深度学习在雷达通信目标识别中的应用框架

深度学习是当前人工神经网络领域的研究热点,广泛应用于字符识别、图像识别和语音识别等应用中。雷达通信目标识别是通信对抗的前提和关键。文中分析了模板匹配法、DS证据理论等传统通信目标识别方法的在特征提取、模型表达方面的不足,对深度学习神经网络在通信目标识别中的应用进行了初步探讨,并提出了一种基于深度学习的通信目标识别框架。该框架和思路同样适用于雷达对抗目标识别等问题,可为深度学习在雷达目标识别领域的应用提供支撑。     

面向双曲线形态的探地雷达图像识别技术综述

探地雷达作为一种重要的无损探测技术,可以准确快速对浅层地表进行成像,以获取埋设目标的空间与几何信息.该文在分析探地雷达成像模型与目标识别基本思路的基础上,简述和归纳了七类探地雷达图像双曲线特征的检测方法,分别为基于双曲线性质、时域信号分析、数字图像分析、机器学习、数学模型、综合性方法以及深度学习方法,最后展望了深度学习在双曲线形态识别中的应用前景.     

深度学习在雷达目标检测中的应用综述

雷达目标检测技术能够判断回波信号中目标存在与否,并提取目标位置信息。随着雷达图像质量的提升和人工智能技术的发展,利用雷达图像数据通过深度学习方法实现雷达目标检测功能成为一种新的思路。该文首先从雷达目标检测原理入手,对传统和现代两类检测方法进行了梳理,分析了各类检测方法的特点及适用性。然后针对现代雷达回波信号复杂性增大导致传统检测方法统计建模难的问题和机器学习方法特征提取难度大的问题,对深度学习目标检测方法进行了归纳,主要从深度学习算法、雷达回波图像数据类型和应用场景三个方面进行总结。最后分析了深度学习在雷达目标检测应用中面临的挑战,展望了未来的发展趋势。     

基于深度学习的雷达成像研究进展

深度学习(DL)在语音识别、图像物体识别上取得了卓越的成效,深度学习代替传统处理技术,成为了研究该领域的主要处理方法。在雷达领域,深度学习用于雷达目标识别和分类,也取得了很好的效果,进而,人们试图将深度学习用于雷达成像。本文根据近几年所公开的文献资料,按照雷达成像的特点,分类介绍深度学习用于雷达成像的研究进展;之后,对深度学习用于雷达成像的可行性、样本选取、泛化以及成像质量的评价等开放性问题提出了作者的设想,并对深度学习用于雷达成像进行了展望。     

对海雷达多维图像特征融合智能检测方法

海面目标检测是雷达信号处理中的重要内容,在军事、民用领域内都有重要应用价值。在海面目标雷达信号处理中,海杂波的存在对检测算法的性能有很大影响,传统的雷达信号处理方法多基于统计理论,对于复杂环境条件和多样的目标特性检测性能下降明显。近年来深度学习技术发展迅速,为可靠的海面目标的检测方法提供了技术支持。本文对近年来目标检测算法、深度学习方法的发展进行总结,从雷达信号数据结构和维度出发,采用深度学习理论,分别提出了基于二维图像、三维视频雷达信号、多维雷达信号多通道融合的智能处理框架,并以导航雷达图像海上目标智能检测为例,提出一种Precise ROI?Faster R?CNN雷达图像检测算法,通过构建的导航雷达数据集训练和测试,相比经典恒虚警检测和Faster R?CNN检测方法有更高的检测精确度和更好的泛化能力,从而为对海雷达智能导航和目标检测提供了有效的技术途径。     

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。     

基于联合时频辐射源信号识别方法

针对传统基于人工判决和模块匹配识别雷达辐射源信号的不足,提出了一种基于联合时频的智能识别算法。将雷达辐射源信号进行时频变换,处理后的信号经过不同种降维方式输入到自动编码器中,通过预训练调节深度学习模型,并采用常用的softmax分类器对预训练完的模型采取有监督精校和识别,最后完成识别任务。仿真结果表明,该算法能够实现很高识别率,并且经过联合降维较其他几种方法的效果更好。     

