一种雷达辐射源信号识别的工程实现方法

为了解决脉内特征在雷达辐射源信号识别中的工程应用问题,通过实际需求分析,从总体框架、关键技术、应用设计等方面,提出了一种基于脉内多特征的雷达辐射源信号识别的工程实现方法.最后,通过系统软硬件平台的研制及其实时粗略识别和事后精细识别功能的应用分析,验证了该方法的可行性和有效性,为雷达辐射源信号识别理论和技术的应用转化提供了有益参考.     

雷达辐射源自动识别的设计与实现

针对基于五大常规参数的传统雷达辐射源识别方法的局限性,提出关于方位角稀释后的脉冲串波形数据的雷达辐射源自动识别方法.该方法通过对脉冲串波形数据的波形调理与脉冲分离、脉内特征参数提取、信号调制类型识别、脉冲归类和所属雷达辐射源识别等环节的设计研究,完成雷达辐射源自动识别系统架构的工程实现.采用模拟数据测试结果表明,基于该方法设计的系统识别速度快、准确率高,可为雷达对抗侦察设备的改进提供重要参考.     

基于逆云模型的雷达辐射源识别方法

针对由于噪声环境造成的雷达辐射源不能正确识别的问题,提出了一种新的基于逆云模型的雷达辐射源识别方法。该方法首先构建了更符合实际的含有噪声数据的雷达辐射源数据库,利用逆云模型求出数据库中雷达辐射源各属性的云数字特征,给出了基于属性相似度的识别权重确定方法,并构建了基于云模型和属性相似度的雷达辐射源分类器。仿真实验证明,该方法可以更好地处理由于噪声环境引起的随机性和模糊性,能在恶劣噪声环境下有效地进行雷达辐射源识别。     

基于WVD时频分析的雷达信号抗识别效果验证

从雷达侦察技术的角度，选择WVD时频分析作为雷达信号反侦察抗识别效果分析工具，通过对几种复杂雷达信号识别效果的仿真，分析雷达辐射源信号波形和参数变化对识别效果的影响，探寻具有优良抗识别效果的雷达信号的变化规律，为雷达反侦察研究提供新的思路．     

用AUTES实现雷达辐射源识别专家系统

描述了一种用自行研制的专家系统开发工具AUTES进行雷达辐射源识别专家系统开发的方法,对其中专家知识及知识库、置信度融合方法、解释器等作了详细介绍。测试和实际运用表明,该专家系统能对雷达辐射源进行高效率识别,对参数不全或参数发生一定程度畸变的雷达辐射源的识别率可达到80%以上。     

用神经网络进行雷达辐射源识别研究

为提高雷达辐射源识别系统的识别率，分析了BP神经网络、径向基神经网络和径向基概率神经网络等3种神经网络的结构和性能．用假设的10部雷达参数产生数据进行实验．仿真结果表明，应用径向基概率神经网络能大幅提高雷达辐射源识别的识别率，该网络在雷达辐射源识别中的分类性能明显优于其他2种神经网络．     

雷达信号分选、处理方法研究

雷达信号分选,就是从交错的密集复杂的脉冲信号流中提取出属于同一雷达辐射源的脉冲序列。现代雷达具有多种工作状态,其各项特征参数都是可变的,甚至是随机变化的,这给雷达信号的分选与处理工作带来一定难点。本文介绍了雷达信号分选基本方法,分析了雷达信号分选的关键技术,并雷达信号处理中的的辐射源分类的识别方法。     

雷达辐射源模糊识别算法改进

改进了复杂电磁环境下雷达辐射源模糊识别算法。改进算法通过证据组合对模糊隶属度进行融合,很好地解决了识别中的不确定性,错误的识别结果经过融合后得到去除。采用最优隶属准则进行雷达辐射源类别决策,融合后的辐射源正确识别率得到明显提高。仿真结果及对比实验表明,相比于模糊识别算法,信噪比不小于0dB时,改进算法的正确识别率大于90%。     

雷达辐射源智能识别系统

本结合雷达辐射源智能识别技术的研究工作，介绍了雷达辐射源智能识别系统（REIRS）的结构、工作流程及其硬件实现方法。识别系统所采取的不仅克服了现有识别方法的不足，而且还在一定程度上提高了识别率，本系统在电子战信号处理中有着巨大的潜力。     

不完备信息系统的辐射源识别方法研究

该文将粗糙集理论引入不完备信息系统下的辐射源识别。基于粗糙集理论,给出了一种新的不完备信息系统下辐射源识别模型。该方法以相似关系、相容关系作为基础,通过知识约简和决策规则的提取,较好地解决了不完备信息系统的辐射源识别问题。以雷达辐射源用途识别为例给出实例分析,说明了该模型处理不完备信息识别问题的有效性。     

