基于瞬时频率畸变特性的FSK电台指纹特征提取

为解决FSK电台个体识别问题,需要从辐射源信号上提取特征构成辐射源指纹。通过 分析构成FSK电台的各个模块的畸变特性,阐明了FSK电台指纹产生机理,建立了基于瞬时频 率的指纹信号模型,并根据信号模型设计了基于辅助参数的最小二乘算法以完成FSK频率畸 变特性参数的估计,从而构建指纹特征完成对FSK电台的识别。对仿真信号和实际信号的识 别测试试验表明,该算法具备辐射源个体识别能力,对实际环境下的4个FSK电台的识别率大 于96%,优于双谱类方法。     

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。     

采用改进型AlexNet的辐射源目标个体识别方法

针对辐射源目标精确识别需求,结合以深度学习为代表的机器学习理论技术,提出将改进型AlexNet作为特征提取器,实现目标细微特征提取固化,形成智能化识别网络模型。以广播式自动相关监视（ADS-B）信号为实验对象,在机场实地采集了13个目标的ADS-B脉冲信号数据作为辐射源目标个体识别的训练和测试样本,利用AlexNet和改进的AlexNet验证了算法的有效性。结果表明,改进的AlexNet网络训练时间更快,综合识别率达到98.32%.     

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。     

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。     

利用信号围线积分双谱分形特征实现电台识别

信号的双谱能反映信号的细微特征,可用于电台识别中,但将它直接应用于电台识别需要计算复杂的匹配模板,增加分类器的复杂度,影响识别效率。针对此问题,提出了一种将信号围线积分双谱的分形特征作为电台特征参数的识别方法。首先由信号双谱估计值求出围线积分双谱,然后利用盒维数和信息维数定量描述围线积分双谱波形的复杂度,并将这两种分形维数作为特征向量,最后利用支持向量机(SVM)实现电台分类识别。对两部实际电台所发射的2FSK信号利用所提方法进行分析,结果表明在信噪比为7 dB及以上时,电台正确识别率能达到94.29%以上,验证了所提方法的可行性。     

分离通道联合卷积神经网络的自动调制识别

针对通信信号的自动调制识别需要大量特征提取的问题,提出了一种分离通道卷积神经网络自动调制识别算法。该算法通过结合深度学习中卷积神经网络(CNN),分别提取时域信号的多通道和分离通道调制特征,再利用融合特征实现不同信号的分类。仿真结果表明,相比基于CNN的算法,所提算法在高信噪比下针对两个数据集的识别率分别提升7%和18%;此外,相比于基于特征提取的传统识别算法,其高阶调制识别性能平均提升3 dB。     

MARKⅫ IFF信号一体化处理技术

针对敌我识别信号侦察的需求,介绍了MARK Ⅻ IFF信号的格式和基本特征,提出了 一种对MARK Ⅻ IFF信号识别处理、内涵信息提取和辐射源同源关联的一体化处理方法。该 方法利用敌我识别信号的脉冲特征信息和格式化信息实现模式识别和内涵信息提取,并通过 关联技术实现辐射源有效关联。仿真实验验证了方法的有效性和可行性,关联识别率达90% 以上。     

一种优化的卷积神经网络调制识别算法

针对非合作接收条件下信号的调制识别问题,提出了一种基于循环谱特征和深度卷积神经网络的自动调制分类算法。该算法首先利用二值化、形态学操作等技术对循环谱数据集预处理,提高网络泛化能力;然后将数据集输入到卷积神经网络模型中,经过网络的特征提取实现分类识别。在网络中添加残差块网络增大感受野,提高特征提取能力。采用Dropout、优化函数等技术优化网络结构,防止训练过拟合。仿真结果表示,与传统方法和现有的一些深度学习调制识别方法相比,该算法在低信噪比条件下有更高的准确率,具有明显的抗噪声优势,是一个有效的调制识别算法。     

基于循环谱和高阶累积量的联合模式识别方法

为完全识别当前卫星通信采用的主要调制方式,结合循环谱和高阶累积量两种信号调制识别方法的特点,提出了一种联合识别算法。该算法将循环谱特征加入到高阶累积量识别法中,联合多种特征参数判决构建识别器,首先利用循环谱完成ASK、FSK、PSK信号的类间识别以及FSK信号的类内识别,在此基础上利用高阶累积量方法完成FSK、PSK信号的类内识别。仿真结果表明,该算法能够完全区分卫星通信中主要的调制模式{ASK、2ASK、2FSK、4FSK、BPSK、QPSK},在信噪比高于5 dB时识别率达88%以上。     

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。     

基于权值优化的认知WiMax信号协同识别

传统的正交频分复用（OFDM）系统识别算法只能识别出接收信号是否为基于全球微波互联接入技术（WiMax）的OFDM信号，但无法判断该信号是认知信号，并且在复杂电磁环境下识别正确率低。为此，提出了一种协同识别认知WiMax无线网络OFDM信号的算法。该算法首先利用OFDM信号的循环自相关特性估计信号的有用符号时间，并通过估计各协同感知节点的信噪比对时间参数的估计值进行加权，得到有用符号时间的协同估计值，进而判断接收信号是否为基于WiMax系统的OFDM信号；再通过自私攻击策略，实现对OFDM信号是否是认知WiMax信号的判别，为进一步研究认知WiMax网络节点定位技术奠定了基础。仿真结果表明，与非协同识别算法相比，提出的协同识别算法在多径和低信噪比条件下具有更高的识别率。     

基于双谱特征的超宽带雷达人体目标识别

为了在人体微多普勒特征不明显条件下识别静态人体目标及人体姿态,提出了一种结合双谱对角线起伏特性与目标强散射点分布特征进行人体目标识别的方法。首先,通过分析静态人体目标双谱,提取双谱对角线起伏特性作为分类特征,降低了双谱数据的维数,减少了双谱特征冗余。然后,结合目标强散射点分布特征从不同角度描述目标,并构造用于目标识别的特征向量。最后,用支持向量机实现目标识别。仿真和实测结果均表明,双谱对角线起伏特性与目标强散射点分布特征融合的方法可以有效识别出静态人体目标并且实现人体姿态识别。     

雷达辐射源识别算法综述

结合雷达辐射源识别的军事需求和近几年取得的研究进展,以雷达辐射源识别中最核心的3个方面为研究对象,综述相关算法的研究现状与发展。针对低信噪比环境、分类器能力不足和单传感器识别的缺陷,从辐射源特征提取、分类识别和多源融合识别等方面详述了目前算法的研究思路和性能,引入当前热点模式识别算法并分析其可借鉴性。最后,指出了在辐射源识别研究领域中仍存在的问题,并展望了下一步的研究方向。     

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。     

基于BP网络学习算法的英文字符识别

介绍了BP神经网络的基本原理,指出了BP算法收敛速度慢、易陷入局部及小值等缺陷,在标准BP算法的基础上引入了几种优化BP算法的方法。针对模式识别应用领域,通过实例,运用Matlab编程对各种较好的网络学习算法的性能进行比较,给出了一个三层BP网络识别含噪声的字母的实例。实验结果表明,改进的BP算法有效地提高了BP算法的收敛速度。