雷达辐射源分类识别方法综述

阐述了雷达辐射源识别研究的必要性，详细介绍了现有雷达辐射源基本分类识别方法，系统梳理了现有分类识别技术的优缺点，合理分析了多、大且杂的电磁环境下雷达辐射源识别研究趋势，提出将深度学习与雷达辐射源识别全面结合，实现雷达辐射源识别智能化。     

一种基于雷达图的雷达辐射源识别算法

在分析和考察雷达辐射源(Radar Emitter)多特征模式识别算法的基础上提出了一种基于雷达图(Radar Chart)中向量夹角余弦值的分类识别算法,借助雷达图实现了雷达辐射源空间特征向量向平面向量的转换,实现对雷达辐射源型号的自动识别,给出识别置信度.通过计算机仿真得到大于85%的正确识别率,进一步验证了算法在雷达辐射源识别工程中的可用性和可行性.     

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。     

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。     

基于幅度调制畸变Wiener模型的OOK辐射源指纹特征提取

通过分析生成On-Off Keying（OOK）信号的发射机系统的幅度调制畸变特性，阐明了OOK信号辐射源特征产生机理，建立了OOK辐射源的幅度调制畸变特性的Wiener模型，并根据信号模型应用差分进化算法完成OOK幅度畸变特性参数的估计，从而构建辐射源指纹特征完成对OOK信号辐射源的识别。仿真试验和实际数据测试表明，该算法具备OOK辐射源指纹特征提取和识别能力，对实测数据中4个OOK辐射源识别率为93%，优于基于暂态幅度特征的提取方法。     

数据库样本缺失下的雷达辐射源识别

目前，基于机器学习的雷达辐射源识别技术大多以训练集和测试集同分布为假设，当雷达数据库样本不足导致与信号真实分布存在偏差时，传统的分类方法效果不佳。为此，将迁移学习理论引入识别系统，设计了一种基于结构发现与再平衡的雷达辐射源信号识别方法。通过对数据库和待识别辐射源信号样本进行聚类分析发现数据结构信息，通过重采样处理修正其分布差异。将新采样数据输入支持向量机进行训练并对侦收样本进行识别。仿真实验表明，在新训练样本集上学习的模型对测试集的分类性能有了很大的提升。     

一种稳健的通信辐射源个体识别方法

通信辐射源个体识别是目前通信对抗领域研究热点与难点问题,相对于雷达辐射源,通信辐射源信号弱、瞬时特征不明显导致个体识别更复杂、更困难。利用通信辐射源信号的长时谱统计特性,提取信号功率谱峰值特征和包络模板,构造通信辐射源个体特征向量,通过朴素贝叶斯分类算法与个体特征矢量相结合,在训练样本数目足够大的条件下可进行有效识别。测试实验表明,识别方法稳健有效,可在信噪比5 dB情况下实现93.7%的正确识别概率。     

基于对角切片特征提取和深度学习的辐射源识别

针对复杂电磁环境下辐射源识别率低的问题,提出基于对角切片特征和深度学习的辐射源识别算法。利用辐射源信号双谱的个体特性,提取信号双谱对角切片特征作为深度学习模型的输入数据,采用Softmax分类器进行辐射源识别。仿真实验利用两部同型辐射源进行测试,结果表明该算法能识别个体辐射源,在低信噪比条件下也能获得高的辐射源识别率;相比于其他识别算法,双谱对角切片特征有更鲁棒的分辨性。     

基于三维特征的雷达信号脉内调制识别

针对低信噪比条件下雷达信号识别算法对噪声敏感的问题，提出了一种基于三维特征的雷达信号脉内调制识别算法。该方法通过提取信号的差分近似熵、调和平均分形盒维数和信息维数特征组成三维特征向量，使用遗传算法优化的BP神经网络分类器实现雷达信号的分类识别。仿真结果表明，所提取的三维特征在信噪比为-4~10 dB变化范围内具有较好的类内聚集度和类间分离度，可以实现对不同雷达信号进行识别，证实了该方法的有效性。     

网络化辐射源个体识别技术述评

在对辐射源个体识别技术向组网协同方向发展的趋势进行探讨的基础上,提出了基于跨手段异类传感器组网协同的辐射源个体识别技术架构,分析了需要研究的基于传感器能力特性的协同识别、多维度信号特征关联融合、基于元数据的智能数据处理等关键问题。     

利用频移动态特征的辐射源目标盲分选

利用辐射源目标的频移动态特征进行盲分选时，针对已有的分选方法不能很好解决非合作接收数据非周期、间断、交叠的问题，提出了一种改进的逻辑回归分选算法,将信号分选转化为轨迹分类的问题来处理。首先，借鉴多目标航迹起始模型中的M/N逻辑法的框架，设计新的数据关联门限，以建立目标起始曲线；其次，采用最小二乘拟合方法替代卡尔曼滤波，设计新的外推规则，建立载频变化预测曲线；分析新的接收数据与预测曲线的关联性，不断迭代回归或形成新的分支，最后获得目标分选结果。仿真与实测试验表明，利用逻辑回归分选算法，对不同运动目标搭载的同频辐射源可进行自动分选，4个仿真目标与2个真实目标的分选正确率达到100%。同时，该方法拓展了辐射源目标盲分选中的动态频移特征应用，为辐射源个体识别提供了新的支持。     

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。     

基于多特征参量模糊数据融合的辐射源识别

针对多特征的辐射源识别,采用对辐射源信号特征参数的模糊化表征,建立了多特征、多目标的模糊评价矩阵以及模糊属性综合评判函数,提出了多属性判决函数的融合判决方法进行二次评判的综合识别,从而提高目标识别的准确率和可靠性。仿真结果证实了本文提出方法的有效性。     

利用三星时频差的运动辐射源定位与测速方法

针对高轨三星无源定位系统对空中恒定高度运动目标探测的应用场景,提出了一种利用信号到达时差(TDOA)、到达频率差(FDOA)的无源定位与测速方法。详细描述了算法原理、算法处理步骤,利用STK（Satellite Tool Kit）软件结合计算机仿真,分析了时差测量误差、频差测量误差、高程估计误差对定位精度与测速精度的影响。该方法定位精度与测速精度较高,具有一定的工程应用价值。     

一种基于统计分析的解定位模糊方法

针对相位测量定位系统是否正确解辐射源位置模糊的判别问题,提出了基于相位差拟合误差均值与方差假设检验的统计判断方法,以逐步剔除错误解;对于剩余的正确辐射源位置估计,给出了提高定位精度的统计处理方法和辐射源位置估计的置信椭圆。仿真试验结果表明,提出的解模糊方法能有效降低将错误解判别为正确解的误判比例,定位结果的统计处理方法可以提升定位精度并缩小置信椭圆。所提方法对于促进相位干涉仪系统的实际应用具有积极意义。     

一种敌我识别辐射源暂态信号指纹特征提取方法

信号的指纹特征是辐射源个体识别的重要依据。针对敌我识别辐射源的个体识别问题，提出了一种基于双树复小波和多重分形的信号暂态特征提取方法。该方法通过双树复小波变换实现信号多分辨率分解，求解分解信号Hilbert谱的信息熵和指数熵，计算信号的多重分形奇异指数和谱值，最终组成表征辐射源的特征向量。通过实验验证，提取的特征向量能充分代表辐射源个体之间的差异；被测信号的信噪比满足8 dB或9 dB的条件时，对辐射源的识别正确率能达到90%以上。统计分析表明该方法提取的特征具有很高的稳定性。