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
针对先验信息残缺的非合作电子对抗背景下的低截获概率雷达信号识别问题,提出一种基于改进的半监督朴素贝叶斯的识别算法。该算法首先提取出4种低截获概率(low probability of intercept,LPI)雷达信号的双谱对角切片作为识别特征;针对...针对先验信息残缺的非合作电子对抗背景下的低截获概率雷达信号识别问题,提出一种基于改进的半监督朴素贝叶斯的识别算法。该算法首先提取出4种低截获概率(low probability of intercept,LPI)雷达信号的双谱对角切片作为识别特征;针对传统的半监督朴素贝叶斯(semi-supervised Na?ve Bayes,SNB)在更新训练样本集过程中会产生迭代错误的不足,利用改进的SNB(Revised SNB,RSNB)算法构建分类器,完成对测试样本的识别。该方法通过在无标记样本集生成的置信度列表中选取置信度较高的样本添加到有标记样本集中,再利用预测后的分类结果对分类器参数(即特征期望向量珡mi和方差向量σi)进行改进,有效解决了传统算法分类精度低且分类性能不稳定等缺点。理论分析和仿真结果表明,在LPI雷达信号识别问题,相比于SNB算法和传统的主成分分析加支持向量机法(principal component analysis-support vector machine,PCA-SVM),该算法具有更高的分类识别率和更好的分类性能。展开更多
针对LPI信号分类识别问题中,时频图像受噪声干扰严重的问题,提出了一种基于二维快速经验模式分解(FBEMD)的图像降噪算法,并利用该算法实现对LPI信号的分类。首先利用时频分析方法,获得待分类信号的时频分布图像;使用二维EMD分解算法对...针对LPI信号分类识别问题中,时频图像受噪声干扰严重的问题,提出了一种基于二维快速经验模式分解(FBEMD)的图像降噪算法,并利用该算法实现对LPI信号的分类。首先利用时频分析方法,获得待分类信号的时频分布图像;使用二维EMD分解算法对图像降噪;截取包含时频信息的图像部分,通过主分量分析法提取特征矢量;最后采用RBF神经网络完成信号的分类识别任务。对常见的LPI雷达信号进行仿真,结果表明较低信噪比情况下,该方法仍能获得较好的分类结果。当信噪比为-2 d B时,采用二维EMD降噪算法,平均正确识别率能够达到93%。展开更多
针对低信噪比(signal to noise ratio,SNR)低截获概率(low probability of intercept,LPI)雷达脉内波形识别准确率低的问题,提出一种基于时频分析、压缩激励(squeeze excitation,SE)和ResNeXt网络的雷达辐射源信号识别方法。首先通过Cho...针对低信噪比(signal to noise ratio,SNR)低截获概率(low probability of intercept,LPI)雷达脉内波形识别准确率低的问题,提出一种基于时频分析、压缩激励(squeeze excitation,SE)和ResNeXt网络的雷达辐射源信号识别方法。首先通过Choi-Williams分布(Choi-Williams distribution,CWD)获得雷达时域信号的二维时频图像(time-frequency image,TFI);然后进行TFI预处理降低噪声干扰和频率维的位置分布差异,以适应深度学习网络输入;最后在ResNeXt基础上加入扩张卷积和SE结构提取TFI特征,实现雷达辐射源分类。实验结果表明,SNR低至-8 dB时,该方法对12类常见LPI雷达波形的整体识别准确率依然能达到98.08%。展开更多
低截获概率(low probability of intercept,LPI)雷达作为一种具有强抗干扰能力及低截获特性的新型雷达,对其精准高效识别已成为雷达对抗一方波形识别的难点。针对该方向主流分类器卷积神经网络(convolution neural network,CNN)的结构...低截获概率(low probability of intercept,LPI)雷达作为一种具有强抗干扰能力及低截获特性的新型雷达,对其精准高效识别已成为雷达对抗一方波形识别的难点。针对该方向主流分类器卷积神经网络(convolution neural network,CNN)的结构智能寻优问题,提出一种基于粒子群优化(particle swarm optimization,PSO)算法-CNN的波形识别算法。该算法利用PSO的寻优特性,可实现较大范围内自动搭建不定层数、不定层类别及层内参数的CNN结构并进行迭代寻优;采用识别精度及网络复杂度相结合的衡量指标,可根据需求调整两者比重以实现对精度与轻量性的选择。该算法获取的CNN结构实现了比9种经典CNN结构更好的LPI雷达波形识别效果,同时避免了波形识别时人工选定CNN超参数缺乏智能性、客观性的问题,提高了选用CNN结构的适配性及高效性。展开更多
