低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别

针对低信噪比条件下复杂多类雷达信号调制方式识别率低的问题,本文提出了一种基于时频分析和深度学习的雷达信号调制方式识别方法 .利用CTFD(Cohen class Time-Frequency Distribution)时频分析将信号时域波形变换为二维时频图像,更清晰地表征信号特征;采用灰度化和双三次插值运算等方法对时频图预处理,实现图像通道数和尺寸的减少,以降低深度学习模型数据输入量;进一步调整输入输出通道数构建小型EfficientNet网络,再由多个小型网络并行处理构建分裂网络EfficientNet-B0-Split3,将时频图像输入网络实现雷达信号调制方式识别.实验结果表明,在信噪比为-8 dB时,新方法对17类不同调制方式的雷达信号整体识别率可达97.1%,相对于扩张残差网络提高约2.4个百分点;在信噪比为-10 dB时,识别率可达92.1%,相对于EfficientNet提高约0.7个百分点,提升了低信噪比条件下复杂多类雷达信号调制方式识别率.     

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。     

基于三维特征的雷达信号脉内调制识别

针对低信噪比条件下雷达信号识别算法对噪声敏感的问题,提出了一种基于三维特征的雷达信号脉内调制识别算法。该方法通过提取信号的差分近似熵、调和平均分形盒维数和信息维数特征组成三维特征向量,使用遗传算法优化的BP神经网络分类器实现雷达信号的分类识别。仿真结果表明,所提取的三维特征在信噪比为-4~10 dB变化范围内具有较好的类内聚集度和类间分离度,可以实现对不同雷达信号进行识别,证实了该方法的有效性。     

基于小波分析的雷达信号调制方式识别

雷达信号的脉内调制特征是雷达信号细微特征的重要体现,因此要对雷达信号分选和识别,高可信度地判别雷达属性,必须对雷达信号脉内调制特征进行分析。小波变换特别适用于非平稳信号的分析,作为一种特征提取的工具己得到较广泛的应用。用小波变换的方法对常见的几种雷达信号进行了调制方式的识别。     

基于改进残差网络的雷达辐射源多标签识别北大核心CSCD

针对现有的雷达辐射源识别方法具有低信噪比情形下识别精度低、无法识辩多个辐射源等缺点,文中提出融入注意力机制的残差网络用于雷达辐射源多标签识别。首先,利用残差网络学习过程数据的时序特征并提取相应的深层特征;然后,引入注意力机制对提取的特征进一步地分类和识别;最后,在雷达辐射源数据集上进行仿真实验。结果表明所提的Atten-Resnet模型不但可以在多标签条件下进行雷达辐射源的准备识别,而且在信噪比为6 dB时仍然可以保持95%以上的准确率。Atten-Resnet模型具有较高的实用性和较强的鲁棒性。     

基于带宽比特征的雷达辐射源信号识别

提出了用信号带宽比特征识别雷达辐射源的新方法。通过两次对雷达辐射源信号进行平方处理,提取两次处理前后信号带宽的比值组成二维特征向量。利用四种常见的雷达辐射源信号进行的仿真实验结果表明,带宽比特征类内聚集性强,类间分离度大,能达到非常满意的正确识别率,证实了所提方法的有效性。     

基于熵特征的雷达辐射源信号识别

针对现有方法识别率低和没有考虑噪声影响的问题, 提出一种新的雷达辐射源信号识别方法. 将近似熵(ApEn)和范数熵(NoEn)构成特征向量, 用神经网络分类器实现自动分类识别. ApEn是定量描述信号复杂性和不规则性的有效测度, NoEn是定量表征信号能量分布的有效参数. 理论分析和实验结果表明, 熵特征类内聚集性强、类间分离度大, 在较大信噪比范围内均能获得非常满意的正确识别率, 证实了所提出方法的有效性.     

基于脉内特征参数的雷达信号调制方式识别方法

研究了一种识别辐射源脉内调制方式的方法。该方法运用分形维数和相像系数作为辐射源信号的脉内特征,提出了基于模糊综合评估获取特征的基本概率赋值,然后运用D-S证据理论进行多脉冲数据融合,从而识别辐射源信号调制方式的方法。基于本方法的辐射源脉内调制方式识别方法通过仿真试验表明,其正确率高,具有一定应用价值。     

基于BSResSKGRU的雷达信号调制样式识别

针对基于图像识别的雷达信号调制样式识别方法生成图像耗时长,收敛速度慢,且在低信噪比条件下识别准确率低的问题,提出了一种新的雷达信号调制样式识别模型。此模型将雷达信号时间序列经简单预处理后直接作为网络输入,避免了将信号转换为图像的复杂过程;网络能够自主提取雷达信号空间和时间两个方面特征,完善了特征提取的方式;同时,对网络结构进行了优化,并引入了选择性核网络,以获取特征在不同尺度上的重要信息。实验结果表明,此模型在低信噪比条件下具有较快的训练速度和较高的识别准确率。     

