一种非组合的电磁目标快速识别算法

针对电磁目标识别算法中辐射源组合的本质是避免同一辐射源的多个可能识别结果同时参与一个目标识别模板的匹配置信度计算的问题,提出了一种非组合的快速电磁目标识别方法。依据目标平台与辐射源的搭载关系,建立辐射源识别和平台识别的两级识别体系,基于两点和三点模板匹配法对辐射源进行识别,然后使用非组合的快速模板匹配法对目标平台属性进行识别。仿真实验表明使用该方法计算目标的识别置信度简单易行,可用于实际工程中电磁目标的识别。     

D-S证据理论在舰机目标识别中的应用

介绍了D-S(Dempster-Shafer)证据理论的基本概念及其应用特点,分析了舰船和飞机目标识别的需求以及基于搭载辐射源识别舰机目标平台的可行性,结合需求背景,阐明了D-S证据理论在舰机目标识别中的应用方法,详细说明了识别框架的构建和基本概率赋值过程,并在试验环境下验证了该应用方法的可用性和有效性。     

基于KNN和雷达辐射源脉间参数的舰船目标个体识别方法

针对同型多目标位置接近无法有效区分的问题,提出了一种基于KNN和雷达辐射源脉间参数的舰船目标个体识别方法.根据雷达辐射源脉间参数计算待识别雷达信号与已识别雷达信号的参数关联度,若关联度小于阈值则认为是不同雷达,否则认为是同型雷达则利用最近邻分类算法通过计算待识别雷达目标位置点与已识别雷达目标历史航迹点的距离来判决待识别...     

基于轻量化深度网络的舰船目标识别技术研究

针对海上多平台资源受限条件下的舰船目标识别任务,提出一种基于轻量化深度网络的舰船目标识别方法,通过深度可分离卷积及多尺度语义信息融合等进行改进。设计了嵌入式平台应用背景下的轻量化舰船目标识别方法,在自建目标数据集保证top5准确率达到93.5%情况下,实现了模型参数量与计算量的大幅度削减。证明了该网络在低功耗资源受限情况下能够有效完成舰船目标识别任务。     

一种辐射源平台识别方法

辐射源和平台识别是电子战的一个重要组成部分,对后续的威胁估计和态势估计起奠基的作用。本文探讨了参数估计理论和辐射源型号识别方法,并提出了一种基于参数估计和辐射源型号识别的辐射源平台的识别,仿真实验证明该方法是有效的。     

基于两级证据合成的海上辐射源目标识别方法

在通用的D-S证据理论目标识别模型基础上,以海上电子侦察行动为背景,提出了一种基于两级证据合成的辐射源目标识别方法.在辐射源信号数据库和综合情报数据库的支持下,该方法分别采用灰关联法和综合分析法对辐射源信号和装备平台进行概率赋值,通过证据合成公式计算得到识别结果,实现从信号到设备、从设备到平台的两级识别目的.研究表明,该方法简单易行,有利于提高识别结果的准确性.     

基于特征融合与规则推理的目标识别

为了在干扰电磁环境下提高辐射源和平台目标识别的可靠性,建立了特征级和决策级 的分级融合识别框架,通过特征相关和匹配置信度融合进行辐射源识别,提出了基于粗糙集 规则推理目标识别决策方法。仿真结果表明该方法能增强目标识别的容错性。     

基于辐射源信号指纹的精确识别与认证技术研究

本文设计了基于辐射源信号指纹的精确识别与认证系统,通过处理辐射源射频信号,提取信号的无意调制信息开展目标属性精确识别,对辐射源硬件进行唯一性识别与认证并对伪装目标进行拒止接入。系统适配通信、电子多类辐射源射频信号,具备复杂电磁环境下的全流程信号侦收分选、目标精确识别、反伪装反欺骗认证、定位跟踪及自动化交互功能。     

改进的YOLO模型及其在舰船目标识别中的应用

针对传统目标识别方法资源消耗大、精度和可靠性低、泛化能力不强的问题,提出了一种基于改进YOLO（You Only Look Once）模型的舰船目标识别方法。通过精简YOLO模型,设计了一个10层的卷积神经网络用于舰船目标的自动特征提取和分类识别,模型训练过程中引入迁移学习的概念防止模型过拟合并加速模型参数的训练。在自建舰船目标图像测试集上的实验分析结果表明,该方法能够正确识别出航母、除航母外的其余军舰及民船三类舰船目标,识别精度达到93.7%且识别效率较高,验证了所提舰船目标识别方法的有效性。     

一种基于视觉感知的舰船目标智能化识别方法

为有效识别视觉系统采集的可见光图像中的舰船目标,提出了基于YOLO（You Only Look Once）网络模型改进的10层的卷积神经网络（Convolutional Neural Network,CNN）用于水面舰船目标的智能识别,通过反卷积的方法可视化CNN中不同卷积层提取到的舰船目标特征。按照传统目标识别方法提取了舰船目标的四类典型人工设计特征,将所提CNN的舰船目标识别结果与YOLO网络模型及四类人工设计特征结合支持向量机用于舰船目标识别的结果进行比较。实验结果表明,与YOLO网络模型相比,综合精确率、召回率和效率3个舰船目标识别的性能指标,改进后的CNN性能更好,从而验证了所提方法的有效性。不同数据量下采用典型特征识别舰船目标与基于深度CNN识别舰船目标的识别结果比较说明了不同类型目标识别算法的优劣势,有利于推动综合性视觉感知框架的构建。     

云模型在分布式传感器辐射源识别中的应用

针对辐射源识别中的参数模糊交叠问题,提出了基于云模型的辐射源样本隶属度获取方法,结合分布式传感器的优势,构建云模型在分布式传感器辐射源识别中的应用系统。首先介绍云模型的有关概念,其次分析分布式传感器的特征,再由云模型区间型和离散型辐射源样本隶属度,并进行单传感器时域融合和分布式传感器信息融合,利用判决规则完成决策。仿真结果说明基于云模型的辐射源识别率高。     