宽带低辐射信号的设计是低截获概率(LPI,Low Probability of Intercept)雷达的关键技术之一。但传统的波达方向(DOA,Direction of Arrival)估计算法主要是针对窄带信号设计的,应用在LPI雷达中会制约雷达的测向性能。重点研究一种宽带信...宽带低辐射信号的设计是低截获概率(LPI,Low Probability of Intercept)雷达的关键技术之一。但传统的波达方向(DOA,Direction of Arrival)估计算法主要是针对窄带信号设计的,应用在LPI雷达中会制约雷达的测向性能。重点研究一种宽带信号DOA估计的方法。该方法的关键在于通过直接分解数据协方差矩阵,来构造聚焦矩阵。此外,还从LPI雷达工程应用的角度分析了该方法的性能指标,并用MATLAB进行了仿真,仿真结果表明该方法具有较高的分辨力和较低的算法复杂度,同时也验证了该算法在LPI雷达上的实用性。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
文摘针对LPI信号分类识别问题中,时频图像受噪声干扰严重的问题,提出了一种基于二维快速经验模式分解(FBEMD)的图像降噪算法,并利用该算法实现对LPI信号的分类。首先利用时频分析方法,获得待分类信号的时频分布图像;使用二维EMD分解算法对图像降噪;截取包含时频信息的图像部分,通过主分量分析法提取特征矢量;最后采用RBF神经网络完成信号的分类识别任务。对常见的LPI雷达信号进行仿真,结果表明较低信噪比情况下,该方法仍能获得较好的分类结果。当信噪比为-2 d B时,采用二维EMD降噪算法,平均正确识别率能够达到93%。
文摘针对低信噪比(signal to noise ratio,SNR)低截获概率(low probability of intercept,LPI)雷达脉内波形识别准确率低的问题,提出一种基于时频分析、压缩激励(squeeze excitation,SE)和ResNeXt网络的雷达辐射源信号识别方法。首先通过Choi-Williams分布(Choi-Williams distribution,CWD)获得雷达时域信号的二维时频图像(time-frequency image,TFI);然后进行TFI预处理降低噪声干扰和频率维的位置分布差异,以适应深度学习网络输入;最后在ResNeXt基础上加入扩张卷积和SE结构提取TFI特征,实现雷达辐射源分类。实验结果表明,SNR低至-8 dB时,该方法对12类常见LPI雷达波形的整体识别准确率依然能达到98.08%。
文摘低截获概率(low probability of intercept,LPI)雷达作为一种具有强抗干扰能力及低截获特性的新型雷达,对其精准高效识别已成为雷达对抗一方波形识别的难点。针对该方向主流分类器卷积神经网络(convolution neural network,CNN)的结构智能寻优问题,提出一种基于粒子群优化(particle swarm optimization,PSO)算法-CNN的波形识别算法。该算法利用PSO的寻优特性,可实现较大范围内自动搭建不定层数、不定层类别及层内参数的CNN结构并进行迭代寻优;采用识别精度及网络复杂度相结合的衡量指标,可根据需求调整两者比重以实现对精度与轻量性的选择。该算法获取的CNN结构实现了比9种经典CNN结构更好的LPI雷达波形识别效果,同时避免了波形识别时人工选定CNN超参数缺乏智能性、客观性的问题,提高了选用CNN结构的适配性及高效性。
文摘宽带低辐射信号的设计是低截获概率(LPI,Low Probability of Intercept)雷达的关键技术之一。但传统的波达方向(DOA,Direction of Arrival)估计算法主要是针对窄带信号设计的,应用在LPI雷达中会制约雷达的测向性能。重点研究一种宽带信号DOA估计的方法。该方法的关键在于通过直接分解数据协方差矩阵,来构造聚焦矩阵。此外,还从LPI雷达工程应用的角度分析了该方法的性能指标,并用MATLAB进行了仿真,仿真结果表明该方法具有较高的分辨力和较低的算法复杂度,同时也验证了该算法在LPI雷达上的实用性。
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。
