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。     

非合作辐射源双基地雷达技术综述

对非合作雷达辐射源双基地雷达技术进行了综述。首先介绍了非合作辐射源的优势，然后分析了国内外对该领域研究发展情况，明确了非合作雷达辐射源带来的挑战，并对雷达辐射源信号的类型选择与分选识别、系统同步技术、杂波干扰抑制、目标检测技术、目标定位与跟踪技术等系统关键技术进行了研究。对该雷达系统现存问题进行了探讨，并总结了该雷达系统的未来发展趋势。     

辐射源指纹识别及其关键技术的发展

以雷达辐射源个体识别技术为研究对象,给出了辐射源指纹识别的概念和辐射源指纹的特性,探讨了指纹特征的产生机理,介绍了国外辐射源指纹识别系统的发展现状,并对辐射源指纹识别中的部分关键技术进行了详细阐述.     

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%.     

雷达辐射源音频信号声纹识别方法

针对复杂的电磁环境中,雷达辐射源音频信号人工识别方法存在耗时长、误判和错判等问题,提出一种利用声纹识别和计算机技术对雷达辐射源音频进行识别的方法.利用了声纹识别关键技术--美尔倒谱系数特征提取和动态时间规整算法实现雷达辐射源音频自动识别,实验结果表明:该方法缩短了识别时间,提高了识别的正确率.     

基于转换脉冲神经网络的雷达辐射源识别方法

为提高雷达辐射源识别智能水平,提出一种新的基于转换脉冲神经网络进行雷达辐射源调制模式识别的 方法。将仿真产生的雷达信号转换为2 维时频图,将传统的卷积神经网络(convolutional neural networks, CNN)转化 为脉冲神经网络(spiking neuron network, SNN),使用SNN 进行雷达辐射源识别。仿真实验结果表明：该方法具有 优良的检测精度,当信噪比高于-9 dB 时,识别概率可达96%以上。     

无源探测与跟踪系统应用及其发展

依据无源探测与跟踪系统的分类,对无源雷达的定位方式方法总结概述,选取其中重要技术对定位误差的影响进行分析,介绍了典型装备;对外辐射源雷达可选用的外辐射源进行介绍并分类,对外辐射源雷达的重要技术进行了分析,最后对无源探测与跟踪系统的发展方向进行了分析。     

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.     

基于粒子群优化极限学习机的雷达识别方法

针对相控阵雷达识别的问题,提出一种基于粒子群优化极限学习机(PSO-KELM)的识别方法.在核函数极限学习机(kernel extreme learning machine,KELM)的基础上,引入粒子群优化算法(particle swarm optimization,PSO),求得核函数参数最优解,提高相控阵雷达识别准确率.通过构建雷达数据库,使用粒子群优化极限学习机的方法对不同噪声情况下的雷达数据进行识别,并与核函数极限学习机、核函数支持向量机(kernel support vector machine,KSVM)和半监督式迁移学习(semi-supervised and transfer learning,SSTL)的方法进行对比.仿真结果表明:在不同雷达种类和不同噪声情况下,该方法识别准确率均高于其他方法.     

巡航导弹航迹规划决策系统研究与开发

在研究巡航导弹任务规划的基础上,采用TF/TA2（Terrain Following/Terrain Avoiding/Threat Avoiding）技术,利用地球曲率和地形起伏而造成的防空体系的盲区,使导弹进行超低空飞行,达到突防目的.并设计了巡航导弹航迹规划决策系统,包括地形模拟、航迹决策、雷达辐射源库、火力威胁库的建立和最优航迹算法研究等.     

基于运动学原理的单站无源定位跟踪地面试验研究

单站无源定位与跟踪系统由于具有极强的隐蔽性,且探测距离远,机动性强,在未来的远程精确打击中具有重要的意义。本文从基于质点运动学的单站无源定位跟踪理论出发,介绍了在已有的火控雷达本体上增加一套无源定位子系统,构成单站无源定位跟踪系统,并对地面辐射源进行了定位获得了成功。试验结果证明了该理论的正确性,而且说明在现有工程技术条件下实现地对空、空对空单基地无源探测定位系统是可能的。     

雷达电子情报信号处理软件

为满足侦察系统分选识别和综合处理的需求,设计一种雷达电子情报信号处理软件及实现方法。对系统 的基本组成及设计思路进行介绍,采用C/C++语言,设计自动处理为主、人工处理为辅的分选算法,设计基于置信 度的辐射源识别算法,利用专家系统对雷达的用途、体制、平台进行推理,形成目标。应用结果表明：该设计满足 侦察系统的情报处理要求,为新一代电子情报处理软件的雷达环境自适应、任务自适应功能提升提供了有益的帮助。     

一种基于DS证据理论的多雷达目标识别方法

文中研究了利用目标的位置和运动信息通过DS证据理论完成多雷达目标融合识别的方法.单雷达目标识别利用目标位置和运动信息建立目标线性隶属度函数,利用模糊综合评判进行目标分类.融合中心对来自各个雷达的识别概率利用DS证据进行最终的判决.仿真结果表明利用位置和运动信息进行识别的可行性和有效性,验证了多个雷达融合后的识别效果优于单个雷达的效果.     

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。     

一种基于冲击响应的目标识别反卷积算法

在分析目标识别技术的基础上，依据信号检测理论中不同目标的冲击响应产生不同的相关系数原理，提出了一种基于冲击响应的目标识别反卷积算法。通过计算仿真，取得了满意的结果。