基于分数阶功率谱的LFM信号检测

从分数阶傅里叶变换与Winger-Ville分布的关系出发,推导出分数阶功率谱与模糊函数过原点切片之间的傅里叶变换关系,提出了一种基于分数阶功率谱的LFM信号检测新因子,并证明了该因子与RAT检测因子等价。基于新因子的检测只需计算信号一定角度区域内的分数阶功率谱就能实现检测,因此相比于RAT方法在计算量上具有比较明显的优势。     

基于稀疏FrFT的窄带雷达目标架次识别方法

架次识别对于窄带雷达编队目标的探测与识别具有重要意义.本文基于最小熵准则提出了稀疏分数阶傅里叶变换(fractional Fourier transform,FrFT)最优变换阶次估计算法,首先将雷达回波数据的FrFT结果的熵值建模为变换阶次的函数,进而将变换阶次估计问题转化为稀疏优化问题,利用稀疏重构算法获得最优变换...     

LFM信号参数估计的插值FRFT算法

提出了一种基于分数阶傅里叶变换（fractional Fourier transform, FRFT）的线性调频（linear frequency modulation, LFM）信号参数估计的插值算法。首先针对FRFT的旋转角度α搜索步长问题,提出了在较大搜索步长下进行插值以得到α精估计的方法;然后针对离散分数阶傅里叶变换(digital fractional Fourier transform, DFRFT)因参数u离散化而造成的栏栅效应问题,采用相邻谱线进行插值以得到u的精估计;最后用α和u插值精估计结果对单分量LFM信号的参数进行估计。这一方法在不影响估计精度的前提下,降低了计算量和复杂度。仿真结果表明,在较低的信噪比下,LFM信号参数估计的精度仍十分逼近克拉美罗界(Cramer-Rao bound, CRB)。     

基于IFOA-SA-BP神经网络的雷达信号识别

为提高雷达信号的识别率,提出一种改进的果蝇优化算法(improved fruit fly optimization algorithm, IFOA)和模拟退火(simulated annealing, SA)算法相融合并用于优化反向传播(back propagation, BP)神经网络的雷达信号识别算法。首先,该算法提取雷达信号的调和平均盒维数、信息维数和差分近似熵特征作为信号识别的三维特征。然后,改进果蝇优化算法的寻优步长并添加逃脱系数以修改适应度函数,同时引入三维空间的搜索概念扩大果蝇的搜索范围,再对果蝇算法所求解的接受机制通过SA算法进行修正。最后,将融合后的算法IFOA-SA用于优化BP神经网络得到网络最优的初始权值和阈值,并用此网络进行雷达信号的分类识别。通过与BP和FOA-BP进行对比,结果表明IFOA-SA-BP能够提高雷达信号的识别率,证实了该算法的有效性。     

基于IFOA-SA-BP神经网络的雷达信号识别

为提高雷达信号的识别率,提出一种改进的果蝇优化算法(improved fruit fly optimization algorithm, IFOA)和模拟退火(simulated annealing, SA)算法相融合并用于优化反向传播(back propagation, BP)神经网络的雷达信号识别算法。首先,该算法提取雷达信号的调和平均盒维数、信息维数和差分近似熵特征作为信号识别的三维特征。然后,改进果蝇优化算法的寻优步长并添加逃脱系数以修改适应度函数,同时引入三维空间的搜索概念扩大果蝇的搜索范围,再对果蝇算法所求解的接受机制通过SA算法进行修正。最后,将融合后的算法IFOA-SA用于优化BP神经网络得到网络最优的初始权值和阈值,并用此网络进行雷达信号的分类识别。通过与BP和FOA-BP进行对比,结果表明IFOA-SA-BP能够提高雷达信号的识别率,证实了该算法的有效性。     

基于分数阶傅里叶变换的星载SAR信号参数实时估计

针对星载合成孔径雷达（synthetic aperture radar, SAR）信号参数估计问题,提出了一种基于分数阶傅里叶变换的实时估计方法。首先,介绍了分数阶傅里叶变换的定义和chirp信号参数的估计原理。其次,在介绍星载SAR运行特点的基础上,针对单脉冲和脉冲串这两种情况进行了相应参数的实时估计：通过对接收到的星载SAR单脉冲信号进行分数阶傅里叶变换,可以估计出星载SAR的载频和调频率;通过对接收到的星载SAR信号的脉冲串进行分数阶傅里叶变换,可以估计出方位调频率。仿真和实验证明这种方法是可行的。     

时域欠采样线性调频信号参数估计方法

针对Nyquist采样频率过高 ,硬件实现困难的问题 ,提出了一种基于分数阶傅里叶变换的时域欠采样线性调频信号参数估计方法。该方法首先用时域解线调方法估计调频斜率 ,然后在分数阶傅里叶变换域进行滤波 ,实现信号提取。利用PRO ESPRIT方法进行初始频率估计。数值仿真表明 ,本方法能够实现多个线性调频信号的高精度参数估计 ,在低信噪比下仍有较好的估计性能     

基于分数阶傅里叶变换的chirp信号时频分析

提出了一种新的基于分数阶傅里叶变换的伪维格纳分布(PWD),用于单分量或多分量chirp信号的分析。首先通过搜索二阶分数阶傅里叶变换矩的极值点,寻找最佳变换域,然后利用旋转的短时傅里叶变换,在分数阶傅里叶变换域中实现各分量chirp信号间的分离,以抑制交叉项及噪声项的干扰。在已知信号模型的前提下,还给出了分数阶傅里叶变换最佳旋转角度的经验计算公式,以辅助信号分析。仿真实验表明,通过对时频平面的旋转,所提出的方法能够在分数阶傅里叶变换域中,很好地抑制多分量信号间的交叉项干扰,更好地提取信号的时频信息。     

