基于深度学习的常规调制信号与跳频调制信号识别

跳频（Frequency Hopping,FH）调制手段是扩频通信方法中的一类,具有很强的抗干扰性能,被广泛应用在军事通信领域。在战场的强电磁环境中,准确分类识别出跳频信号与常规调制信号,在判断敌我目标属性、实施通信干扰与抗干扰方面具有十分重要的意义。传统基于信号特征提取的跳频信号分类识别手段受信噪比影响大,在低信噪比条件下无法实现有效分类识别。对此,本文利用卷积神经网络实现跳频调制信号与常规调制信号的分类识别。首先通过小波变换得到信号的时频图像,之后将时频图像输入卷积神经网络进行分类识别。实验证明,相比于传统人工特征分类模型,基于卷积神经网络的分类识别模型受信噪比影响小,且分类识别准确率高,在信噪比大于-4 dB条件下,识别成功率达到98%以上。     

基于扩张残差网络的雷达辐射源信号识别

针对低信噪比条件下,复杂多类雷达辐射源信号识别存在特征提取困难,识别正确率低的问题,本文提出了一种基于时频分析和扩张残差网络的辐射源信号自动识别方法.首先通过时频分析将信号时域波形转换成二维时频图像以反映信号本质特征;然后进行时频图像预处理以保留时频图像完备信息,适应深度学习模型输入;最后构建扩张残差网络以自动提取信号时频图像特征,实现雷达辐射源信号分类识别.实验结果表明,信噪比为-6dB时,该方法对16类雷达辐射源信号的整体识别正确率能够达到98.2%,对时频图像特征相似的类LFM（Linear Frequency Modulation）信号的整体识别正确率超过95%.本文提供了一种新的雷达辐射源信号智能识别方法,具有较好的工程应用前景.     

复杂电磁环境下基于信号时频图像的调制识别

为解决调制识别研究中较少考虑到不同信号的特征之间联系性的问题,搭建了卷积神经网络(CNN)来提取信号的彩色时频图对应的特征,并利用时频变换的分析方法,将一维信号处理成彩色时频图,通过卷积神经网络架构提取图像特征;同时为了提升算法在低信噪比下的分类识别准确率,对时频图像的纹理特征进行了特征提取,将提取到的纹理特征与卷积神经网络中提取到的特征进行特征融合。仿真实验结果表明,采用的时频卷积神经网络(TF–CNN)和TF–Resnet网络框架能够达到高精确度信号自动调制识别分类的目的。     

基于时频分布迭代的跳频信号参数估计

提出了一种基于时频分布迭代的跳频信号参数估计新算法,利用时频平面最大值,通过计算跳频信号与最优原子时频分布的残差逐次迭代获取匹配于跳频信号分量的时频参数,进而实现跳频信号参数估计.理论分析和仿真结果表明,与基于匹配追踪和粒子群优化的跳频信号参数估计相比,基于时频分布迭代的参数估计算法在保证算法精度的情况下,有效地降低了算法的计算复杂度,为跳频信号盲接收的实时实现提供了一种新方法.     

基于时频能量谱特征的跳频电台个体识别

针对于跳频电台的细微特征分类识别问题,提出基于跳频信号时频能量谱的细微特征提取算法。首先,利用跳频信号在时频域的稀疏特性,通过稀疏重构方法得到跳频信号时频能量谱;然后,在不同尺度条件下对时频能量谱进行分割,分别提取时频能量谱瑞利熵、多重分形维数和差分盒维数三种特征;最后,通过支持向量机分类器对提取特征集进行训练、分类和识别,实现跳频电台个体识别。利用四部电台的跳频信号,验证对比了本文算法与另外两种算法的识别性能。实验结果表明,本文方法所提取的细微特征集具有较强的分辨能力,避免了由单一特征的相似性而引起的误判问题,能够在少量训练样本条件下,保持较高的识别正确率。      

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.     

基于时频分布图像和主分量分析的脉内调制识别算法研究

本文提出了一种利用模式识别中图像处理的方法来进行雷达脉内调制特征识别的新算法.通过对雷达信号时频分布图像进行二维小波分解,并对其进行主分量分析,获得每类雷达信号中的特征参数,构建相应的分类器,并利用此分类器对信号进行识别.仿真结果表明,利用信号的时频分布图像来进行信号识别是完全可行的,提取的特征参数具有很好的鲁棒性,具有较强的抗噪声能力,同时可以取得较高识别率.     

