一种基于小波分频带统计特征的舰船分类识别方法

为了有效提高舰船目标的识别率,提出了一种基于小波分频带统计特征的舰船分类识别方法。该方法利用小波变换分别提取了舰船辐射噪声带内信号的小波模极大值和带外信号的分频段能量两类特征,并将两类目标特征的联合量作为舰船的目标特征用以识别舰船目标。同时利用实测海录58组舰船的辐射噪声数据对上述舰船目标特征的分类识别方法进行了验证,结果表明,利用联合特征对目标的检测概率可以达到97%以上。     

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Dempster-Shafer证据理论的通信辐射源个体识别算法

针对由于各种信号干扰和传感器误差导致辐射源个体正确识别率较低的问题,提出一种 多传感器融合识别算法进行复杂电磁环境中的通信个体识别。该算法将Dempster-Shafer证据理论和特征提取结合起来,充分利用侦测的信号特征,减少了识别过程中的不确定信息。该融合识别算法提取侦测信号中的个体特征,使用基于决策向量的自适应证据融合方法将由个体特征转化而来的多个证据相融合,最后再根据判决准则得到最终的识别结果。分别对自适应融合方法和融合识别算法进行仿真分析,结果表明自适应证据融合方法可以综合考虑融合过程的计算效率和融合结果的合理性,在二者之间达到平衡。与现有的识别方法相比,多传感器融合识别算法可以提高复杂电磁环境中个体识别的稳定性和正确识别率。针对由于各种信号干扰和传感器误差导致辐射源个体正确识别率较低的问题,提出一种 多传感器融合识别算法进行复杂电磁环境中的通信个体识别。该算法将Dempster-Shafer证据理论和特征提取结合起来,充分利用侦测的信号特征,减少了识别过程中的不确定信息。该融合识别算法提取侦测信号中的个体特征,使用基于决策向量的自适应证据融合方法将由个体特征转化而来的多个证据相融合,最后再根据判决准则得到最终的识别结果。分别对自适应融合方法和融合识别算法进行仿真分析,结果表明自适应证据融合方法可以综合考虑融合过程的计算效率和融合结果的合理性,在二者之间达到平衡。与现有的识别方法相比,多传感器融合识别算法可以提高复杂电磁环境中个体识别的稳定性和正确识别率。     

基于多传感器数据融合的飞机目标自动敌我识别方法

为提高复杂环境下目标敌我属性识别能力,提出了一种基于多传感器数据融合的自动目标敌我属性识别方法。采用将IFF、ESM、雷达,红外获取的信息进行特征级融合的方法对目标进行识别,并采用模糊神经网络模拟真实战场环境,提高了目标的识别率和准确度。     

舰船辐射噪声功率谱特征提取方法研究

基于分段最小二乘曲线拟合方法,提出了一种的提取舰船噪声信号功率谱中线谱特征的新方法,通过一种新的坐标变换,用最小二乘曲线拟合方法精确提取了连续谱特征,将连续谱特征和线谱特征组合得到了舰船噪声的功率谱特征。利用BP神经网络对海上实录的两类目标噪声进行了分类识别,实验证明了方法的有效性,识别率达到90%以上,分类效果很好。     

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。     

基于增强字典稀疏表示分类的SAR目标识别方法

针对合成孔径雷达(SAR)目标识别方法中分类决策存在的不足,提出基于增强字典稀疏表示分类的SAR目标识别方法。该方法通过对原始训练样本进行多信噪比、多分辨率样本构造,进而构建描述能力更强、对于扩展操作条件更稳健的增强字典进而采用稀疏表示分类器提高目标识别的整体性能。基于MSTAR数据集的实验结果表明,该方法在对于3类和10类目标的平均识别率可分别达到98.61%和98.12%,验证其区分多类目标的能力;通过测试在不同信噪比、不同分辨率下的识别性能,验证了该方法对于噪声干扰、分辨率变化具有较强的稳健性。     

