电子侦察脉冲列中重频信息提取与应用综述

脉冲重复间隔（PRI）或脉冲重复频率（PRF）是雷达辐射源最稳健的特征参数之一，体现了雷达辐射脉冲的时序规律。在功能上，重频既决定了雷达单值测距范围,又影响不模糊测速区域大小。现代雷达常采用多个重频值和多种调制类型以满足不同功能的需求。在非合作机制的电子侦察领域，PRI指2个连续脉冲上升沿的间隔，是重要的脉冲描述字（PDWs）之一。由PRI衍生的雷达重频信息包括典型重频值集、重频调制类型、重频参数时序模式，均需要从复杂的电子侦察脉冲列中提取之后才能应用至分选、识别等数据处理任务。从电子侦察系统中重频信息提取与应用的体制与技术难点出发，综述了3种重频信息提取与应用的研究现状，并对重频信息提取与应用的进一步发展做出了展望。     

一种新的雷达PRI调制特征提取方法

针对雷达脉冲重复间隔类型识别中存在的问题,提出了一种基于Sp向量曲线的特征提取算法.根据4种典型模式的雷达信号脉冲序列的特点,该算法应用Haar变换从雷达脉冲信号中提取频率特征,构成二维特征向量,实现雷达信号PRI调制类型的自动识别.仿真结果表明,对特征向量进行大幅度降维后,不仅简化了分类器,而且用于PRI识别仍是可行和有效的.     

基于极值序列特征集的雷达PRI调制模式识别算法

识别雷达信号的脉冲重复间隔(PRI)调制模式是分析雷达工作状态和工作任务的重要手段。针对复杂体制雷达的PRI调制模式可实时切换并改变调制参数因而难于识别的问题,提出一种基于极值序列特征集的雷达PRI调制模式识别算法。该算法首先提取PRI序列的极值特征,构建极值序列特征集;然后,基于PRI序列及其特征集建立恒参、类正弦、正弦和抖动判定准则,实现雷达PRI调制模式的分层识别。仿真分析表明:该算法对复杂体制雷达PRI调制模式的识别正确率达95.3％ ,同时具有较高的实时性,在电子对抗应用领域具有良好的前景。     

基于扩张残差网络的雷达辐射源信号识别

针对低信噪比条件下,复杂多类雷达辐射源信号识别存在特征提取困难,识别正确率低的问题,本文提出了一种基于时频分析和扩张残差网络的辐射源信号自动识别方法.首先通过时频分析将信号时域波形转换成二维时频图像以反映信号本质特征;然后进行时频图像预处理以保留时频图像完备信息,适应深度学习模型输入;最后构建扩张残差网络以自动提取信号时频图像特征,实现雷达辐射源信号分类识别.实验结果表明,信噪比为-6dB时,该方法对16类雷达辐射源信号的整体识别正确率能够达到98.2%,对时频图像特征相似的类LFM（Linear Frequency Modulation）信号的整体识别正确率超过95%.本文提供了一种新的雷达辐射源信号智能识别方法,具有较好的工程应用前景.     

一种基于时频原子特征的雷达辐射源信号识别方法

提出了一种全新的基于时频原子特征的雷达辐射源信号识别方法.训练阶段,在过完备时频原子库的基础上,以类区分度为度量,提取少数最能区分不同类别信号的时频原子作为一组固定的特征;识别阶段,以原子和信号的内积的绝对值作为分类器的输入特征,采用有监督模糊自适应共振网络进行辐射源的自动识别.对5类典型雷达辐射源信号的实验结果表明,...     

一种新的雷达辐射源识别方法

提出一种用于雷达辐射源识别的新方法。根据小波包特征（WPT）和脉冲重复间隔（PRI）的特点,将八维WPT中的第六、七个分量（Wpt6、Wpt7）以及PRI的均值和方差（mpRI、σ^2PRI）四个特征参数作为雷达辐射源的识别依据,设计了径向基概率神经网络（RBPNN）分类器。通过计算机仿真验证了新方法的可行性,与常规方法相比,不仅提高了识别准确率,识别速度也有所提高。     

基于多特征量的雷达辐射源脉间PRI调制识别

雷达辐射源脉间PRI调制识别一直是电子侦察领域的热点和难点问题。针对这一问题提出了一种基于多特征量的综合识别处理算法,根据固定、抖动、参差、组变等7种雷达脉冲常见的PRI调制方式特点,从时域及频域的角度出发,有针对性地提取了零交叉密度、PRI序列差分零点密度等多个特征量,通过建立特征量与对应门限之间的逻辑关系,有效实现了对7种常见PRI调制方式的识别输出,一定程度解决了现阶段部分识别算法工程实践性不强及可识别PRI调制方式较少的问题。     

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.     