基于排序时频特性的雷达脉内调制信号识别

提出了一种基于排序时频特性的雷达脉内调制信号识别算法.该算法可分为三步:首先,通过检验信号时频曲线的互易回归特性,识别出线性调频信号;然后,通过检验信号时频RANKIT图的正态性,识别出常规信号;最后,检验信号平方后时频RANKIT图的正态性,用以区分二相编码与四相编码信号.仿真结果表明,该算法无需接收信号的任何先验知识,在较低信噪比条件下可实现对常用雷达脉内调制方式的有效识别.     

结合图像处理与时频分析的直扩/跳频信号参数估计

为实现扩频带宽大于跳频间隔、干扰信号强度较大及存在信道噪声时直扩/跳频(DS/FH)信号参数精确估计,提出了一种结合图像处理算法与时频分析技术的DS/FH信号参数估计方法。该方法首先利用时频分析算法提取DS/FH信号的时频分布图,然后结合干扰分量在时频图中的图像特征,利用图像处理的开运算与闭运算剔除了图像中的孤立干扰点及"空洞"干扰点。特别地,为抑制复杂的毛刺干扰信号提出了一种迭代相关匹配算法。最后通过分析图像像素位置与时频参数的对应关系完成DS/FH信号的参数估计。仿真实验表明,该方法可以有效消除干扰信号的影响,准确快速提取混合扩频信号的时频参数。     

二维主分量分析的脉内调制识别算法研究

随着雷达信号脉内调制方法日趋复杂,单纯地利用时域或频域的算法来进行信号调制类型的识别已很难奏效.借助于雷达信号的时频分布图像,提出了一种在时频联合域上进行信号识别的新算法.首先揭示了时频分布图像中确实蕴含着信号调制类型的本质特征,然后详细阐述了利用二维主分量分析来提取时频分布图像特征参数的算法,最后对算法进行了仿真,并从识别率、算法复杂度以及硬件需求和训练时间3个角度进行了比较.结果表明,该算法提取的特征参数具有很好的鲁棒性,可以取得较高的识别率,同时可以降低硬件需求,缩短训练时间.     

基于数据增强和特征嵌入的自动调制识别

基于端到端的深度学习模型已经被广泛应用于自动调制识别。现有的深度学习方案大多数依赖于丰富的样本分布,而大批量的标记训练集通常很难获得。提出了一种基于数据驱动和选择性核卷积神经网络(Convolutional Neural Network,CNN)的自动调制识别框架。首先开发深度密集生成式对抗网络增强5种调制信号的原始数据集;其次选择平滑伪Wigner-Ville分布作为信号的时频表示,并将注意力模块用于聚焦时频图像分类中的差异区域;最后将真实信号输入轻量级卷积神经网络进行时间相关性提取,并融合信号的时频特征完成分类。实验结果表明,所提算法提高了在低信噪比情况下的识别精度,表现出较强的鲁棒性。     

多跳频信号波达方向与极化状态联合估计算法

为了有效辅助跳频(FH)网台分选和信号识别、跟踪,该文用正交偶极子对构造极化敏感阵列,基于空间极化时频分析,在欠定条件下实现了多跳频信号波达方向(Direction Of Arrival, DOA)与极化状态的高效联合估计。首先建立跳频信号的极化敏感阵列观察模型,然后根据参考阵元时频分析结果建立各跳信号的空间极化时频分布矩阵,再利用该矩阵中蕴含的信号极化-空域特征信息分别运用线性、二次型空间极化时频以及多项式求根共3种方法实现DOA与极化参数联合估计,最后蒙特卡罗仿真结果验证了该算法的有效性。     

一种基于STFT的跳频参数估计新方法

针对STFT在进行跳频信号参数估计时,时间分辨率和频率分辨率存在固有矛盾这一问题,通过分析窗函数对跳频信号STFT变换后时频谱图的影响,提出了一种基于STFT的跳频参数估计方法。该方法直接利用窗函数参数提取跳频参数,避免了时频谱图对参数估计精度的影响。通过不断改变窗函数起始时刻及窗函数宽度,寻找时频聚集性最好的时频谱图,确定目标窗函数参数。仿真结果表明,该方法实现了跳频参数的有效估计。     

