一种基于关联脉冲对的动态直方图分选算法

针对现有分选算法在复杂电磁环境下准确性与效率降低的问题,提出了一种基于关联脉冲对的动态直方图分选方法。该方法首先对到达时间差进行固定箱长统计,将高于检测门限的相邻箱进行合并,得到动态直方图统计结果,估计出潜在PRI(pulse repetition interval)。对潜在PRI对应的关联脉冲对进行分析,剔除虚假PRI并估计出真实PRI的抖动量。最后,再依据PRI参数完成脉冲序列搜索,实现对雷达信号的分选。仿真实验表明,该方法在较低的到达时间差级数条件下,对多部复杂PRI调制信号的分选准确率达到95%,能够对复杂电磁环境下的雷达信号进行有效分选。     

PRI周期性调制信号的TOA中点匹配分选算法

针对传统的雷达信号分选算法在当前高密度信号环境下进行分选时,存在实时性差、分选精度低、甚至无法分选的问题,提出了针对脉冲重复周期(PRI)周期性调制的分选算法。该算法首先在脉冲序列中点附近任意选取一点作为中心点,利用TOA中点匹配法依次比较并匹配左右两侧相邻脉冲间隔,从而提取出PRI值,然后经过PRI类型检测按照不同类别对脉冲进行提取。仿真结果表明,依据TOA中点匹配法分选PRI周期性调制信号的平均准确率在95%以上,平均漏选率低于7%,并且具备一定的抗噪和抗脉冲丢失能力。     

基于直方图和脉冲关联的抖动信号分选算法

针对传统抖动信号分选算法在当前高密度信号环境下进行分选时,存在实时性差、分选精度低的问题,提出了一种基于直方图和脉冲关联的抖动信号分选算法。该算法首先通过直方图得到PRI(脉冲重复间隔)的统计值;然后利用累积判别判断是否进行下一级累积,对于不需要再进行累积的利用联通加权策略求得该PRI值;最后通过脉冲关联算法来抽取出该抖动信号的脉冲序列。仿真结果表明,利用该方法分选脉冲丢失2%、干扰脉冲占10%的抖动脉冲序列的平均准确率在90%左右,平均漏选率低于9.8%,并且具备较好的实时性。     

一种新的雷达辐射源分选算法

未知信号分选是当今信息战中一项重要技术.基于相像系数的分选可以根据信号重频的调制方式不同将信号进行分类,而PRI(pulse repeat interval)变换法作为一种经典的依据到达时间进行分选的算法具有其独特的优势,但这2种方法都有各自的缺陷.采用将相像系数和PRI变换相结合的算法,首先计算雷达脉冲信号的频谱与矩形信号和三角信号的相像系数,随后依据相像系数采用模糊C均值法对信号进行聚类,最后依据PRI对聚类后的信号进行分选.模拟仿真验证了方法的有效性.     

基于改进SDIF算法的雷达脉冲信号分选技术研究

基于电子对抗等非协作电子环境,针对抖动脉冲重复周期(Pulse Repetition Interval,PRI)信号,在SDIF的基础上提出了一种改进的算法。该方法主要从潜在PRI的估计和序列检索方法入手,提出了一种潜在PRI估计值的筛选方法和一种新的序列检索方法,有效提高了雷达脉冲信号的分选准确率,并降低了整个分选过程的计算量。仿真结果验证了该方法的有效性。     

基于合成特征参数和脉冲样本图的雷达信号分选

雷达脉冲信号的分选是电子战争中的研究热点,同时也是难点问题.针对雷达所截获的辐射源脉冲提出了一种基于合成特征参数值(CCP)的脉冲样本图分选算法.算法利用全脉冲数据的特征参数,根据每一个特征参数的差异性对特征参数值进行编号,通过编号值可以得到依据该特征参数值对脉冲的分类个数,进而计算出单一特征值的加权系数.通过加权系数对每一个特征参数的加权得到合成的特征参数,然后结合每一类信号的脉冲到达时间,提出了脉冲样本图匹配分选的新算法.与传统的PRI分选相比,脉冲样本图分选具有较小的运算量,计算机仿真试验表明该算法能够实现对信号的分选.     

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。     

MIMO雷达信号互相关分选算法

在对MIMO雷达信号进行研究分析的基础上,根据其信号特点,比较了基于PRI的传统信号分选的优缺点。针对传统分选方法易受噪声和脉间抖动影响的缺点,提出了一种基于互相关分析的MIMO雷达信号分选方法。对互相关输出信号的信噪比进行了理论推导,证明了该方法具有良好的抑制噪声的能力。通过仿真分析,验证了该方法与传统分选方法相比具有5个明显优点:抗噪声能力强,不受脉间抖动的影响,对截获信号的数目要求低,分选错误率低,工程实现简单。并且实验证明该方法不仅适用于MIMO雷达信号,同样适用于对其他雷达信号的分选。     

基于自组织神经网络的雷达信号分选

本文介绍了一种基于自组织神经网络的雷达信号分选系统,概率神经网络通过计算输入信号矢量的联合概率密度实现贝叶斯分选,它与传统的信号分选算法相比在分选精度和资源利用率上有显著的提高。这种并行的神经网络计算结构也很适合于ＶＬＳＩ实现。本文还介绍了此系统在复杂雷达信号环境下的仿真分选试验。     

基于SIF模式特性的曼彻斯特改进算法

针对解决二次监视雷达(SSR)应答信号基于曼彻斯特编码特性分选时,会出现因混扰信号中包含SIF模式信号而不能完全分选,在基于曼彻斯特算法的基础上提出改进算法。该算法首先根据信号模式特征之间的不同,对混扰信号进行针对性预处理。然后通过求解得出分离矩阵,以实现对混扰信号中的SIF模式部分进行有效分选。最后对非SIF模式类信号进行分选。仿真验证表明,该改进算法在低信噪比时可以有效进行混模式信号分选,且其性能在相较同类算法时具有更好的抗噪性能与分选性能。     

