一种雷达信号类型识别方法

雷达信号脉内调制识别是雷达侦察的一个重要内容,基于瞬时频率的识别技术可以实现对多种调制类型信号的识别及参数提取,该方法在一定信噪比条件下有较高的正确识别率,算法也较为简单,适合在雷达对抗侦察数字接收机上高速实现,分析表明此方法是侦察雷达信号的有效手段。     

一种新的未知雷达信号聚类分选方法

通过分析,说明了k-means聚类算法不适用于未知雷达信号分选,进而提出一种改进网格聚类分选方法。该方法将数据点映射到网格空间,通过双密度阈值准确区分信号网格与噪声网格,利用网格的高密度连通性完成聚类分选。该方法计算量小,对噪声不敏感,无需先验知识支持。计算机仿真验证了算法的有效性。     

一种有效的雷达信号快速识别方法

针对多种调制类型的雷达信号快速侦察识别成功率较低的问题,提出了基于瞬时频率特征提取的雷达信号快速识别新算法.首先,由短时傅里叶变换(STFT)得到信号每一部分的瞬时频率特征;其次,对得到的瞬时频率进行两次归一化分别得到各自特征值;最后,用层次决策方法对雷达信号进行分类识别.仿真实验结果证明该方法能有效识别各种雷达信号,在信噪比高于-3 dB时,各种脉内调制的识别成功率都达到90%以上.     

一种基于网格密度聚类的雷达信号分选

本文提出一种基于网格密度高效聚类的未知雷达辐射源信号分选算法。该方法通过改进的距离法对待分选对象集中的噪声和孤立点进行移除,再将剩余的PDW流映射至各网格单元中,并以网格密度为依据进行聚类,从而实现PDW流的分选。仿真结果表明,该算法能正确的分选出未知雷达信号。     

一种新的雷达辐射源信号识别方法研究

随着雷达技术的发展,雷达体制的多样性和雷达信号的复杂性对雷达辐射源信号识别技术提出了严峻的挑战。循环双谱抗噪性能强,且包含了丰富的信息,能用于识别雷达辐射源信号。但是其数据量庞大,而循环双谱对角切片法丢失了大部分信息。证明了循环双谱的对称性和周期性,提出了局部轴向积分循环双谱。该方法首先计算信号的循环双谱,然后在两个谱频率构成的平面上沿平行于谱频率轴的直线积分,最后用Fisher判决率（FDR）选择鉴别能力较强的轴向积分循环双谱。这样不但能有效地减小数据量,而且保留了大部分有用的循环双谱信息。仿真条件下,对比分析了局部轴向积分循环双谱与循环双谱对角切片的识别效果,结果表明新方法的识别率远远优于循环双谱对角切片法。      

一种基于改进谱聚类的雷达信号分选算法

针对雷达信号分选中辐射源数目不确定、脉冲数据分布形式复杂、对噪声影响敏感等问题,提出了一种基于改进谱聚类联合数据场理论的聚类分选算法。该算法首先利用数据场理论对数据进行预处理,根据势值大小实现干扰点的去除,并利用势心的数目确定初始聚类数,然后再利用网格密度划分得到合理的地标点,最后再基于地标稀疏表示的谱聚类算法完成聚类分选。通过设置两组类型不同的脉冲信号数据进行仿真实验,分选正确率均达到95%以上,验证了该算法具有较高准确率和鲁棒性。     

一种自适应容差的雷达信号分选聚类算法

雷达信号分选的目的就是从交错的、密集复杂的脉冲信号流中提取出同一辐射源的脉冲序列。战场环境中信号流的密集性,信号形式的复杂性,给信号分选带来了严重的挑战。面对如此复杂的信号环境,传统的基于直方图统计的雷达信号分选算法的分选结果可信度越来越差。在聚类雷达信号分选算法的基础之上提出了一种自适应容差的雷达信号聚类算法,克服了传统的雷达信号聚类分选算法中容差选择困难的问题。仿真结果表明该方法能够准确地分选出各个辐射源的脉冲序列。     

一种基于聚类思想的电子战雷达信号参数分析方法

依循传统雷达信号分析的足迹,寻找典型的雷达信号参数组合(样式).然而,现代雷达的复杂性,决定了其参数组合可多达几十甚至上百种,因此普通的分析方法变得难以胜任.为了解决该问题,首先对聚类思想运用至雷达信号参数分析的可行性进行讨论,其次对聚类分析方法尤其是应用较为广泛的K-Means算法予以回顾,随后对基于聚类思想的雷达信号参数分析方法的主要过程进行了充分描述,最后将K-means算法与雷达信号参数样式处理的结合进行应用举例,验证了良好效果.     

一种基于改进网格聚类的雷达信号分选算法

将网格聚类算法用于雷达信号分选,针对传统网格聚类算法执行效率不高,聚类精度低等问题,对传统网格聚类算法进行了改进,最后通过仿真实验验证了改进算法有效性和先进性。     

一种新的混合线性调频雷达信号识别方法

混合线性调频（LFM）雷达信号在实际信号环境中广泛存在,对其进行识别尤为重要。由于混合LFM信号时频分布有严重的交叉项,因此提出了一种基于独立成分分析的时频交叉项抑制法。通过盲源分离提取各独立成分,利用时频分布矩阵的联合对角化法抑制交叉项,再由各成分信号自项求和重构Wigner-Ville分布,采用Wigner-Hough识别各LFM成分。分析了Wigner-Hough变换输入信噪比和输出信噪比的关系,仿真验证了算法的有效性,得出随着样本点数的增加,在低信噪比条件下,能获得好的识别性能的结论。      