基于时频分布图像和主分量分析的脉内调制识别算法研究

本文提出了一种利用模式识别中图像处理的方法来进行雷达脉内调制特征识别的新算法.通过对雷达信号时频分布图像进行二维小波分解,并对其进行主分量分析,获得每类雷达信号中的特征参数,构建相应的分类器,并利用此分类器对信号进行识别.仿真结果表明,利用信号的时频分布图像来进行信号识别是完全可行的,提取的特征参数具有很好的鲁棒性,具有较强的抗噪声能力,同时可以取得较高识别率.     

基于脉冲序列重构的雷达PRI调制类型智能识别算法研究

雷达脉冲重复间隔（PRI）是雷达信号的关键参数,对于雷达性能发挥起着至关重要的作用。研判雷达PRI调制类型能够为雷达识别和性能分析提供重要支撑,是电子对抗领域的关键研究内容。针对现有PRI调制类型识别准确率受脉冲丢失影响较大的问题,本文提出了一种基于脉冲序列重构的雷达PRI调制类型智能识别算法。首先,基于到达时间（TOA）多阶差分序列实现了PRI调制周期的初步估计;其次,根据PRI调制周期重构了不同脉冲序列样本;再次,对重构样本进行去均匀值预处理,并以此为输入搭建了卷积神经网络（CNN）识别PRI调制类型,该方法能够减弱人工提取特征的局限性,不仅可以获取PRI序列的深层特征,而且具有更强的环境适用性;最后,仿真实验表明了所提方法的有效性。在脉冲丢失率小于60%时,所提方法对于所有PRI调制类型的识别准确率均在92%以上,平均识别准确率大于98%,在脉冲丢失率小于80%时,平均识别准确率在81%以上。     

基于GAIN-LSTM网络的雷达PRI序列还原及识别方法

开展脉冲重复间隔(Pulse Repetition Interval, PRI)模式识别工作是电子支援系统的一项重要任务。现代复杂电磁环境下,受雷达辐射源部署和接收设备本身影响,雷达脉冲丢失率极高,导致分选后PRI序列调制规律被破坏,现有的PRI模式识别方法准确率不足。针对上述问题,从PRI序列还原角度出发,并结合PRI序列本质是时序序列的特点,提出GAIN-LSTM(Generative Adversarial Imputation Nets and Long Short Term Memory)网络架构,其先对丢失脉冲位置进行补全操作,恢复PRI调制规律,然后对还原后PRI序列进行调制模式识别。仿真结果表明,提出的GAIN-LSTM网络架构在脉冲丢失率70%时仍保持95%的正确识别率。     

基于周期样本图重构的雷达PRI调制类型识别算法研究

为提升对雷达脉冲重复间隔(pulse repetition interval, PRI)的分析性能,提出了一种基于周期样本图重构的雷达PRI调制类型识别算法。首先,建立了雷达PRI调制模型,分析了不同调制类型的信号特点;其次,利用到达时间(time of arrival, TOA)多阶差分序列估计了雷达PRI调制周期,并基于直方图算法重构了PRI周期样本图;然后,以PRI周期样本图为基础,提出了5个PRI调制特征实现PRI调制类型识别;该方法不仅能够提升PRI调制类型的识别准确率,而且对干扰脉冲特别是脉冲丢失具有很强的稳健性;最后,仿真实验表明了所提方法的有效性。     

基于时差多参分选的多层感知器网络脉间识别

现代战争中,雷达系统发展迅速。为识别复杂的雷达信号调制模式以及混合体制雷达,该文提出一种基于多站获取脉冲时差参数联合其他脉冲描述字分选的办法,利用多层感知器神经网络得到脉间调制识别结果。该文通过时差参数与其他脉冲描述字去交错解决传统脉冲重复周期估计算法无法对复杂的脉间调制方式进行估计。利用训练好的多层感知器,获取完成去交错后的脉冲序列其特征向量,获得其脉间调制类型识别。通过实验仿真,在脉冲丢失率不高于20%情况下,对复杂脉间调制方式的正确识别概率在90%以上。     