双站协同侦察雷达信号分选新方法

针对复杂信号环境下雷达对抗情报侦察面临的信号分选问题,提出一种基于双站协同侦察的雷达信号分选新方法。根据不同位置雷达的脉冲信号到达两个侦察接收站的时间差不同进行信号分选。在满足误差的要求下,求解该方法的分选模糊区域,分析分选性能。调整布站,优化分选性能,提高分选准确性。理论分析和计算机仿真表明,该方法可以较好地解决制约雷达对抗情报获取中的信号分选瓶颈难题。     

一种新的k-means聚类雷达信号分选算法

针对传统k-means聚类算法在雷达信号分选中应用存在的不足,提出了一种基于数据场和灰关联分析的k-means聚类雷达信号分选算法。该算法首先根据数据场理论计算所有数据样本的势值,寻找局域势值最大值,选取距最大值最近的样本数据作为初始聚类中心,局域势值最大值个数作为聚类数目;然后用灰关联度代替欧式距离来判断数据样本间相似性。该算法能够自动获取初始聚类中心和聚类数目,对频率捷变雷达具有较好的分选效果。仿真结果验证了算法的可行性。     

一种新的k-means聚类雷达信号分选算法北大核心

针对传统k-means聚类算法在雷达信号分选中应用存在的不足,提出了一种基于数据场和灰关联分析的k-means聚类雷达信号分选算法。该算法首先根据数据场理论计算所有数据样本的势值,寻找局域势值最大值,选取距最大值最近的样本数据作为初始聚类中心,局域势值最大值个数作为聚类数目;然后用灰关联度代替欧式距离来判断数据样本间相似性。该算法能够自动获取初始聚类中心和聚类数目,对频率捷变雷达具有较好的分选效果。仿真结果验证了算法的可行性。     

一种基于PRI变化规律的雷达辐射源识别方法

针对相控阵雷达中某些具有复杂PRI调制样式的工作模式难以准确识别的问题,提出一种通过提取PRI序列变化规律来进行辐射源识别的方法。该方法借鉴了脉冲样本图的模型以及生物信息学中基因序列比对的动态规划思想,较好地解决了某些复杂PRI调制样式不好描述,以及相控阵雷达中一个完整工作模式包含脉冲序列长度太短,以致很难通过统计的方法对其进行准确识别的问题。仿真结果表明该算法的有效性,而且在存在脉冲丢失和干扰脉冲的情况下具有稳健性。     

基于扩展卡尔曼滤波的环路跟踪算法仿真分析

针对接收机定位动态适应性需求,分析了采用扩展卡尔曼滤波的接收机环路跟踪算法,给出了基于扩展卡尔曼滤波的接收机环路跟踪算法的数学模型,基于采集卫星信号模拟器输出的射频信号与程序生成的接收机中频信号,从动态适应性和跟踪灵敏度两个方面,仿真分析了基于标准卡尔曼滤波和基于扩展卡尔曼滤波的环路跟踪算法性能。仿真结果表明,基于扩展卡尔曼滤波的环路跟踪算法在动态环境中具有更好的跟踪性能,且能够改善跟踪灵敏度1 dB,这表明其对复杂应用场景具有更好的适应性。该分析结果能够为算法工程化提供参考和借鉴。     

一种新的重频调制类型自动化识别方法

针对雷达重频调制类型模式识别中存在的问题,提出了一种可以自动化识别PRI调制类型的算法,易于工程化实现。该算法通过对脉冲序列提取特征向量完成调制类型的识别,并给出特征参数的描述。实验仿真和实际应用均表明该方法正确识别率高,可有效地识别PRI调制类型并输出特征参数。     

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...     

一种基于时差和多参数信息的加权联合分选算法

针对复杂环境信号分选,提出一种基于时差和多参数信息的加权联合分选算法。在主侦察设备序列中确认基准信号,通过基准信号与从侦察设备序列多参数匹配确定包含时差和多参数的基准向量,根据基准向量搜索主侦察设备中满足多参数信息加权的序列,逐一与从侦察设备序列满足基准向量的序列进行匹配,最后对匹配成功的序列进行分析得到雷达参数,实现信号分选。实验表明在信号丢失严重和存在干扰脉冲的情况下能够分选出雷达信号,提高雷达分选成功率,降低漏警率。     

基于稀疏贝叶斯学习的扩展目标雷达关联成像*

雷达关联成像不依赖于雷达与目标的相对运动,是一种高分辨凝视成像方式。传统的关联成像方法未考虑复杂扩展目标的结构信息,在高分辨成像时的应用受到限制,为此提出一种自适应结构配对稀疏贝叶斯学习方法。该算法在稀疏贝叶斯学习的框架内针对扩展目标建立一种结构配对层次化高斯先验模型,然后采用变分贝叶斯期望-最大化算法交替进行目标重构和参数优化。该算法将某一信号分量的重构与周围信号分量联系起来,并能在迭代过程中自适应地调整表征各信号分量相关性的参数。实验结果表明,该方法针对扩展目标可以有效地进行高分辨成像。     

基于PRI的参差雷达脉冲列分选方法

针对参差雷达脉冲信号分选这一信号分选领域的难题,在分析扩展关联法基本原理的基础上,建立了以脉冲到达时间和脉冲列重复周期为变量的函数.通过检测函数峰值位置,提取出不同重复周期的脉冲列和各脉冲到达时间,利用脉冲到达时间进行脉冲抽取,实现了交迭脉冲列分选.仿真结果表明该算法对固定、参差重复周期脉冲列都有较好的分选效果.