基于条件证据理论的雷达辐射源识别方法

基于观测证据与先验信息和谐的思想。利用条件证据理论。提出了一种融合先验信息的雷达辐射源识别方法，首先将雷达辐射源观测数据通过灰关联分析表示为D-S数据的随机集形式。然后计算观测证据与先验知识之间的和谐度。最后利用条件证据理论将需要融合的证据进行组合，该方法可在复杂战场环境下充分利用不同来源的信息，提高雷达识别的可靠性。     

弹道导弹雷达目标识别问题的新思考

弹道导弹雷达目标识别是反导系统中的关键技术和难点之一.为了给相关研究人员提供一些思路,从目标、传感器和环境3个方面分析了弹道导弹雷达目标识别发生的新变化,指出了现有研究中存在的不足.就正确分析和理解弹道导弹目标特性、充分挖掘单雷达识别性能、利用多雷达组网进行识别以及合理评价识别效能等急需解决的问题给出了思考.这对进一步研究弹道导弹雷达目标识别提供了一定的参考作用.     

一种改进的雷达信号小波包特征提取方法

针对低信噪比下雷达辐射源信号分类问题,提出一种基于小波包特征提取的改进方法。首先对信号进行小波包分解,然后在小波域采用阈值收缩降噪方法对小波包系数进行去噪处理,并提取去噪后小波包能量的统计特征,最后设计支持向量机分类器实现对雷达信号的自动分类。实验结果表明,采用去噪小波包的特征提取方法能有效降低噪声对信号识别效果的影响,当SNR=-3dB时,信号的平均识别率仍能到达93．3％,在较低信噪比下能够得到较为满意的识别效果。     

Specific radar emitter identification using multiset canonical correlation analysis

In order to improve the performance of a specific radar emitter recognition system, a novel framework based on Multiset Canonical Correlation Analysis (MCCA) is proposed. It extracts the Doppler cuts of the ambiguity function (AF) of each radar signal as the initial feature set and employs MCCA to perform feature fusion and redundancy reduction in such a set. By using label information, the further developed Multiset Discriminant Canonical Correlation Analysis (MDCCA) achieves competitive performance while retaining the low order of canonical vectors. Thanks to the direct fusion strategy, the proposed scheme not only avoids the uncertainty in determining the optimal cut of AF in previous methods, but also extends the conventional CCA, which can only deal with two sets of feature vectors, to the multiset version. Experiments on real radar emitter data demonstrate the effectiveness of the proposed methods.     

双谱二次特征在雷达信号识别中的应用

针对利用常规参数进行复杂体制雷达辐射源信号识别存在的问题,提出将信号双谱作为雷达辐射源特征参数,并将Bhattacharyya分离度准则作为双谱的二次特征提取的算法.利用双谱分析可以完全抑制高斯有色噪声对信号的影响,同时保留信号的幅度和相位信息的特点,提高雷达辐射源特征参数的有效性;针对信号双谱中包含许多对识别辐射源不起显著作用的双谱和与辐射源识别无关的冗余双谱,将Bhattacharyya距离作为双谱二次特征提取的依据,将具有最强类可分离度的双谱提取出来作为信号的特征参数.仿真结果表明,提取的双谱二次特征具备一定的抗噪能力,在较宽信噪比范围内能够较好地体现辐射源之间的个体差异,平均识别正确率可达到95%.     

基于时变AR模型的雷达ESM信号多径抑制

针对雷达ESM信号存在多径干扰,从而影响信号特征提取以及辐射源识别的问题,提出了一种多径抑制新方法．首先采用非线性能量算子方法对多径时延进行粗估计,再利用基于时间函数扩展的时变AR模型方法对信号进行预测．然后根据多径时延粗估计和预测序列,采用最小二乘方法精确估计时延和多径幅度因子．在此基础上,提出一种逐级抑制的多径信号滤波方案．对仿真信号和实测雷达辐射源信号进行实验,结果证明该方法可有效实现信号多径估计与抑制．     

基于多学习单元卷积神经网络的雷达辐射源信号识别

现有基于人工提取特征的复杂体制雷达辐射源信号识别方法时效性低,识别准确率不佳. 为此,提出了一种基于多学习单元卷积神经网络的识别方法. 首先对辐射源信号的模糊函数进行高斯平滑,以校正噪声带来的毛刺与畸变;然后提取其正交切片作为进一步的特征提取对象;最后构建多学习单元卷积神经网络,学习和提取正交切片深层、泛在的特征,并通过softmax分类器进行分类识别. 仿真实验结果表明,所提方法在信噪比为-2 dB时对6类典型雷达信号的整体平均识别率均保持在99.86%以上,即便是在-6 dB环境中,雷达信号的识别率也可达到88.50%,在极低信噪比条件下具有良好的性能和可行性.