卫星单-混信号识别研究

针对卫星通信中常用的调制信号和成对载波多址(PCMA)混叠信号的调制样式识别问题,提出了一种基于高阶累积量和信号瞬时特征统计量的识别算法。该算法对接收数据进行预处理,在此基础上提取高阶累积量和信号瞬时特征统计量构造4个特征参数,构造树形分类器进行调制识别。算法具有不需要知晓信号的定时等先验信息,对混合幅度比不敏感等特点。仿真结果表明,该算法在低信噪比下仍然能保持较高的识别性能。     

基于CNN-PCA-DT算法的合成孔径雷达目标识别

合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别是SAR图像解译的重要环节,已广泛应用于国防和国民经济领域。在传统的卷积神经网络(Convolutional Neural Network,CNN)的基础上,提出了将CNN,主成分分析(Principle Component Analysis,PCA)和决策树(Decision Tree,DT)相结合的算法,记为CNN-PCA-DT:利用CNN提取出SAR图像的特征向量,再用PCA降维,最后用DT分类器取代CNN中的Softmax分类器实现SAR目标识别。实验结果表明,所提出的算法在MSTAR实测数据集上取得了较高的识别准确率,从而说明了实验的有效性。     

一种改进型PSO-BP算法在红外目标中的应用

为了降低伪目标引起的误检,提高系统在复杂环境中的目标识别能力,设计了一种改进型粒子群优化BP神经网络算法。改进型PSO-BP算法利用红外目标光谱特性设置粒子变异规则,从而调整粒子位置与速度,提高目标特征提取性能。同时,算法将权值变为权值可调函数,降低局部极值收敛的风险。实验采用Model-102F型成像光谱仪采集的目标区域图像作为样本与检测数据,与传统BP算法作对比,分别选取对不同特征波长位置及个数的形式对目标和伪目标进行识别分析。结果显示,改进型PSO-BP算法可以有效消除伪目标干扰,同时,其收敛速度明显优于传统算法。由此可见,该设计在复杂背景红外目标识别方面具有一定的应用价值。     

基于极化特征识别的地貌识别策略

为满足其近感测量精度,需对探测范围内的地貌环境进行有效识别。提出一种基于最优投影的地貌识别算法,为现代空域近感平台提供必要的地貌识别能力。定义了利用目标散射矩阵特征值构成的特征参数,且该参数与探测信号强度、角度等参数均无关,仅相关于探测区域内的地形结构特征。并结合Krogager关于目标散射矩阵分解的相关思想,建立带参数的标准散射体旋转不变矩阵,将探测区域内的地貌极化散射矩阵投影至标准体,得到目标散射矩阵在每一标准体的权值,并通过最优化投影进一步判定该地貌属性,从而达到识别的目的。     

基于剪枝加权k-NN算法的雷达电磁行为识别

为了更好地实施电子干扰和欺骗,针对目标雷达电磁行为识别问题,提出了一种新的算法。首先,给出了雷达电磁行为的形式化表述,并在此基础上将各项属性参数进行预处理;然后,通过改进的k-最近邻分类算法(k-nearest-neighbor classifier,k-NN)对数据进行处理,从而对未知的雷达电磁行为进行识别。实验结果表明:改进的算法引入剪枝加权策略可加强其分类识别能力,在分类准确率和时间效率上较原算法有一定的改善,对于雷达电磁行为的识别是有效可行的。