雷达辐射源脉内特征分析与识别关键技术研究
发布时间：2021-03-25 13:23
雷达辐射源识别是对预分选后的脉冲进行特征提取,并通过与数据库中已知信号特征参数进行对比和分析来确定辐射源种类的过程,是雷达侦察的核心任务之一。然而随着雷达技术不断发展,大量新体制雷达投入到装备应用中,信号环境日益恶劣,常规特征参数已远不能满足现代作战电子情报的需求。而雷达辐射源脉内特征分析通过获取更丰富本质的特征参数,成为雷达辐射源识别的研究热点和发展趋势,对雷达辐射源识别具有重要意义。本文主要围绕雷达辐射源脉内特征分析与识别关键技术展开深入研究,针对调制识别、调制参数估计和个体识别提出了相应地解决算法,并设计了一套雷达辐射源脉内特征分析与识别验证系统。主要工作包括:1、针对低信噪比条件下,复杂多类雷达辐射源信号调制识别存在特征提取困难、识别正确率低的问题,提出了一种基于时频分析和扩张残差网络的雷达辐射源调制识别算法。该算法利用时频变换Choi-Williams分布（CWD）将雷达辐射源信号一维时域波形转换成二维时频图像,并对时频图像进行预处理后,构建扩张残差网络来自动提取信号时频图像特征,实现调制识别。仿真结果表明,该算法抗噪性能好、泛化能力强,且提高了时频图像特征相似的类线性调频（...
【文章来源】：战略支援部队信息工程大学河南省
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
16类雷达辐射源信
第二章基于扩张残差网络的雷达辐射源调制识别第13页(e)FrankM=8(f)P1M=8(g)P2M=8(h)P3M=8(i)P4M=8(j)T1k=5(k)T2k=6(l)T3k=6(m)T4k=6(n)CostasNF=6(o)FSK/LFM(p)FSK/BPSK图716类雷达辐射源信号的CWD时频分布图像2.3.2时频图像预处理获得信号二维时频图像后，考虑原始时频图像受噪声的影响不利于深层神经网络学习特征，且当图像尺寸太大时深层神经网络的输入维数太大，将导致网络计算开销大。为了减少噪声的影响和规范网络输入，需要进一步对时频图像进行预处理。同时考虑到BPSK时频脊线上呈现的微小起伏，Frank、P1、P2码时频脊线呈现出的“阶梯”变化，P1、P2和P4码两端微弱的能量值均是区分不同调制类型信号的关键信息，如图8所示。为避免过多的预处理会丢失信号时频图像细微信息，在图像预处理时仅采取灰度化，开运算和图像重置与归一化操作，如图9(a)所示。(a)BPSKM=7(b)FrankM=8(c)P1M=8
战略支援部队信息工程大学硕士学位论文第14页(d)P2M=8(e)P4M=8图80dB时相位编码信号的CWD时频分布图像（1）图像灰度化考虑灰度图像能够完全保留信号的时频分布特征，首先利用最大值最小值归一化将信号时频能量值E(i,j)转化为灰度值G(i,j)()()()()(),min,,,1,2,,maxminEijEGijijNEE==(11)式中N表示CWD时频矩阵大小，与信号样点数相同。（2）图像开运算虽然CWD运算时通过加窗在一定程度上改善了信噪比，但在信噪比较低时，CWD核函数将引起呈特殊细长直线的进程噪声。开运算是对图像先腐蚀后膨胀的一种图像形态学运算，能够有效去除细小物体、孤立噪声。结构元素B对灰度图像A的腐蚀运算和膨胀运算定义如下()()()max,,|,BAB=Axiyj+BijijD(12)()()()min,,|,BAB=Ax+iy+jBijijD(13)其中BD是结构元素定义域，腐蚀运算使灰度图像连通域收缩，能够有效消除线状噪声，但是同时也会减小有效像素面积，而膨胀运算可以增大像素面积。开运算是在腐蚀运算后，利用相同结构元素的膨胀运算来恢复灰度图像有用像素。G1S=(GS)S(14)式中S表示结构元素，本文选取大小为33的“方形”结构元素对灰度图像做开运算以去除进程噪声，同时保留灰度图像中大于结构元素的时频像素点。（3）图像重置与归一化由于雷达侦察接收机的采样率一般在百兆赫兹以上，采样获得信号样点数多，时频变换得到的图像尺寸大。若输入网络的图像尺寸太大，将降低网络的训练识别效率。因此需要重置图像大小，其中双三次插值算法能够更好地保留图像的细节质量。本文利用双三次插值算法将时频图像大小调整为224224w。但由于双三次插值可能产生超出原始范围的像素值，因此最后还需对灰度值进行最大值最小值归一化至[0~255]范围内，并转换成unit8
【参考文献】：
期刊论文
[1]基于人工蜂群算法的线性调频信号参数估计[J]. 于晓辉,王士谦,张志成,李新波,孙晓东,石屹然. 吉林大学学报(工学版). 2020(03)
[2]模糊函数主脊切面特征提取的局域差分方法[J]. 普运伟,马蓝宇,侯文太,张天飞. 数据采集与处理. 2019(03)
[3]一种有效的CFCR域LFM信号分析方法[J]. 荆福龙,张春杰,司伟建,王宇,焦淑红. 西安电子科技大学学报. 2019(03)
[4]一种深度强化学习的雷达辐射源个体识别方法[J]. 冷鹏飞,徐朝阳. 兵工学报. 2018(12)
[5]模糊函数主脊切面极坐标域形态特征提取方法[J]. 普运伟,郭媛蒲,侯文太,马蓝宇. 仪器仪表学报. 2018(10)
