低截获概率(low probability of intercept,LPI)雷达信号凭借其卓越的抗截获能力,在现代电子战中得到了广泛应用。但LPI雷达信号的低峰值功率使其极易被加性白高斯噪声(additive white Gaussian noise,AWGN)淹没,导致信噪比(signal-to-n...低截获概率(low probability of intercept,LPI)雷达信号凭借其卓越的抗截获能力,在现代电子战中得到了广泛应用。但LPI雷达信号的低峰值功率使其极易被加性白高斯噪声(additive white Gaussian noise,AWGN)淹没,导致信噪比(signal-to-noise ratio,SNR)较低,给信号的检测和识别带来了极大的挑战。为了从AWGN背景中提取原始LPI雷达信号,本文提出了一种名为LPI-U-Net的深度神经网络(deep neural network,DNN),用于端到端的时域LPI雷达信号增强。该网络由特征提取模块(feature extract module,FEM)、特征聚焦模块(feature focus module,FFM)和信号恢复模块(signal recover module,SRM)组成。首先FEM通过卷积操作提取信号的特征,然后FFM利用卷积和通道间注意力进一步关注对信号增强任务有利的特征,最后SRM利用反卷积操作从特征中重构信号,从而完成LPI雷达信号增强。仿真实验表明LPI-U-Net在低SNR下的LPI雷达信号增强性能优于传统信号处理中典型的降噪方法,验证了其可行性和有效性。展开更多
基于深度置信网络(DBN)对信号双谱对角切片(BDS)结构特征进行学习,实现低截获概率(LPI)雷达信号识别。该方法首先建立基于受限玻尔兹曼机(RBM)的DBN模型,对LPI雷达信号的BDS数据进行逐层无监督贪心学习,然后运用后向传播(BP)机制在有监...基于深度置信网络(DBN)对信号双谱对角切片(BDS)结构特征进行学习,实现低截获概率(LPI)雷达信号识别。该方法首先建立基于受限玻尔兹曼机(RBM)的DBN模型,对LPI雷达信号的BDS数据进行逐层无监督贪心学习,然后运用后向传播(BP)机制在有监督学习方式下根据学习误差对DBN模型参数进行微调,最后基于该BDS-DBN模型实现未知信号的分类和识别。理论分析和仿真结果表明,信噪比高于8 d B时,基于BDS和DBN的识别方法对调频连续波(FMCW),Frank,Costas,FSK/PSK 4类LPI信号的综合识别率保持在93.4%以上,高于传统的主成分分析加支持向量机法(PCA-SVM)和主成分分析加线性判别分析法(PCA-LDA)。展开更多
文摘基于深度置信网络(DBN)对信号双谱对角切片(BDS)结构特征进行学习,实现低截获概率(LPI)雷达信号识别。该方法首先建立基于受限玻尔兹曼机(RBM)的DBN模型,对LPI雷达信号的BDS数据进行逐层无监督贪心学习,然后运用后向传播(BP)机制在有监督学习方式下根据学习误差对DBN模型参数进行微调,最后基于该BDS-DBN模型实现未知信号的分类和识别。理论分析和仿真结果表明,信噪比高于8 d B时,基于BDS和DBN的识别方法对调频连续波(FMCW),Frank,Costas,FSK/PSK 4类LPI信号的综合识别率保持在93.4%以上,高于传统的主成分分析加支持向量机法(PCA-SVM)和主成分分析加线性判别分析法(PCA-LDA)。
