独立分量分析在雷达辐射源信号分选上的应用

在当代电子战密集复杂的电磁环境下,对未知雷达辐射源信号分选作为对抗技术领域的一个重要环节面临了新的挑战.传统的雷达辐射源信号分选往往是基于脉冲描述字(PDW)等参数对雷达进行分选,在复杂的电磁环境下参数误差严重影响了雷达信号的分选效果.在对独立分量分析理论的研究的基础上,将基于四阶累积量的特征矩阵联合近似对角化(JADE)算法应用于连续波雷达信号和随机参数脉冲雷达信号分选,可以有效地分选出不同调制方式的雷达信号,为雷达辐射源信号分选提供了一个新思路.     

基于复杂度特征的未知雷达辐射源信号分选

当前的未知雷达辐射源信号分选方法存在准确率不高和对噪声敏感的问题。该本文应用复杂度特征实现了低信噪比下未知复杂雷达信号的高准确率分选。首先,对接收到的信号进行预处理,然后提取其复杂度特征中的盒维数和稀疏性,并将两者作为分选的特征参数,最后基于KFCM算法实现未知雷达辐射源信号的分选。由仿真结果分析可知,预处理后的信号序列的盒维数和稀疏性分离度高且受噪声的影响小,分选结果令人满意,在信噪比为5 dB时,不同调制类型信号间的分选准确率最低为87%。     

基于改进相像系数和奇异谱熵的雷达信号分选

脉内特征提取是新体制雷达辐射源信号分选的关键问题,文中针对现有方法分选准确率不高和对噪声敏感的问题,提出了一种基于高次频谱相像系数和频域奇异谱熵特征的分选新方法,实现了低信噪比下雷达辐射源信号的高准确率分选。对接收到的信号提取高次频谱相像系数特征以及奇异谱熵特征,并将两者作为分选的联合特征向量,运用K means聚类算法实现对不同调制方式的雷达辐射源信号的分选。仿真结果表明：改进后提取的信号特征类间的分离度大且受噪声影响程度小,在信噪比为-2 dB的情况下,该算法的总体平均分选准确率在85％左右,不同调制类型信号间的分选准确率最低为80％。与现有方法相比,文中提出的算法具有更好的信号识别效果。     

基于高次频谱对称Holder系数的雷达信号分选方法

针对复杂战场电磁环境下,传统基于全脉冲参数的分选算法准确率下降这一问题,本文提出一种提取信号高次频谱对称Holder系数作为脉内特征的信号分选方法。该方法首先利用对称Holder系数法提取信号高次频谱的脉内特征,而后将提取到的脉内特征参数与稳定的脉间参数组成新的特征向量,最后使用K-means算法对信号进行分选。信号的高次频谱对称Holder系数作为一种脉内特征,相比于一次频谱相像系数具有更大的寻优空间。将该特征加入信号特征向量可使新的特征向量具有更强的可分性。仿真实验结果表明,加入该特征,并使用新的特征向量,能够有效提高对不同种调制类型雷达信号的分选正确率。,使用新的特征向量能有效提高雷达信号分选正确率。      

基于样本脉冲和脉内不变特征的相控阵雷达脉冲提取法北大核心CSCD

针对相控阵雷达发射的脉冲信号基本脉冲参数变化复杂和脉间参数进行分选难度较大的问题,首先,文中提出一种样本脉冲的描述方法,能够对雷达脉冲信号的脉内调制域变化规律进行描述;然后,结合相控阵雷达的脉内变化特点,提出脉内不变特征的概念,对相控阵雷达的脉内调制特征进行表征;最后,基于样本脉冲的描述方法,将脉内不变特征信息与样本脉冲相结合,实现相控阵雷达信号脉冲序列的提取,并通过计算机仿真实验验证了算法的有效性和合理性。     

基于复杂网络的雷达辐射源信号脉内特征提取算法

针对现代电子战环境下雷达辐射源信号的高度密集、复杂调制、交叠概率大等特点,基于时域、频域、时频域以及其他数学变换域的信号分析方法仍然不能满足雷达辐射源信号分选识别的要求,结合雷达辐射源信号具有可分辨性的确定数据结构表示,受时间序列的复杂网络分析启发,提出一种基于复杂网络的雷达辐射源信号脉内特征提取算法。该特征提取算法首先采用相空间重构方法对信号频谱序列数据进行预处理,将重构后的信号序列转换至复杂网络域进行表征;其次,通过复杂网络建模及其统计特征分析,研究雷达脉内信号时间序列动力学微观特性,从而挖掘信号的有效特征参数;最后,在不同噪声环境下,实现雷达辐射源信号序列的特征参数的分类性能及其准确性分析。仿真结果表明,所提取的特征参数在低信噪比环境下具有良好的抗噪能力和不错的聚类质量,验证了基于复杂网络时间序列分析的信号特征提取方法的可行性,为进一步丰富刻画雷达辐射源信号提供了有效的技术支持和手段。     