基于贝叶斯深度学习的一维雷达有源干扰信号识别方法

雷达干扰信号准确识别是雷达抗干扰的前提,对于雷达生存至关重要。针对传统雷达干扰信号识别方法需要繁琐的分析计算提取特征,通用性差,泛化能力弱,难以适应复杂的雷达工作环境问题。本文考虑无需人工提取特征信息且具有较好的分类识别效果的深度学习网络。考虑到传统的深度学习网络由于使用点估计方式,不能够很好的衡量预测结果中的不确定性,本文提出了一种基于贝叶斯深度学习的干扰识别方法。首先,通过概率建模代替网络参数模型的点估计,解决了不确定性随机数据引起的网络过拟合问题。其次,考虑有效利用雷达回波信号的时序特性设计了LSTM层,同时解决训练过程中的梯度消失问题。基于线性调频雷达有源干扰实测数据完成了网络训练与测试,实验结果表明,引入贝叶斯方法可以在加快网络收敛速度的同时有效提高识别准确率。     

基于改进EfficientNet的雷达信号调制方式识别

针对在复杂电磁环境下的雷达辐射源信号识别中传统方法失效,深度学习算法存在低信噪比下识别效果差、网络复杂参数多的问题,提出一种改进EfficientNet模型对雷达辐射源信号进行识别。首先引入卷积注意力模块(Convolutional Block Attention Module, CBAM)改进网络,提高网络对通道和空间特征的提取能力;结合h-Swish和ReLU两种激活函数进一步改进网络在保持网络精度的情况下加快网络训练;对样本进行标签平滑,对9种不同调制信号的时频图像做CutMix数据增强后输入网络,增强模型的泛化能力。通过实验分析,改进后的模型在信噪比为-10 dB的情况下对9种调制信号的综合识别率达到了94.24%,验证了该方法能够在低信噪比条件下有效识别雷达辐射源信号。     

基于调制谱图卷积神经网络的空中目标识别技术

雷达对空中目标的分类识别技术是雷达信号处理领域中的关键技术.目前大部分雷达目标识别方法通用性较差且对雷达具有较高的要求.针对该问题,提出一种将目标回波的周期性调制谱信息图像化后,基于卷积神经网络调制谱图处理的空中目标识别方法.目标调制谱图像通过卷积神经网络逐层变换自动学习到目标特征信息,最终通过分类器进行分类识别.该方法避免了传统人工拟定调制谱特征的方式,实现了端对端的空中目标识别方法.实验结果表明,基于调制谱图的卷积神经网络模型具有较高的空中目标识别准确率,且模型的鲁棒性和泛化能力较好.     

基于深度学习的DRFM信号识别

针对数字射频存储器(DRFM)产生信号与源信号之间无法有效区分的问题,运用基于小波变换的同步压缩变换将时域的雷达信号转换为时频图,运用深度学习强大的图像识别能力,实现了基于深度学习的源信号与DRFM信号识别,从而解决了在雷达信号处理中无法有效区分回波信号和DRFM欺骗信号以及在雷达干扰识别中基于DRFM的欺骗干扰难以识别的问题。为了验证深度学习过程的可靠性,通过神经网络可解释性算法对训练结果进行了验证和分析。实验结果表明,相比于识别原始信号,识别DRFM信号神经网络需要用到更多的特征,神经网络判断准确率达到了96.33%,识别精度良好。     

基于脉间特征深度学习的雷达辐射源识别

多功能雷达在复杂程序调度下,发射信号参数呈现取值范围宽、捷变速度快、变化随机性强等特点,非合作接收方难以对其建立有效的信号模型,给电子侦察系统的雷达辐射源识别带来严峻挑战。本文提出一种基于深度学习的复杂体制雷达辐射源识别方法,利用大样本全脉冲数据形成脉间参数变化的图像特征表示,从宏观上揭示雷达辐射源隐含的波形设计机理,并设计了基于AlexNet网络的图像特征深度学习网络开展辐射源识别,实测数据实验表明了本文的方法对一定时间跨度内的有限部同型多功能雷达具有良好的识别性能,为多功能雷达辐射源智能个体识别提供了新的解决思路。      

基于深度学习的SAR图像目标识别综述

随着合成孔径雷达技术的不断发展,雷达图像目标识别成为重要的研究方向.近年来,深度学习技术在雷达图像目标检测与识别方面得到了广泛应用,然而,数据样本量少和数据样本类别不均衡成为制约深度学习在合成孔径雷达目标识别中的重要因素.对基于深度学习的SAR图像目标识别算法进行了分析,首先,介绍了SAR图像目标识别常用数据集和多角度...     

