基于稀疏深度神经网络的电磁信号调制识别

为在低复杂度约束条件下提升电磁信号调制识别的性能,提出了一种基于稀疏深度神经网络(Sparse Deep Neural Network, SDNN)的电磁信号调制识别方法。首先,通过提取电磁信号同相和正交两路数据绘制出信号的星座图,作为信号的浅层特征表达;然后,基于星座图中各信号点密度大小对星座图进行上色,增强星座图中信号特征;最后,通过SDNN对增强后的星座图进行识别分类。实验结果表明,SDNN模型选取合适的剪枝率后,能够有效降低模型存储规模和计算量,其中模型参数压缩了72%,浮点运算量压缩了45%,与原模型97%的综合识别率相比,稀疏化处理后模型的综合识别率为96.8%,在小幅度识别精度损失范围内大幅降低了模型复杂度。     

基于元学习的畸变雷达电磁信号识别

畸变雷达电磁信号会严重影响雷达侦察装备的探测性能。如何有效地识别畸变信号类型对侦察系统的精确感知具有重要现实意义。针对畸变雷达信号往往存在样本稀缺的问题,该文提出一种基于模型无关元学习的残差网络(MAML-ResNet)。算法首先利用正常雷达信号样本训练元学习器,然后在畸变信号样本进行精调,最后在仅有少量畸变信号样本下,实现畸变信号的识别。实验结果表明该算法有效地提高了在小样本数据下畸变信号的识别准确率。     

基于深度学习的视频行为识别方法综述

近年来,自动学习特征的深度学习方法在视频行为识别领域中不断被挖掘探索。在总结了常用的行为识别数据集的基础上,对传统的行为识别方法以及深度学习的相关基础原理进行了概述,着重对基于不同输入内容与不同深度网络的行为识别方法进行了较为全面、系统性的总结、对比与分析。最后,对深度学习在行为识别领域的发展做了总结并展望了未来的发展趋势。     

基于累加分类的ADS-B交织信号处理方法

广播式自动相关监视作为国际民航组织主推的监视技术,越来越多的飞行器配备了ADS-B收发设备,此外,介于ADS-B信号的广播体制以及空域流量的不断增加,不同的ADS-B信号之间将会发生交织,这种情况同样也会发生在直达信号与多径信号之间;以上两种情况均会给ADS-B信号的解码带来严重影响,相应地会造成信息的错误读取或丢失。本文提出了一种单天线下基于累加判决的解交织算法:首先通过单天线下的有效脉冲位置检测以及基于希尔伯特变换的交织检测分别获得信号的起始位置以及信号交织位置,进而得到两条信号之间的相对时延,从而对数据进行累加并利用K-means方法进行分类,最终得到比特位判决结果以实现交织信号分离。      

基于深度学习的跳频信号识别

针对跳频信号分选存在人工提取参数特征具有复杂性的问题,提出了一种基于深度学习的识别方法。首先对跳频信号进行短时傅里叶变换,得到二维的时频矩阵;接着提取信号的轮廓特征,构造三维矩阵作等高线图,并对等高线图进行预处理;最后把预处理后的等高线图输入到卷积神经网络中进行训练、测试,进而实现分类识别。仿真结果表明,在不需要复杂的人工提取参数特征的基础上,在分选率为100〖WT《Times New Roman》〗%〖WTBZ〗时,所提方法经裁剪处理下的信噪比为-15 dB,比支持向量机和传统K-Means聚类算法都低10 dB。实测数据的算法验证表明,所提方法能够将大疆精灵4Pro、hm无人机、司马航模X8HW以及大疆悟2这四类无人机正确分类。     

基于多模态深度学习的信号调制识别

信号调制识别技术在民用和军事领域都有重要应用。当前信息化战场中,由于各类雷达、通信、导航、电子战武器等信息辐射源的数量愈来愈多,调制形式也日益多样化,信号密度愈来愈大,战争电磁环境日趋复杂化,传统的信号调制识别技术已无法适应。因此,提出基于深度学习的AlexNet网络和复数神经网络,同时采用多模态特征融合和模型融合技术,融合信号统计图域和信号I/Q波形域的多模态信息,实现信号调制识别。仿真结果表明,所提方法的识别精确度在不同信噪比下均优于单模态识别方法和未采用多模态协同融合框架的方法。     

