基于深度学习的雷达信号目标识别方法研究

雷达信号目标识别是智能感知领域的重要研究方向。传统方法在处理复杂场景和多目标识别时存在局限性,而深度学习方法以其强大的表达能力和自适应性在雷达信号目标识别中展现出巨大潜力。文章通过综合分析深度学习在雷达信号目标识别中的应用,探讨了数据预处理、深度学习模型选择、目标检测和分类方法、目标跟踪和预测方法以及深度学习与传统方法的融合策略等关键问题,重点讨论了深度学习模型的优化和改进方法。     

基于深度学习的大规模电磁信号识别

近年来,很多高质量的数据集支撑了深度学习在计算机视觉、语音和自然语言处理领域的快速发展.但在电磁信号识别领域仍缺乏高质量的数据集,为促进深度学习在电磁信号识别中的应用,本文基于广播式自动相关监视(ADS-B)建立了一个大规模的真实电磁信号数据集.首先设计了一个自动数据收集和标注系统,在开放和真实的场景中自动捕获ADS-...     

基于元学习的压制式干扰识别方法研究

针对复杂电磁环境下干扰信号样本量少而难以识别的问题,提出基于元学习的干扰识别方法。首先计算干扰信号频率响应的Holder系数;然后将干扰信号的时频图经残差网络输出的特征向量与上述Holder系数进行多模态融合组合成新的多维特征向量;最后利用元学习将输出的多维特征向量拆分为编码向量和干扰信号时频图相关的协方差矩阵,计算干扰信号的预测值,通过计算实际值与预测值之间的最短欧氏距离进行干扰信号的识别分类。仿真结果表明,该干扰识别方法能够有效提高在小样本数据集1-shot和5-shot上的识别率。     

基于扩张残差网络的雷达辐射源信号识别

针对低信噪比条件下,复杂多类雷达辐射源信号识别存在特征提取困难,识别正确率低的问题,本文提出了一种基于时频分析和扩张残差网络的辐射源信号自动识别方法.首先通过时频分析将信号时域波形转换成二维时频图像以反映信号本质特征;然后进行时频图像预处理以保留时频图像完备信息,适应深度学习模型输入;最后构建扩张残差网络以自动提取信号时频图像特征,实现雷达辐射源信号分类识别.实验结果表明,信噪比为-6dB时,该方法对16类雷达辐射源信号的整体识别正确率能够达到98.2%,对时频图像特征相似的类LFM（Linear Frequency Modulation）信号的整体识别正确率超过95%.本文提供了一种新的雷达辐射源信号智能识别方法,具有较好的工程应用前景.     

基于Pearson相关性的雷达交叠信号识别

针对复杂电磁环境下多部雷达同时到达信号频域交叠时难以分选识别的问题,分析了信号交叠对于雷达信号识别模块性能的影响;在此基础上面向识别需求,基于Pearson算法研究了交叠信号分选的处理方法。从信息论视角来说,两个信号脉冲波形相关性越弱,则其所表达的信息量越大,特征相关度越低。在信号脉冲数一定时,基于Pearson算法可以选择相关性较弱的信号脉冲载波,以削弱同时信号交叠的影响。通过实验,发现利用选择后的弱相关信号脉冲载波特征来表达信号特性,能有效降低数据维度,尽可能减少信息丢失,有利于达到鲁棒的识别效果,因此该方法可为同时到达信号交叠下的信号识别提供有效途径参考。     

相控阵雷达信号的分选识别

相控阵雷达是一种多功能高性能的新型雷达,简述了相控阵雷达的工作原理及其特征,从理论上讨论了对相控阵雷达信号的分选识别,具有一定的工程意义。     

低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别

针对低信噪比条件下复杂多类雷达信号调制方式识别率低的问题,本文提出了一种基于时频分析和深度学习的雷达信号调制方式识别方法 .利用CTFD(Cohen class Time-Frequency Distribution)时频分析将信号时域波形变换为二维时频图像,更清晰地表征信号特征;采用灰度化和双三次插值运算等方法对时频图预处理,实现图像通道数和尺寸的减少,以降低深度学习模型数据输入量;进一步调整输入输出通道数构建小型EfficientNet网络,再由多个小型网络并行处理构建分裂网络EfficientNet-B0-Split3,将时频图像输入网络实现雷达信号调制方式识别.实验结果表明,在信噪比为-8 dB时,新方法对17类不同调制方式的雷达信号整体识别率可达97.1%,相对于扩张残差网络提高约2.4个百分点;在信噪比为-10 dB时,识别率可达92.1%,相对于EfficientNet提高约0.7个百分点,提升了低信噪比条件下复杂多类雷达信号调制方式识别率.     

