基于卷积神经网络和模糊函数主脊坐标变换的雷达辐射源信号识别

针对人工提取雷达辐射源信号特征耗时长、特征不明显等问题,提出一种基于深度学习卷积神经网络和模糊函数主脊坐标变换的雷达辐射源信号识别方法。该方法通过快速离散分数傅里叶变换提取信号的模糊函数主脊,并将模糊函数主脊极坐标域的二维时频图作为卷积神经网络的输入,实现对不同雷达信号的分选识别。仿真实验结果表明：新方法不仅在信噪比为0 dB以上保持100%的识别率,在-6 dB时识别准确率也稳定在90%以上;相对于传统的雷达信号识别方法和其他深度学习模型识别方法,在识别率和鲁棒性上均有较大提升,具有一定的工程应用价值。     

一种深度强化学习的雷达辐射源个体识别方法

针对传统依赖于人工经验提取辐射源个体特征的不足,提出一种基于深度强化学习的雷达辐射源个体识别方法。利用发射机非理想信道造成的辐射源信号包络在信号变化时呈现的不同瞬态信息,以信号包络前沿作为深度神经网络的输入状态,以辐射源类别作为当前输入状态的可选动作,通过卷积神经网络自动提取辐射源包络个体特征,并拟合当前状态动作对的Q值,进而以强化学习模型完成雷达辐射源个体识别任务。讨论了深度Q网络模型、深度双Q网络模型以及Dueling Network模型3种深度强化学习模型在辐射源识别任务中的应用。实测数据仿真实验表明：传统机器学习算法的识别率不足80%,而深度强化学习网络的识别率高达98.42%.     

基于时频图像和神经网络的LPI雷达信号调制识别

针对LPI雷达信号调制识别问题,提出一种基于时频分析、图像处理和神经网络的LPI雷达信号识别新方法。该方法先对LPI雷达信号进行时频分析,获得时频分布图像,然后利用图像处理的方法对时频图像作预处理,最后再用RBF神经网络对处理后的图像进行识别分类。仿真实验表明,该方法在信噪比高于3dB时,平均正确识别率达到了92%。     

基于多域特征融合的通信辐射源个体识别方法

为解决利用单一特征进行通信辐射源个体识别识别率不高的问题，提出一种基于多域特征融合的通信辐射源个体识别方法。提取通信辐射源发射信号的多个变换域特征，并组合这些特征为多域特征。构建多通道卷积神经网络，利用多通道卷积操作对多域特征进行深层次提取。通过神经网络的分类器，完成对通信辐射源个体的分类。在低信噪比和瑞利信道条件下，使用所提方法对20个CC2530设备进行识别。研究结果表明：与基于单一特征的辐射源个体识别方法相比，该方法充分利用了通信辐射源发射信号的多个变换域特征，结合神经网络的强大细微特征挖掘能力，实现了对通信辐射源个体的有效识别；该方法能够显著提升在低信噪比的识别准确率和时效性，在0 dB条件下的识别效果仍可达到91.01%。     

基于改进SSD的低截获概率雷达辐射源识别算法

针对低截获概率(LPI)雷达辐射源识别领域中,目标检测类方法实时性不高的问题,提出基于改进SSD的LPI雷达辐射源识别算法。该算法采用精度更高、速度更快的ResNet-50代替VGG-16网络,并对网络进行改进设计;此外,通过构建多径莱斯衰落信道仿真更贴近真实环境的数据集,以提高模型的实用性。仿真实验结果表明,针对7种LPI雷达信号的识别,在信噪比为-4 dB时识别准确率可达到92.9%,与原始SSD模型相比,训练及检测速度分别提高了28.50%和29.74%。     

基于核函数支持向量机的雷达辐射源识别

文中针对雷达辐射源信号环境复杂导致的正确识别率较低的问题,提出了基于支持向量机理论的雷达辐射源识别方法,并构建了基于多种核函数支持向量机的雷达辐射源分类器。通过在不同噪声环境下进行仿真实验,证明了支持向量机理论在雷达辐射源识别中的有效性,并比较了多种核函数支持向量机的识别效果。     

基于自适应模糊神经网络抗箔条干扰技术的研究

为了提高舰载雷达抗箔条干扰的性能,提出了一种基于自适应模糊神经网络的抗箔条干扰方法。利用自适应模糊神经网络的非线性映射和学习能力,在舰载雷达目标回波信号受到箔条回波的强干扰下,对雷达目标进行识别,从而得到目标信号。仿真结果表明,该方法能有效地抑制箔条回波信号,且效果较好。     

雷达-红外双模制导的神经网络数据融合算法

在雷达 红外双模制导体制下 ,对雷达和红外数据进行融合时存在雷达和红外数据不同步的问题 ,对红外数据先进行异步融合处理使其与雷达数据保持同步 ,然后提出了利用神经网络作为同步融合中心的方法 .雷达和红外数据共同作为神经网络的输入 ,输出为目标的最优融合估计 .这种方法可以在融合中心不知道协方差信息的情况下进行数据融合 .仿真结果表明该方法有效     

基于机器学习的雷达辐射源识别研究综述

回顾和介绍了复杂雷达信号环境下辐射源智能化识别的相关机器学习理论的发展历程;对近年来基于机器学习理论的雷达辐射源识别技术研究状况进行了综述;在已有研究的基础上,着眼于提高小样本学习能力和新型雷达识别能力的发展需要,提出了基于机器学习理论的雷达辐射源识别技术的主要研究方向和难点问题,并对相应的解决方法进行了讨论。     

