利用回波时频相关差异的雷达欺骗干扰识别方法

针对线性调频(LFM)相参雷达抗自卫式欺骗干扰问题,提出2种利用回波时频相关差异的雷达欺骗干扰识别方法——经典时频相关移频干扰识别方法和尺度时频相关移频干扰识别方法。经典时频相关法首先对回波进行脉压相参积累,同时对回波进行去斜相参积累,最后根据目标峰值差异识别真假目标;尺度时频相关法首先同样对回波进行脉压相参积累,同时计算回波二维简明分数阶傅里叶变换(2D-CFRFT),以解决经典时频相关法中回波加窗问题,最后同样根据目标峰值差异识别真假目标。试验结果表明:当干信比大于0dB、干扰移频量大于雷达带宽15%时,经典时频相关法和尺度时频相关法干扰识别准确率均接近100%;相比中心频率测量法和调频斜率捷变法,经典时频相关法真实目标识别准确率接近100%的临界信噪比分别降低了8dB和4dB,尺度时频相关法分别降低了4dB和2dB。     

基于灰度共生矩阵的微动干扰分类识别

针对雷达成像中面临的调制转发微动干扰、微动散射波干扰、脉冲卷积微动干扰3种新型微动干扰样式的识别问题,提出一种基于灰度共生矩阵的干扰识别方法。该方法从图像域角度出发,首先对雷达接收信号矩阵进行灰度化处理,然后利用灰度共生矩阵提取其纹理参数并构造特征参数,最后采用KNN分类器实现了对雷达接收信号中目标回波和3种微动干扰样式的检测与识别。仿真实验结果表明,当信噪比为-5 dB时,不同干信比下4种信号样式的识别率均能够达到90%以上,每种信号样式整体识别率在98%以上;当信噪比为5 dB时,不同干信比下4种信号样式的识别率均能够达到95%以上,每种信号样式整体识别率在99%以上。     

应用双谱分析和分形维数的雷达欺骗干扰识别

为解决频谱弥散干扰(SMSP)和切片组合干扰(CI)2种干扰类型的识别问题,提出了一种利用双谱分析和分形维数的干扰识别方法。首先对零中频处理后雷达接收信号进行双谱分析,得到接收信号的三维双谱信息;然后通过降维方法把三维信息变换成二维特征曲线,以减小干扰识别的计算量;最后提取二维曲线的盒维数和信息维数2个特征参数,通过支持向量机对干扰识别率进行检验。仿真结果表明:在一定的噪声背景下,该识别方法能够较为稳定地识别不同干扰形式;在信噪比为0dB的条件下,干扰的识别成功率能够达到88%以上,证明了干扰识别方法的有效性。     

基于自适应的SSD算法和1.5维谱的新型雷达干扰识别

随着数字射频存储器(DRFM)技术的发展,新型有源雷达干扰呈现出灵活多变和脉压增益大的特点,对雷达的生存环境是个严峻的挑战,如何有效地捕捉并识别干扰类型具有研究意义。本文提出了一种基于自适应的奇异谱分解(SSD)算法和1.5维谱的识别方法。通过对5种干扰和回波进行SSD分解,利用峭度准则自适应选取最佳分解个数和最佳分解分量,对最佳分解分量进行1.5维谱估计,将估计结果送入到支持向量机(SVM)中训练学习并分类。仿真结果表明,该方法智能化选参和特征稳定的优点突出、识别率较高。     

基于时频图像特征提取的LFM雷达有源欺骗干扰识别

为了提高雷达的抗干扰能力,有针对性地合成最有效的抗干扰措施,提出了一种基于时频图像特征提取的欺骗干扰识别方法。该方法对雷达接收信号进行时频分析,根据时频图像分布的特点,提取时频域可分离度和三阶Renyi熵2个有效特征参数,将2个特征参数用于雷达接收信号的自动干扰识别。仿真结果验证了算法的有效性和稳定性,为后续抗干扰措施的选取提供了先验信息。     

