基于改进相像系数和奇异谱熵的雷达信号分选

脉内特征提取是新体制雷达辐射源信号分选的关键问题,文中针对现有方法分选准确率不高和对噪声敏感的问题,提出了一种基于高次频谱相像系数和频域奇异谱熵特征的分选新方法,实现了低信噪比下雷达辐射源信号的高准确率分选。对接收到的信号提取高次频谱相像系数特征以及奇异谱熵特征,并将两者作为分选的联合特征向量,运用K means聚类算法实现对不同调制方式的雷达辐射源信号的分选。仿真结果表明：改进后提取的信号特征类间的分离度大且受噪声影响程度小,在信噪比为-2 dB的情况下,该算法的总体平均分选准确率在85％左右,不同调制类型信号间的分选准确率最低为80％。与现有方法相比,文中提出的算法具有更好的信号识别效果。     

基于复杂网络的雷达辐射源信号脉内特征提取算法

针对现代电子战环境下雷达辐射源信号的高度密集、复杂调制、交叠概率大等特点,基于时域、频域、时频域以及其他数学变换域的信号分析方法仍然不能满足雷达辐射源信号分选识别的要求,结合雷达辐射源信号具有可分辨性的确定数据结构表示,受时间序列的复杂网络分析启发,提出一种基于复杂网络的雷达辐射源信号脉内特征提取算法。该特征提取算法首先采用相空间重构方法对信号频谱序列数据进行预处理,将重构后的信号序列转换至复杂网络域进行表征;其次,通过复杂网络建模及其统计特征分析,研究雷达脉内信号时间序列动力学微观特性,从而挖掘信号的有效特征参数;最后,在不同噪声环境下,实现雷达辐射源信号序列的特征参数的分类性能及其准确性分析。仿真结果表明,所提取的特征参数在低信噪比环境下具有良好的抗噪能力和不错的聚类质量,验证了基于复杂网络时间序列分析的信号特征提取方法的可行性,为进一步丰富刻画雷达辐射源信号提供了有效的技术支持和手段。     

基于脉冲相位线性度的雷达辐射源信号分选

为解决信号分选中出现的“漏批”问题,提高信号分选准确率,提出了一种基于脉冲相位线性度的雷达辐射源信号分选新方法.对脉冲相位线性度的检测过程进行推导,并通过仿真实验对推导结果加以验证.提取分选特征参数,给出了信号分选算法的步骤,并进行分选仿真分析.仿真实验表明,本方法可以在较低输入信噪比下实现高效准确的雷达辐射源信号分选,在电子情报侦察系统上有着广阔的应用前景.     

独立分量分析在雷达辐射源信号分选上的应用

在当代电子战密集复杂的电磁环境下,对未知雷达辐射源信号分选作为对抗技术领域的一个重要环节面临了新的挑战.传统的雷达辐射源信号分选往往是基于脉冲描述字(PDW)等参数对雷达进行分选,在复杂的电磁环境下参数误差严重影响了雷达信号的分选效果.在对独立分量分析理论的研究的基础上,将基于四阶累积量的特征矩阵联合近似对角化(JADE)算法应用于连续波雷达信号和随机参数脉冲雷达信号分选,可以有效地分选出不同调制方式的雷达信号,为雷达辐射源信号分选提供了一个新思路.     

基于复杂度特征的未知雷达辐射源信号分选

当前的未知雷达辐射源信号分选方法存在准确率不高和对噪声敏感的问题。该本文应用复杂度特征实现了低信噪比下未知复杂雷达信号的高准确率分选。首先,对接收到的信号进行预处理,然后提取其复杂度特征中的盒维数和稀疏性,并将两者作为分选的特征参数,最后基于KFCM算法实现未知雷达辐射源信号的分选。由仿真结果分析可知,预处理后的信号序列的盒维数和稀疏性分离度高且受噪声的影响小,分选结果令人满意,在信噪比为5 dB时,不同调制类型信号间的分选准确率最低为87%。     

雷达信号的聚类分选方法

雷达信号分选，就是从交错的j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。目前普遍采用的基于直方图统计的信号分选方法越来越不适应现代雷达信号环境。文章提出一种基于多参数聚类分析的雷达脉7中信号分选方法，提供了一种解决密集复杂脉冲信号分选问题的新途径。仿真试验表明，该方法能够从多部相控阵雷达信号交错的脉冲序列中，准确地分选出属于每个辐射源的脉冲序列。     

雷达辐射源信号描述及分选算法的共性特征

从算法结构特征的角度,将雷达辐射源信号分选问题划分成信号描述的形式化和信号分选算法的结构特征两个子问题进行分析,并以信号描述的形式化为基础,给出了一种分选算法的共性结构模型,提出了该模型下分选算法共同具有的“加性”特征,讨论了该特征在理论和应用上的意义。     

雷达辐射源信号聚类分选算法

基于脉内特征参数的聚类是实现雷达辐射源信号分选的一种重要途径.本文在小波域滤波算法的基础上提出一种新的雷达辐射源信号脉内特征提取和聚类分选方法,将小波变换后的低频逼近小波系数的能量分布熵与经过尺度相关去噪计算后反映信号边缘的高频细节小波系数能量分布熵作为分选的脉内特征向量,并引入灰关联测度来衡量脉内特征样本之间的相似程...     

