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
低截获概率(low probability of intercept,LPI)雷达已成为新时代雷达装备中关键的技术体制或工作模式,针对LPI雷达信号调制识别及参数估计方法的研究是当前雷达对抗侦察领域的热点。首先,分析了几种典型LPI雷达信号的脉内特征,梳理了LP...低截获概率(low probability of intercept,LPI)雷达已成为新时代雷达装备中关键的技术体制或工作模式,针对LPI雷达信号调制识别及参数估计方法的研究是当前雷达对抗侦察领域的热点。首先,分析了几种典型LPI雷达信号的脉内特征,梳理了LPI雷达信号调制识别及参数估计的传统和主流方法,并说明其原理、优缺点和研究现状。最后,总结了现有LPI雷达信号调制识别及参数估计方法尚存的问题,并指出其未来发展趋势,旨在为今后的研究提供参考。展开更多
针对现有采用时频图结合深度学习模型对低截获概率(low probability of intercept,LPI)雷达信号识别的方法在开集场景下会失效的问题,提出一种基于互易点学习(reciprocal point learning,RPL)和阈值判断的雷达信号开集识别方法。通过RP...针对现有采用时频图结合深度学习模型对低截获概率(low probability of intercept,LPI)雷达信号识别的方法在开集场景下会失效的问题,提出一种基于互易点学习(reciprocal point learning,RPL)和阈值判断的雷达信号开集识别方法。通过RPL对特征空间进行优化,使已知类和未知类信号样本在特征空间中分布不同,最后确定合适的阈值进行开集识别。根据时频图的特点,在特征提取网络中加入注意力机制使网络更关注图像能量聚集的有效部分。实验结果表明,该方法在开放的电磁环境条件下具有良好的适应性。展开更多
文摘低截获概率(low probability of intercept,LPI)雷达已成为新时代雷达装备中关键的技术体制或工作模式,针对LPI雷达信号调制识别及参数估计方法的研究是当前雷达对抗侦察领域的热点。首先,分析了几种典型LPI雷达信号的脉内特征,梳理了LPI雷达信号调制识别及参数估计的传统和主流方法,并说明其原理、优缺点和研究现状。最后,总结了现有LPI雷达信号调制识别及参数估计方法尚存的问题,并指出其未来发展趋势,旨在为今后的研究提供参考。
文摘针对现有采用时频图结合深度学习模型对低截获概率(low probability of intercept,LPI)雷达信号识别的方法在开集场景下会失效的问题,提出一种基于互易点学习(reciprocal point learning,RPL)和阈值判断的雷达信号开集识别方法。通过RPL对特征空间进行优化,使已知类和未知类信号样本在特征空间中分布不同,最后确定合适的阈值进行开集识别。根据时频图的特点,在特征提取网络中加入注意力机制使网络更关注图像能量聚集的有效部分。实验结果表明,该方法在开放的电磁环境条件下具有良好的适应性。
