跳频高密度异步网台信号的分选

根据跳频高密度异步网台信号的主要特征，通过建立分选模型，确定分选参数，将跳频信号的网络信息参数用于跳频高密度异步网台信号的分选，并与跳频信号的频率统计特性相结合，提出了一种基于多接收机分频段侦收的跳频高密度异步网台信号分选算法，并对其进行了仿真验证。     

基于模糊KHM聚类的跳频网台分选方法

针对聚类分析实现跳频网台分选时，分选结果对初始聚类中心敏感且某些样本点“既可以属于类A也可以属于类B”的问题，提出了一种基于模糊K调和均值(KHM)聚类的跳频网台分选方法。首先利用搜索统计直方图位置法预估聚类数目和聚类中心，减少了算法的迭代次数；然后根据跳频信号的各项参数，应用模糊KHM聚类算法对跳频网台进行分选，有效解决了样本点的隶属度问题；最后通过类内类间距法估计得到准确的聚类数目K、聚类中心位置，大幅提升了聚类算法准确度。仿真结果表明，该算法聚类中心接近实际类中心，分选正确率高，迭代次数少。     

基于负熵最大化盲抽取的雷达信号分选研究

研究了盲源分离算法在雷达信号分选中的应用,用基于负熵最大化的盲抽取算法对实际环境下的雷达信号进行分选,仿真结果表明,该方法能够有效地应用于多路雷达信号的分选,能抗突发脉冲干扰及完成降噪处理,并且易于实现,收敛速度快.     

随机PRI的LPI波形相参积累

随机脉冲重复频率(PRI)脉冲波形能够增加电子支援措施（ESM）利用重频分选侦收雷达辐射源信号的难度,提高雷达复杂对抗环境下的抗侦收能力。利用非均匀离散傅里叶变换(NUDFT)对这种低截获概率（LPI）波形进行脉冲多普勒（PD）处理时,距离模糊引起目标所处距离门走动,导致目标能量分散至多个模糊距离单元。为此,提出一种基于时间窗口的离散傅里叶变换(TWDFT)算法,实现了距离模糊条件下目标能量的相参积累。对TWDFT算法和加权副瓣抑制的性能进行了分析。仿真结果表明,基于TWDFT的PD处理在距离模糊时不存在目标能量分散问题,通过优化波形设计能够改善加权后目标主副瓣比。     

基于回归神经网络的雷达辐射源识别算法

本文在研究带偏差单元内部回归神经网络（Internally Recurrent Net，IRN）算法的基础上，分析了雷达特征参数和雷达威胁类型的内在联系；利用统计分析和特征建模的方法获取先验知识、设计分类器并求取模糊隶属函数，结合IRN自学习特性和模糊隶属函数的分类功能识别出目标雷达辐射源可能的威胁类型，给出识别可信度。     

基于概率的单站多目标无源定位算法

机载单站多目标无源定位是现代电：于侦察领域的重点和难点课题。本文提出了一种基于贝叶斯后验概率最大原理的机载单站多目标无源定位算法。该算法只使用干涉仪给出脉冲序列相位差和载频信息，即可完成对多目标的分选识别和高精度定位，具有定位准确、指示清楚、无需对信号进行预分选的优点。仿真结果表明：在工程可实现的测向、测频精度和考虑载机位置、姿态误差情况下，对于载机一侧的多目标可能达到的定位精度约为距离的2％，是一种具有广阔应用前景的机栽单站无源定位方法。     

一种低轨双星窄带信号定位方法

针对低轨双星系统对窄带辐射源无源定位的应用场景，基于双星观测到的辐射源到达频率差，提出了一种多次频差测量联合估计辐射源位置的方法。详细描述了算法原理、算法处理步骤，并通过计算机仿真分析了信号频率、频差测量误差、观测时长等因素对定位精度的影响。仿真分析表明，在观测时间大于20 s、频差测量精度0.1 Hz时，该方法定位精度优于1.5 km，具有较强的工程应用价值。     

一种非组合的电磁目标快速识别算法

针对电磁目标识别算法中辐射源组合的本质是避免同一辐射源的多个可能识别结果同时参与一个目标识别模板的匹配置信度计算的问题,提出了一种非组合的快速电磁目标识别方法。依据目标平台与辐射源的搭载关系,建立辐射源识别和平台识别的两级识别体系,基于两点和三点模板匹配法对辐射源进行识别,然后使用非组合的快速模板匹配法对目标平台属性进行识别。仿真实验表明使用该方法计算目标的识别置信度简单易行,可用于实际工程中电磁目标的识别。     

采用图像处理的跳频信号参数盲估计

针对短波复杂信道环境下的跳频信号参数估计问题,提出了一种基于图像处理的跳频信号参数盲估计算法。该算法在时频分析的基础上采用灰度共生矩阵提取信号的纹理特征,通过对纹理特征量的分割实现信号与背景噪声的分割,并运用形态学滤波去除二值化后产生的椒盐噪声;然后根据连通区域标记得到的各个信号在时频图中的位置信息来聚类,从而去除定频、突发等干扰信号,分选出跳频信号;最后根据分选出的跳频信号提取其跳频频线并进行修正,估计出跳频信号的跳周期、跳变时刻和跳频频率。仿真实验表明,该算法切实有效,能够在较低的信噪比条件下精确地估计出跳频信号的参数。     

