基于PRI变换和小波变换的雷达信号分选

分析了脉冲重复间隔(PRI)变换算法和小波变换算法的基本原理,针对两种算法在雷达信号分选中的优缺点,提出了一种基于PRI变换和小波变换相结合的雷达信号综合分选方法。该方法首先利用PRI变换对雷达信号粗分选,然后应用小波变换进行细分选。仿真结果表明,在信噪比不低于10dB的条件下,该方法准确可行。     

一种新的ESM数据分选算法

研究获取敌方雷达辐射源数据,在识别准确性问题上,ESM数据分选在电子侦察领域有重要的作用.针对辐射源识别的正确性,采用聚类和到达角外推相结合方法实现ESM数据分选,提出一种基于支持向量机和到达角外推的ESM数据分选算法.算法根据ESM数据辐射源参数信息,用支持向量机实现ESM数据聚类,根据其参数实现分类,再将信号到达角外推,预测信号下一时刻到达角,并以最近邻域关联准则将信号方位角关联,从而实现ESM数据分选.算法有效结合了辐射源参数特征和到达角变化趋势,可在辐射源较密集的环境下实现分选.仿真结果和实际数据测试表明了算法的有效性.     

基于PRI谱的双门限雷达信号分选算法及其硬件平台设计

针对修正的PRI变换法无法分选重频参差雷达信号的缺点,提出了一种基于PRI谱的双门限雷达信号分选算法.该算法先对PRI谱设定双门限检测各个准PRI,再结合组合查看及序列搜索提取各个PRI.同时,构建了一种预分选、主分选结合的新型分选平台.预分选利用带有PowerPC的FPGA构架片上系统,完成对脉冲雷达信号的实时测量、AOA分类及数据存储;主分选采用DSP专职完成其他维参数的分选算法.谊分选新算法在保留抑制PRI子谐波优点的同时,对重频固定、抖动和参差的雷达脉冲信号都有较好的检测结果.视频信号源的大量测试表明,谊分选平台对普通雷达、PRI抖动和参差雷达、频率捷变雷达及一些特殊雷达均具有较好的分选能力.     

基于在线核聚类的雷达信号分选方法

提出一种变参数在线核聚类算法(OKCAP),将其应用于未知雷达辐射源信号分选中。OKCAP基于支持向量机的思想,采用核映射技术将数据映射到高维线性空间中进行处理,利用随机梯度下降法更新类的边界函数,且梯度下降步长和惩罚项参数可根据雷达信号动态调整,从而实现雷达辐射源信号的在线分选。仿真结果证明,该方法具有较快的聚类分选速度和较高的分选准确率。     

基于网格密度峰值聚类的实时雷达分选系统

雷达分选是雷达信号处理中的重要环节。为了解决从复杂电磁环境中准确分选出各个雷达信号的难题,提出一种新的基于网格密度峰值的数据流聚类算法,并将其应用于对雷达信号脉冲描述的实时聚类,从而进行雷达分选。该算法采用双重网格划分方式,解决传统基于网格的聚类算法中边界丢失的问题,并采用基于改进密度峰值的网格合并方式进行聚类避免将距离较近的类合并。仿真实验结果表明,该算法可以用于实时雷达分选,很好地处理了重叠严重的雷达信号,有较高的准确度和抗干扰能力。     

基于新型RBF网络的雷达信号分选识别方法

提出了一种基于径向基函数 (RBF)网络的雷达信号分选识别方法 .这种RBF网络分选系统采用改进免疫算法设计RBF网络的隐层参数 ,可以达到较高的优化效率 ,使系统结构趋于全局最优 .在复杂雷达信号环境下的仿真实验表明 ,这种基于RBF网络的雷达分选识别系统能够有效利用输入信号资源 ,达到了较高的分选精度.     

基于PRI变换和小波变换的雷达信号分选

分析了脉冲重复间隔（PRI）变换算法和小渡变换算法的基本原理，针对两种算法在雷达信号分选中的优缺点，提出了一种基于PRI变换和小波变换相结合的雷达信号综合分选方法。该方法首先利用PRI变换对雷达信号粗分选，然后应用小波变换进行细分选。仿真结果表明，在信噪比不低于10dB的条件下，该方法准确可行。     

一种改进的DNN算法在雷达信号分选中的应用

针对深度神经网络能自动学习数据深层特征的优点进行了研究，提出一种基于深度信念网络的信号分选方法，来解决传统雷达信号分选中人工提取特征的耗时、特征冗余等问题。通过堆叠多层的深度模型对原算法进行改进，克服单一模型学习力的不足，对不同信号的本质特征进行深入学习，融合各个深度模型的后验概率进行分类决策，从而进一步提高了信号的识别率。采用改进方法对七种不同类型的雷达信号进行分选识别，并与其他信号分选方法进行对比，实验结果表明，该方法取得了更好的分类效果，展现出较强的学习数据本质特征的能力，从而验证了算法的有效性和优越性。     

基于多二维RBF神经网络的航空雷达信号分选

针对航空雷达信号分选中侦察装备普遍存在的信号分选实时性差,分选结果经常出现增批、漏批现象的缺点.为了提高侦察系统在复杂电磁环境下准确快速的分选出雷达辐射源信号,根据径向基(RBF)神经网络通过理想数据训练后能够对未知数据进行分类的特点,将径向基神经网络算法用于对航空雷达侦察信号的分选,在此基础上提出了一种新型多二维径向基神经网络结构,通过与BP网络、RBF网络的对比,多二维径向基神经网络的识剐率优于其它几种网络,而且其结构便于实现.通过试验结果可以得出,多二维径向基神经网络能够提高雷迭信号分选的准确率.     

