共查询到20条相似文献,搜索用时 31 毫秒
1.
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. 相似文献
2.
3.
针对使用传统的卷积神经网络及低信噪比环境下雷达辐射源智能个体识别研究中识别性能不够的问题,提出了一种基于短时傅里叶变换(STFT)和EfficientNet的雷达辐射源个体识别方法。首先对雷达信号进行短时傅里叶变换,提取时频特征,然后利用EfficientNet中多个MBconv模块对不同时频特征图像的叠加,挖掘出信号图像隐含的更加复杂和抽象的深层次时频特征,包括信号强度的分布、时频模式、周期性变化等,从而完成个体分类识别。EfficientNet可以同时改变网络深度、宽度、图像分辨率3个参数,解决了梯度消失、梯度爆炸等问题。实验结果表明,基于STFT和EfficientNet的雷达辐射源智能个体识别的方法,相比于传统卷积神经网络在低信噪比环境下具有更好的识别性能。 相似文献
4.
5.
针对辐射源识别中的特征稳定性不高和低信噪比环境适应性不足等问题,提出了一种基于二次时频分布、核协同表示与鉴别投影的识别方法.首先,通过时频变换、稀疏域降噪和二次特征提取的预处理算法降低噪声干扰和特征冗余,以获取高稳定性的二次时频分布特征;然后,采用核协同表示和鉴别投影思想进行降维学习和字典学习,以提升数据低维表征和类间鉴别能力;最后,通过离线训练完成系统优化并用于分类验证.仿真结果表明,二次时频分布特征具备较高稳定性,识别方法具备较强鲁棒性、时效性和适应性;当信噪比为-10dB时,该方法对8类辐射源信号的整体平均识别率达到96.88%. 相似文献
6.
提出了一种全新的基于时频原子特征的雷达辐射源信号识别方法.训练阶段,在过完备时频原子库的基础上,以类区分度为度量,提取少数最能区分不同类别信号的时频原子作为一组固定的特征;识别阶段,以原子和信号的内积的绝对值作为分类器的输入特征,采用有监督模糊自适应共振网络进行辐射源的自动识别.对5类典型雷达辐射源信号的实验结果表明,... 相似文献
7.
为了有效应对跟踪雷达的三种常见欺骗干扰,提出了一种基于平滑伪魏格纳-维尔分布时频图像的Zernike 矩特征的干扰识别方法。该方法对三种干扰下的雷达接收信号进行时频分析,运用数字图像处理技术对时频图像进行一系列的预处理后,通过Zernike 矩特征提取图像的细节特征组成特征向量进行分类识别。仿真实验证明:该方法有较高的识别率,特别是该方法受信噪比影响较小,能够有效降低噪声对干扰识别的影响,说明了采用图像识别方法对雷达欺骗干扰信号进行分类识别的可行性。通过与其他文献方法的比较,证明了该方法的优越性。 相似文献
8.
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%。 相似文献
9.
针对低信噪比条件下复杂多类雷达信号调制方式识别率低的问题,本文提出了一种基于时频分析和深度学习的雷达信号调制方式识别方法 .利用CTFD(Cohen class Time-Frequency Distribution)时频分析将信号时域波形变换为二维时频图像,更清晰地表征信号特征;采用灰度化和双三次插值运算等方法对时频图预处理,实现图像通道数和尺寸的减少,以降低深度学习模型数据输入量;进一步调整输入输出通道数构建小型EfficientNet网络,再由多个小型网络并行处理构建分裂网络EfficientNet-B0-Split3,将时频图像输入网络实现雷达信号调制方式识别.实验结果表明,在信噪比为-8 dB时,新方法对17类不同调制方式的雷达信号整体识别率可达97.1%,相对于扩张残差网络提高约2.4个百分点;在信噪比为-10 dB时,识别率可达92.1%,相对于EfficientNet提高约0.7个百分点,提升了低信噪比条件下复杂多类雷达信号调制方式识别率. 相似文献
10.
