果,完全满足该雷达信号记录仪的需要。     

基于小波包分解与RVM的声发射信号识别

声发射信号识别目前已经成为检测大型储罐底板缺陷状况的普遍方法之一.针对现有声发射检测技术对原始信号的处理与分析方法的不足,对储罐底板腐蚀程度分类识别方法的不明确,基于小波包分解,对声发射传感器接收到的原始信号进行特征提取,得出了信号的特征向量,通过训练相关向量机,结合相关向量机模型对待测设备进行腐蚀类型归类识别,得出分析结论.应用该方法对大连某企业的储油罐进行实测数据检验,分析结论与储油罐实际状况相同,验证了该方法具有科学性与可行性,能够诊断大型储罐底板腐蚀状况的准确性和可靠性.     

一种基于多分类器融合的雷达辐射源识别方法

雷达辐射源识别传统方法只使用一个分类器进行分类,对于类别数较大、输入样本受噪声污染严重的情况很难获得好的识别效果.首先分析了雷达特定辐射源识别的可行性,分别提取信号的包络和双谱用来作为个体特征.然后将概率SVM引入雷达辐射源识别,得到分类识别的概率输出,并结合灰关联分析得到的灰关联度,采用D-S证据推理方法对两个分类器结果进行融合.仿真实验针对10种同类型雷达的脉冲数据,结果证明多分类器融合较之单个分类器能获得更高的识别率,提高了分类置信度.     

基于小波矩和SCNN的多目标图像识别

提出了将自组织竞争人工神经网络(SCNN)和小波矩结合进行图像旋转不变识别的新方法。SCNN可以克服反向传播神经网络(BPN)不易收敛、低效率等缺点,而且小波矩方法提取的图像不变矩特征具有很强的辨别力和抗噪性能。计算机模拟显示该方法使用简单、效率高,具有很好的研究价值。