低轨双星无源探测系统对运动辐射源的快速检测算法

针对时频差体制的低轨圆轨道双星无源探测系统不能对运动辐射源进行定位和辐射源是否运动进行判别问题,提出了一种通过单次观测实现运动辐射源定位与运动性判别的快速算法。该算法利用信号到达角与信号达到时差联合定位结果,结合信号到达频差对平行于大地水准面的匀速运动目标进行运动性检测,使系统在观测量存在误差条件下仍能有效进行目标运动性判别。将其应用到低轨双星无源探测系统中,仿真结果表明算法对速度大于60 m/s以上的辐射源具备优于95%的正确检测概率。     

一种基于动态规划的雷达合批新算法

针对信号分选结果增批现象严重、影响识别准确度的问题,通过分析实际侦收信号的特点,并借鉴生物信息学中动态规划比对算法的思想,提出了对脉冲重复周期（PRI）信号在载频维和脉宽维进行合批的方法,并结合该方法设计了动态合批处理流程。该算法通过比较两批数据在PRI值及其排列顺序上的相似性来进行合批,利用PRI周期性这一很稳定的特征较好地解决了批信号在载频和脉宽维上的增批问题。仿真结果表明,该算法在存在脉冲丢失和干扰脉冲的情况下仍能准确合批。     

基于数据流聚类的动态信号分选框架

为了解决雷达信号分选中准确性与实时性相矛盾的问题,提出了一种基于数据流聚 类的动态信号分选框架。该框架分为在线和离线两部分,在线部分利用网格帧保存侦察数据 的概要信息;离线部分通过网格聚类算法对网格帧进行聚类分选,并得到分选结果。仿真实 验表明,该框架能够分选高密度复杂侦察数据流,对噪声不敏感,且无需先验知识支撑,能 够较好地满足信号分选准确性和实时性的需要。     

一种改进的CPFSK信号频率估计方法

针对突发信号解调中多普勒频偏大的问题，提出了一种改进的连续相位移频键控信号(CPFSK)频率估计方法。首先接收信号平方运算使信号的调制指数加倍，再通过一次离散傅里叶变换(DFT)，用搜索信号平方谱谱峰的方法实现突发信号频率估计。仿真实验表明，在低信噪比条件下，该算法的频率估计精度比经典的相位差频率估计算法提高了20%；该算法与广泛用于高动态突发信号的频率插值估计算法相比，同道干扰信道下信干比改善可达4 dB，DFT长度缩短约1/3。     

利用频谱排序和筛选的突变噪声快速估计

针对最小值控制递归平均(Minima Controlled Recursive Averaging,MCRA)算法不能快速跟踪突变噪声的问题，提出了一种基于频谱排序和筛选的突变噪声快速估计方法。该方法在MCRA算法的基础上对带噪语音的功率谱进行排序，筛选出不含语音信号的频点来估计噪声的平均功率谱；当检测到噪声突变时，对当前的平滑参数和状态变量进行校正。仿真结果表明，该方法可以将突变噪声的跟踪时间缩短90%以上；用于语音降噪处理时，音质可以提升约0.4分。该方法具有一定的工程应用价值。     

准正交空时分组码系统的一种盲信道估计方法

空时分组码(STBC)系统的经典信道盲估计方法,如子空间法(SS)等,都是基于接收端样本自相关矩阵的特征值分解(EVD)或奇异值分解(SVD)来实现信道估计的,而基于QR分解的信道盲估计方法是一种性能优良的新算法.文中将该算法应用到准正交空时分组码系统的信道估计中,结合准正交空时分组码的特性提出了一种新的信道盲估计算法.与以上经典的信道盲估计算法相比,文中提出的算法的计算量大为降低.同时Monte-Carlo仿真表明,当信噪比较低时,该算法比子空间法有更好的性能.     

基于排序时频特性的雷达脉内调制信号识别

提出了一种基于排序时频特性的雷达脉内调制信号识别算法。该 算法可分为三步：首先,通过检验信号时频曲线的互易回归特性,识别出线性调频信号;然 后,通过检验信号时频RANKIT图的正态性,识别出常规信号;最后,检验信号平方后时频RA NKIT图的正态性,用以区分二相编码与四相编码信号。仿真结果表明,该算法无需接收信号 的任何先验知识,在较低信噪比条件下可实现对常用雷达脉内调制方式的有效识别。     

四相鉴频器辅助的高动态BOC信号载波跟踪

叉积鉴频器的输出频率范围比较窄,捕获信号以后的多普勒频偏可能不在其跟踪范围内。针对此问题,提出了使用四相鉴频器（FQFD）算法辅助已经成型的二阶锁频环加三阶锁相环模型。首先,利用四相鉴频器的非线性特性将接收信号频偏大步长牵引到较低范围,然后使用锁频环消除其大部分动态性,最后利用锁相环跟踪精度高的特点实现高动态二进制偏移载波(Binary Offset Carrier,BOC)信号载波的快速准确跟踪。在分析各跟踪模块算法的基础上,讨论了其本身的热噪声误差、动态适应力以及最优带宽等相关问题,理论分析和仿真结果验证了该方法比原有跟踪算法提高了300 Hz左右的鉴频范围,并且跟踪效果良好。     

基于改进TSVM的通信辐射源个体识别

为了解决通信辐射源个体中标签获取难问题，引入半监督机器学习理论，提出了一种基于预测置信度进行迭代的半监督学习算法(Improved Transductive Support Vector Machine Iterative Algorithm Based on the Confidence of Prediction，CP-TSVM)。该方法在TSVM算法的基础上，充分利用无标签样本，根据预测结果置信度进行迭代，能够大幅度减少分类器的运算量。计算机仿真表明，在有标签样本数目占总样本2%的情况下，CP-TSVM较TSVM算法在保证识别准确率的同时，模型训练时间缩短近60 s。