基于脉间特征深度学习的雷达辐射源识别

多功能雷达在复杂程序调度下,发射信号参数呈现取值范围宽、捷变速度快、变化随机性强等特点,非合作接收方难以对其建立有效的信号模型,给电子侦察系统的雷达辐射源识别带来严峻挑战。本文提出一种基于深度学习的复杂体制雷达辐射源识别方法,利用大样本全脉冲数据形成脉间参数变化的图像特征表示,从宏观上揭示雷达辐射源隐含的波形设计机理,并设计了基于AlexNet网络的图像特征深度学习网络开展辐射源识别,实测数据实验表明了本文的方法对一定时间跨度内的有限部同型多功能雷达具有良好的识别性能,为多功能雷达辐射源智能个体识别提供了新的解决思路。      

雷达辐射源信号分选研究进展

雷达辐射源信号分选是雷达信号侦察的关键技术之一,同时也是战场态势感知的重要环节。该文系统梳理了雷达辐射源信号分选的主流技术,从基于脉间调制特征、基于脉内调制特征、基于机器学习的雷达辐射源信号分选3个角度阐述了目前雷达辐射源信号分选工作的主要研究方向及进展,并重点阐释了基于深度神经网络、数据流聚类等最新分选技术的原理与特点。最后,对现有雷达辐射源信号分选技术的不足进行了总结并对未来趋势进行了预测。      

一种雷达辐射源双谱二次特征提取方法

针对常规参数进行复杂体制雷达辐射源信号分选时存在的问题,对信号双谱图分别进行频率分区和奇异值分解,二次提取其双谱分布熵和奇异谱熵作为雷达辐射源特征参数.该方法利用双谱分析可以完全抑制高斯有色噪声对信号的影响,同时保留信号的幅度和相位信息的特点,并有机地融合了双谱理论、奇异值分解和信息熵理论的各自优点,反映出信号的本质信息.采用模糊C均值聚类算法对不同信噪比条件下6种典型调制类型的雷达辐射源信号进行聚类分选实验.实验结果表明,该方法取得了较好的分选效果,克服了传统图像特征提取算法特征维数过高和聚集性差的缺点,验证了该方法的有效性.     

基于多参数联合判决的雷达信号调制特征识别

根据雷达辐射源信号的不同特性,提取其非线性相位方差、瞬时频率统计直方图、瞬时频率方差和相像系数等特征量,对单载频、线性调频、非线性调频、频率编码和相位编码等常用雷达辐射源信号调制形式进行多参数联合判决.仿真结果表明,该算法在低信噪比下,仍能够自动准确地识别雷达信号脉内特征.     

复杂体制雷达信号预分选的方法

复杂体制雷达信号的全脉冲参数变化类型多样、参数交叠严重,使得利用全脉冲参数分选方法的正确率严重下降,但是其信号脉内特征参数相对稳定。在复杂体制雷达信号预分选的过程中,针对增批现象和正确率不高的问题,提出一种通过提取信号的脉内特征参数相像系数,联合较为稳定的脉间参数,利用改进的支持向量聚类算法,对复杂体制雷达信号进行预分选的方法。仿真结果表明,在对复杂体制雷达信号进行预分选时,所提方法有效地解决了信号增批问题,并提高了分选正确率。     

基于神经网络与时域校验的信号分选方法

针对现有雷达信号预分选方法对参数捷变雷达信号分选准确率不高的技术难题,提出了一种基于深度学习算法的全连接神经网络与时域校验的雷达信号预分选方法。该方法首先提取雷达数据库中已知雷达信号的载频、脉宽和脉内调制信息作为单脉冲分选特征,使用全连接神经网络完成单脉冲的识别。为了避免神经网络将未在雷达数据库中的信号(未知雷达信号)识别为已知雷达信号,在神经网络的输出层中加入置信度神经元生成置信指数,将置信指数低于阈值的判定为未知雷达信号进行剔除。最后根据分选结果调用雷达数据库中对应的时域信息(脉冲重复间隔),进行时域校验,完成雷达信号预分选。仿真结果表明,该方法在不同信噪比环境下对参数捷变雷达信号有较高的分选准确率,并且能有效剔除未知雷达信号。     

