基于级联SSA-SOFM神经网络的信号分选方法

针对应用传统SOFM神经网络进行辐射源信号分选的不足，提出了一种结构自调整算法以解决必须事先确定SOFM网络规模的问题，进而提出了一种基于级联结构自调整SOFM（SSA—SOFM）神经网络模型的信号分选方法，采用实际数据进行了实验仿真，结果表明了该方法的有效性．     

雷达信号分选、处理方法研究

雷达信号分选,就是从交错的密集复杂的脉冲信号流中提取出属于同一雷达辐射源的脉冲序列。现代雷达具有多种工作状态,其各项特征参数都是可变的,甚至是随机变化的,这给雷达信号的分选与处理工作带来一定难点。本文介绍了雷达信号分选基本方法,分析了雷达信号分选的关键技术,并雷达信号处理中的的辐射源分类的识别方法。     

支持矢量分析在雷达信号分选中的应用

提出了一种基于支持矢量分析的雷达信号分选方法、该方法首先对脉冲信号流进行聚类，然后应用支持矢量分析方法对聚类后脉冲流作进一步分选．通过仿真实验，给出了该方法对处于边界交迭脉冲的分选结果，证明了该方法的可行性、     

一种密集信号环境下雷达脉冲分选方法

针对电子战所面临的高密度,占空比大,脉冲重叠丢失率高的信号环境,构建了一个实时的脉冲信号预分选系统,改进了基于概率统计的分选算法,并提出一个剔除TOA倍数及加和关系的算法,通过试验证明了该系统和算法的可行性。通过硬件电路进行了具体实现,该系统能实时的对雷达脉冲序列进行分选,并在密集的信号环境下具有良好的分选正确率。     

熵特征在雷达信号分选中的应用

针对现有方法分选准确率不高和对噪声敏感的问题,应用信息熵特征实现了低信噪比条件下未知复杂雷达信号的高准确率分选.对接收到的雷达信号首先求得维格纳分布空间和双谱空间,然后对该空间进行子空间划分,在子空间分布概率下,求取雷达信号的信息熵特征构成二维特征向量,该特征向量反映了信号在这两种空间下的能量分布.最后对8种雷达辐射源信号进行了特征提取和分类仿真实验.实验结果表明所提取的特征参数在宽信噪比范围内均具有很好的分离性和稳定性,验证了该方法的有效性.     

基于数据场与云模型的多模雷达信号分选算法

针对传统分选算法处理多模雷达信号效果较差的问题,提出一种基于数据场的层次聚类信号分选算法,以克服多模雷达信号分选时存在的"增批"问题.将数据场理论应用于多模雷达辐射源信号的分选,利用数据场势函数划分辐射源信号数据的层次,通过等势图的绘制完成数据的自组织层次聚类.提出一种基于云模型的分选结果有效性评估算法,可在脱离雷达辐射源库的情况下验证信号分选结果的有效性.仿真实验验证了提出算法的有效性.     

一种低复杂度的雷达信号分选方法

针对现有支持向量聚类算法在雷达信号分选应用中复杂度高、用传统有效性指标难以描述最佳分选效果的问题,研究了基于锥面聚类分配的支持向量聚类算法;利用该算法依赖于特征空间和数据空间近似覆盖的特性,避免了邻接矩阵的计算.提出了基于相似熵的有效性验证指标,应用信息熵的理论描述了类内聚集性和类间分离性.仿真结果表明,该方法在保证分选正确率的同时,可以有效降低计算复杂度,在一定程度上满足了情报侦察系统的实时性和准确性要求,具有较强的实用价值.     

