雷达侦察数据的建模与仿真验证研究

针对雷达侦察数据是进行雷达信号分选和识别箅法研究的基础,在介绍雷达侦察设备对脉冲参数截获测量原理的基础上,分析了雷达信号的变化特征,进而提出脉宽-脉幅等参数之间的关系模型,建立雷达侦察数据中各脉冲参数和误差的数学模型,最后设计并实现雷达侦察数据仿真软件,利用非参数假设检验的方法对模型进行了仿真.仿真结果表明,模型可以较逼真的反映外场试验数据的变化特征,能够为综合电子信息系统的目标识别试验提供可靠仿真数据源.     

基于多舰协同侦察与信息融合的雷达识别

对雷达型号的识别一直是电子侦察情报系统的重要内容.为了提高单一平台侦察设备对雷达型号识别的可信度和准确率,这里采用协同侦察的思想,共享其他平台侦察的雷达辐射源信号.然后应用灰色关联方法对来自同一部雷达的辐射源信号进行相关处理,并对相关的雷达辐射源信号特征进行加权信息融合,以提高信号特征参数的精度;最后再对融合后的信号特征按最大相关准则,从雷达辐射源知识库中找出要协同识别的雷达型号.     

基于深度学习的无人机侦察图像目标识别

无人机侦察图像是获取战场情报信息的重要手段。针对侦察图像目标识别速度慢、效率不高等问题,笔者结合研究现状提出将深度学习应用到侦察图像目标识别领域。首先标注了一个地面主要武器装备数据集,然后在YOLOv3算法官方参数权重的基础上采用迁移学习的方法进行微调训练,最后使用训练好的模型进行目标识别。实验结果表明,基于深度学习的YOLOv3算法可以较好地实现无人机侦察图像目标识别,且可以满足实时性的要求。     

雷达侦察设备功能仿真数学模型

雷达侦察设备功能仿真是雷达对抗仿真中的基础并且是一门不断发展的仿真技术。该文在分析了目前存在的雷达侦察设备仿真模型不足的基础上，根据具体的应用环境，从工程应用的角度出发提出了一套简单实用的雷达侦察设备功能仿真的数学模型。该模型主要针对侦察设备的截获能力、测量能力和识别能力等功能／性能进行分析建模，共设计了雷达侦察设备噪声仿真模型、测量性能仿真模型、截获能力仿真模型和辐射源识别能力仿真模型四种模型。该仿真模型在基于HLA的雷达侦察设备仿真成员中得到了有效的验证和使用，为相关设计提供了有益的参考。     

基于灰色关联度神经网络的雷达型号识别模型

针对现代电子战对雷达目标信号的复杂性和残缺性以及实用雷达目标识别系统的健壮性和扩展性等要求,提出一种基于灰色关联度和BP神经网络的灰色神经网络识别模型.首先采用比较成熟的BP神经网络对侦察雷达目标信号进行粗分,识别出雷达的体制;然后把模板数据库中该体制的雷达标准数据作为比较序列,建立差异信息空间,再把观测的数据和比较序列进行灰关联度分析,得出其对应的关联度,从而识别出雷达的具体型号.仿真结果表明在对参数残缺或畸变以及新体制的雷达辐射源进行识别时,取得良好的效果.表明综合灰色神经网络对辐射源进行识别是完全可行的,并且可以提高识别率、可靠性.     

基于小波变换的人车目标特征提取算法

借助小波变换在时频分析上的优点,提取地面运动目标的回波信号特征在目标识别中加以应用.首先对目标的回波信号进行预处理,获取目标的瞬时多普勒频率信号,然后对该信号进行小波分解与重构,通过对特定频段的信号分析就可实现对运动目标周期性特征的提取.以在战场侦察雷达探测的人车目标识别中的应用为例,讲述该算法在人车目标识别中的特征提取过程,采用实际雷达回波数据对该特征提取算法进行验证,并对识别效果作分析.     

基于先验知识的目标平台识别方法

目标平台识别是雷达侦察任务中的一项重要内容。传统目标平台与辐射源识别结果关联方法未对目标配属辐射源的特征信息进行利用,存在着一定的模糊性。为此提出一种利用数据挖掘对辐射源与目标平台之间存在潜在关系进行挖掘的方法,并以此进行目标平台识别和可信度赋值。该方法实现简单,获得的结果可以直接参与多传感器融合的目标识别处理,具有较强的实用性。     

基于信息熵的目标平台识别方法

目标平台识别是雷达对抗侦察任务中的一项重要内容。现有的目标平台与辐射源识别结果关联方法未对目标配属辐射源的特征信息进行利用,存在着一定的模糊性。利用信息熵提取目标平台配属辐射源的特征信息,并以此对目标平台进行关联和可信度赋值。方法实现简单,获得的结果可以直接参与多传感器融合的目标识别处理,具有较强的实用性。     