基于轻量化深度学习网络的调制信号识别模型

电磁态势分析是信息化战争中至关重要的工作,如何利用深度学习技术有效实现调制信号识别是其中一项关键技术.首先将调制信号转化为带有颜色信息的星座图形式,并用深度学习方法,选用VGG16和AlexNet两个卷积神经网络完成调制识别任务.结果显示,当信噪比大于等于0 dB时,可以达到99％以上的识别准确率.由于军用设备对于计算...     

基于深度学习的雷达信号目标识别方法研究

雷达信号目标识别是智能感知领域的重要研究方向。传统方法在处理复杂场景和多目标识别时存在局限性,而深度学习方法以其强大的表达能力和自适应性在雷达信号目标识别中展现出巨大潜力。文章通过综合分析深度学习在雷达信号目标识别中的应用,探讨了数据预处理、深度学习模型选择、目标检测和分类方法、目标跟踪和预测方法以及深度学习与传统方法的融合策略等关键问题,重点讨论了深度学习模型的优化和改进方法。     

基于深度学习的自动调制识别方法综述

自动调制识别(Automatic Modulation Recognition,AMR)是复杂电磁环境下的信号感知和识别领域中的重要技术,广泛应用于频谱感知、链路自适应、干扰防护等领域。传统的AMR方法主要依赖于人工提取特征、决策理论和识别器的选择。而深度学习(Deep Learning,DL)算法直接从海量数据中自动获取信号特征,同时实现特征提取和识别。因此,针对复杂多变的电磁环境中的信号识别问题,提出了将DL算法应用于AMR任务。首先,从数据集、信号表示和网络模型三个层面系统地综述基于DL的AMR方法;其次,详细总结了针对不同的信号表示所设计的神经网络模型,其中接收信号可以由专家特征、序列和图像来表示;最后概述了AMR存在的问题、潜在的研究方向和结论。     

Radio signal recognition based on image deep learning

A technical idea was innovatively proposed that uses image deep learning to solve the problem of radio signal recognition.First,the radio signal was transformed into a two-dimensional picture,and the radio signal recognition problem was transformed into the object detection problem in the field of image recognition.Then,the advanced achievements about image recognition were used to improve the intelligence and ability of radio signal recognition in complex electromagnetic environment.Based on the proposed idea,a novel radio signal recognition algorithm named RadioImageDet was proposed.The experimental results show that the algorithm can effectively identify the waveform types and time/frequency coordinates of radio signals.After training and testing on the self-collected data set with 12 types and 4 740 samples,the accuracy reaches 86.04% and the mAP value reaches 77.72,while the detection time is only 33 ms on the medium configured desktop computer.     

基于深度学习的ADS-B辐射源个体识别

辐射源个体识别技术在电子对抗领域起着关键性作用.针对传统人工提取特征主要依赖于专家经验,文中提出了一种基于深度学习的ADS-B辐射源个体识别方法.该方法采用卷积神经网络结合center loss损失函数来训练和测试相位数据.并加入假冒飞机序列号,查看中心损失值来判断是否异常.实验表明,文中提出的方法识别精度能达到99％...     

基于最小色散方法的广播式自动相关监视压制式干扰抑制

压制式干扰是广播式自动相关监视(ADS-B)系统面临的最常见且最有威胁的干扰之一。该文将最小色散算法应用到ADS-B信号压制式干扰抑制的研究中。首先,利用ADS-B信号的脉冲特性,将以往只考虑二阶统计量的形式扩展,重新建立p范数约束优化模型。然后,提取观测信号更低阶统计量中的有用信息,将解算最优加权矢量转化为一个最优化问题。最后,解算最优权矢量,对观测信号进行空域滤波,完成ADS-B的压制式干扰抑制,并对抑制结果进行性能分析。文中提供的仿真实验结果验证了算法的有效性,该方法不需要知道ADS-B信号来向,也无需估计协方差矩阵。     

