一种有效的雷达信号快速识别方法

针对多种调制类型的雷达信号快速侦察识别成功率较低的问题,提出了基于瞬时频率特征提取的雷达信号快速识别新算法.首先,由短时傅里叶变换(STFT)得到信号每一部分的瞬时频率特征;其次,对得到的瞬时频率进行两次归一化分别得到各自特征值;最后,用层次决策方法对雷达信号进行分类识别.仿真实验结果证明该方法能有效识别各种雷达信号,在信噪比高于-3 dB时,各种脉内调制的识别成功率都达到90%以上.     

基于瞬时频率的脉内调制识别技术

雷达信号脉内调制识别是雷达侦察的一个重要内容,基于瞬时频率的识别技术可以实现对多种调制类型信号的识别及参数提取,该方法在一定信噪比条件下有较高的正确识别率,算法也较为简单,适合在雷达对抗侦察数字接收机上高速实现。     

基于瞬时频率的脉内调制识别技术

雷达信号脉内调制识别是雷达侦察的一个重要内容，基于瞬时频率的识别技术可以实现对多种调制类型信号的识别及参数提取，该方法在一定信噪比条件下有较高的正确识别率，算法也较为简单，适合在雷达对抗侦察数字接收机上高速实现。     

一种雷达信号类型识别方法

雷达信号脉内调制识别是雷达侦察的一个重要内容,基于瞬时频率的识别技术可以实现对多种调制类型信号的识别及参数提取,该方法在一定信噪比条件下有较高的正确识别率,算法也较为简单,适合在雷达对抗侦察数字接收机上高速实现,分析表明此方法是侦察雷达信号的有效手段。     

基于瞬时自相关算法的线性调频雷达信号脉内分析研究

估计线性调频信号的瞬时频率和调制参数,是进一步获得脉内特征并最终识别信号的基础。线性调频信号模型由软件编程产生,引入瑞利分布高斯谱模型来模拟背景杂波。提出采用小波包分析方法进行消噪处理,以瞬时自相关算法估计信号的瞬时频率,进而求出调制参数。瞬时自相关算法进行了滑动平均改进。计算机仿真实验得到瞬时自相关算法估计瞬时频率的...     

基于多参数联合判决的雷达信号调制特征识别

根据雷达辐射源信号的不同特性,提取其非线性相位方差、瞬时频率统计直方图、瞬时频率方差和相像系数等特征量,对单载频、线性调频、非线性调频、频率编码和相位编码等常用雷达辐射源信号调制形式进行多参数联合判决.仿真结果表明,该算法在低信噪比下,仍能够自动准确地识别雷达信号脉内特征.     

基于TMS320C6678的多个同时到达信号脉内调制类型识别

针对雷达信号脉内调制中的5类信号,提出了一种基于改进相位差分的脉内调制类型识别方法.首先,对信号进行滤波处理,并快速识别出单频脉冲;然后,对滤波后的信号相位差分得到瞬时频率,将瞬时频率等分成两段并利用最小二乘法线性拟合,提取两个参数识别出线性调频和双线性调频;其次,对去跳变后的瞬时频率再利用最小二乘线性拟合提取斜率参数识别出复合信号,对剩下的信号平方后计算3 dB带宽内谱线数是否唯一识别出二相编码信号.最后,基于TMS320C6678实现了5类共7个同时到达信号的调制类型识别.仿真分析表明,当信噪比高于0 dB时,5类信号的识别概率优于90％,硬件实验表明,7个同时到达信号的调制类型识别处理时间在87μs以内.     