基于时频融合的深度学习调制识别算法

自动调制识别(Automatic Modulation Recognition,AMR) 能够在缺少先验信息的条件下,识别出接收信号的调制类型,在非合作通信中起着至关重要的作用。为提高调制识别的准确率,提出了一种基于时频融合的深度学习调制识别算法。该算法将调制信号的时频图作为网络的输入,使用一维卷积分别提取信号的时频特征,并通过计算时频维度上的权重来突出重要的时频信息,使网络学习到更具区分度的时频特征。为了充分利用时频特征之间的互补性和相关性,使用了基于压缩和激励网络(Squeeze-and-Excitation Network,SENet)的时频特征融合策略。利用该网络对11种调制类型进行识别,实现了最高92.5%的识别准确率;在0 dB以上时,平均识别准确率达到90.87%,优于其他的深度学习算法。     

基于时频分析的相位编码信号检测及识别方法研究

低信噪比条件下（0dB）对相位编码信号的检测及识别是当前脉内特征分析中的重点和难点,基于这种原因,提出了一种基于时频分析（短时傅里叶变换）方法对信号脉冲进行检测,然后,重点论述了低信噪比条件下（0dB）对相位编码信号的调制类型识别及参数估计,根据对信号时频特征的分析,建立对信号进行检测及识别的算法模型,并给出了算法的理...     

基于时频分析的多跳频信号盲检测

为了减小低信噪比下干扰和噪声对跳频信号检测的影响,提出一种基于时频分析的多跳频信号盲检测算法。针对跳频信号、定频信号、高斯白噪声具有的不同时频分布特点,该算法利用短时傅里叶变换得到的时频图构造时频对消比;理论分析得到各信号的时频对消比是不同的,因此将其作为检测统计量,实现高斯白噪声背景下跳频、定频信号的盲检测。仿真结果表明,本文算法具有抗噪声功率不确定性能;与改进型功率谱对消法相比,本文算法在低信噪比环境下,具有更高的跳频信号和定频信号检测概率。此方法也能实现存在定频信号、扫频信号和突发信号干扰的复杂电磁环境中跳频信号盲检测,当信干比为5 dB且跳频信号的检测概率达到100%时,本文算法比改进型功率谱对消法改善信噪比10 dB;在干噪比为0.05 dB时的虚警概率几乎为0。      

基于时频脊线的跳频参数盲估计

 为了估计未知跳频信号的参数,提出一种基于时频脊线的跳频参数盲估计方法,根据跳频信号频率的瞬变特性,通过对跳频信号时频脊线的小波变换,可以准确估计跳周期,进而估计其它跳频参数.理论分析和仿真结果表明,该方法可以在低信噪比下以较低的运算复杂度实现高精度的参数估计,整体性能优于现有的跳频参数盲估计方法.     

复杂电磁环境下跳频信号检测及拼接算法

为了有效解决现代战场复杂电磁环境下跳频信号的侦察问题,采用STFT时频分析法进行跳频信号处理。针对存在定频干扰的情况,根据跳频信号的时频图随时间变化的差异性,提出了一种基于时频图跳频图案进行功率谱非线性对消的跳频信号检测算法,可以有效地抑制定频干扰,提高跳频信号的检测概率。对于跳频信号的自动拼接处理,提出在校时时通过补零法则来精确定位拐点的位置,仿真结果表明,改进的校时算法能实现跳频信号零误差拼接。     

跳频信号时-频域分析与参数盲估计方法

本文提出一种基于SPW时频分析来估计未知跳频信号参数的方法。该方法能够有效描绘跳频图案,具有分辨率高、运算量小、抗噪声能力强等优点。文中详细讨论了SPW时频分析方法,给出了参数盲估计算法的具体步骤及在低信噪比下的算法完善,并进行了仿真试验和性能分析。     

基于混沌吸引子重构和Low-rank聚类的跳频信号电台分选

辐射源无调制信息的暂态信号能够表征辐射源发射机的无意调制特性,对该暂态信号分析可实现辐射源识别。而跳频电台在开机以及频率转换瞬间,都存在一个无信息传送的暂态调整时间,该暂态调整瞬间,电台发射的信号是无调制信息的非线性、非平稳和非高斯信号。该暂态时间序列可反映跳频电台的器件特性,同时该序列往往呈现复杂的混沌特性。因此,借鉴混沌时间序列分析的思想,同时利用暂态信号的Low-rank特性,该文提出了一种基于暂态信号混沌吸引子重构和Low-rank聚类的跳频信号电台分选算法。实验测试表明:跳频电台的暂态信号时间序列属于混沌时间序列,同时实测多跳频信号的电台分选结果证明了Low-rank聚类算法在跳频电台分选上的可行性。