基于极化特征的抗箔条干扰方法研究

针对箔条干扰导致制导雷达目标识别能力降低的实际问题,以及制导雷达希望充分利用目标雷达回波信号提高目标识别能力的迫切需求,建立了救生艇、飞机和服从空间球均匀分布的箔条云模型,将电磁场数值计算方法引入到不同类型目标的雷达回波信号以及极化特征的计算,得到不同目标在不同接收极化方式、不同观察角度下的雷达回波信号,以及不同目标之间的极化比特征差别,结果表明船、飞机等目标的雷达回波极化比远大于箔条干扰的回波极化比。研究结论有助于雷达导引头实现基于极化特征的目标识别,改善雷达性能和目标识别能力。     

基于深度学习的雷达自动目标识别架构研究

针对深度学习运用于雷达目标识别时存在的数据量欠缺和数据人工标注难等问题,提出将传统目标识别方法与人工智能技术结合,建立面向应用的新的目标识别架构,通过融合处理以及基于传统方法的机器自动标注,获得更优越的识别效果,大幅减少人工标注的工作量,确保系统在低数据量、低标注数据下仍可维持一定的识别效果。雷达实测数据证明了该识别框架的有效性。     

基于Att-BiLSTM的雷达信号调制方式识别

识别雷达信号的调制方式有助于分析雷达的工作模式和目的,为及时采取恰当的应对措施提供依据。长短时记忆网络(Long Short-Term Memory, LSTM)深度学习模型在基于特征的调制方式识别领域中有着广泛应用,但LSTM模型的时间性能会随着输入数据规模的增大而下降。针对以上问题,文中提出了一种基于注意力机制的双向长短时记忆网络（Bidirectional Long Short-Term Memory, BiLSTM）的雷达信号调制方式识别算法。该算法通过BiLSTM提取信号原始数据的特征,再使用注意力机制为学习到的特征分配相应权重,最后由分类器根据学习到的特征输出分类结果。使用Python框架构建基于注意力机制的BiLSTM网络模型,以雷达辐射源信号特征仿真数据作为网络的输入和训练基础,实现对辐射源的调制方式的识别。结果表明,该模型在识别雷达信号的调制方式方面具有良好的效果。     

嵌入式GPU平台下雷达调制信号分析识别

针对近些年雷达脉内信号识别方式由传统的特征提取不断地向着深度学习方向发展,且雷达信号侦察设备的需求在深度学习的基础上逐渐地向便携、低功耗方向发展,而对于一些特定的研究往往对嵌入式平台又具有一定要求.基于此,研究了基于嵌入式图形处理器(GPU)平台的雷达信号分析识别系统的设计.将近些年提出的轻量级网络MobileNet ...     

参数化稀疏表征在雷达探测中的应用

稀疏信号处理已经在雷达目标探测领域得到应用,并获得了优于传统方法的探测性能。然而,雷达目标探测过程中往往存在目标运动、雷达轨迹误差等未知因素,这导致预先设计的字典矩阵无法实现雷达信号的最优稀疏表征。该文将介绍字典学习的一个分支参数化稀疏表征,该方法通过构建参数化的字典矩阵,实现了对雷达探测过程中未知参数的动态学习和雷达信号的最优稀疏表征。该文还将介绍参数化稀疏表征在逆合成孔径雷达成像、合成孔径雷达自聚焦、基于微多普勒的目标识别等若干雷达探测问题中的应用。      

基于深度神经网络模型的雷达目标识别

根据雷达测量的目标电磁散射面积(RCS)序列,采用深度神经网络模型识别空间飞行目标。首先,阐述了提取RCS时间序列特征的方法,包括均值、均方差及周期特性等特征;然后,给出了深度神经网络模型识别RCS目标的算法;最后,用仿真数据验证该识别方法,数值实验结果表明该方法能较准确识别雷达跟踪目标。     

基于深度置信网络和双谱对角切片的低截获概率雷达信号识别

基于深度置信网络(DBN)对信号双谱对角切片(BDS)结构特征进行学习,实现低截获概率(LPI)雷达信号识别。该方法首先建立基于受限玻尔兹曼机(RBM)的DBN模型,对LPI雷达信号的BDS数据进行逐层无监督贪心学习,然后运用后向传播(BP)机制在有监督学习方式下根据学习误差对DBN模型参数进行微调,最后基于该BDS-DBN模型实现未知信号的分类和识别。理论分析和仿真结果表明,信噪比高于8 dB时,基于BDS和DBN的识别方法对调频连续波(FMCW), Frank, Costas, FSK/PSK 4类LPI信号的综合识别率保持在93.4%以上,高于传统的主成分分析加支持向量机法(PCA-SVM)和主成分分析加线性判别分析法(PCA-LDA)。