基于深层残差网络和三元组损失的雷达信号识别方法

针对分类网络难以有效扩展分类数量的问题,提出了一种基于深层残差网络和三元组损失的雷达信号识别方法。该方法首先将雷达信号作为深层残差网络的输入,通过一维卷积将雷达信号映射到128维欧几里得空间,得到信号的特征向量;然后利用三元组损失函数调整网络参数,使得同类信号之间特征向量的欧式距离减小而不同类别信号之间的距离增大;最后通过基于样本库的识别算法实现对信号的分类识别。实验结果表明,相较于传统的分类网络,该方法在保证识别准确率的同时使得模型能够对分类数量进行有效扩展。     

基于深层残差网络和三元组损失的雷达信号识别方法

针对分类网络难以有效扩展分类数量的问题,提出了一种基于深层残差网络和三元组损失的雷达信号识别方法。该方法首先将雷达信号作为深层残差网络的输入,通过一维卷积将雷达信号映射到128维欧几里得空间,得到信号的特征向量;然后利用三元组损失函数调整网络参数,使得同类信号之间特征向量的欧式距离减小而不同类别信号之间的距离增大;最后通过基于样本库的识别算法实现对信号的分类识别。实验结果表明,相较于传统的分类网络,该方法在保证识别准确率的同时使得模型能够对分类数量进行有效扩展。     

基于深层卷积神经网络和双谱特征的雷达信号识别方法

针对复杂电磁环境下利用人工提取特征识别雷达信号存在的主观性强、特征冗余的问题,提出了一种基于深层卷积神经网络的识别方法。该方法首先提取雷达信号的双谱信息作为深层卷积神经网络模型的输入,然后利用模型的自学习能力提取深层特征,实现对不同调制样式雷达信号的识别,最后对不同结构网络模型的识别结果进行对比。仿真实验结果表明,相比传统雷达信号识别方法,该方法对于不同调制类型信号的识别效果优异,并且在识别率、抗噪性上都有所提升。     

基于LSTM和残差网络的雷达有源干扰识别

针对目前雷达干扰识别方法存在人工特征提取难、强噪声环境下识别率不高的问题,提出了一种基于长短时记忆(long short-term memory, LSTM)网络和残差网络相结合的雷达有源干扰识别方法。输入有源压制干扰原始时域序列数据,搭建深度学习网络模型对不同干噪比下的干扰信号进行分类识别。仿真结果表明：在干噪比为0 dB的情况下,该方法对4类雷达有源干扰信号的识别准确率均高于98.3%,与单纯的残差网络和卷积神经网络(convolutional neural networks, CNN)等其他深度学习算法相比,具有更佳的网络性能,验证了该算法的有效性。     

基于双谱-谱图特征和深度卷积神经网络的HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别中有效表示和特征提取这一关键问题,提出了基于双谱-谱图特征和深度卷积神经网络(deep convolution neural network, DCNN)的识别方法。首先,提取HRRP的双谱-谱图特征表示作为CNN的输入。然后,通过网络训练提取出深层本质特征,实现对雷达目标的识别。最后,对不同特征表示的识别结果进行对比。采用卫星目标实测数据进行实验,结果表明,该方法可以准确有效地识别雷达目标,而且与其他常用特征表示相比,双谱-谱图特征表示具有更好的识别准确率和噪声鲁棒性。     

基于VMD和特征融合的辐射源信号识别

在日趋复杂的电子对抗中,如何提高雷达辐射源信号(radar emitter signal, RES)识别率和抗噪性能是亟待解决的问题。为此提出了一种变分模态分解(variational mode decomposition, VMD)和特征融合相结合的RES识别方法。首先利用VMD算法对各雷达信号进行分解得到3个本征模态函数(intrinsic mode function, IMF);然后,对这3个IMF分量提取排列熵(permutation entropy, PE)和样本熵(sample entropy, SE)特征进行特征融合,构成六维特征向量;最后利用支持向量机对辐射源信号进行识别。利用6种不同的辐射源信号对该方法进行了验证,仿真实验结果表明,该方法在低信噪比(signal to noise ratio, SNR)下能取得较好的识别率,当SNR不低于0 dB时,六维特征向量的识别率达到100%,具有较强的抗噪性能。     

基于熵评价模态分解的雷达信号双谱特征识别

针对在低信噪比下雷达信号调制识别准确率低、抗噪性差的问题,提出一种基于熵评价模态分解和双谱特征提取的识别方法.利用双谱可以抑制高斯噪声的特点,分析了在低信噪比下进行信号调制识别的可行性并引入了噪声项.由于噪声项的干扰,双谱在0 dB以下时,噪声抑制效果变差,提出了基于信息熵评价的经验模态化分解对信号进行预处理,提高信噪...     

基于加权K-近邻法和SVC的雷达辐射源信号识别

为提高支持向量聚类法对分布复杂、不均匀雷达辐射源信号样本聚类的正确率,提出一种结合剪辑近邻法、K-近邻法和支持向量聚类的无监督分类新方法。先采用支持向量聚类对所有未知样本作预分类,再按照一定的剪辑规则剪掉错误类别,最后利用K-近邻法对剪掉的样本按各已知类别不同分布进行加权分类。IRIS数据和辐射源信号聚类实验结果表明,此方法能平衡数据样本各局部分布,获得全局最优聚类分配。