雷达辐射源信号时频特征分析及分类

发布时间：2020-03-19 04:24

【摘要】：1.信号识别及分类技术是当前信号处理领域的核心问题之一,该技术旨在对未知信号源进行准确的分辨,为提高信号的分类及识别性能提供理论和技术支撑。本文以时频分析理论为基础,以民航气象雷达信号为对象,结合工程应用,分析信号的个体特征,从而唯一地识别信号源,为民航机场管理和民用飞机探测等关键问题提供指导支持和预测分析。本文主要工作及研究成果包括:2.研究了雷达信号无意调制产生机理,从而分析气象雷达信号个体特征的产生根源。根据雷达发射机内部结构特点,总结归纳相位噪声对雷达发射源个体特征的影响。并针对单频信号、线性调频信号、相位调制信号等三种雷达信号模型,进行仿真建模并加入相位噪声,从而实现每种信号的无意调制仿真。3.提出了一种基于压缩感知的模糊函数掩模个体特征。本文利用压缩感知思想,提取模糊域内主要能量作为特征,从而以更少的数据量,选取雷达辐射源信号模糊函数图中最丰富的时频特征。与模糊函数代表性切片特征相比,该特征包含更多的信号时变细节,具有更高的信息表达能力。实验结果表明,模糊函数掩模特征能够获得更精确、更稳定的雷达信号分类结果,是有效的雷达辐射源细微特征。同时,该特征还能够进行时频重构及瞬时频率估计。此外,通过压缩感知范数优化获得的模糊函数掩模特征,有效避免了特征冗余。4.提出了模糊函数掩模的两种快速优化方法。其一,根据信号本身特点确定模糊函数掩模特征。其二,根据信号能量占比确定模糊函数掩模特征。从仿真实验结果分析,两种算法都拥有较高的识别率,虽然识别精度略微低于基于压缩感知的模糊函数掩模特征提取方法,但在运行时间上具有较大优势。从工程角度而言,两种方法可有效提高运算效率并节约存储空间。5.建立了雷达信号数据库。该数据库包括实测民航气象雷达发射源数据以及半物理仿真数据,为研究方法的实验验证提供了较好的条件。在此基础上,设计了基于matlab-GUI的雷达回波数据显示软件,方便对数据库数据的观察分析。
【图文】：

力的信号个体特征。国内虽对雷达细微特征的研究相对较晚，并且究的初级阶段。但对个体特征的研究从未停止，且有一定的研究达辐射源个体识别系统框架节给出雷达发射源个体识别系统的主要流程及步骤。雷达辐射源识，主要子模块包括：数据预处理、特征级处理、智能分类器设计。拥有接口友好、匹配度较高且易于批处理的优势，为后级端口传输理主要包括特征提取、特征优化、特征融合。特征提取的关键在于取，也是特征级处理的核心技术。传统特征包括频率、脉宽、频谱波变换[17]、模糊函数、模糊函数代表性切片[18]、三维分布[19]等。电磁环境，这些理论会存在针对性较差、可区分度较弱、维度较高陷。在第三章中，本文将针对时频特征进行改进，提出基于压缩感特征[20]，对其展开详细研究，以得到更为鲁棒的个体特征。本节将对每个子系统模块进行理论概述。

第一章 绪论智能分类器按照学习方法分通常分为有监督学习、无监督学习及半监督学习。监督学习指，测试前已知数据类别和标签。通过训练先验数据，学习出数据规则，，再对新数据进行测试分类。监督学习通常应用在分类、回归、拟合、预测问题当中。常见的方法有逻辑回归和反向传播网络。而非监督学习预先不知道数据类别和标签，也不了解数据应该分为几大类，由数据根据自身特征学习并分类，通常有 K 均值聚类、模糊聚类、谱聚类等。半监督学习不像监督学习仅仅对分类结果进行判断，更多的侧重在线更新，输出数据结果直接反馈回模型内部，并调整参数，实时更新调整。如在线学习等。机器学习算法很多，根据不同流派有不同分类方式。文献中给出基于机器学习的雷达辐射源识别算法分类。再加上现有深度学习、支持向量机等新型分类器。目前国内外应用于信号分类识别的机器学习算法框架如图 1.3 所示。
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN957.51

【参考文献】

相关期刊论文 前10条

1 徐t

本文编号：2589707