雷达辐射源信号聚类分选算法综述

现代战场环境下雷达信号密集、交叠严重,传统的雷达信号分选算法已不能有效完成未知雷达信号分选工作,而聚类分选因具有无监督学习、对先验知识要求小等优点被学者广泛应用于未知雷达信号聚类分选的研究工作。作者先总结了国内学者在传统聚类算法及其优化算法对未知雷达辐射源信号进行分类分选的部分理论研究成果,分析了各个算法存在的利弊,再根据雷达信号的特征参数以及影响聚类分选的外界因素提出了选择最优聚类算法的参考标准和建议。     

一种解决雷达信号分选中“增批”问题的算法

同一部雷达可以在不同时间段内大范围跨波段工作,在现行信号分选过程中,容易出现＂增批＂问题。利用信号的相参特性,构造脉冲初始相位差信号,用Kay算法和相关函数算法,分别对本振频率进行定量和定性估计,实现对同一辐射源信号和不同辐射源信号的分选。仿真结果表明,该算法有效克服了信号分选过程中存在的＂增批＂问题。     

一种改进的动态关联信号分选算法

在基于脉冲制外辐射源的无源相干雷达系统中,直达波通道信号通常需要信号分选后才能与目标回波信号进行相参信号处理。为了从直达波通道互相交叠的信号中分选出特定辐射源的信号,提出了改进的动态关联信号分选算法。该算法在对实测信号特点分析后,指出利用脉冲重复频率和相邻脉冲幅度比这两个参数进行实测信号分选。信号分选结果表明:该算法能够完整分选出辐射源主瓣信号,也可以保证一定的辐射源副瓣信号分选成功率;同时动态设置脉冲重复频率容限亦可以完成参差重频、抖动重频等信号的分选工作。     

一种自适应容差的雷达信号分选聚类算法

雷达信号分选的目的就是从交错的、密集复杂的脉冲信号流中提取出同一辐射源的脉冲序列。战场环境中信号流的密集性,信号形式的复杂性,给信号分选带来了严重的挑战。面对如此复杂的信号环境,传统的基于直方图统计的雷达信号分选算法的分选结果可信度越来越差。在聚类雷达信号分选算法的基础之上提出了一种自适应容差的雷达信号聚类算法,克服了传统的雷达信号聚类分选算法中容差选择困难的问题。仿真结果表明该方法能够准确地分选出各个辐射源的脉冲序列。     

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。     

一种自动选择参数的雷达辐射源SVC分选方法

雷达信号分选的容差问题一直是雷达对抗情报处理中的难题,而支持向量聚类法（SVC）是一种能够有效避免容差问题的聚类方法,但现有参数搜索方法不能快速准确地确定SVC最优聚类结构,从而限制了支持向量聚类法的广泛应用。针对这一问题,提出了一种可以自动选择参数的SVC聚类方法。它通过采用一种综合的参数搜索方法,自动选择惩罚因子和核函数宽度两个参数,从而确定最优的聚类结构。仿真实验表明,此方法可在较少的迭代次数下获得最优的聚类结构,提高了雷达信号的分选正确率。     

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%。     

基于FastICA的雷达信号分选研究

现代战争中新体制雷达的大量涌现,电磁环境变得越来越复杂,对雷达信号分选提出了新的挑战。目前的雷达信号分选领域,多采用基于参数容差的传统分选方法,这些方法受参数误差的影响大,对PDW参数相似的雷达无法分选,已经无法适应复杂电磁环境。在对FastICA算法原理分析的基础上,重点研究了将它应用于PDW参数相近的雷达信号和参差脉冲列的分选,并进行了仿真。仿真结果表明,FastICA是建立在源信号统计独立基础上的处理,对信号相关性敏感,受参数误差的影响小,可以有效解决上述问题,为雷达信号分选提供了一种新的思路。     

基于云模型的DSm证据建模及雷达辐射源识别方法

为了提高雷达辐射源特征参数存在互相交叠和多个模式情况的雷达辐射源正确识别率,该文提出一种基于云模型的DSm(Dezert-Smarandache)证据建模及雷达辐射源识别方法。该方法首先将存在互相交叠和多个模式的先验雷达辐射源特征参数进行基于云模型的DSm建模,然后将含有噪声的测量信号特征参数进行基于云模型的DSm隶属度赋值,再通过隶属度与基本信度赋值的关系求得DSm模型的基本信度赋值,最后通过DSmT+PCR5的方法将多传感器测量信号的同特征的基本信度赋值进行融合,再将各特征的融合结果进行DSmT+PCR5融合得到最终的识别结果,如果仅为单传感器测量信号的特征参数,则仅将不同特征参数的基本信度赋值进行DSmT+PCR5得到融合识别结果。最后通过多种情况下的仿真实验,验证了该文方法的优越性。     

基于SVC和信息熵的雷达信号分选系统

雷达信号分选,特别是复杂电磁环境下未知参数的雷达信号分选是电子情报侦察系统和电子支援系统中的重要组成部分。详述了目前信号分选所存在的问题,采用级联互耦的思想,提出了一种新的基于支持向量机和信息熵的雷达信号分选模型,并通过仿真对其进行了验证。