栈式降噪自编码器在辐射源信号识别中的应用

针对传统辐射源信号识别方法在低信噪比条件下提取特征困难且识别率低的问题,提出了一种基于短时傅里叶(STFT)变换和栈式降噪自编码器(sDAE)的识别系统。首先对雷达辐射源信号进行短时傅里叶变化,然后对时频图像进行一系列预处理,将处理后的图像输入到栈式降噪自编码器中,将提取的特征输入到softmax分类器中,完成分类识别。通过仿真表明:该系统在SNR=-10dB的时候,识别率能够达到80%以上,在低信噪比的情况下,识别效果明显优于传统识别方法。     

基于变分模态分解的相关能量熵自适应阈值去噪

为有效抑制噪声对地震数据的影响,根据地震信号的时频特性,提出了基于变分模态分解的相关能量熵阈值去噪方法。采用变分模态分解算法将地震信号分解为频率由高频到低频且具有一定带宽的模态分量,计算各模态分量与地震信号的规范化相关系数,实现对各模态分量中的有效信息和噪声的定位。将去除有效信息的各模态分量分成若干子区间,分别计算各子区间的噪声能量熵,选取能量熵最大区间的模态分量系数作为该分量的噪声方差获得该分量的阈值,再将经阈值处理后的各模态分量重构得到去噪信号。通过对合成地震模型和实际地震信号进行去噪处理,并与直接去除高频分量的变分模态分解去噪方法进行了对比,结果表明,该方法能在强噪声环境下更有效地提取地震信号中的有效成分,提高信噪比。     

认知无线电Underlay模式下MQAM信号的调制识别

针对传统的认知无线电Underlay中时频重叠MQAM信号调制识别方法性能低的问题,提出了一种采用时频分析图像纹理特征的时频重叠信号调制识别方法。首先对接收到的时频重叠MQAM信号做频率切片小波变换得到时频分析图像,并选取纹理差异明显的切片部分进行灰度化处理,然后通过提取时频分析图像的灰度-梯度共生矩阵特征,最后利用径向基函数神经网络分类器有效地实现了时频重叠MQAM信号调制方式的识别。仿真结果表明:在信噪比为4dB下,所提出的方法的平均识别率可达到95%以上;在信噪比大于0dB时,所提方法的识别性能优于基于高阶累积量的识别方法。     

基于模糊函数主脊切片和深度置信网络的雷达辐射源信号识别

雷达辐射源信号识别是电子侦察系统的关键组成部分,为了提高低信噪比条件下对低截获概率雷达信号识别的准确率,提出了一种基于模糊函数主脊切片(MRSAF)与深度置信网络(DBN)的雷达辐射源信号识别方法。首先对雷达信号进行奇异值分解(SVD)进行降噪预处理,求解雷达信号的模糊函数并提取其主脊切片包络,采用奇异值分解方法降低噪声对主脊切片包络的影响,然后建立基于受限波尔兹曼机的DBN模型并运用标签数据有监督微调模型参数完成训练,最后基于该算法模型实现辐射源信号的分类和识别。仿真结果表明:该方法在低信噪比条件下也有较高的识别率,信噪比高于-4dB时,识别率可以达到90%以上,验证了本算法的有效性和应用价值。     

基于EEMD和ICA的语音去噪方法

语音去噪技术是语音识别系统走向实用化的一个关键性难题.针对语音信号为非平稳信号的特点,提出了一种基于EEMD和ICA相结合的语音去噪方法,首先利用集合经验模态分解(EEMD)算法将含噪语音信号分解为若干个独立的固有模态函数(IMF),消除了经验模态分解(EMD)算法处理语音信号时产生的模态混迭现象;然后将固有模态函数通过改进的独立分量分析(ICA)算法分离出若干个有效的语音信号分量;最后对其进行语音重构,从而达到消除噪声干扰的目的.实验结果表明,该方法在输入信噪比为-10dB的汽车噪声条件下,可以将语音信号的信噪比提高到2.741 2 dB.