Specific emitter identification based on ITD and texture analysis

To solve the defects of time-frequency analysis and poor separability of extracted features in specific emitter identification (SEI) based on Hilbert-Huang transform (HHT),a novel SEI method based on intrinsic time-scale decomposition(ITD)was proposed.ITD was utilized to decompose the emitter signals and get the time-frequency energy distribution(TFED)firstly,later the TFED spectrum was transformed into gray image and several image texture features through histogram statistic and gray-level co-occurrence matrix was extracted for identification.Measured ship communication signals and simulated emitter signals were used to test the performance of proposed method.Compared with another two SEI methods based on HHT,the proposed method is proved more effective in identification accuracy.     

基于参数模板的雷达辐射源模糊识别方法

针对当前辐射源识别存在的模糊性和不确定性特点，引入了基于参数模板的模糊识别方法，为解决这类问题提供了一个有效途径，阐述了雷达辐射源识别的基本思想，详细描述了算法的实现过程，最后介绍了算法的仿真设计和软件实现，并对仿真结果进行了分析。     

雷达辐射源分类识别方法综述

阐述了雷达辐射源识别研究的必要性,详细介绍了现有雷达辐射源基本分类识别方法,系统梳理了现有分类识别技术的优缺点,合理分析了多、大且杂的电磁环境下雷达辐射源识别研究趋势,提出将深度学习与雷达辐射源识别全面结合,实现雷达辐射源识别智能化。     

基于云模型和矢量神经网络的辐射源识别方法

 矢量神经网络在训练阶段既不能处理语义信息,也没有考虑训练样本本身的可靠性,因而造成辐射源不能正确识别的问题,为此提出了一种基于云模型和矢量神经网络的识别算法.该算法利用云模型来实现定性概念到定量区间值的转换,并利用改进后的矢量神经网络实现区间类型的矢量输入到区间类型型号输出的非线性映射.仿真实验表明,本文方法不仅能处理语义类型的输入矢量,而且能够处理数字类型的输入矢量,并且在测量误差环境中具有较高的识别率.     

基于子空间比较的宽带信号下辐射源 功放"指纹"分类方法

 本文提出了一种基于功放宽带Volterra级数模型的辐射源"指纹"分类方法,以用于电子侦察对宽带信号源的特定辐射源识别.针对传统Volterra系统MIMO建模方法的适应性不足,以及系统辨识过程存在维数爆炸问题,本文推导出一种对编码类和调频类宽带信号都适用的MIMO建模方法,然后直接基于参数子空间比较来实现功放的指纹分类.对本方法的"独立性"和"可测性"进行了分析.数值仿真实验对子空间比较方法进行了验证.     

数据库样本缺失下的雷达辐射源识别

目前,基于机器学习的雷达辐射源识别技术大多以训练集和测试集同分布为假设,当雷达数据库样本不足导致与信号真实分布存在偏差时,传统的分类方法效果不佳.为此,将迁移学习理论引入识别系统,设计了一种基于结构发现与再平衡的雷达辐射源信号识别方法.通过对数据库和待识别辐射源信号样本进行聚类分析发现数据结构信息,通过重采样处理修正其分布差异.将新采样数据输入支持向量机进行训练并对侦收样本进行识别.仿真实验表明,在新训练样本集上学习的模型对测试集的分类性能有了很大的提升.     

基于粒子群优化的神经网络算法在辐射源特征聚类中的应用

战场辐射源识别已成为电子侦察和雷达威胁告警的基本要素,其关键技术之一——辐射源特征聚类算法的研究也显得日益重要。在分析常用误差反传（BP）网络算法对辐射源特征聚类的不足后,提出利用基于粒子群优化的神经网络算法对多特征参数进行聚类。通过比较该优化算法和传统BP网络算法在聚类正确率和收敛速度方面的差别,验证了基于粒子群优化的BP算法在辐射源特征聚类中相对于传统BP算法的优越性,仿真结果证明了该方法具有较好的实用价值。     

一种优化孪生网络的小样本辐射源个体识别方法

针对信号辐射源个体识别小样本难以稳定收敛、识别准确率不足的问题,提出了一种基于优化孪生网络模型进行小样本辐射源个体识别的方法,分析了通过孪生网络实现不同类别样本对特征向量距离增大、相同类别样本对特征向量距离减小的弹簧模型,达到小样本训练损失函数的快速收敛的目的,并结合交叉熵实现损失函数优化,从而提升了小样本个体识别的准确率和稳定性。试验结果表明,针对每类不大于10个训练样本集的通信电台所提方法能够达到88%以上个体识别准确率。     

窄带信号中的放大器"指纹"特征提取: 原理分析及FM广播实测实验

 本文提出了一种利用放大器非线性特性来进行特定辐射源识别的多通道相关指纹识别(Multi-Channel Correlation Fingerprinting;MCCF)方法.该方法首先由功率放大器的泰勒级数模型导出窄带输出信号的载频分量和谐波分量表达式,然后利用两分量的关联性,将载频分量作为放大器激励信号的近似,代入谐波分量的表达式中,用最小二乘方法估计出"指纹"特征量.在此基础上本文分析了MCCF的指纹特征的可观测条件和估计的CRLB.该方法定义的指纹特征与放大器的级数模型有关,与激励信号的形式无关,因此是发射机固有的.依据本方法对长沙地区的调频广播的电台进行了"指纹"提取实测实验,在谐波分量功率比载频分量小60到80dB的典型条件下,对四个电台的发射机进行了有效的分类.