基于深度学习的雷达自动目标识别架构研究

针对深度学习运用于雷达目标识别时存在的数据量欠缺和数据人工标注难等问题,提出将传统目标识别方法与人工智能技术结合,建立面向应用的新的目标识别架构,通过融合处理以及基于传统方法的机器自动标注,获得更优越的识别效果,大幅减少人工标注的工作量,确保系统在低数据量、低标注数据下仍可维持一定的识别效果。雷达实测数据证明了该识别框架的有效性。     

雷达信号识别的GANN方法

利用神经网络方法进行雷达信号识别存在两个问题,一是难以选择最优的网络结构;二是用传统的BP学习算法,常常收敛到局部解。本文提出一种GANN方法,即首先利用遗传算法优化两层前馈神经网络结构以确定中间隐层的节点数,然后用遗传算法进行学习。通过与BP算法相比较,遗传算法不仅速度快,而且能找到最优解。实验表明,将GANN应用于雷达信号识别,识别率更高。     

相控阵雷达信号识别的研究

本文通过分析相控阵雷达的特点,从理论上提出了相控阵雷达的几种识别途径,并从工程应用角度分析综合识别相控阵雷达信号应该具备的几个技术条件。     

基于带宽比特征的雷达辐射源信号识别

提出了用信号带宽比特征识别雷达辐射源的新方法。通过两次对雷达辐射源信号进行平方处理,提取两次处理前后信号带宽的比值组成二维特征向量。利用四种常见的雷达辐射源信号进行的仿真实验结果表明,带宽比特征类内聚集性强,类间分离度大,能达到非常满意的正确识别率,证实了所提方法的有效性。     

基于小波分析的雷达信号调制方式识别

雷达信号的脉内调制特征是雷达信号细微特征的重要体现,因此要对雷达信号分选和识别,高可信度地判别雷达属性,必须对雷达信号脉内调制特征进行分析。小波变换特别适用于非平稳信号的分析,作为一种特征提取的工具己得到较广泛的应用。用小波变换的方法对常见的几种雷达信号进行了调制方式的识别。     

雷达信号识别中新雷达类型设置问题的研究

对雷达信号识别中新雷达类型的设置问题进行了研究 ,介绍了新类设置在侦察告警设备信号识别中的的具体应用     

基于参数样本图的雷达辐射源识别

在现代信号环境中,基于传统的雷达信号特征描述方式很难对复杂体制雷达辐射源进行准确描述和识别。提出一种新的雷达参数样本图的描述方式,并研究了基于参数样本图的雷达辐射源识别算法,利用脉冲序列与雷达参数样本图进行匹配识别,给出了参数类型匹配及参数样本图匹配的方案。仿真结果表明,这种方法是有效的。     

雷达测速信号的BP网络识别

测速雷达信号识别是进行辅助决策的关键。介绍一种在实际生活中有着广泛应用的神经网络模型——BP网络,通过对他的结构及工作原理的分析,结合三类雷达测速信号的特征,归纳出一种基于BP网络进行雷达测速信号识别的方法,并且给出了仿真实例。实验结果表明,此方法能够快速识别三类信号,具有识别率高的特点。     

基于支持向量机的相控阵雷达信号识别方法

在分析支持向量机识别原理和相控阵雷达信号特点的基础上,确定了用于分类识别的雷达特征参数,并给出了采用支持向量机来实现相控阵雷达信号识别的具体方法。仿真结果表明,使用一对一算法和多项式核函数的支持向量机分类器的方法对相控阵雷达信号的识别效果较好。     

基于多特征参数的雷达信号调制方式识别方法

提出一种以盒维数、信息维数、相像系数为分类特征识别雷达信号调制方式的方法。这些特征包含了信号的幅度、频率、相位、整体走势(或者轮廓)、波形复杂度和不规则度的细节信息,集中体现了不同调制方式的差异。同时,利用特征自身的类内距离小、类间距离大的特点先聚类分离部分调制方式,最后通过基于粗集的支持向量机分类器进一步分类识别。通过4种典型雷达辐射源信号的特征提取与分类识别的仿真试验,表明基于本方法的调制信号识别正确率高,具有一定的工程应用价值。