基于深度卷积网络的雷达辐射源信号识别

针对当前复杂电磁环境下雷达辐射源信号(radar emitter signal,RES)识别效率不够的问题,提出一种基于深度卷积网络和时频二维特征结构的雷达辐射源信号识别方法。结合雷达辐射源信号时频二维特征结构特性,构造基于深度卷积网络的RES识别分类模型,通过设计样本集训练分类模型,利用类别信息实现网络参数精调。仿真结果验证了模型的可行性和有效性,实现了低信噪比下RES时频二维特征的结构学习和准确识别。     

云模型和特征辐射源信息的平台目标识别

平台目标识别一般分为两个步骤,首先是对平台上辐射源的识别,然后通过辐射源和平台的关联进行平台识别.在辐射源识别阶段提出利用云模型描述和处理参数存在区间模糊和观测具有噪声的数据,较好地解决了对于带有复杂调制信号的辐射源识别问题.在平台识别阶段,就辐射源和平台关联的各种结果给出了新的计算样本和模板间匹配度的方法,并且提出利用平台的特征辐射源信息对平台识别结果进行进一步的筛选,以提高识别率.最后用仿真验证了该方法的有效性.     

基于属性测度理论的辐射源识别

针对复杂电磁环境下辐射源识别困难的问题,提出了基于属性测度理论的辐射源识别方法。介绍了属性测度理论的相关知识,详细分析了属性识别模型,列出了基于属性测度的辐射源识别算法并给出了识别模型。最后通过仿真实验验证了此算法能有效处理辐射源信号参数的不确定性和模糊性,辐射源识别率优于经典的模板匹配法识别率。     

基于模糊推理的雷达辐射源识别方法

辐射源数据往往不完整或不确定,因此应用模糊推理实现了辐射源和目标平台的识别.将辐射源特征转换为由模糊集及隶属度函数表征的参数,再通过与数据库中的辐射源数据进行模糊匹配来判断辐射源的类型,实现了雷达辐射源的被动识别方法.进一步通过识别出目标平台上所装备的雷达辐射源的参数值,利用模糊推理,推断出目标平台的类型.试验结果表明:模糊推理的算法是切实可行的,在对模拟数据加入的噪声不超过一定限制的情况下,对于数据库已有的目标能够达到较高的目标识别率.     

基于优化算法的雷达辐射源识别方法性能评估

针对基于SVM的雷达辐射源识别方法中SVM模型参数对识别性能影响较大的问题,提出一种新的雷达辐射源识别方法。该方法将智能优化算法应用于SVM,对SVM参数进行选择以提高识别准确率;为分析所提出新方法的性能,提出有效解的标准差、解的质量和精度时间比作为评估指标对所提方法进行性能评估。通过计算机仿真,验证了新方法的有效性,并分析了3种典型优化算法在新方法中的综合性能。     

一种基于隐马尔科夫模型的雷达辐射源识别算法

针对现代雷达采用复杂的PRI样式不能对其进行准确识别的问题,提出一种基于隐马尔科夫模型的复杂体制雷达辐射源识别算法。该算法将具有复杂PRI样式辐射源识别问题转化为对具有分类特征的码序列的识别问题,通过运用符号动力学中符号时间序列分析(symbolic time series analysis)理论,将上述码序列识别问题建模为隐马尔科夫模型予以解决,实现了对具有PRI抖动、伪随机编码等复杂PRI调制样式雷达辐射源的准确识别。仿真结果证明算法在PRI值有部分重叠的情况下仍具有很好的识别能力。     

基于贝叶斯网络分类器的雷达辐射源识别方法

雷达辐射源识别是电子对抗中的重要组成部分.贝叶斯网络分类器建立在坚实的理论基础之上,具有较为优秀的分类性能,而且能够有效地处理不确定性问题,重点研究了如何利用贝叶斯网络分类器进行雷达辐射源识别,并通过仿真实验对朴素贝叶斯分类器及其扩展方法进行了分析比较.实验结果表明,与基于概率近似准则的方法相比,基于分类准确率提高准则的扩展树生成方法具有更为优秀的分类性能.     

基于D-S证据理论的多传感器雷达辐射源识别模型

针对复杂电磁环境下多传感器获得的雷达辐射源信息具有不确定性的情况,利用灰色定权聚类法对大量的传感器数据进行处理,以简化雷达辐射源特征数据,在此基础上,探讨了通过灰关联分析确定证据理论中基本概率赋值函数的方法,并应用修正的D-S证据理论实现目标识别,通过仿真验证了该模型能够有效减小雷达辐射源所受的噪声干扰,具有一定的可行性。     

雷达辐射源识别的算法研究

针对现有雷达辐射源识别算法的不足,探索雷达辐射源数据库识别的新算法。运用属性测度理论建立了雷达辐射源属性识别模型,结合距离算法、灰关联算法和神经网络样本训练思想,设计出基于属性测度模型的雷达辐射源属性识别算法。通过仿真验证,该算法兼具识别准确度高和识别速度快优点,实用性较强。     