基于改进单天线投影算法的广播式自动相关监视信号分离

广播式自动相关监视(ADS-B)作为一种新的监视技术正受到国际民用航空组织(ICAO)的大力推广。然而,由于ADS-B信号传输具有随机性,多条信号交织问题不可避免。该文提出一种改进的单天线投影算法(PASA)。利用单通道分离交织信号,首先对单通道接收到的数据提出一种新的矩阵重构方式,从而降低两条信号之间的相对时延和频偏要求;然后利用投影算法分离交织信号。仿真实验结果验证了该算法的有效性。     

ADS-B延迟转发电文检测及干扰台定位方法

广播式自动相关监视(ADS-B)技术因明码广播特点,面临较严重的电子欺骗风险。针对延迟转发电文的检测与相应干扰台定位问题,根据ADS-B地面站接收电文的位置间隔的分布特点,该文提出利用顺序电文间瞬时速度与关注期内平均速度间的差异性检测延迟转发电文的方法。根据延迟转发电文的原始电文位置与干扰台间的空间关系,利用ADS-B地面站获取的延迟转发电文位置及时间戳,采用多点定位技术实现对干扰台定位。仿真结果表明,利用瞬时速度与平均速度间的差异性可以有效地实现对延迟转发电文存在与否的检测,干扰台的定位精度与ADS-B地面站的定时精度、采用定位的电文数目、干扰台与航线间距离和干扰台方位等因素有关,且采用正视区域的位置电文可以获得对干扰台较好的定位性能。该文方法可以使ADS-B地面站独立地检测延迟转发干扰和定位相应干扰台。

     

基于ADS-B的飞机防撞算法

面对飞行流量持续快速增长,民航空域资源日益短缺,对冲突飞机进行有效的解脱,是避免飞机间发生碰撞的关键技术。对飞机保护区域进行合理建模,给出一种基于广播式自动相关监视（ADS．B）技术的冲突解脱算法,该算法有效利用ADS．B的数据精度高、更新快的特点,从水平方向上给出“保向变速”与“保速变向”两类解脱策略,从垂直方向上给出“爬升”和“下降”两种解脱策略。把飞机的水平速度、航向和垂直速度作为控制变量,通过计算冲突解脱的边界条件获得控制变量转换时间,从而找到可行的解脱方法。仿真结果表明,对于同一飞行冲突情形,并不是所有的冲突解脱策略都是可行的,但是对于可行的冲突解脱策略,需要由飞行员根据当时的具体情况去决定哪种解脱方式是最优的。     

基于LBP和深度学习的非限制条件下人脸识别算法

提出一种在非限制条件下,基于深度学习的人脸识别算法。同时,将LBP纹理特征作为深度网络的输入,通过逐层贪婪训练网络,获得良好的网络参数,并用训练好的网络对测试样本进行预测。在非限制条件下人脸库LFW上实验结果表明,该算法较传统算法（PCA、SVM、LBP）识别率高;另外,在Yale库和Yale-B库上也获得较高识别率,进一步说明以LBP纹理特征作为网络输入的深度学习方法能够对人脸图像进行准确识别。     

ADS-B攻击数据弹性恢复方法

为了对自动广播相关监视(ADS-B)攻击数据进行弹性恢复,确保空情态势感知信息的持续可用性,该文提出针对ADS-B攻击数据的弹性恢复方法。基于前置的攻击检测机制,获取当前ADS-B量测数据序列和预测数据序列,并在此基础上构建偏差数据序列、差分数据序列和邻近密度数据序列。依托偏差数据构建恢复向量,依托差分数据挖掘攻击数据的时序特性,依托邻近密度数据挖掘攻击数据的空间特性。通过整合3种数据序列构建弹性恢复策略并确定恢复终止点,实现对攻击影响的弱化,将ADS-B攻击数据向正常数据方向进行定向恢复。通过对6种典型攻击样式的实验分析,证明该弹性恢复方法能够有效恢复ADS-B攻击数据,削弱数据攻击对监视系统的影响。