基于深度学习的雷达信号目标识别方法研究

雷达信号目标识别是智能感知领域的重要研究方向。传统方法在处理复杂场景和多目标识别时存在局限性,而深度学习方法以其强大的表达能力和自适应性在雷达信号目标识别中展现出巨大潜力。文章通过综合分析深度学习在雷达信号目标识别中的应用,探讨了数据预处理、深度学习模型选择、目标检测和分类方法、目标跟踪和预测方法以及深度学习与传统方法的融合策略等关键问题,重点讨论了深度学习模型的优化和改进方法。     

基于数字告警接收机的雷达信号分选与识别方法研究

机载雷达告警接收机作为一种雷达侦察设备,主要用于对高威胁雷达目标进行识别和告警,而识别的前提是信号的分选。针对传统告警接收机普遍存在增批、虚警的问题,提出了基于数字雷达告警接收机的信号分选与识别方法,介绍了其工作流程和雷达信号的时域模型,对多通道雷达信号分选和识别实现方法进行了阐述,通过试验验证了该方法的有效性。     

一种基于Spectrum原子的雷达辐射源信号识别方法

为了提高雷达辐射源信号的正确识别率以满足现代电子对抗的需求,该文提出了一种新的雷达辐射源信号识别方法。在过完备多尺度Spectrum原子库基础上,采用匹配追踪(MP)方法对信号进行原子分解,并通过FFT降低MP搜索过程的时间复杂性,在此基础上,对本征Spectrum原子参数进行有效降维,提取具有分类意义的原子特征向量,同步实现信号的自动分类和参数估计。实验结果表明,该方法在低信噪比环境下不仅可以获得高的信号类别正确识别率,同时具有准确的参数估计结果,证实了所提出方法的有效性。     

基于多特征参数的雷达信号调制方式识别方法

提出一种以盒维数、信息维数、相像系数为分类特征识别雷达信号调制方式的方法.这些特征包含了信号的幅度、频率、相位、整体走势(或者轮廓)、波形复杂度和不规则度的细节信息,集中体现了不同调制方式的差异.同时,利用特征自身的类内距离小、类间距离大的特点先聚类分离部分调制方式,最后通过基于粗集的支持向量机分类器进一步分类识别.通过4种典型雷达辐射源信号的特征提取与分类识别的仿真试验,表明基于本方法的调制信号识别正确率高,具有一定的工程应用价值.     

基于支持向量机的相控阵雷达信号识别方法

在分析支持向量机识别原理和相控阵雷达信号特点的基础上,确定了用于分类识别的雷达特征参数,并给出了采用支持向量机来实现相控阵雷达信号识别的具体方法。仿真结果表明,使用一对一算法和多项式核函数的支持向量机分类器的方法对相控阵雷达信号的识别效果较好。     

以贴近度为基础的雷达信号个体识别方法研究

经济社会的腾飞发展,也带动了科学信息技术的进步.雷达就是运用无线电技术来实现信息存储的,因此雷达又称作是“无线电定位”.近年来,国家加深加快了对雷达信号的探索,雷达信号的个体识别更是作为重点课题进行研究.以贴近度为标准的雷达辐射源个体识别技术,最关键的是雷达“指纹”特征数据的选取、高精度测量以及识别算法.本文就将从雷达辐射源个体识别的信号概念,分析贴近度对于雷达信号的重要性,展开雷达信号个体识别方法的研究.     

基于D—S推理的雷达信号模糊识别方法

提出了一种将D－S证据理论与模糊理论组合应用的方法用于雷达信号的识别，通过对信号的积累和对信任度（模糊隶属度）的重新分配，有效地解决了雷达信号的不确定性问题以及如何利用信号在时间上的冗余信息问题，提出了信号的正确识别率。并用仿真实验和正确识别率的统计结果验证了这种方法的适用性。     

基于Pearson相关性的雷达交叠信号识别

针对复杂电磁环境下多部雷达同时到达信号频域交叠时难以分选识别的问题,分析了信号交叠对于雷达信号识别模块性能的影响;在此基础上面向识别需求,基于Pearson算法研究了交叠信号分选的处理方法。从信息论视角来说,两个信号脉冲波形相关性越弱,则其所表达的信息量越大,特征相关度越低。在信号脉冲数一定时,基于Pearson算法可以选择相关性较弱的信号脉冲载波,以削弱同时信号交叠的影响。通过实验,发现利用选择后的弱相关信号脉冲载波特征来表达信号特性,能有效降低数据维度,尽可能减少信息丢失,有利于达到鲁棒的识别效果,因此该方法可为同时到达信号交叠下的信号识别提供有效途径参考。     

基于优化算法的雷达辐射源信号识别方法及性能

针对基于支持向量机(SVM)的雷达辐射源信号识别方法中SVM模型参数对识别性能影响较大的问题,提出基于优化算法的雷达辐射源信号识别方法,并选择遗传算法、蚁群算法和粒子群算法三种典型的优化算法应用于新的识别方法进行优化识别.通过不同条件下计算机仿真实验,验证了新方法的有效性,并分析了三种典型优化算法在新方法中的综合性能,为对雷达辐射源信号进行更好的识别提供一定的依据.     