基于Wpt_6和Cr_1的雷达辐射源信号分选

针对现有方法分选准确率不高和对噪声敏感的问题,提出一种新的雷达辐射源信号分选算法。对接收到的未知雷达辐射源信号,首先提取其第六维小波包特征(Wpt6)和第一维相像系数(Cr1),将两者作为分类依据,并利用Kohonen神经网络实现对未知雷达辐射源的分选。计算机仿真结果表明,新方法较传统的分选方法可以获得更高的准确率。     

未知雷达辐射源分选的一种新方法

为提高未知雷达辐射源的分选正确率,本文提出一种基于第二维相像系数(Cr2)和第四维小波包特征(Wpt4)相结合的分选新方法。对接收到的未知雷达辐射源信号,首先提取其Cr2和Wpt4,将Cr2和Wpt4作为分类依据,并利用基于核方法的模糊C-均值算法(KFCM)实现对未知雷达辐射源的分选。计算机仿真结果表明,新方法较传统的分选方法可以获得更高的准确率。     

一种新的未知雷达辐射源聚类分选方法

未知雷达信号的分选一直是雷达对抗情报处理中的难题。因此,提出了一种新的基于数据势场聚类的未知雷达信号分选方法。该方法无需预先指定分类数,利用信号参数之间的关联性自动进行聚类,以此达到分选的效果。同时方法适宜于处理大量数据,对噪声影响不敏感,无需先验知识支撑。最后,通过计算机仿真验证了该方法的可行性和有效性。     

基于高斯平滑与模糊函数等高线的雷达辐射源信号分选

雷达辐射源信号分选是电子侦察系统、威胁告警系统的关键步骤.针对现有基于模糊函数的复杂体制雷达辐射源信号分选方法信息利用率低、易受噪声影响等问题, 提出一种基于模糊函数等高线的分选新方法; 首先, 对信号的模糊函数进行高斯平滑处理并绘制其等高线作为进一步的特征提取对象; 其次, 从图像处理的角度提取正外接矩和方向角作为雷达信号分选的特征向量; 最后, 用核模糊C均值聚类算法对特征向量进行分选.仿真实验表明, 所提方法在8 dB以上的固定信噪比环境下分选6类典型信号的成功率均为100 %, 即使在0 dB环境下, 分选成功率也保持在89.04 %以上; 在0 ~ 20 dB动态信噪比环境下分选成功率达到96.36 %.实测数据验证, 所提特征提高了5种外场辐射源信号的分选效果, 可作为经典5参数的有效补充. 此外, 所提特征还具备较低的计算量, 提取单个信号特征的耗时仅为0.24 s, 具有一定的工程价值.     

UAV swarm based radar signal sorting via multi-source data fusion: A deep transfer learning framework

Traditional clustering algorithms can be applied for the pre-sorting step of radar signal sorting. It can effectively dilute the pulse stream and prevent the dense pulse stream from interfering pulse repetition interval (PRI) extraction. However, the pre-sorting deviation will cause interference and missing pulses during the main sorting process. To solve this problem, we deploy the unmanned aerial vehicle (UAV) swarm to monitor reconnaissance areas and put forward a novel deep transfer learning based signal sorting method. The UAV swarm can collect the pulses from different time and spatial domains, and interference and missing pulses in main sorting processing can be relieved dramatically. In our model, we pre-train our model with the data collected from multiple source areas, which corresponds to different areas detected by different parts of UAV swarms. Then we fine-tune our model with the data of the target area. The experimental results prove that the signal sorting accuracy of methods based on deep transfer learning, i.e., YOLO-MobileNet, F-RCNN and cascade RCNN, are higher than that of the baseline methods. In addition, the signal sorting accuracy of traditional methods based on deep learning can be greatly improved with the help of transfer learning.     

模糊函数主脊切面特征提取的粒子群优化方法

模糊函数主脊切面能较为完整地描述雷达辐射源信号的结构信息,其特征参数可作为信号分选经典五参数的有效补充。但搜索信号模糊函数主脊切面的计算量较大,不利于雷达信号的实时分选。提出一种模糊函数主脊切面特征快速提取的改进粒子群优化方法,该方法通过均匀初始化策略、随机惯性权重与自然选择等技术,有效避免了算法陷入局部最优并显著提高收敛速度。实验结果表明,所提方法能可靠地工作在SNR不低于6dB的情况下,在显著提高搜索速度的同时还可获得更为精确的模糊函数主脊切面,进一步证实了方法的可行性和有效性。     

小波阈值去噪在FMCW雷达信号处理中的应用

针对调频连续波（FMCW）雷达回波信号中存在噪声的问题,采用小波阈值法进行去噪。详细讨论了小波阈值去噪过程中各参数的选取原则,构造了一种优于典型阈值函数（如：软、硬阈值函数,软硬阈值改良折衷法和半软阈值函数）的新阈值函数。利用典型阈值函数和构造的阈值函数,对实际雷达回波信号进行处理,证明了构造的阈值函数去噪效果更佳。