瞬时频率雷达信号脉内调制识别技术

雷达信号的脉内调制识别是雷达侦察信号处理的重要组成部分。随着信号环境愈趋复杂,雷达信号调制识别难度越来越大。首先根据调频和调相两类信号3 d B带宽明显差异的特征,实现类间粗分类识别。继而基于改进瞬时自相关算法提取的信号瞬时频率,将FSK信号和PSK信号进行类内细分类识别。在不同的信噪比条件下,经过多次仿真实验验证,与传统算法相比,此新信号识别算法具有更高的效率和准确度。     

一种新的数字信号调制式盲识别算法

现有的调制识别算法多应用到信号的瞬时频率和瞬时相位信息,而瞬时频率和瞬时相位的提取需要载频、码元速率等先验信息,载频的偏差限制了其识别性能的进一步提高。基于此,提出了一种仅依靠信号瞬时幅度信息进行肓识别的新算法．该算法不需要任何先验信息,介绍了一种对MFSK和MPSK信号非常有效的瞬时频率的近似提取法,然后选择特征量对调制类型进行分类识别,最后进行计算机仿真,仿真结果表明该算法识别性能良好,对载频偏差不敏感,有着很好的稳定性。     

基于瞬时特征谱的联合特征调制识别算法

传统调制识别算法的识别效果受信号的信噪比、成型脉冲形状、采样率等参数影响,适用范围有限。为了提高对具有不同参数的信号的识别正确率,通过对数字调制信号的瞬时特征进行多阶变换,基于变换后的功率变化和分布信息,提出了一种基于瞬时特征谱的联合特征调制识别算法。该算法以集成学习器XGBoost对数据进行训练,能够适应不同条件下的信号数据,使其识别正确率得到明显提高。仿真结果显示了该方法的有效性。     

一种改进的脉内调制信号识别方法

针对低信噪比下传统方法识别雷达信号脉内调制类型准确率低的问题,提出一种有效的自动识别方法。基于时频原子分解提取雷达脉内调制特征,提出了一种融合差分进化与遗传算法优点的混合进化算法,进行最优原子搜索,从最优原子中提取出三种特征值并运用概率神经网络进行分类识别。仿真表明,该方法较差分进化算法有更高的搜索效率和更低的时间复杂度。在信噪比不低于-2dB时,该算法有90%的正确识别率。     

二维主分量分析的脉内调制识别算法研究

随着雷达信号脉内调制方法日趋复杂,单纯地利用时域或频域的算法来进行信号调制类型的识别已很难奏效.借助于雷达信号的时频分布图像,提出了一种在时频联合域上进行信号识别的新算法.首先揭示了时频分布图像中确实蕴含着信号调制类型的本质特征,然后详细阐述了利用二维主分量分析来提取时频分布图像特征参数的算法,最后对算法进行了仿真,并从识别率、算法复杂度以及硬件需求和训练时间3个角度进行了比较.结果表明,该算法提取的特征参数具有很好的鲁棒性,可以取得较高的识别率,同时可以降低硬件需求,缩短训练时间.     

基于时频分布图像和主分量分析的脉内调制识别算法研究

本文提出了一种利用模式识别中图像处理的方法来进行雷达脉内调制特征识别的新算法.通过对雷达信号时频分布图像进行二维小波分解,并对其进行主分量分析,获得每类雷达信号中的特征参数,构建相应的分类器,并利用此分类器对信号进行识别.仿真结果表明,利用信号的时频分布图像来进行信号识别是完全可行的,提取的特征参数具有很好的鲁棒性,具有较强的抗噪声能力,同时可以取得较高识别率.     

基于多重同步压缩变换的雷达辐射源分选识别

针对低信噪比条件下雷达信号分选识别算法识别率低且复杂度高的问题,提出了一种基于多重同步压缩变换(MSST)的雷达辐射源分选识别算法。首先通过MSST得到信号的时频图像矩阵;然后,对时频图像进行预处理,提取出时频图像的灰度共生矩阵纹理特征和Zernike矩特征;同时提取了信号的功率谱参数特征和平方谱统计特征,组成特征参数向量;最后利用支持向量机分类器实现了对雷达信号的自动分选识别。仿真结果表明,在信噪比为-2 dB时,该算法对9种雷达信号(CW、LFM、NLFM、BPSK、MPSK、Costas、LFM/BPSK、LFM/FSK和BPSK/FSK)的整体平均识别成功率大于96.5%。     

