一种基于扩张残差网络的雷达信号识别方法

针对低信噪比(SNR)条件下雷达信号识别率低的问题,提出一种基于多时频图像融合和扩张残差网络的识别方法。首先,通过多种时频分析方法,将雷达信号变换为不同的时频图,并对这些时频图进行融合和处理。然后,构建一种新网络模型,将扩张残差网络与特征融合提取模块相结合,对10类雷达信号进行识别。仿真结果表明,当SNR为-6 dB时,所提方法对10类雷达信号整体识别准确率达到98.7%。     

低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别

针对低信噪比条件下复杂多类雷达信号调制方式识别率低的问题，本文提出了一种基于时频分析和深度学习的雷达信号调制方式识别方法 .利用CTFD(Cohen class Time-Frequency Distribution)时频分析将信号时域波形变换为二维时频图像，更清晰地表征信号特征；采用灰度化和双三次插值运算等方法对时频图预处理，实现图像通道数和尺寸的减少，以降低深度学习模型数据输入量；进一步调整输入输出通道数构建小型EfficientNet网络，再由多个小型网络并行处理构建分裂网络EfficientNet-B0-Split3，将时频图像输入网络实现雷达信号调制方式识别.实验结果表明，在信噪比为-8 dB时，新方法对17类不同调制方式的雷达信号整体识别率可达97.1%，相对于扩张残差网络提高约2.4个百分点；在信噪比为-10 dB时，识别率可达92.1%，相对于EfficientNet提高约0.7个百分点，提升了低信噪比条件下复杂多类雷达信号调制方式识别率.     

一种雷达辐射源智能个体识别的方法

针对使用传统的卷积神经网络及低信噪比环境下雷达辐射源智能个体识别研究中识别性能不够的问题,提出了一种基于短时傅里叶变换(STFT)和EfficientNet的雷达辐射源个体识别方法。首先对雷达信号进行短时傅里叶变换,提取时频特征,然后利用EfficientNet中多个MBconv模块对不同时频特征图像的叠加,挖掘出信号图像隐含的更加复杂和抽象的深层次时频特征,包括信号强度的分布、时频模式、周期性变化等,从而完成个体分类识别。EfficientNet可以同时改变网络深度、宽度、图像分辨率3个参数,解决了梯度消失、梯度爆炸等问题。实验结果表明,基于STFT和EfficientNet的雷达辐射源智能个体识别的方法,相比于传统卷积神经网络在低信噪比环境下具有更好的识别性能。     

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%。     

一种基于时频原子特征的雷达辐射源信号识别方法

提出了一种全新的基于时频原子特征的雷达辐射源信号识别方法.训练阶段,在过完备时频原子库的基础上,以类区分度为度量,提取少数最能区分不同类别信号的时频原子作为一组固定的特征;识别阶段,以原子和信号的内积的绝对值作为分类器的输入特征,采用有监督模糊自适应共振网络进行辐射源的自动识别.对5类典型雷达辐射源信号的实验结果表明,...     

基于时频分布Rényi熵特征的雷达辐射源识别

针对复杂体制雷达辐射源识别,提出一种基于时频分布Rényi熵的雷达信号特征提取和识别方法。该方法首先对雷达辐射源信号进行时频变换,然后提取信号时频分布的3阶、7阶和11阶Rényi熵作为特征向量,得到具有维数低、类间差异较大的识别特征。最后采用支持向量机分类器实现信号的分类识别。文中对8种常见雷达信号进行了仿真实验,结果表明在较大的信噪比范围内,该方法能获得较为满意的正确识别率,当信噪比为-3dB时,采用时频分布Rényi熵特征的平均识别率仍能达到90.75%,验证了提出方法的有效性。     

基于改进EfficientNet的雷达信号调制方式识别

针对在复杂电磁环境下的雷达辐射源信号识别中传统方法失效,深度学习算法存在低信噪比下识别效果差、网络复杂参数多的问题,提出一种改进EfficientNet模型对雷达辐射源信号进行识别。首先引入卷积注意力模块(Convolutional Block Attention Module, CBAM)改进网络,提高网络对通道和空间特征的提取能力;结合h-Swish和ReLU两种激活函数进一步改进网络在保持网络精度的情况下加快网络训练;对样本进行标签平滑,对9种不同调制信号的时频图像做CutMix数据增强后输入网络,增强模型的泛化能力。通过实验分析,改进后的模型在信噪比为-10 dB的情况下对9种调制信号的综合识别率达到了94.24%,验证了该方法能够在低信噪比条件下有效识别雷达辐射源信号。     

基于多尺度残差网络和小波变换的LPI雷达信号识别

针对复杂战场电磁环境下的低截获概率（Low Probability of Intercept,LPI）雷达信号识别问题,提出了一种基于小波变换和多尺度残差网络的识别方法。首先利用离散小波变换提取LPI雷达信号的时频特征;然后利用多尺度残差网络的多层特征提取网络对输入信号进行深层自主学习,以获取原信号时频数据的分布式特征,从而实现对雷达信号的识别预测。在不同信噪比条件下对不同调制样式信号进行实验,证明了所提方法的可行性与有效性,以及较高的识别率和泛化能力。     

基于栈式稀疏自编码器的低信噪比下低截获概率雷达信号调制类型识别

针对低截获概率(LPI)雷达信号识别率低且特征提取困难的问题,该文提出一种基于Choi-Williams分布(CWD)和栈式稀疏自编码器(sSAE)的自动分类识别系统。该系统从反映信号本质特征的时频图像入手,首先对LPI雷达信号进行CWD时频分析,获取2维时频图像;然后对得到的时频原始图像进行预处理,并把预处理后的图像送入多层稀疏自编码器(SAE)进行离线训练;最后把SAE自动提取的特征输入softmax分类器,实现雷达信号的在线分类识别。仿真结果表明,信噪比为时,该系统对8种LPI雷达信号(LFM, BPSK, Costas, Frank和T1~T4)的整体平均识别率达到96.4%,在低信噪比条件下明显优于人工设计提取信号特征的识别方法。     