一种定标缺失情况下的高光谱目标识别方法

高光谱遥感图像识别在民用和军事领域有着广泛的应用。在缺乏定标信息、缺乏同步观测大气光学参数情况下,对高光谱图像进行地物识别尚没有系统有效的方法,制约了其在定量遥感方向的应用。对此提出了一种利用粒子群算法优化6S模型参数基础上的高光谱遥感数据校正方法,并将其应用于定标缺失情况下的目标识别中。实验表明:在对遥感图像利用少许先验信息选择参数进行校正后,分类准确率为76.25%。而利用粒子群算法优化参数的6S校正后,分类准确率提高到91.58%,目标识别准确率得到了有效提高。     

未知雷达位置参数识别研究

在对国内外数据融合方面研究进展情况进行分析的基础上,提出了一种应用模糊关联、数据融合和最小二乘等技术识别未知雷达辐射源具体坐标的方法,为进一步融合未知源的数据打下基础。仿真结果表明,随着采样数据的增加,对辐射源参数的估计会更加精确。     

基于 Mellin 变换的利用双谱估计进行空中雷达目标识别

作者根据空中雷达目标快速机动的特点,提出了一种利用Ｍｅｌｌｉｎ变换及双谱估计提取目标特征量,应用最近邻（ＮＮ）法则进行综合判决的目标识别方法,并给出了计算机仿真实验结果。结果表明,该方法具有良好的抗噪声能力和较高的识别率。     

多窗口谱图分析的低截获概率雷达信号识别

在当前复杂的战场环境中,低截获概率雷达信号因其具有大时宽带宽积、强干扰性能、高分辨率和低截获性特点得到了广泛应用,传统的雷达侦察手段很难对其进行有效识别.在低截获概率雷达典型调制分析的基础之上,研究基于人工智能的雷达信号分类识别方法.从低截获概率雷达信号时频特征入手,提出基于多窗口时频谱图分析方法.该算法采用Hermi...     

DSets-DBSCAN无参数聚类的雷达信号分选算法

针对现有的很多高效分选算法的性能严重依赖于外界输入的参数问题,例如聚类数目、聚类容差等,将无参数聚类算法DSets-DBSCAN应用于雷达信号分选,提出了一种无参数的雷达信号脉冲聚类算法。该算法无须依赖于任何参数的设置,就能自适应地完成聚类。算法输入直方图均衡化处理过的成对相似性矩阵,使得Dsets(dominant sets)算法不依赖于任何参数;根据得到的超小簇自适应给出DBSCAN的输入参数;利用DBSCAN扩展集群。仿真实验证明,该算法对雷达脉冲描述字特征进行无参数分选的有效性。同时,在虚假脉冲比例(虚假脉冲数/雷达脉冲数)不高于80%的情况下,对雷达信号的聚类准确率在97.56%以上。     

雷达"指纹"参数选取

从雷达发射机的基本原理出发,对发射机的各组成部分进行深入分析,给出了每个雷达参数的产生机理,结合生物指纹的特点,得出了雷达脉冲重复间隔可以作为雷达“指纹”特征参数的结论,为雷达个体识别的完成提供了保证。     

矩阵变换特征与码序列联合学习的卷积码识别方法

现有基于深度学习的卷积码识别方法仍存在参数规模较大、识别性能较弱等不足。针对该问题,提出了一种基于矩阵变换特征与码序列联合学习的卷积码识别方法。将接收到的码字序列排列成矩阵形式,利用软信息剔除可靠性较低的码字,通过一种新的矩阵变换算法得到特征矩阵。在识别时,将原始码字矩阵和特征矩阵输入到具有多模态数据联合学习能力的网络模型,在神经网络中完成特征的提取融合与卷积码的识别。仿真结果表明,所提方法性能明显优于现有基于深度学习的识别方法,特别是对于高码率卷积码;当码率较低时,同样优于传统识别方法。当信噪比达到5 dB时,25种不同参数卷积码的识别率均可达到100%。     

基于模糊加权法的雷达辐射源识别

为有效解决雷达信号的不确定性问题,将模糊加权理论和不确定性推理应用于雷达辐射源识别,仿真试验表明方法是有效的。该方法不仅适应雷达特征参数连续变化的情况,而且计算简单、性能较好。     

基于极化分解的目标识别方法研究

在全极化、高距离分辨力雷达体制背景下，研究了光学区雷达目标极化特性。利用极化分解将复杂目标分解为三个简单目标， 并提取描述三目标关系的特征参数对四类军用飞机目标进行了识别实验研究， 获得了良好的目标分类识别效果。     

小波理论的单脉冲雷达目标RCS特性测量

随着现代信号处理技术的发展,对非平稳信号分析和处理的小波分析技术已成功应用于雷达目标特性分析领域,大功率单脉冲雷达作为我国航天测控网当中的主干设备,具有一定的目标特性识别能力。主要针对目前靶场的现有装备,讨论了基于小波理论的单脉冲雷达空间目标RCS特性测量,并对窄带低分辨率雷达在未来空间目标识别中发挥其作用谈了作者的看法。