BP 神经网络在雷达故障诊断中的应用

为适应当前现代雷达系统的故障诊断日益复杂的现状,采用人工神经网络进行雷达故障诊断。建立基于BP神经网络的故障诊断模型,给出训练算法和故障诊断步骤,以某雷达发射机为对象,将该模型应用于系统的故障诊断,并采用Matlab进行仿真验证。仿真结果表明,人工神经网络能满足雷达故障自动检测与诊断系统的高可靠性和可维护性要求。     

基于小波脊线特征提取的雷达辐射源信号识别

针对在低信噪比条件下雷达辐射源信号识别率低的问题,提出了一种基于小波脊线特征提取的雷达辐射源信号脉内调制方式识别方法.该方法使用新的改进Morlet小波提取信号瞬时频率,变换后提取其二次特征用于分类识别.计算机仿真结果表明本方法提取的特征向量具有良好的识别能力,在2 dB的低信噪比条件下,平均识别率可达到90%以上,通过与现有方法进行对比仿真验证了本算法在低信噪比环境下的优越性.     

基于模糊神经网络的相控阵雷达任务调度设计

针对相控阵雷达任务调度中任务优先级较难建立数学模型,从而影响任务调度效率的问题,提出一种基于自适应模糊神经网络的相控阵雷达任务调度算法。该算法：模糊控制部分能够利用模糊隶属度对多个目标参数值进行量化处理;神经网络部分可以智能地实现目标参数和任务优先级之间非线性映射。仿真结果表明,该方法有效,在目标数目饱和情况下,保证高优先级任务被调度的同时,使更多的任务得到调度执行,其性能优于传统任务调度方法。     

基于卷积网络和对抗式学习的雷达信号识别算法

针对雷达信号识别中因新信号数据与训练数据的样本差异,导致卷积网络模型识别率下降的问题,提出一种基于卷积网络和对抗学习的雷达信号识别算法,提升模型对新样本的识别率。首先,依据时频变换理论,变换得到雷达信号时域-频域能量分布图像,以表征信号脉内调制特征;然后,结合深度可分离卷积的结构,构建卷积网络模型,并利用样本数据对模型进行预训练;最后,融合生成对抗网络的思想,网络模型采用对抗学习方式,根据输入新样本数据自适应调整、更新网络各层参数,提升模型对新样本特征提取能力。仿真结果表明,-4dB信噪比样本识别率由79.78%提升到90.67%,-2dB信噪比样本识别率由83.15%提升到91.00%,验证了算法的有效性。     

神经网络技术在雷达电路故障诊断中的应用

简要介绍了雷达电路故障模式和BP神经网络的算法,针对雷达故障诊断的复杂性,提出了采用神经网络技术实现雷达的故障诊断。并以典型故障为例,设计了一个基于BP网络的故障诊断系统,通过实际仿真和应用,取得了较好的效果。     

基于多分类器组合的红外目标识别方法

针对以往的红外目标模式识别方法无法区分坦克与铁板假目标的缺点,提出了基于多分类器组合的红外目标模式识别方法.该方法对红外图像的每行像素使用线性分类器和BP神经网络分类器进行识别,用与规则对两分类器的识别结果进行决策融合,得到每行像素的识别结果,然后对多行像素的识别结果使用多数票规则及或规则进行决策融合,得到最终识别结果,完成对坦克、背景和铁板假目标的区分.仿真结果表明:组合使用BP神经网络分类器和线性分类器,可提高系统识别能力,能较好地完成目标识别.     

基于模糊极小极大神经网络的雷达一维像识别

雷达目标一维距离像是随雷达姿态角变化的,但由于目标姿态变化的连续性及目标散射点分布的连续性,其一维距离像是一个随视角变化而逐渐演变的过程,它们应随姿态角的连续变化在特征空间中形成一条特征轨迹线.本文在基于线性内插神经网络对雷达一维距离像识别的基础上,改进了线性内插时特征轨迹线的形成方法.提出了一种基于模糊极小极大神经网络分类器的雷达目标一维距离像目标识别方法,利用模糊极小极大神经网络中的超方匣的并集来形成雷达目标特征轨迹线.进行了三类飞机目标的0～180°姿态角范围内一维距离像的分类实验研究,结果表明,用模糊极小极大神经网络分类器对雷达目标一维像分类有较高的分类准确率.     

基于神经网络CA/OS-CFAR检测方法

在杂波边缘和多目标的复杂环境下,建立性能稳定的自适应检测技术是提高恒虚警率处理能力的关键.针对单元平均恒虚警检测(cell averaging-constant false alarm rate)和有序统计量恒虚警检测(ordered statistic-constant false alarm rate)的优缺点,提出一种基于神经网络的检测方法(cell averaging/ordered statistic-constant false alarm rate).利用神经网络进行最优检测方法判断,根据选定的检测方法计算出检测阈值.通过训练计算初始阈值,采用神经网络分类并识别输入的类型.将该阈值与CA-CFAR和OS-CFAR计算结果相比较,并选用均匀杂波、多目标和杂波边缘环境的仿真案例进行测试.实验结果表明:该方法可在均值和非均匀的杂波背景中,能有效地进行最优检测方法判断.