基于改进残差网络的雷达辐射源多标签识别北大核心CSCD

针对现有的雷达辐射源识别方法具有低信噪比情形下识别精度低、无法识辩多个辐射源等缺点,文中提出融入注意力机制的残差网络用于雷达辐射源多标签识别。首先,利用残差网络学习过程数据的时序特征并提取相应的深层特征;然后,引入注意力机制对提取的特征进一步地分类和识别;最后,在雷达辐射源数据集上进行仿真实验。结果表明所提的Atten-Resnet模型不但可以在多标签条件下进行雷达辐射源的准备识别,而且在信噪比为6 dB时仍然可以保持95%以上的准确率。Atten-Resnet模型具有较高的实用性和较强的鲁棒性。     

基于栈式稀疏降噪自编码网络的辐射源调制识别

针对辐射源识别中噪声敏感和识别能力不足等问题,提出了一种基于核空间时频特征与栈式稀疏降噪自编码网络的识别系统.通过时频变换、稀疏域降噪和核空间降维投影降低噪声干扰和特征冗余,基于降噪自编码与稀疏自编码思想构建栈式稀疏降噪自编码识别网络.实验结果表明系统在识别率和时效性上综合性能最优,能够显著降低噪声敏感性,低信噪比环境下适应性较强.当信噪比为-12dB时,系统对8类辐射源信号的整体平均识别率达到96.75%.     

基于核协同表示与鉴别投影的辐射源调制识别

针对辐射源识别中的特征稳定性不高和低信噪比环境适应性不足等问题,提出了一种基于二次时频分布、核协同表示与鉴别投影的识别方法.首先,通过时频变换、稀疏域降噪和二次特征提取的预处理算法降低噪声干扰和特征冗余,以获取高稳定性的二次时频分布特征;然后,采用核协同表示和鉴别投影思想进行降维学习和字典学习,以提升数据低维表征和类间鉴别能力;最后,通过离线训练完成系统优化并用于分类验证.仿真结果表明,二次时频分布特征具备较高稳定性,识别方法具备较强鲁棒性、时效性和适应性;当信噪比为-10dB时,该方法对8类辐射源信号的整体平均识别率达到96.88%.     

一种低信噪比下雷达辐射源识别方法

针对低信噪比下雷达辐射源信号分类,首先提出了基于高阶累积量和小波包变换相结合的特征提取方法,然后设计支持向量机分类器,并运用粒子群优化算法对分类器的参数进行寻优,最终实现对雷达辐射源信号的自动分类。仿真实验结果表明,在信噪比为-4dB时,6种雷达辐射源信号的平均识别率仍能达到93.83%,在低信噪比环境下取得了较为理想的分类效果。     

基于矩阵二值化的频率捷变雷达信号分选

针对频率捷变雷达信号的分选,提出了一种基于时频矩阵二值化的频率捷变雷达信号分选新方法。该方法首先对信号进行时频变换,得到时频矩阵;然后对时频矩阵二值化处理,提取信号在时频域能量分布归一化值作为信号的相参特征;最后采用支持向量机分类器实现信号分选。文中对频率捷变雷达信号进行仿真实验,结果表明,该方法在较低信噪比下仍能获得较为满意的分选准确率,当信噪比为6dB时,信号分选准确率达到96.17%,验证了所提出方法的有效性。     

基于去噪卷积神经网络的雷达信号调制类型识别

针对低截获概率雷达(LPI)信号处理复杂,低信噪比条件下识别率低的问题,该文提出一种基于去噪卷积神经网络和Inception网络的信号分类识别系统。首先对8种LPI雷达信号进行Choi-Williams分布(CWD)时频变换,得到2维时频图像,然后使用去噪卷积神经网络进行时频图像去噪处理,最后将图像发送到Inception-V4网络进行特征提取,并使用softmax分类器进行分类,实现LPI雷达信号的有效分类识别。仿真结果表明,该方法在–10 dB信噪比(SNR)下,识别率仍然可以达到90%以上。     

基于时频图像和高次频谱特征的雷达信号识别

针对低信噪比下雷达信号识别准确率较低的问题,提出了一种基于时频图像和高次频谱特征联合的雷达信号识别算法。该算法首先对信号采用Choi-Williams分布(Choi-Williams distribution,CWD)变换获取时频图像,接着对时频图预处理并用灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取纹理特征;然后利用对称Holder系数提取信号的高次频谱特征;再将纹理特征和高次频谱特征构成一组联合特征向量,最后通过支持向量机(support vector machine,SVM)实现雷达信号的分类识别。通过对8种典型雷达信号进行实验,结果表明本算法在信噪比为-8 dB时,不同信号的识别准确率能达到90%以上。     

一种基于Spectrum原子的雷达辐射源信号识别方法

为了提高雷达辐射源信号的正确识别率以满足现代电子对抗的需求,该文提出了一种新的雷达辐射源信号识别方法。在过完备多尺度Spectrum原子库基础上,采用匹配追踪(MP)方法对信号进行原子分解,并通过FFT降低MP搜索过程的时间复杂性,在此基础上,对本征Spectrum原子参数进行有效降维,提取具有分类意义的原子特征向量,同步实现信号的自动分类和参数估计。实验结果表明,该方法在低信噪比环境下不仅可以获得高的信号类别正确识别率,同时具有准确的参数估计结果,证实了所提出方法的有效性。