基于理想排序的雷达信号识别效能评估方法

当前对雷达辐射源信号识别效能评估的研究处于起步阶段,没有一种很好的评估方法对其进行评估.为此,论文提出一种基于AH P-I2TOPSIS的雷达辐射源信号识别效能评估方法.该方法主要在以下三点对传统区间TOPSIS方法进行改进,以消除逆序问题:利用AHP方法计算指标权值;利用理论极值确定绝对正负理想点;利用区间距离计算评估方案到正负理想点的距离并改进贴近度计算方法,并将AHP-I2TOPSIS方法应用于雷达辐射源信号识别效能评估中得到新的雷达辐射源信号识别效能评估方法.最后通过评估实例证明论文所提方法能有效解决逆序问题,并能很好地应用于雷达辐射源信号识别效能评估中.     

基于小波包变换和特征选择的雷达辐射源信号识别

为了提高雷达辐射源信号的正确识别率以满足现代电子对抗的需要，提出一种基于小波包变换和特征选择的雷达辐射源信号识别新方法。先采用小波包变换进行特征提取，再采用基于量子遗化算法的相像系数特征选择法来挑选出小波包特征中分辨能力强的特征。仿真实验结果显示，该方法用较少的特征能获得较高的正确识别率，具有一定的参考价值。     

基于随机森林的雷达信号脉内调制识别

针对雷达信号脉内调制识别算法存在着准确率低的问题,提出一种新的雷达脉内调制类型自动识别方法,该方法首先提取雷达信号时频图像的形状特征和纹理特征构成融合特征,然后将融合特征输入随机森林分类器,实现信号的分类识别.仿真实验中对8种常见的不同调制类型的雷达信号进行识别,提出的算法在信噪比为-2 dB时识别准确率可以达到90％以上,验证了该方法的有效性.     

类别不平衡条件下的雷达信号识别

在实际电子侦察过程中,由于各种原因,侦收到的不同类型信号数量相差很大,类别之间严重不平衡,常规方法在这种数据集下训练得到的分类器不能有效识别少数类.针对这一问题,首先采用栈式自编码器对中频数据进行降维和特征提取;然后在降维后的特征空间内通过多种过采样方法生成新的少数类样本,使数据集重新平衡,并利用再平衡后的数据集训练支...     

基于参数样本图的雷达辐射源识别

在现代信号环境中,基于传统的雷达信号特征描述方式很难对复杂体制雷达辐射源进行准确描述和识别。提出一种新的雷达参数样本图的描述方式,并研究了基于参数样本图的雷达辐射源识别算法,利用脉冲序列与雷达参数样本图进行匹配识别,给出了参数类型匹配及参数样本图匹配的方案。仿真结果表明,这种方法是有效的。     

一种基于星座图恢复的多进制相位调制信号识别算法

在实际调制过程中,无线电波传输多径及衰落引起的符号间干扰和信号接收端的载波频偏会造成星座图难以识别。针对这一问题,提出了一种基于星座图恢复和卷积神经网络的多进制相位调制信号识别算法。首先,设定相邻采样点距离和相位角的阈值以筛除发生符号间干扰时的采样点,保留剩余的有效采样点并形成聚类组;然后,通过旋转相邻聚类组抵消载波频偏带来的影响,实现星座图的恢复;最后,利用卷积神经网络对星座图进行特征自动提取和调制识别。实验结果表明,对于实测信号,所提算法能够较好地恢复星座图并实现BPSK、QPSK和8PSK的准确识别。最终的识别准确率达到了99.9%,较星座图恢复前提高了24.2%。     

基于峭度加权VMD和熵特征的雷达脉内调制识别

针对复杂电磁环境下识别雷达信号脉内调制样式困难以及受噪声影响识别准确率受限的问题,提出了一种将变分模态分解(Variational Mode Decomposition, VMD)与熵特征提取相结合的识别方法。首先,通过基于峭度加权的改进VMD算法对雷达信号进行分解,得到由三个本征模态函数组成的最优分量集合;其次,对各分量分别计算其模糊熵、排列熵和符号熵值,从而实现对熵特征信息提取;最后,将特征向量输入到支持向量机完成识别。相较于其他方法,该方法有着较高的识别准确率和抗噪性能,在2 dB信噪比以上平均识别准确率为94.63%。     

基于改进的半监督聚类MQAM信号的调制识别

传统的聚类算法用在MQAM信号的调制识别中,算法的迭代次数多,特别对高阶调制信号运算时间长。针对此问题,本文提出了一种改进的半监督聚类重构星座图的方法,用标记的样本点来指导隶属度和聚类中心的更新,降低了算法的运算复杂度,减少了迭代次数,聚类中心数目准确。通过分析接收端星座图,提取星座图的特征参数R并与标准星座图的参数Rs进行比较,实现对不同阶数MQAM信号的调制方式的识别。仿真结果表明该方法对MQAM信号的识别率在90%之上,且算法的复杂度低,尤其当调制阶数较高、数据长度较长时,能够将运算时间减少为原来的1/3。