基于时频图像和高次频谱特征的雷达信号识别

针对低信噪比下雷达信号识别准确率较低的问题,提出了一种基于时频图像和高次频谱特征联合的雷达信号识别算法。该算法首先对信号采用Choi-Williams分布(Choi-Williams distribution,CWD)变换获取时频图像,接着对时频图预处理并用灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取纹理特征;然后利用对称Holder系数提取信号的高次频谱特征;再将纹理特征和高次频谱特征构成一组联合特征向量,最后通过支持向量机(support vector machine,SVM)实现雷达信号的分类识别。通过对8种典型雷达信号进行实验,结果表明本算法在信噪比为-8 dB时,不同信号的识别准确率能达到90%以上。     

一种有效的脉内特征分析算法

信号脉内特征分析技术对密集和复杂电磁环境中辐射源的分选和识别有着重要意义。从工程应用的角度出发,提出一种有效的脉内特征分析算法,将多阶相位差分计算得到的瞬时频率特征作为区分调频和调相信号的依据:通过逆序相乘法和瞬时频率直方图统计识别出线性调频和频率编码信号。通过倍频法进一步区分二相编码和四相编码信号,仿真试验表明:该算法在较低信噪比下对常见脉内调制信号具有较好的性能,运算量小,便于硬件实现。     

Frequency hopping modulation recognition based on time-frequency energy spectrum texture feature

For frequency hopping modulation identification,a novel method based on time-frequency energy spectrum texture feature was proposed.Firstly,the time-frequency diagram of the frequency hopping signal was obtained by smoothed pseudo Wigner-Ville distribution,and the background noise of the time-frequency diagram was removed by two-dimensional Wiener filtering to improve the resolution of the time-frequency diagram under low SNR conditions.Then,the connected-domain detection algorithm was used to extract the time-frequency energy spectrum of each hop signal and convert it into a time-frequency gray-scale image.The histogram statistical features and the gray-scale co-occurrence matrix feature were combined to form a 22-dimensional eigenvector.Finally,the feature set was trained,classified and identified by optimized support vector machine classifier.Simulation experiments show that the multi-dimensional feature vector extracted by the algorithm has strong representation ability and avoids the misjudgment caused by the similarity of single features.The average recognition accuracy of the six modulation methods of frequency hopping signals BPSK,QPSK,SDPSK,QASK,64QAM and GMSK is 91.4% under the condition of -4 dB SNR.     

线性调频步进信号雷达目标运动参数估计方法

针对目标运动对线性调频步进信号雷达成像的影响,提出一种基于时频分析的目标运动参数估计方法。对差频处理后的各簇回波信号进行快速傅里叶变换,利用变换后信号与子脉冲序列的线性调频关系,通过维格纳分布和Radon变换对目标不同时刻运动参数进行估计。结合二值数学形态学与图像边缘检测方法提高对多散射点目标运动参数估计的精度。在此基础上,针对目标可能出现的变速运动情况,利用最小二乘算法拟合整个成像时间内目标运动速度的变化,较好地实现对机动目标的运动参数估计。仿真实验验证了本文方法的有效性。     

基于神经网络与时域校验的信号分选方法

针对现有雷达信号预分选方法对参数捷变雷达信号分选准确率不高的技术难题,提出了一种基于深度学习算法的全连接神经网络与时域校验的雷达信号预分选方法。该方法首先提取雷达数据库中已知雷达信号的载频、脉宽和脉内调制信息作为单脉冲分选特征,使用全连接神经网络完成单脉冲的识别。为了避免神经网络将未在雷达数据库中的信号(未知雷达信号)识别为已知雷达信号,在神经网络的输出层中加入置信度神经元生成置信指数,将置信指数低于阈值的判定为未知雷达信号进行剔除。最后根据分选结果调用雷达数据库中对应的时域信息(脉冲重复间隔),进行时域校验,完成雷达信号预分选。仿真结果表明,该方法在不同信噪比环境下对参数捷变雷达信号有较高的分选准确率,并且能有效剔除未知雷达信号。