一种基于星座图聚类的MQAM识别方法

星座图是数字调制信号MQAM的重要特征,提出了一种利用星座图减法聚类对MQAM信号进行识别的新算法。该算法通过分析接收端信号的星座图,提取描述星座图特征的参数,与标准星座图进行相关比较,实现了加性高斯白噪声下数字调制信号MQAM的识别。通过实验证明该方法可以有效地对数字调制信号MQAM进行识别,而且该算法具有复杂度低的优点。尤其当数据长度比较短时,有较好的识别效果。     

一种稀缺样本条件下的雷达信号识别方法

针对复杂电磁环境下的辐射源精确识别问题,基于战场环境下雷达信号采集困难、样本稀少的特点,以及相控阵雷达信号的特征,提出一种稀缺样本条件下基于迁移学习的雷达信号识别算法及其优化方法。该方法在识别稀缺样本目标时,训练时常短、识别准确度高,在-10 dB条件下,对四种雷达信号进行识别,识别准确率可达85.3%。     

一种基于扩张残差网络的雷达信号识别方法

针对低信噪比(SNR)条件下雷达信号识别率低的问题,提出一种基于多时频图像融合和扩张残差网络的识别方法。首先,通过多种时频分析方法,将雷达信号变换为不同的时频图,并对这些时频图进行融合和处理。然后,构建一种新网络模型,将扩张残差网络与特征融合提取模块相结合,对10类雷达信号进行识别。仿真结果表明,当SNR为-6 dB时,所提方法对10类雷达信号整体识别准确率达到98.7%。     

一种基于Spectrum原子的雷达辐射源信号识别方法

为了提高雷达辐射源信号的正确识别率以满足现代电子对抗的需求,该文提出了一种新的雷达辐射源信号识别方法。在过完备多尺度Spectrum原子库基础上,采用匹配追踪(MP)方法对信号进行原子分解,并通过FFT降低MP搜索过程的时间复杂性,在此基础上,对本征Spectrum原子参数进行有效降维,提取具有分类意义的原子特征向量,同步实现信号的自动分类和参数估计。实验结果表明,该方法在低信噪比环境下不仅可以获得高的信号类别正确识别率,同时具有准确的参数估计结果,证实了所提出方法的有效性。     

一种基于特征向量分析的雷达信号关联识别方法

区别于传统的典型参数比对方法,将雷达信号理解为一种多特征变长数据来研究其关联识别。首先,应用奇异值分解方法得到雷达信号序列的特征向量;其次,基于特征向量对训练模板和测试数据进行相似度计算;最后,对每类训练数据采用滑窗提取模板以保证完备性和容错性,并用K近邻方法获取相似度最大的模板类别,从而实现多特征变长雷达信号序列的关联识别。仿真实验表明,该方法能以较高准确率实现雷达信号的关联识别,具有较强的普适性。     

一种基于改进网格聚类的雷达信号预分选算法

基于网格的聚类算法是雷达信号预分选领域的一种常用方法。针对现有网格聚类算法需要人为确定网格划分、边界处理精度低的问题,提出一种改进的网格聚类算法,该算法对输入雷达信号脉冲顺序不敏感,根据网格数据压缩率自适应确定网格划分和密度阈值。仿真实验验证了算法的有效性和抗噪声能力。     

雷达信号的聚类分选方法

雷达信号分选，就是从交错的j密集复杂的脉冲信号流中提取出属于同一雷达辐射源的脉冲序列。现代雷达具有多种工作状态，其各项特征参数都是可变的，甚至是随机变化的。目前普遍采用的基于直方图统计的信号分选方法越来越不适应现代雷达信号环境。文章提出一种基于多参数聚类分析的雷达脉7中信号分选方法，提供了一种解决密集复杂脉冲信号分选问题的新途径。仿真试验表明，该方法能够从多部相控阵雷达信号交错的脉冲序列中，准确地分选出属于每个辐射源的脉冲序列。     

雷达辐射源信号聚类分选算法

基于脉内特征参数的聚类是实现雷达辐射源信号分选的一种重要途径.本文在小波域滤波算法的基础上提出一种新的雷达辐射源信号脉内特征提取和聚类分选方法,将小波变换后的低频逼近小波系数的能量分布熵与经过尺度相关去噪计算后反映信号边缘的高频细节小波系数能量分布熵作为分选的脉内特征向量,并引入灰关联测度来衡量脉内特征样本之间的相似程...     

一种基于时频原子特征的雷达辐射源信号识别方法

提出了一种全新的基于时频原子特征的雷达辐射源信号识别方法.训练阶段,在过完备时频原子库的基础上,以类区分度为度量,提取少数最能区分不同类别信号的时频原子作为一组固定的特征;识别阶段,以原子和信号的内积的绝对值作为分类器的输入特征,采用有监督模糊自适应共振网络进行辐射源的自动识别.对5类典型雷达辐射源信号的实验结果表明,...     

一种自动聚类的离群点识别方法研究

针对传统离群点识别方法对数据的分布形状和密度有特定要求,需设定参数的问题,提出了一种自动聚类的离群点识别方法。该方法通过引入相互K近邻数来表示数据对象的离群度,对数据的分布形状、分布密度无要求,可以输出全局离群点、局部离群点和离群簇;通过k次迭代来实现自动聚类,无需人为设定参数。通过合成数据以及UCI数据实验,验证了该方法的有效性、普适性。