基于加权特征融合的 SAR 图像目标分类方法

针对现有分类器对 SAR 图像分类正确率不高的问题,考虑到单一的特征很难完全描述 SAR 目标,并且单一的分类器识别率有限,提出了一种基于加权特征融合的图像分类方法,采用多种特征来描述目标,并且用多个分类器同时对目标识别。实验结果显示,提出的方法能够达到较高的分类正确率,证明了该方法的有效性。     

基于压缩感知的辐射源信号数据级融合识别方法

针对协同侦察数据级融合识别中通信量大的问题,利用压缩感知可用少量测量值表征完整信号的特点,提出了一种基于压缩感知的数据级融合识别方法。接收终端采用确定测量阵对侦察信号的Gabor时频特征进行压缩测量,通过传输少量的压缩测量值以减轻通信压力,融合中心根据多源测量数据间的相关特性,采取相关性融合规则直接对多源压缩测量数据进行融合,最后再计算融合压缩测量值在不同类信号字典下的重构误差,最小重构误差对应的信号类别即识别结果。分别对融合识别方法识别性能和相关性融合规则融合效果进行仿真分析,实验结果表明：所提方法在保证识别率的同时大幅减小了数据通信代价,在低信噪比时识别性能突出、抗噪声干扰性能好;相比于其他融合规则,基于测量向量相关性的融合规则可保留更为全面的信息。     

基于改进卷积神经网络的工频水下磁目标探测

针对工频水下磁目标信号特征提取难、目标数据样本少、识别精度低等问题，提出一种基于深度卷积生成对抗网络(DCGAN)与优化卷积神经网络(CNN)相结合的水下工频磁目标识别方法。该方法通过滑动时间窗将信号由一维时序空间映射到二维灰度值图像，将实测水下磁异常信号利用DCGAN进行数据增强，之后构建卷积神经网络并引入DY-ReLU动态激活函数对CNN网络结构进行优化，以达到对目标信号的分类识别的目的。实验结果表明，经由数据增强的网络模型识别率提高了10%;相较于其他常用的静态激活函数，优化的CNN识别率分别提高了4.5%、4%、3%和2.5%,识别精度达到92.5%。验证了该方法的有效性，为水下磁异常检测提供一种新思路。     

基于融合特征的无人履带车辆道路类型识别方法

无人履带车辆行驶路况复杂，将道路类型作为无人履带车辆悬架控制、自动换挡决策、路径规划等任务的先验信息，有利于提升车辆性能。针对使用单一信号识别道路类型环境适应性差或准确率低的问题，提出一种基于融合特征的道路类型识别方法，将图像的深度特征和悬置质量垂向加速度时域、频域、功率谱密度信号的统计特征相结合，利用机器学习分类算法实现道路类型识别。对单一特征和融合特征进行对比发现：融合特征实现了图像特征和悬置质量垂向加速度特征的互补，提高了道路类型识别的准确率和环境适应能力；融合特征方法与仅使用图像特征的方法实时性相差极小。对多种机器学习分类算法进行对比，试验结果表明：支持向量机和随机森林在准确性和实时性方面都表现优越，总体准确率均可以达到90%以上，识别速度可以达到14帧/s。     

基于时空信息融合的复合引信目标识别方法

针对传统导弹引信不能有效识别目标的问题,提出了基于时空信息融合的复合引信目标识别方法。该方法利用BP(Back Propagation)神经网络获取基本概率赋值,根据时空信息融合算法进行证据组合,最后通过Dempster决策规则得到复合引信目标识别结果。实践表明,利用该方法进行复合引信多传感器信息融合,能够提高引信对空中目标的识别率。     

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.     