基于滑动时间窗的雷达脉冲列分选方法

电磁空间中大量存在着相互交错的固定重频雷达脉冲列,例如海面大量舰船发射的导航雷达信号、机载脉冲多普勒雷达在不同时段发射的相干脉冲列等。这些脉冲列以时间片段的形式存在,电子侦察分析系统无法事先确定其起止时刻,给这类雷达的重频参数估计和脉冲分选造成了较大困难。该文首先分析脉冲列的短持续时间特性给传统脉冲分选方法性能造成的负面影响,然后引入滑动时间窗思想来削弱这一影响,并据此提出脉冲重频间隔(PRI)高精度估计和脉冲分选方法。仿真结果验证了新方法的重频参数估计和脉冲分选性能。     

PRI变换对脉冲雷达信号PRI检测的性能分析

传统的雷达脉冲列去交错算法很容易出现信号的脉冲重复间隔及其整数倍(即子谐波)同时存在的现象,给雷达脉冲串的去交错造成了困难。介绍了PR I变换的脉冲重复间隔估计算法,该算法几乎完全抑制了出现在自相关函数中的子谐波,同时研究了该算法对稳定重频、抖动重频、参差重频、滑变重频等各类信号的PR I检测性能。计算机仿真结果表明,这种算法适用性较强。     

基于PRI变换的未知雷达信号分选算法研究

针对未知雷达信号主处理中脉冲重复间隔的精确分选部分,介绍了PRI变换的脉冲重复间隔估计算法,提出针对固定重频、抖动重频和参差重频信号的PRI变换算法的仿真和改进方法。     

基于直方图和小波网络的雷达信号识别方法

信号识别是电子支援系统(ESM)的基础,作者在传统序列差分直方图的基础上,提出了基于小波网络对不同脉冲重复间隔(PRI)模式的雷达信号进行分类的新方法.仿真试验表明,该雷达信号分类算法具有收敛速度快、自适应能力强、结构简单等优点,并且该算法在脉冲有丢失或被噪声污染的情况下仍然有很高的识别概率.该算法在雷达对抗中具有一定的实用性.     

Blind velocities mitigation for MIMO GMTI radar with Doppler division multiple access waveforms

Multiple-input multiple-output (MIMO) radar with multiple transmitters and multiple receivers can achieve a larger virtual antenna array and more system degrees of freedom; thus applying it to ground moving target indication (GMTI) radar can improve the performance of GMTI. Doppler division multiple access (DDMA) waveforms are approximately orthogonal providing good minimum detectable velocity (MDV) performance. However, in such DDMA systems, a sufficient pulse repetition frequency (PRF) design freedom is required. Furthermore, these waveforms suffer from blind velocities which are serious problems, especially in radar systems with high carrier frequency or low PRF. This paper analyses the blind velocities problem and show that blind velocities are relative to variation of the PRF and/or the carrier frequency. Variable PRF techniques are widely used in conventional GMTI radar including multiple PRFs and variable pulse repetition intervals (PRI). Combined with the characteristics of the DDMA MIMO GMTI radar, this paper proposed two methods to mitigate blind velocities: “multi-PRF DDMA” which employs multiple PRFs over successive coherent processing intervals, and “PRI-dithered DDMA” which employs nonuniform sampling by dithered PRI in slow time. Simulation results demonstrate that both the methods are effective ways to mitigate blind velocities in DDMA MIMO GMTI radar systems.     

基于累积变换的周期性对称调制模式的快速自动搜索算法

借鉴平面变换技术,将密集雷达脉冲序列映射成平面位图矩阵,并提出自动搜索周期性对称调制模式的快速算法,用于分选密集信号环境下PRI受周期性对称调制的雷达脉冲.大量的仿真试验结果表明算法在密集信号环境下,分选PRI是周期性对称调制的雷达脉冲的平均准确率达到92%,平均漏选率只有5%,极大地提高了雷达脉冲分选的效率和准确性.最后给出模式搜索时间、脉冲分选平均准确率和平均漏选率随脉冲密度变化的结论.