基于小波脊线特征提取的雷达辐射源信号识别

针对在低信噪比条件下雷达辐射源信号识别率低的问题,提出了一种基于小波脊线特征提取的雷达辐射源信号脉内调制方式识别方法.该方法使用新的改进Morlet小波提取信号瞬时频率,变换后提取其二次特征用于分类识别.计算机仿真结果表明本方法提取的特征向量具有良好的识别能力,在2 dB的低信噪比条件下,平均识别率可达到90%以上,通过与现有方法进行对比仿真验证了本算法在低信噪比环境下的优越性.     

基于时频图像纹理特征的雷达辐射源信号识别

为了解决低信噪比条件下雷达辐射源信号识别率低的问题,提出了一种提取时频图像纹理特征的脉内调制方式识别方法.该算法首先对信号进行Choi-Williams变换,在对时频图进行预处理后提取其改进的局部二值模式纹理特征(LBPV),并用支持向量机进行分类判别.使用6种典型雷达信号进行仿真实验,仿真结果表明在-2 dB的低信噪比条件下该方法的平均识别率可达95％以上,局部二值模式算子在低信噪比下的识别能力得到大的提高.     

基于多域特征融合的通信辐射源个体识别方法

为解决利用单一特征进行通信辐射源个体识别识别率不高的问题，提出一种基于多域特征融合的通信辐射源个体识别方法。提取通信辐射源发射信号的多个变换域特征，并组合这些特征为多域特征。构建多通道卷积神经网络，利用多通道卷积操作对多域特征进行深层次提取。通过神经网络的分类器，完成对通信辐射源个体的分类。在低信噪比和瑞利信道条件下，使用所提方法对20个CC2530设备进行识别。研究结果表明：与基于单一特征的辐射源个体识别方法相比，该方法充分利用了通信辐射源发射信号的多个变换域特征，结合神经网络的强大细微特征挖掘能力，实现了对通信辐射源个体的有效识别；该方法能够显著提升在低信噪比的识别准确率和时效性，在0 dB条件下的识别效果仍可达到91.01%。     

基于卷积神经网络和模糊函数主脊坐标变换的雷达辐射源信号识别

针对人工提取雷达辐射源信号特征耗时长、特征不明显等问题,提出一种基于深度学习卷积神经网络和模糊函数主脊坐标变换的雷达辐射源信号识别方法。该方法通过快速离散分数傅里叶变换提取信号的模糊函数主脊,并将模糊函数主脊极坐标域的二维时频图作为卷积神经网络的输入,实现对不同雷达信号的分选识别。仿真实验结果表明：新方法不仅在信噪比为0 dB以上保持100%的识别率,在-6 dB时识别准确率也稳定在90%以上;相对于传统的雷达信号识别方法和其他深度学习模型识别方法,在识别率和鲁棒性上均有较大提升,具有一定的工程应用价值。     

基于稀疏编码特征的多传感器辐射源识别

针对单传感器在低信噪比下对辐射源信号的识别性能较差的问题,提出了一种基于稀疏自编码器的多传感器辐射源融合识别的方法。该方法首先采用稀疏自编码器进行特征提取,得到信号样本的特征模板;然后利用特征匹配方法,得到匹配差值;最后将匹配差值转化为D-S证据理论的基本概率赋值函数,通过改进的D-S证据对多个传感器进行融合得到最终结果。仿真实验结果表明,融合算法能够有效地提取信号特征,可进一步提高单传感器的识别性能,在小样本、低信噪比条件下,具有更强的识别优势。     

低信噪比下非线性调频信号脉内特征提取新算法

信号脉内调制信息识别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。通过讨论小波变换法、伪威格纳威尔分布（PWD）等典型非线性调频信号脉内特征提取方法，提出了将小波变换法和PWD法提取的结果进行截断综合，再提取时频图脊线的新算法。实现了在低信噪比条件下，准确提取非线性调频信号（NLFM）的脉内特征。对不同类型的调制信号仿真结果证实了算法的可行性。     

一种深度强化学习的雷达辐射源个体识别方法

针对传统依赖于人工经验提取辐射源个体特征的不足,提出一种基于深度强化学习的雷达辐射源个体识别方法。利用发射机非理想信道造成的辐射源信号包络在信号变化时呈现的不同瞬态信息,以信号包络前沿作为深度神经网络的输入状态,以辐射源类别作为当前输入状态的可选动作,通过卷积神经网络自动提取辐射源包络个体特征,并拟合当前状态动作对的Q值,进而以强化学习模型完成雷达辐射源个体识别任务。讨论了深度Q网络模型、深度双Q网络模型以及Dueling Network模型3种深度强化学习模型在辐射源识别任务中的应用。实测数据仿真实验表明：传统机器学习算法的识别率不足80%,而深度强化学习网络的识别率高达98.42%.     

基于核函数支持向量机的雷达辐射源识别

文中针对雷达辐射源信号环境复杂导致的正确识别率较低的问题,提出了基于支持向量机理论的雷达辐射源识别方法,并构建了基于多种核函数支持向量机的雷达辐射源分类器。通过在不同噪声环境下进行仿真实验,证明了支持向量机理论在雷达辐射源识别中的有效性,并比较了多种核函数支持向量机的识别效果。     

基于切片双谱多重分形特征的雷达信号识别算法

针对现有算法识别率低、对噪声敏感的问题,提出了基于切片双谱多重分形特征的雷达信号识别算法。该算法采用切片双谱多重分形的方法进行识别,先利用双谱对角切片降低维度,再对得到的细节信号计算多重分形维数,求取广义维数和多重分形谱,提取多重分形特征输入到支持向量机中实现脉内调制雷达信号的有效识别。仿真结果表明,该方法对噪声具有较好的鲁棒性,在信噪比大于5 dB时,识别率可以达到90%以上。     

基于改进的MFCC战场被动声目标识别

从战场声信号与语音信号特征的相似性出发，提出基于MFCC参数的战场声目标识别方法。针对战场环境存在强噪声干扰情况，提出一种改进的MFCC特征参数（DWTMFCC）提取方法，该方法将小波分析和Mel倒谱分析结合，提高了特征参数的鲁棒性。仿真结果表明：在噪声条件下，利用DWTMFCC参数进行声目标识别，平均识别率比MFCC参数高出3．134个百分点，信噪比为5dB时．识别率仍达到93．67％。