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%。     

基于稀疏编码特征的多传感器辐射源识别

针对单传感器在低信噪比下对辐射源信号的识别性能较差的问题,提出了一种基于稀疏自编码器的多传感器辐射源融合识别的方法。该方法首先采用稀疏自编码器进行特征提取,得到信号样本的特征模板;然后利用特征匹配方法,得到匹配差值;最后将匹配差值转化为D-S证据理论的基本概率赋值函数,通过改进的D-S证据对多个传感器进行融合得到最终结果。仿真实验结果表明,融合算法能够有效地提取信号特征,可进一步提高单传感器的识别性能,在小样本、低信噪比条件下,具有更强的识别优势。     

基于经验模态分解的通信辐射源分形特征提取算法

针对当前通信辐射源个体识别方法精度不高,鲁棒性不强等问题,提出了基于经验模态分解(EMD)模型的通信辐射源特征提取算法。该算法通过提取包括本征模函数(IMF)时域和频域范围内的分形特征结合Hilbert边缘谱上的分形特征与谱对称系数组成特征向量,并使用支持向量机(SVM)得到分类结果。10部建伍电台的分类实验结果表明:该算法在不需要先验信息的前提下,可以得到较好的分类效果,并且具有一定的鲁棒性。     

基于Fisher判别字典学习的辐射源调制特征识别

针对基于字典的信号调制类型识别方法中解析字典原子形态单一、无法与复杂辐射源信号最优匹配的问题,提出一种基于Fisher判别准则的字典学习方法。对辐射源信号进行时频分析,借鉴图像处理的方法提取信号时频特征列向量,在字典训练过程中加入信号调制类型信息,根据Fisher准则训练字典,使字典原子类间距离最大同时类内距离最小,以增强字典的识别性能;通过仿真分析Fisher判别字典的识别性能以及原子个数对字典性能的影响。研究结果表明：该方法相比于解析字典法和无监督字典法,具有更好的识别性能,在低信噪比时识别性能突出、抗噪声干扰性能好;综合考虑识别性能和计算量,当字典原子数取20时该方法性能最优。     

基于时频图像纹理特征的雷达辐射源信号识别

为了解决低信噪比条件下雷达辐射源信号识别率低的问题,提出了一种提取时频图像纹理特征的脉内调制方式识别方法.该算法首先对信号进行Choi-Williams变换,在对时频图进行预处理后提取其改进的局部二值模式纹理特征(LBPV),并用支持向量机进行分类判别.使用6种典型雷达信号进行仿真实验,仿真结果表明在-2 dB的低信噪比条件下该方法的平均识别率可达95％以上,局部二值模式算子在低信噪比下的识别能力得到大的提高.     

基于改进SSD的低截获概率雷达辐射源识别算法

针对低截获概率(LPI)雷达辐射源识别领域中,目标检测类方法实时性不高的问题,提出基于改进SSD的LPI雷达辐射源识别算法。该算法采用精度更高、速度更快的ResNet-50代替VGG-16网络,并对网络进行改进设计;此外,通过构建多径莱斯衰落信道仿真更贴近真实环境的数据集,以提高模型的实用性。仿真实验结果表明,针对7种LPI雷达信号的识别,在信噪比为-4 dB时识别准确率可达到92.9%,与原始SSD模型相比,训练及检测速度分别提高了28.50%和29.74%。     

基于机器学习的雷达辐射源识别研究综述

回顾和介绍了复杂雷达信号环境下辐射源智能化识别的相关机器学习理论的发展历程;对近年来基于机器学习理论的雷达辐射源识别技术研究状况进行了综述;在已有研究的基础上,着眼于提高小样本学习能力和新型雷达识别能力的发展需要,提出了基于机器学习理论的雷达辐射源识别技术的主要研究方向和难点问题,并对相应的解决方法进行了讨论。     

基于蚁群特征选择并行分类集成学习的孪生辐射源个体识别

为提高辐射源个体识别的准确率和可靠性,定义并研究孪生辐射源个体识别问题,提出基于蚁群特征选择并行分类集成学习的孪生辐射源个体识别方法。用皮尔森相关系数法确定不同分类器输出结果的分布矩阵的差异性,以基于蚁群特征选择的并行分类器中各子分类器分类准确率最高、差异性最大并使输入特征子集规模最小为目标建立设计模型,结合模型特点设计求解模型的蚁群算法。各子分类器根据其与所有子分类器的差异度和可靠度确定权重,差异度和可靠度越大,所占权重越大,根据不同权重子分类器预测结果的加权和进行最终决策。为验证方法的优越性,在原始电台采集信号、添加10 dB噪声、添加5 dB噪声3组数据下,将新方法和单一分类器、Adaboost算法及随机森林算法进行实验对比。研究结果表明,所提并行分类器设计模型分类准确率分别为88.70%、76.70%、64.80%,提高了特征的利用率和分类的准确性,优于其余3种方法。     

基于数据融合技术的道路特征实验识别

针对4轮独立驱动电动车在采用多种方法对道路信号进行对比分析的基础上,最后选择了轮速变异系数作为道路识别参数.应用数据融合技术对轮速变异系数进行处理,成功地区分了4种路面的特征.这种方法有利于车辆正常行使时,对路面进行识别,以便进行自适应控制,提高驱动效率和行驶安全性.     

