基于矢量图的特定辐射源识别方法

发射机的指纹特征具有复杂性,现有的认识水平制约了特定辐射源识别(SEI)的性能。为此,该文提出一种基于矢量图的SEI方法,应用深度学习技术实现了多种复杂特征的联合提取。该文首先分析了多种发射机畸变在矢量图上的视觉表现;在此基础上,以矢量图灰度图像作为信号表示,构建深度残差网络提取图像中的视觉特征。该方法克服了现有认知的局限,兼具高信息完整性和低计算复杂度。实验结果表明,与现有算法相比,该方法能够显著改善SEI的性能,识别增益约为30%。     

基于特征值能量的压缩采样信号检测方法

压缩采样能够较好地保持稀疏信号的结构和信息,可以在不重构原信号的条件下,直接处理采样数据完成信号检测。本文针对压缩采样信号的盲检测问题,提出一种基于特征值能量的检测算法。该算法对循环频率等于零时的循环自相关矩阵进行分析并实现重构,进而利用分解得到的特征值构造检测统计量,通过研究检测统计量的分布情况确定检测门限,最终实现检测判决。实验结果表明,在相同条件下,该算法具有更好的检测性能和相对低的复杂度。      

利用局部密度与距离特征的MFSK识别方法

针对不能在没有先验信息的条件下对任意调制指数的MFSK信号进行调制识别的问题,提出了一种新的利用聚类特征的MFSK信号调制识别方法。该方法利用AR模型的极点提取信号的短时频率峰值;应用改进的聚类算法对峰值序列进行聚类处理;根据不同阶数FSK信号不同聚类中心特征参数的不同,利用支持向量机进行分类,完成了2FSK、4FSK、8FSK和16FSK的调制识别。该算法无需任何先验知识,适用于不同调制指数下的FSK信号,仿真实验验证了算法的有效性和正确性。      

一种新的时分多址信号射频特征及其在特定辐射源识别中的应用

时分多址(TDMA)信号特定辐射源识别(SEI)的性能主要受限于突发数据的长度。为此,该文提出一种新的射频特征,从载波相位上揭示了相邻时隙的用户是否相同,为相同用户的数据累积提供了依据。该文首先分析了特征的产生机理,并给出了提取方法;根据特征的统计特性,推导了自适应的判决门限,实现了相邻时隙用户身份的检测;在此基础上,设计了新的SEI处理流程,通过数据累积打破了每个时隙单独识别的传统思维。实验结果表明:该特征对噪声具备良好的鲁棒性,能够实现相邻时隙用户身份的准确检测;与传统做法相比,新的处理流程能够有效改善TDMA信号SEI的性能。