电子侦察卫星信息获取及处理建模与仿真

电子侦察卫星是空间对地目标侦察的主要力量,可对地面雷达和通信信号进行侦测和定位.文章分析了电子侦察卫星的有效载荷雷达信号接收机侦察性能,利用随机理论、航天动力学原理和模糊匹配方法,建立了三类模型:信息源模型、信息获取模型和信息处理模型,用来进行雷达目标的产生、卫星的星下点、覆盖带计算、点的包含性检验、目标定位和目标类型判断.结合目标特性和电子侦察卫星侦察原理,设计了仿真流程,并对仿真结果进行了分析,针对其被动侦察的特性,给出了基本的对抗策略.     

基于TD-SCDMA的便携式侦察雷达情报传输系统

为了提高便携式战场侦察雷达情报传输的灵活性、机动性,提出了一种基于TD-SCDMA的便携式战场侦察雷达情报传输系统。该系统主要由TD-SCDMA收发单元、网络传输部分和雷达情报处理中心组成。TD-SCDMA收发单元负责数据传输,雷达情报处理中心主要接收各雷达送来的点迹、航迹及目标特征信息,并进行融合跟踪、综合识别处理。为保证该系统传输雷达情报的稳定性,设计了网络传输QoS自适应控制机制。系统性能分析表明,该传输系统能够满足情报数据实时性、可靠性、安全性的传输要求。     

用于七段码识别的BP网络中虚拟样本的生成

针对BP网络用于工业仪表识别中的泛化能力较差问题,根据七段码数显仪表的特点,采用模拟七段码码段重叠的方法,构造虚拟样本,并研究了包含虚拟样本的新训练集和不包含虚拟样本的原始训练集下BP网络的识别效果和泛化能力,发现了新训练样本集训练得到的BP网络对仪表上的七段码识别率与原始训练集训练得到的BP网络相比,识别效果较好,且泛化能力提高了。实验结果表明了该虚拟样本的构造方法的有效性和合理性。     

基于功率检测和选择性集成的无线MAC协议识别技术

通过检测无线网络的功率变化识别介质访问控制(Medium access control, MAC)协议在认知无线电和认知电子战领域具有重要意义。为提高识别能力,本文在现有特征的基础上,提出碰撞概率估计特征和Fisher统计量特征。针对识别目标的网络配置与训练样本不同时识别效果较差的问题,提出利用基于Q学习的选择性集成方法,从训练的多个基分类器中选择一部分组成分类系统,提高算法的泛化能力。利用OPNET仿真软件采集4种MAC协议的功率变化数据进行验证。实验结果表明,所提特征能够提升对不同MAC协议的区分度,当目标网络与训练网络的配置不同时,选择性集成方法的识别效果优于单分类器和全部集成方法。     

基于生成对抗网络的农作物叶片病害识别

当人们使用深度神经网络对图像进行分类时,通常需要大量的训练样本。然而,在实际工作中很难获得足够多的样本来保证神经网络的训练。为了解决这一问题,本文提出一种基于生成式对抗网络的识别方法。其主要思想是通过对现有的GAN网络模型进行改造后训练一个样本生成模型,然后利用神经网络对生成模型生成的数据集进行识别,最后利用迁移学习方法对具有真实数据的神经网络进行微调。为了验证该方法的有效性,本文使用5种作物的叶片进行验证(每个样本500片),其对植物叶片的有无病害识别精度可达90%以上。实验结果表明该方法能在少量样本时提高叶片的识别精度,具有很强的通用性。     

基于迁移学习策略的压板开关状态识别

为了实现变电站压板状态的自动巡检,提升变电站运行的可靠性和安全性,提出一种基于迁移学习策略的压板开关状态识别算法。首先利用Inception-V3在ImageNet数据集上进行目标检测训练出的网络参数,得到预训练模型,接着将训练后的瓶颈层特征参数提取至目标网络,作为目标压板开关图片数据集的特征提取器,而后构造基于粒子群优化的支持向量机算法完成压板开关状态的识别。通过与常用深度学习网络在学习效率和学习精度方面的实验结果进行对比,验证本文所提出算法的有效性和优越性,说明迁移学习结合卷积神经网络可以解决电力设备巡检中的小样本问题,提高压板开关状态识别精度和效率。     

