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。     

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。     

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.     

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。     

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.     

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。     

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%。