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。     

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。     

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。     

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。     

一种改进的外辐射源雷达直达波对消算法

针对外辐射源雷达的直达波对消技术,传统的变步长对消算法依据参考信号或对消后瞬时误差进行步长调整,对于剩余的目标回波等信号也产生了抑制效果,同时影响了直达波信号的对消效果,为此,提出了一种基于对消信号与直达波的相关性的Sigmoid函数变步长最小均方(Variable Step Size LMS based on Sigmoid function,SVSLMS)算法,根据对消后的信号与直达波的相关性进行步长调整。理论分析与仿真结果表明,改进的SVSLMS算法对直达波对消有更快的收敛速度,同时对目标回波信号的影响更小。     

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。     

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。     

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。     

一种改进的基于3D-BN-GRU网络的行为识别算法

行为识别是计算机视觉研究一大热点,为了改善其计算量大、识别率低的问题,提出了一种基于三维卷积神经网络(3Dimension Convolutionnal Neural Network,3D-CNN)与门控循环单元网络(Gated Recurrent Unit,GRU)相融合的行为识别算法。该算法采用keras框架,首先对3D-CNN结构进行优化,采用把大的卷积核用若干个小的串联起来的Block结构;然后在每层卷积层后采用批量归一化处理,并添加Dropout层以提高网络泛化能力;最后与GRU网络融合,使用Softmax进行分类得出结果。实验结果表明,所设计的融合网络有较高的识别率,达到94.5%。     

一种基于SDH技术的雷达数据宽带传输方案

雷达数据包括回波、工作状态监控、雷达控制和话音四类，如何对此进行高效传输是雷达组网过程中必须解决的问题。本文提出了基于SDH(同步数字系列)传输技术实现雷达数据宽带传输的方案，给出了实现雷达数据传输的SDH网络拓扑结构和虚级联的数据通道分配方案。     

一种基于视觉感知的舰船目标智能化识别方法

为有效识别视觉系统采集的可见光图像中的舰船目标,提出了基于YOLO（You Only Look Once）网络模型改进的10层的卷积神经网络（Convolutional Neural Network,CNN）用于水面舰船目标的智能识别,通过反卷积的方法可视化CNN中不同卷积层提取到的舰船目标特征。按照传统目标识别方法提取了舰船目标的四类典型人工设计特征,将所提CNN的舰船目标识别结果与YOLO网络模型及四类人工设计特征结合支持向量机用于舰船目标识别的结果进行比较。实验结果表明,与YOLO网络模型相比,综合精确率、召回率和效率3个舰船目标识别的性能指标,改进后的CNN性能更好,从而验证了所提方法的有效性。不同数据量下采用典型特征识别舰船目标与基于深度CNN识别舰船目标的识别结果比较说明了不同类型目标识别算法的优劣势,有利于推动综合性视觉感知框架的构建。     

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。     

基于灰关联分析与D-S证据理论的多传感器雷达辐射源识别方法

本文涉及中国公司针对美国商务部裁决产自中国的罐装蘑菇构成倾销的司法审查的案件,文章对该案的基本案情、推理理由、法院判决进行了归纳,并就我国企业如何利用美国反倾销的司法审查的程序进行了简要评述。     

一种基于3D-BN-VGG网络的行为识别算法

针对当前人体行为识别准确率低、计算量大等缺陷,提出了一种基于三维卷积神经网络（3D Convolutionnal Neural Network,3D-CNN）结合批量归一化（Batch Normalization,BN）及改进的视觉几何组(Visual Geometry Group,VGG)网络的行为识别算法。该算法首先对3D-CNN结构进行优化,在三维空间采用了多个小卷积核卷积层堆叠的Block结构;同时在网络结构中引入BN算法,将卷积层输出的特征图每一维进行独立的批量归一化处理;之后在Block结构中增加了Dropout层以提高网络泛化能力以及将3D-CNN网络层数加深到了13层,提高了高层次抽象特征的提取能力;最终使用softmax进行分类得出结果。实验结果表明所设计的3D-BN-VGG网络在行为识别方面有较高的识别率。     

一种基于R3D网络的人体行为识别算法

现有的行为识别算法不能充分地提取抽象的行为特征,为此提出了基于三维残差卷积神经网络（3D Residual Convolutional Neural Network,R3D）的人体行为识别算法。该网络在三维卷积神经网络（3D Convolutional Neural Network,3D-CNN）基础上加入了残差模块,可以更好地提取时空域的特征,然后通过改变步长大小进行特征图降维,提高网络效率,并加入批量归一化层和Softplus激活函数,提高网络的收敛速度和拟合能力;之后添加Dropout层,降低过拟合风险,并且使用全局平均池化层(Global Average Pooling,GAP)代替全连接层,克服了网络参数量过大的问题;最后,使用Softmax进行分类。实验结果表明,使用R3D网络在HMDB-51数据集上获得了62.3%的识别率。     

一种基于深度学习的交通标志识别新算法

针对特定场景交通标志精度低与识别速度慢的问题,基于交通标志边缘信息与卷积神经网络,提出了一种交通标志图像识别T-YOLO算法。该算法基于YOLOv2算法检测思想,融合残差网络、卷积层填充0等结构,下采样舍弃池化层改用卷积层,并提取边缘信息与上采样以提升精度,设计7层特征提取网络以缩短识别速度,随后使用Softmax函数归一化实现多分类,并采用批量归一化、多尺度训练等方法缩短训练时间。实验表明,该算法真实有效,图形处理单元（Graphic Processing Unit,GPU）平台上最快检测速度13.69 ms/frame,每帧缩短9.51 ms,最高平均准确率97.3%,提高7.1%,满足实时高精度识别要求。与其他算法相比,该算法在交通标志识别速度与精度方面均有大幅提高,更加适用于现实场景,更贴近车载嵌入式系统。     

一种基于信号强度的OLSR路由协议改进算法

借助接收分组时测得的信号强度,提出OLSR-PSSA(Pre-rerouting and Signal Strength A-ware OLSR)改进协议。为了建立和维护生存时间更长、链路更加健壮的路由,并加入预切换路由机制,来适应节点的移动和网络拓扑结构的频繁变化。OPNET仿真结果显示,与传统OLSR协议相比,OLSR-PSSA改进协议提升了传输成功率,增加了网络吞吐量。