基于三维特征的雷达信号脉内调制识别

针对低信噪比条件下雷达信号识别算法对噪声敏感的问题,提出了一种基于三维特征的雷达信号脉内调制识别算法。该方法通过提取信号的差分近似熵、调和平均分形盒维数和信息维数特征组成三维特征向量,使用遗传算法优化的BP神经网络分类器实现雷达信号的分类识别。仿真结果表明,所提取的三维特征在信噪比为-4~10 dB变化范围内具有较好的类内聚集度和类间分离度,可以实现对不同雷达信号进行识别,证实了该方法的有效性。     

基于优势遗传的模糊函数主脊切面智能搜索方法

提取和补充新的信号参数是解决复杂体制雷达辐射源信号分选难题的有效手段,模糊函数主脊切面特征是众多新特征参数中较为可行的特征之一.为更快速地搜索信号的模糊函数主脊切面,文章构建了一种优势遗传搜索的智能算法,并采用统计假设检验理论对数据进行分析和检验.实验结果表明,所提方法可使模糊函数主脊切面的平均搜索耗时降低为原方法的28.6％,且能以较高的概率成功搜索到精度更高的切面特征,证实了所提方法的有效性和可行性.     

一种改进的脉内调制信号识别方法

针对低信噪比下传统方法识别雷达信号脉内调制类型准确率低的问题,提出一种有效的自动识别方法。基于时频原子分解提取雷达脉内调制特征,提出了一种融合差分进化与遗传算法优点的混合进化算法,进行最优原子搜索,从最优原子中提取出三种特征值并运用概率神经网络进行分类识别。仿真表明,该方法较差分进化算法有更高的搜索效率和更低的时间复杂度。在信噪比不低于-2dB时,该算法有90%的正确识别率。     

基于FastICA的雷达信号分选研究

现代战争中新体制雷达的大量涌现,电磁环境变得越来越复杂,对雷达信号分选提出了新的挑战。目前的雷达信号分选领域,多采用基于参数容差的传统分选方法,这些方法受参数误差的影响大,对PDW参数相似的雷达无法分选,已经无法适应复杂电磁环境。在对FastICA算法原理分析的基础上,重点研究了将它应用于PDW参数相近的雷达信号和参差脉冲列的分选,并进行了仿真。仿真结果表明,FastICA是建立在源信号统计独立基础上的处理,对信号相关性敏感,受参数误差的影响小,可以有效解决上述问题,为雷达信号分选提供了一种新的思路。     

一种自适应容差的雷达信号分选聚类算法

雷达信号分选的目的就是从交错的、密集复杂的脉冲信号流中提取出同一辐射源的脉冲序列。战场环境中信号流的密集性,信号形式的复杂性,给信号分选带来了严重的挑战。面对如此复杂的信号环境,传统的基于直方图统计的雷达信号分选算法的分选结果可信度越来越差。在聚类雷达信号分选算法的基础之上提出了一种自适应容差的雷达信号聚类算法,克服了传统的雷达信号聚类分选算法中容差选择困难的问题。仿真结果表明该方法能够准确地分选出各个辐射源的脉冲序列。     

一种有效的脉内特征分析算法

信号脉内特征分析技术对密集和复杂电磁环境中辐射源的分选和识别有着重要意义。从工程应用的角度出发,提出一种有效的脉内特征分析算法,将多阶相位差分计算得到的瞬时频率特征作为区分调频和调相信号的依据:通过逆序相乘法和瞬时频率直方图统计识别出线性调频和频率编码信号。通过倍频法进一步区分二相编码和四相编码信号,仿真试验表明:该算法在较低信噪比下对常见脉内调制信号具有较好的性能,运算量小,便于硬件实现。     

基于多重同步压缩变换的雷达辐射源分选识别

针对低信噪比条件下雷达信号分选识别算法识别率低且复杂度高的问题,提出了一种基于多重同步压缩变换(MSST)的雷达辐射源分选识别算法。首先通过MSST得到信号的时频图像矩阵;然后,对时频图像进行预处理,提取出时频图像的灰度共生矩阵纹理特征和Zernike矩特征;同时提取了信号的功率谱参数特征和平方谱统计特征,组成特征参数向量;最后利用支持向量机分类器实现了对雷达信号的自动分选识别。仿真结果表明,在信噪比为-2 dB时,该算法对9种雷达信号(CW、LFM、NLFM、BPSK、MPSK、Costas、LFM/BPSK、LFM/FSK和BPSK/FSK)的整体平均识别成功率大于96.5%。