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.     

双谱峰值特征在智能雷弹系统目标识别中的应用

以反坦克、反直升机智能雷弹系统为背景,研究特征提取及目标识别的有关方法和途径。频谱和自相关谱峰值结构特征提取,在战场声目标模糊模式识别中,特别是在组合特征优选中,占有５０％的比重。且不少谱峰值特征已获得较好的单项识别效果。     

基于联合投影字典学习的辐射源调制识别

针对字典学习用于辐射源识别时原子表征能力有限和复杂环境适应性不足问题,提出一种基于联合投影字典学习的辐射源识别方法。利用时频变换提取辐射源信号初始特征,并通过降维、降噪实现特征预处理;采用核空间投影和降维投影学习方式优化字典原子结构,基于数据集训练获取联合投影字典;通过分类测试完成了有效性验证。仿真结果表明：该方法所提取字典原子具备较强表征能力,能够适应参数多变的复杂环境;较常规有监督字典学习方式更易区分多类型、高相似度信号,-6 dB时单载频信号、线性调频信号、非线性调频信号、二相编码信号、四相编码信号、Frank信号、二相频率编码信号、四相频率编码信号、非线性调频-二相编码复合调制信号、二相频率编码-二相编码复合调制信号10类辐射源信号的整体平均识别率为94.4%.     

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.     

基于高斯混合模型的辐射源模式识别算法

针对现有算法对战场新出现辐射源学习与分类能力较差的问题,提出了基于高斯混合模型(Gaussian Mixture Model,GMM)的辐射源信号模式识别算法,该算法对信号在特征空间中的分布模式进行在线学习,形成基于概率统计的分类模型,在分类中给出样本归属的似然概率。为了进一步提高算法的实时性,提出基于空间网格划分的快速EM(Expectation Maximization)方法,从而使GMM拟合的计算复杂度取决于网格划分的密度而不是样本数量,极大提高了算法效率。对电子侦察典型场景的仿真分析表明,算法能够对各类辐射源进行在线学习与分类,适应性较强,且计算效率较传统EM算法有较大提高。     

基于轮廓与边缘纹理特征融合的掌纹识别

为了增强掌纹图像信息的分析和提取能力,提出了一种基于轮廓与边缘纹理特征融合的掌纹识别算法。该算法分别将灰度直方图和差分盒子维算法作用于掌纹图像的低频和高频成分,提取图像的轮廓和边缘纹理特征,然后并联融合二者特征向量进行匹配。通过香港理工大学PolyU掌纹图像数据库的验证,算法识别精度为99.56%,特征提取和匹配时间为56 ms,满足识别精度和实时性要求,且算法复杂度和造价低,具有较高的工程应用价值。     

基于深度残差网络的ADS-B信号辐射源个体识别

针对传统依赖于人工提取的专家特征难以表征辐射源个体信号的细微差异问题,提出了一种基于深度残差网络(DRN)的辐射源个体识别算法.利用深度残差网络完成分类识别任务,将实测信号的同相分量(I路)和正交分量(Q路)输入到深度残差网络中进行训练.在包含不同飞行目标的ADS-B信号实测数据集上进行实验以评估该算法的性能.实验结果...     

基于核函数支持向量机的雷达辐射源识别

文中针对雷达辐射源信号环境复杂导致的正确识别率较低的问题,提出了基于支持向量机理论的雷达辐射源识别方法,并构建了基于多种核函数支持向量机的雷达辐射源分类器。通过在不同噪声环境下进行仿真实验,证明了支持向量机理论在雷达辐射源识别中的有效性,并比较了多种核函数支持向量机的识别效果。     

基于多维特征的高超声速目标分类识别算法

针对高超声速目标天基探测中分类识别困难的问题,提出了一种基于多维红外特征的高超声速目标分类识别算法。在对主动巡航式和被动滑翔式两类不同机动类型的典型高超声速目标多维红外特征进行对比研究的基础上,结合高斯混合模型进行机器学习聚类分析,开发了基于多维特征的高超声速目标分类识别算法,构建了高超声速目标多维特征混合识别模型。基于天基探测全链路模型仿真的数据进行测试验证,其结果证明了所提出的高超声速目标分类识别方法的有效性。在检测到的高超声速目标运动特性未知的情况下,该算法仅通过多维红外特征可快速对两型高超声速目标（主动巡航式/被动滑翔式）进行分类识别,为后续跟踪和拦截高超声速目标争取了时间。     

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。