基于模糊函数主脊切片和深度置信网络的雷达辐射源信号识别

发布时间：2020-12-13 00:01

　　雷达辐射源信号识别是电子侦察系统的关键组成部分,为了提高低信噪比条件下对低截获概率雷达信号识别的准确率,提出了一种基于模糊函数主脊切片（MRSAF）与深度置信网络（DBN）的雷达辐射源信号识别方法。首先对雷达信号进行奇异值分解（SVD）进行降噪预处理,求解雷达信号的模糊函数并提取其主脊切片包络,采用奇异值分解方法降低噪声对主脊切片包络的影响,然后建立基于受限波尔兹曼机的DBN模型并运用标签数据有监督微调模型参数完成训练,最后基于该算法模型实现辐射源信号的分类和识别。仿真结果表明:该方法在低信噪比条件下也有较高的识别率,信噪比高于-4dB时,识别率可以达到90%以上,验证了本算法的有效性和应用价值。 

【文章来源】：空军工程大学学报(自然科学版). 2020年02期 北大核心

【文章页数】：7 页

【部分图文】：

典型复杂调制雷达信号模糊函数

本文为降低计算量并深入分析不同调制信号模糊函数能量分布特征的差异，提取信号模糊函数的所有径向切面中最能反映不同信号时频特征差异的模糊函数主脊切片（Main Ridge Slice of Ambiguity Function,MRSAF）作为进行信号有效识别的特征。图2为图1中4种调制类型信号样本模糊函数主脊切片，从图中可以看出，不同调制类型信号的模糊函数主脊切片均具有对称性，但其切面形状区分明显，因此可以作为信号有效识别的依据。2 奇异值分解降噪

为了验证奇异值滤波的有效性，本文以LFM-BC复合调制信号为例进行验证。调制信号的载频为10MHz，脉宽为10μs,BC部分采用7位Barker码：Cd(t)=(1 1 1-1-1 1-1）。奇异值滤波前后模糊函数主脊切片如图3所示，可以清晰地看出SVD降噪的效果是很明显的。3 深度置信网络DBN

【参考文献】：
期刊论文
[1]基于深度限制波尔兹曼机的辐射源信号识别[J]. 周东青,王玉冰,王星,程相东,肖吉阳.  国防科技大学学报. 2016(06)
[2]一种深度学习的雷达辐射源识别算法[J]. 周志文,黄高明,高俊,满欣.  西安电子科技大学学报. 2017(03)
[3]基于多模特征深度学习的机器人抓取判别方法[J]. 仲训杲,徐敏,仲训昱,彭侠夫.  自动化学报. 2016(07)
[4]基于多特征融合的雷达辐射源信号识别[J]. 孟凡杰,唐宏,王义哲.  计算机仿真. 2016(03)
[5]基于稀疏自编码的路面裂缝检测[J]. 钱彬,唐振民,徐威.  北京理工大学学报. 2015(08)
[6]基于弱监督学习的去噪受限玻尔兹曼机特征提取算法[J]. 杨杰,孙亚东,张良俊,刘海波.  电子学报. 2014(12)
[7]基于最大似然估计的TDOA/FDOA无源定位偏差补偿算法[J]. 周成,黄高明,单鸿昌,高俊.  航空学报. 2015(03)
[8]基于深度自编码网络的运动目标检测[J]. 徐培,蔡小路,何文伟,谢易道.  计算机应用. 2014(10)
[9]基于自编码神经网络的装备体系评估指标约简方法[J]. 张乐,刘忠,张建强,任雄伟.  中南大学学报(自然科学版). 2013(10)
[10]基于能量聚焦效率检验的信号脉内调制识别[J]. 胡国兵,徐立中,徐淑芳,吴珊珊,高燕.  通信学报. 2013(06)



本文编号：2913499