基于轴频电场线谱特征的目标检测及识别

为有效地从海洋环境电场信号中检测出舰船轴频电场信号,在对大量实测数据分析的基础上,提出一种基于轴频电场线谱特征的目标检测与识别方法。对接收信号进行傅里叶变换计算频谱图,并对其进行归一化处理以提高其动态范围;采用浮动门限与固定门限相结合的方法对疑似线谱信号进行检测;采用积分累计的方法对疑似线谱特征进行目标确认,并利用长时间积分特征均值实现对目标信号的识别;通过海上实测数据对方法的有效性进行检验。结果表明,该方法能够有效检测到目标信号,并可实现对目标信号的识别分类。     

基于Gabor原子变换和支持向量机的毫米波雷达目标识别方法

为提高毫米波雷达目标识别能力,提出一种基于Gabor原子变换和支持向量机(SVM)的雷达目标识别方法。该方法充分利用了Gabor原子变换在信号表示方面的有效性以及SVM在分类方面的优越性,首先将雷达回波信号进行Gabor原子变换,获得信号的特征量,然后利用SVM网络进行分类识别。实验结果表明：该方法可行且具有较高的识别率。     

基于多时间窗口的空中目标机动模式提取及识别方法

针对现有空中目标机动模式识别算法中,机动模式提取方法实用性差和识别率不高的问题,提出了基于多时间窗口的空中目标机动模式提取及识别方法。该方法构造了多个不同尺度的时间窗口并制定了相对应的多时间窗口识别机制,使得机动模式的提取和识别环节之间相互配合,从而实现机动模式的识别,时间窗口采用的是卷积神经网络分类器。仿真试验证明,该方法对5种机动模式类型的识别率均达到了90%以上,有效解决了现有提取方法完全依赖特征点寻找、提取精度不高的问题,提高了机动模式识别的准确性及鲁棒性。     

基于MFCC的OFDM信号子载波调制方式识别方法

针对多径信道下传统的OFDM信号子载波调制方式识别方法存在识别率不高,判决门限不易确定,子载波调制方式识别不全面等问题,提出一种基于MFCC的OFDM信号子载波调制方式识别方法.利用语音模型下的识别算法提取OFDM信号的MFCC特征参数,计算出各阶MFCC特征参数的平均标准偏差和平均变化率,并将两类参数的组合作为OFDM信号子载波调制方式分类特征量对子载波调制方式进行识别.仿真实验结果表明,该方法能够有效实现多径信道下OFDM信号子载波多种调制方式的识别,且识别性能优于传统方法.     

基于MFCC的OFDM信号子载波调制方式识别方法

针对多径信道下传统的OFDM信号子载波调制方式识别方法存在识别率不高,判决门限不易确定,子载波调制方式识别不全面等问题,提出一种基于MFCC的OFDM信号子载波调制方式识别方法.利用语音模型下的识别算法提取OFDM信号的MFCC特征参数,计算出各阶MFCC特征参数的平均标准偏差和平均变化率,并将两类参数的组合作为OFDM信号子载波调制方式分类特征量对子载波调制方式进行识别.仿真实验结果表明,该方法能够有效实现多径信道下OFDM信号子载波多种调制方式的识别,且识别性能优于传统方法.     

基于多尺度GAN 网络的SAR 舰船目标扩充

针对构建合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标数据集的过程中,某些舰船类型样本 不足的问题,提出一种基于多尺度生成对抗网络(IC-ConsinGAN)的SAR 舰船目标扩充方法。通过将注意力机制引 入并行多阶段多尺度GAN 网络中,提取SAR 舰船目标的关键特征,抑制背景特征,使得生成的SAR 图像舰船目标 不仅具有精细化结构,而且弥补了单幅图像生成过程中多样性不足的问题。实验结果表明：SIFID 指标比原始 ConsinGAN 网络模型下降了0.02,将扩充数据加入到SAR 舰船目标识别任务中,10 类舰船目标平均识别率提升了 8.4%,证实了IC-ConsinGAN 模型的有效性,具有一定的工程应用价值。     

基于熵特征的调频引信目标与干扰信号识别

针对调频引信较难抑制的调幅扫频类干扰,提出了一种基于熵特征的目标与干扰信号分类识别方法。比较目标和干扰信号作用下引信检波信号时域和频域特征,提取检波信号的香农熵和奇异谱熵,通过Kruskal-Wallis检验方法验证了特征参量的有效性,并利用支持向量机分类器对目标信号和干扰信号进行了分类识别。仿真实验结果表明：在支持向量机核函数参数最优时,该方法的分类识别正确率达到98.954%,有效提高了调频引信的抗扫频式干扰能力。