基于区间灰关联的雷达辐射源识别新方法

在现代密集信号环境中,接收机测得的和辐射源数据库中的雷达特征参数具有不确定性,一般用区间值表示.针对区间类型的特征参数的雷达辐射源识别,提出了一种新的基于区间灰关联度的雷达辐射源融合识别方法.该方法首先运用区间灰关联度得到基本概率赋值,然后运用证据组合与决策实现目标识别.仿真结果表明,这种识别方法是有效的.     

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.     

雷达辐射源识别技术面临的主要挑战及对策

信息化战场上,复杂电磁环境严重制约雷达辐射源识别过程。通过梳理雷达辐射源识别技术发展阶段及各阶段主要识别方法,深入分析了现阶段雷达辐射源识别技术面临的主要挑战,并提出应对策略,为创新雷达辐射源识别方法提供借鉴。研究表明,针对未来战场雷达识别面临的主要挑战,平时做好预判,熟谋对策,将极大地有利于战时进行雷达辐射源识别,进而促进整个电子对抗行动作战效能的发挥。     

基于卷积神经网络的雷达辐射源识别

随着电磁环境越来越复杂多变,给电子对抗带来了很大的挑战,基于传统的脉冲描述字和信号识别方法已不能满足战场要求。针对复杂电磁环境下的辐射源精确识别问题,将基于相控阵雷达辐射源的细微特征,主要是包络特征和相噪特征,对其进行分析建模,并结合卷积神经网络提出了一种基于雷达中频数据和一维卷积神经网络的雷达辐射源个体识别方法,训练一维卷积神经网络来学习雷达辐射源信号的有效特征并进行识别。最后在不同信噪比条件下进行了识别仿真实验,得到了较好的识别正确率,证明了该方法的有效性和可行性。     

基于SPA和滑窗技术的重点雷达辐射源快速识别

在现代密集信号流中,快速识别出重点目标能为战场准备赢取宝贵的时间,并为战场提供决策依据。针对重点雷达辐射源的快速识别,提出了一种基于SPA和滑窗技术的重点雷达辐射源快速识别技术。该方法直接以经过简单预处理的全脉冲与重点雷达辐射源脉冲样本图匹配,无需传统方法的分选和特征提取过程,通过集对分析中的联系度判断脉冲对是否匹配,引入滑窗技术,缩短了处理时间。仿真表明,该方法识别准确率较高且识别速度快,具有较好的应用前景。     

智能化雷达辐射源识别方法研究

针对现在普遍采用数据库比对进行雷达辐射源识别的不足,深入研究了基于模糊推理的雷达辐射源识别方法.首先,设计了系统特征参数的属性函数;其次,确定了推理规则、推理算法,以及系统输出结果的解模糊算法.最后,进行了仿真验证,结果表明该方法具有较高的识别正确率.     

一种多传感器雷达辐射源识别的组合方法

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,提出了一种雷达辐射源识别的组合方法.首先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,在此基础上通过灰色关联分析法确定证据理论中的基本概率赋值函数,并应用修正的D-S证据理论实现多时刻条件下目标识别.通过仿真算例可知,该方法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.     

基于奇异谱修正香农熵的雷达信号识别方法

针对当前雷达辐射源识别在低信噪比下识别率准确率不高,信号处理过程中难以很好保留有用信息的问题,提出了一种基于奇异谱修正香农熵(Singular Spectrum Modified Shannon Entropy,SSSE)的雷达调制信号识别方法.通过符号化聚合近似和奇异谱分析对雷达信号进行处理,求出信号的分类特征SSSE,通过分类器将处理后的信号进行分类.仿真结果显示,该方法在低信噪比范围下,仍有较高总体识别率,并且优于符号化聚合近似和奇异谱分析法.     

基于小样本脉冲序列匹配的重点雷达目标快速识别

针对雷达对抗侦察系统如何快速有效识别出重点雷达电子目标的问题,提出了利用雷达小样本脉冲序列模板从接收到的复杂混合脉冲序列中抽取重点雷达信号的思路,并实现了该算法,克服了目前雷达对抗侦察信号处理流程僵化、识别速度与识别正确率受信号分选算法限制的缺陷。在此基础上,提出了多目标并行理论分析与计算机仿真实验,进一步验证了该方法能够在密集雷达脉冲流中快速、准确识别出重点雷达电子目标。     

基于新型智能特征集的辐射源个体识别

雷达发射机结构上的差异、使用电子器件的不同,决定了辐射源的唯一性。提出了基于新型智能特征集的辐射源个体识别方法,首先对接收到的信号进行时域、频域、时频域、极化域变换并提取特征,构造能够表征每个辐射源的新型智能特征集,然后为了提高运算速度同时去掉冗余信息,用主成分分析法对特征集进行主特征提取,最后再用支持向量机方法,通过选取最优RBF核函数来实现个体识别。通过仿真,验证了构建的新型智能特征集可以对辐射源进行唯一的表征,在低信噪比环境下可以实现对辐射源个体进行快速有效的识别,分别对CW,BPSK,LFM信号进行了仿真,在3 dB信噪比以上都能达到85%以上的识别率,验证所述方法的正确性和可行性。