通信信号的分选与识别

本文提出了通信信号分选的识别方法，对分选的方案进行了论证，利用预处理与主处理相结合的方法来分选通信信号，尤其在进行调制分类时，提出特征提取和识模器，为了提高速度速度，采取维数缩压和线性识模器。     

基于压缩感知的雷达信号分选方法

针对复杂电磁环境下,大量的信号在时间、空间、频谱发生随机交叠时,现有分选方法很难进行分辨的问题,提出了一种基于压缩感知理论的雷达信号分选算法.该算法将信号的样本空间作为稀疏字典,将待分选的雷达信号进行稀疏表示,以少量的观测数据就能获取信号的全部信息,从而对雷达信号进行有效的分选.仿真结果表明,该算法能对大量时频交叠信号进行快速分选,且在低信噪比下也能取得较理想的效果.     

一种雷达目标与杂波环境信号拟器

介绍一种以存储器芯片为核心的数字式雷达目标与杂波环境信号模拟器，该模拟器可模拟单脉冲雷达杂波干扰环境下的视频回波，可作为专测试设备来完成对单脉冲雷达的调 试，和对其进行抗干扰性能测试。     

钢筋混凝土雷达信号的BP人工神经网络识别

在混凝土雷达检测中,钢筋直径的识别是一个难点,因此探求使用人工神经网络的方法来解决。试验制作了一系列埋有钢筋的混凝土试件,这些埋置的钢筋直径在8~25 mm间且埋深在15~125 mm之间。这些试件经探地雷达检测后,雷达信号被提取出几个特征参数,这些参数包括雷达波的峰值、能量、波宽以及斜率,然后将这些参数作为BP神经网络识别的特征参数,并通过对神经网络进行有针对性地细分以提高网络识别精度,网络识别的结果表明BP神经网络能成功地识别钢筋的直径。     

分段聚类在雷达信号分选中的应用

分析了雷达信号分选中的容差问题,现代电子战所面临的越来越复杂密集的脉冲环境,使容差问题成为制约现有多参数信号分选体制分选效率的重要因素。根据统计学习理论的思想,提出了一种基于支持向量聚类和级联互耦的分段聚类雷达信号分选方法,该方法克服了容差问题对雷达信号分选的影响。通过仿真实验验证,对于高脉冲密度环境和复杂的信号形式,这种分选方法是有效的。     

改进的相控阵雷达信号检测方法

针对传统雷达信号检测方法对相控阵雷达信号检测概率较低的问题,提出了一种结合小波降噪和极值序列法的信号检测方法。该方法采用小波阈值降噪法对雷达信号进行预处理,以提高侦收信号的信噪比,利用极值序列法在高信噪比下检测精度较高的优势,完成对信号的准确检测和参数的精确估计。仿真结果表明,与传统检测方法相比,该方法在低信噪比下对相控阵雷达信号的检测概率平均提高21.8%。     

一种改进的进化神经网络优化设计方法

基于传统遗传算法优化神经网络时存在的"近亲繁殖"、基因编码冗余和难以确定隐节点数等问题,提出改进的进化神经网络优化设计方法.通过对网络编码形式的规范,使得基因编码与功能等价类一一对应,从而降低编码冗余;通过节点相关性评价,使得低于某阈值的节点在交叉操作时被排除,从而降低节点冗余;通过把交叉变异概率与种群个体适应度比例相联系,提出自适应交叉变异概率,较好保持种群多样性.仿真实验表明,本方法可以避免"近亲繁殖"以及由此导致的"种群早熟",降低编码冗余,减少学习参数,提高学习效率.     

基于SOFM网络的雷达装备智能故障诊断

针对雷达装备故障特征,采用自组织映射（SOFM）神经网络构建雷达装备故障诊断模型,通过网络学习,获得可视拓扑映射图,并采用映射图对典型雷达电子装备故障进行了诊断.结果表明：该故障诊断模型具有较高的诊断准确度,具有故障诊断可视化,为雷达装备故障诊断研究提供了新的有效方法.     

基于SOFM神经网络的砂土液化评价

提出应用自组织特征映射(SOFM)神经网络进行砂土液化评价,根据实测资料和行业规范,建立具有7个输入参数,4个输出类别的SOFM神经网络模型对砂土液化的严重程度做出评价.实例研究表明,应用SOFM神经网络评价砂土液化高效可行,为砂土液化的研究提供了新方法.