改进的图半监督支持向量机用于P2P网络流识别

对于机器学习在P2P网络流识别中需要大量标记训练数据的问题,提出一种基于改进图半监督支持向量机的P2P流识别方法。采用自动调节的高斯核函数计算少量标识数据和大量未标识训练样本之间的相似距离以构建图模型,并在标记传播过程中嵌入训练样本局部分布信息以获取未标记样本的标识;在此基础上使用所有已标记样本对SVM训练实现P2P网络流识别。实验结果表明该方法能够兼顾整个训练样本集的信息,在提高SVM识别精度的同时,极大降低了人工标记训练样本的成本。     

面向微小振动故障诊断的匹配小波深度迁移学习

针对传统方法在微小振动故障诊断中存在的特征识别效率低和样本数量有限等问题,提出匹配小波深度模型迁移学习方法。首先利用Morse连续小波对一维故障信号进行匹配升维,捕捉微小变化,得到可视化强化特征图像;其次对深度迁移网络源域模型进行有效迁移,该模型具有高效的图像学习经验,可降低目标域训练样本数量;最后在模型迁移中根据有限数据进行流程的参数优化。实验证明,该方法泛化能力强,可对多工况下微小特征进行检测与定位,并有效减少对数据的依赖,能够极大提高运算速度和诊断精度。     

基于视觉感知特征的手机应用流量识别方法

由于大多数手机应用通过HTTP协议进行通信,传统的端口识别方法已经基本失效。另外,深度包检测和基于流统计特征的机器学习方法均存在手工设计特征和标记样本的困难。借鉴计算机视觉领域的优势,提出了一种基于视觉感知特征的手机应用流量识别方法。首先,将应用层载荷数据转换为视觉上有意义的图像,并从网络关口采集真实数据,建立了样本数据集IMTD17;然后,设计了具有视觉特征提取能力的卷积感知网络模型2D-CPN,利用卷积自编码实现了对大量无标记样本的学习,并通过多类型回归建立起从隐层特征到应用类型的映射。实验结果表明,该方法的流量识别准确率满足实际使用的需求。     

基于迁移学习的双层生成式对抗网络

在生成式对抗网络的对抗训练中,目标样本训练集不足会导致模型无法准确学习到对应的特征,但对于需要人工制作、标记的目标样本训练集又很难获取。针对这一问题,提出了基于迁移学习的双层生成式对抗网络模型,在第一层网络中通过伪目标样本让模型学习到目标样本在结构空间的大致分布后,利用迁移学习的思想进行模型迁移,并在第二层网络中根据少量目标样本进行调整。实验中,验证了该模型在中文字体生成与图片框架图转换中的提高,有效地在少量目标样本训练集中训练出更好的模型。     

Semisupervised Encrypted Traffic Identification Based on Auxiliary Classification Generative Adversarial Network

The rapidly increasing popularity of mobile devices has changed the methods with which people access various network services and increased network traffic markedly. Over the past few decades, network traffic identification has been a research hotspot in the field of network management and security monitoring. However, as more network services use encryption technology, network traffic identification faces many challenges. Although classic machine learning methods can solve many problems that cannot be solved by port- and payload-based methods, manually extract features that are frequently updated is time-consuming and labor-intensive. Deep learning has good automatic feature learning capabilities and is an ideal method for network traffic identification, particularly encrypted traffic identification; Existing recognition methods based on deep learning primarily use supervised learning methods and rely on many labeled samples. However, in real scenarios, labeled samples are often difficult to obtain. This paper adjusts the structure of the auxiliary classification generation adversarial network (ACGAN) so that it can use unlabeled samples for training, and use the wasserstein distance instead of the original cross entropy as the loss function to achieve semisupervised learning. Experimental results show that the identification accuracy of ISCX and USTC data sets using the proposed method yields markedly better performance when the number of labeled samples is small compared to that of convolutional neural network (CNN) based classifier.     

基于深度多源子域适应网络的滚动轴承跨域故障诊断

针对域适应技术在源域数据集子类距离过近以及样本数量少时分类精度低的问题,提出一种基于深度卷积生成对抗网络(DCGAN)数据扩充的深度多源子域适应网络(DMSAN)故障诊断方法.首先,针对目标域样本少的问题,引入深度卷积生成对抗网络对其进行数据扩充;其次,通过网络分支结构获取多源域的共享特征;再次,使用局部最大均值差异(LMMD)进行特征映射,对齐每个源域和目标域的子领域;最后,采用加权模块实现全局损失的最小化,以及多源域联合诊断.引入美国凯斯西储大学(CWRU)数据集和搭建故障诊断平台测得的轴承故障数据集进行实验,结果表明所提出模型的跨域故障诊断精度高于其他域适应对比模型,在目标域数据较少时优势尤为明显.