11.
针对低截获概率(LPI)雷达信号识别率低且特征提取困难的问题,该文提出一种基于Choi-Williams分布(CWD)和栈式稀疏自编码器(sSAE)的自动分类识别系统。该系统从反映信号本质特征的时频图像入手,首先对LPI雷达信号进行CWD时频分析,获取2维时频图像;然后对得到的时频原始图像进行预处理,并把预处理后的图像送入多层稀疏自编码器(SAE)进行离线训练;最后把SAE自动提取的特征输入softmax分类器,实现雷达信号的在线分类识别。仿真结果表明,信噪比为时,该系统对8种LPI雷达信号(LFM, BPSK, Costas, Frank和T1~T4)的整体平均识别率达到96.4%,在低信噪比条件下明显优于人工设计提取信号特征的识别方法。 相似文献
12.
13.
14.
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,提出一种以小波包系数的能量比和标准差为特征的算法,并采用BP神经网络进行识别。仿真实验表明,该方法能在较低的信噪比条件下取得较好的识别率。 相似文献
15.
针对传统的雷达动目标检测方法在杂波背景下目标识别率低的问题,提出了基于时频分析和卷积神经网络的雷达动目标检测方法。首先,通过同步提取变换将动目标的回波信号转换为时频分布,初步提取回波信号的时频特征;然后,对回波信号时频分布的脊线进行提取,并基于此构建数据集;最后,将数据集输入AlexNet进行训练和测试,实现雷达动目标的识别和分类。仿真实验表明,基于SET和AlexNet的方法在噪声环境下能够有效检测动目标,对匀速、匀减速、匀加速三类动目标都具有较高的识别率。脊线提取的应用增强了低信噪比下回波信号的时频特征,提高了检测方法的准确率和噪声鲁棒性。 相似文献
16.
针对目前正交频分复用(OFDM)雷达信号识别方法存在的问题,提出了一种具有可解释性的OFDM雷达信号识别方法。该方法是通过基于树结构的流程优化(TPOT)和与模型无关的局部可理解的解释性(LIME)相结合对OFDM雷达信号进行识别。针对OFDM雷达信号特性提取了复杂度特征和基于时频图矩阵的奇异值熵,组成特征向量;通过TPOT,得到表现最佳的机器学习流程;通过“解释器”解释预测结果,对识别结果做出是否识别正确的风险评估,同时可根据OFDM雷达信号的解释性,得到哪些信号不易区分。实验表明,该方法对信噪比为0 dB时的OFDM雷达信号的识别率达91%,通过LIME给出的解释性可以判断数据集中不易区分的雷达信号类型。 相似文献
17.
针对低截获概率雷达(LPI)信号处理复杂,低信噪比条件下识别率低的问题,该文提出一种基于去噪卷积神经网络和Inception网络的信号分类识别系统.首先对8种LPI雷达信号进行Choi-Williams分布(CWD)时频变换,得到2维时频图像,然后使用去噪卷积神经网络进行时频图像去噪处理,最后将图像发送到Inception-V4网络进行特征提取,并使用softmax分类器进行分类,实现LPI雷达信号的有效分类识别.仿真结果表明,该方法在–10?dB信噪比(SNR)下,识别率仍然可以达到90%以上. 相似文献
18.
针对低截获概率雷达(LPI)信号处理复杂,低信噪比条件下识别率低的问题,该文提出一种基于去噪卷积神经网络和Inception网络的信号分类识别系统。首先对8种LPI雷达信号进行Choi-Williams分布(CWD)时频变换,得到2维时频图像,然后使用去噪卷积神经网络进行时频图像去噪处理,最后将图像发送到Inception-V4网络进行特征提取,并使用softmax分类器进行分类,实现LPI雷达信号的有效分类识别。仿真结果表明,该方法在–10 dB信噪比(SNR)下,识别率仍然可以达到90%以上。 相似文献
19.