基于脉冲样本图的雷达辐射源识别方法

雷达辐射源识别是雷达对抗侦察信号处理的关键环节。由于现代雷达体制日益复杂,传统的辐射源识别方法面临着越来越严峻的问题。因此针对这种情况,提出了一种基于脉冲样本图雷达辐射源识别算法。这种算法无需对相互叠加的雷达辐射源信号进行完全分选,并且不需要进行传统识别方法中的特征提取过程,简化了处理环节。在脉冲流密度适中的情况下,该算法具有很好的判别准确率。仿真结果验证了该方法的可行性和实用性。     

融合注意力机制的雷达欺骗干扰域适应识别方法

针对目前雷达欺骗干扰识别中常规特征识别方法应用受限和训练高性能深度学习模型需要的大量标注样本难以高效获取的问题,该文提出一种基于对抗域适应网络的雷达欺骗干扰识别方法,以改善标签限制;并融合注意力机制残差模块进一步提升识别精度。首先,对雷达接收信号进行时频变换后,应用基于对抗网络思想的域适应技术实现从标注源域样本到未标注目标域样本的迁移识别。其次,通过所设计的空间通道注意力残差模块使网络训练聚焦于时频图全局空间特征和高响应通道,以忽略时频图像中可迁移性低的区域抑制负迁移的产生。在不同源域与目标域雷达欺骗干扰数据集上的实验结果表明了该方法的可行性和有效性。     

雷达信号识别的GANN方法

利用神经网络方法进行雷达信号识别存在两个问题,一是难以选择最优的网络结构;二是用传统的BP学习算法,常常收敛到局部解。本文提出一种GANN方法,即首先利用遗传算法优化两层前馈神经网络结构以确定中间隐层的节点数,然后用遗传算法进行学习。通过与BP算法相比较,遗传算法不仅速度快,而且能找到最优解。实验表明,将GANN应用于雷达信号识别,识别率更高。     

基于元学习的畸变雷达电磁信号识别

畸变雷达电磁信号会严重影响雷达侦察装备的探测性能。如何有效地识别畸变信号类型对侦察系统的精确感知具有重要现实意义。针对畸变雷达信号往往存在样本稀缺的问题,该文提出一种基于模型无关元学习的残差网络(MAML-ResNet)。算法首先利用正常雷达信号样本训练元学习器,然后在畸变信号样本进行精调,最后在仅有少量畸变信号样本下,实现畸变信号的识别。实验结果表明该算法有效地提高了在小样本数据下畸变信号的识别准确率。     

AdaBoost-NN在雷达信号识别中的应用

雷达信号识别是雷达侦察与对抗中的重要内容,也是其难点,现有的识别方法都不能取得让人非常满意的识别效果。AdaBoost即自适应Boosting算法,它可以提高任意给定分类器的分类精度。本文用AdaBoost提升神经网络并应用于雷达信号识别,并与几种现有的识别方法作了比较。实验结果表明,其识别准确率比文中所列的所有方法都要高。     

基于带宽比特征的雷达辐射源信号识别

提出了用信号带宽比特征识别雷达辐射源的新方法。通过两次对雷达辐射源信号进行平方处理,提取两次处理前后信号带宽的比值组成二维特征向量。利用四种常见的雷达辐射源信号进行的仿真实验结果表明,带宽比特征类内聚集性强,类间分离度大,能达到非常满意的正确识别率,证实了所提方法的有效性。     

基于扩张残差网络的雷达辐射源信号识别

针对低信噪比条件下,复杂多类雷达辐射源信号识别存在特征提取困难,识别正确率低的问题,本文提出了一种基于时频分析和扩张残差网络的辐射源信号自动识别方法.首先通过时频分析将信号时域波形转换成二维时频图像以反映信号本质特征;然后进行时频图像预处理以保留时频图像完备信息,适应深度学习模型输入;最后构建扩张残差网络以自动提取信号时频图像特征,实现雷达辐射源信号分类识别.实验结果表明,信噪比为-6dB时,该方法对16类雷达辐射源信号的整体识别正确率能够达到98.2%,对时频图像特征相似的类LFM（Linear Frequency Modulation）信号的整体识别正确率超过95%.本文提供了一种新的雷达辐射源信号智能识别方法,具有较好的工程应用前景.     

一种新的雷达辐射源信号识别方法研究

随着雷达技术的发展,雷达体制的多样性和雷达信号的复杂性对雷达辐射源信号识别技术提出了严峻的挑战。循环双谱抗噪性能强,且包含了丰富的信息,能用于识别雷达辐射源信号。但是其数据量庞大,而循环双谱对角切片法丢失了大部分信息。证明了循环双谱的对称性和周期性,提出了局部轴向积分循环双谱。该方法首先计算信号的循环双谱,然后在两个谱频率构成的平面上沿平行于谱频率轴的直线积分,最后用Fisher判决率（FDR）选择鉴别能力较强的轴向积分循环双谱。这样不但能有效地减小数据量,而且保留了大部分有用的循环双谱信息。仿真条件下,对比分析了局部轴向积分循环双谱与循环双谱对角切片的识别效果,结果表明新方法的识别率远远优于循环双谱对角切片法。