[6]基于DAE+CNN辐射源信号识别算法[J]. 叶文强,俞志富,张奎. 计算机应用研究. 2019(12)
[7]基于深度学习和集成学习的辐射源信号识别[J]. 黄颖坤,金炜东,余志斌,吴昀璞. 系统工程与电子技术. 2018(11)
[8]导数约束平滑条件下基于模糊函数特征的雷达辐射源信号识别方法[J]. 许程成,周青松,张剑云,谌诗娃. 电子学报. 2018(07)
[9]基于栈式稀疏自编码器的低信噪比下低截获概率雷达信号调制类型识别[J]. 郭立民,寇韵涵,陈涛,张明. 电子与信息学报. 2018(04)
[10]一种基于高效FrFT的LFM信号检测与参数估计快速算法[J]. 黄响,唐世阳,张林让,谷亚彬. 电子与信息学报. 2017(12)
博士论文
[1]低截获概率雷达波形识别方法研究[D]. 张明.哈尔滨工程大学 2018
[2]低截获概率雷达信号特征分析技术研究[D]. 田润澜.吉林大学 2016
[3]复杂体制雷达信号识别与参数估计研究[D]. 朱健东.解放军信息工程大学 2013
[4]雷达辐射源个体识别的方法研究[D]. 王磊.西安电子科技大学 2011
[5]雷达辐射源识别关键技术研究[D]. 刘海军.国防科学技术大学 2010
[6]复杂体制雷达辐射源信号时频原子特征研究[D]. 朱明.西南交通大学 2008
[7]雷达辐射源信号智能识别方法研究[D]. 张葛祥.西南交通大学 2005
硕士论文
[1]雷达信号脉内特征分析与识别关键技术研究[D]. 王功明.战略支援部队信息工程大学 2019
[2]基于深度学习的雷达辐射源识别技术研究[D]. 井博军.西安电子科技大学 2017
[3]雷达辐射源特征提取和个体识别[D]. 杨凡.西安电子科技大学 2017
[4]雷达信号的脉内分析与识别算法研究[D]. 刘姝明.西安电子科技大学 2013
[5]基于高阶统计量的雷达辐射源信号识别方法研究[D]. 肖乐群.解放军信息工程大学 2012
本文编号：3099760
【文章来源】：战略支援部队信息工程大学河南省
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
16类雷达辐射源信
第二章基于扩张残差网络的雷达辐射源调制识别第13页(e)FrankM=8(f)P1M=8(g)P2M=8(h)P3M=8(i)P4M=8(j)T1k=5(k)T2k=6(l)T3k=6(m)T4k=6(n)CostasNF=6(o)FSK/LFM(p)FSK/BPSK图716类雷达辐射源信号的CWD时频分布图像2.3.2时频图像预处理获得信号二维时频图像后，考虑原始时频图像受噪声的影响不利于深层神经网络学习特征，且当图像尺寸太大时深层神经网络的输入维数太大，将导致网络计算开销大。为了减少噪声的影响和规范网络输入，需要进一步对时频图像进行预处理。同时考虑到BPSK时频脊线上呈现的微小起伏，Frank、P1、P2码时频脊线呈现出的“阶梯”变化，P1、P2和P4码两端微弱的能量值均是区分不同调制类型信号的关键信息，如图8所示。为避免过多的预处理会丢失信号时频图像细微信息，在图像预处理时仅采取灰度化，开运算和图像重置与归一化操作，如图9(a)所示。(a)BPSKM=7(b)FrankM=8(c)P1M=8
战略支援部队信息工程大学硕士学位论文第14页(d)P2M=8(e)P4M=8图80dB时相位编码信号的CWD时频分布图像（1）图像灰度化考虑灰度图像能够完全保留信号的时频分布特征，首先利用最大值最小值归一化将信号时频能量值E(i,j)转化为灰度值G(i,j)()()()()(),min,,,1,2,,maxminEijEGijijNEE==(11)式中N表示CWD时频矩阵大小，与信号样点数相同。（2）图像开运算虽然CWD运算时通过加窗在一定程度上改善了信噪比，但在信噪比较低时，CWD核函数将引起呈特殊细长直线的进程噪声。开运算是对图像先腐蚀后膨胀的一种图像形态学运算，能够有效去除细小物体、孤立噪声。结构元素B对灰度图像A的腐蚀运算和膨胀运算定义如下()()()max,,|,BAB=Axiyj+BijijD(12)()()()min,,|,BAB=Ax+iy+jBijijD(13)其中BD是结构元素定义域，腐蚀运算使灰度图像连通域收缩，能够有效消除线状噪声，但是同时也会减小有效像素面积，而膨胀运算可以增大像素面积。开运算是在腐蚀运算后，利用相同结构元素的膨胀运算来恢复灰度图像有用像素。G1S=(GS)S(14)式中S表示结构元素，本文选取大小为33的“方形”结构元素对灰度图像做开运算以去除进程噪声，同时保留灰度图像中大于结构元素的时频像素点。（3）图像重置与归一化由于雷达侦察接收机的采样率一般在百兆赫兹以上，采样获得信号样点数多，时频变换得到的图像尺寸大。若输入网络的图像尺寸太大，将降低网络的训练识别效率。因此需要重置图像大小，其中双三次插值算法能够更好地保留图像的细节质量。本文利用双三次插值算法将时频图像大小调整为224224w。但由于双三次插值可能产生超出原始范围的像素值，因此最后还需对灰度值进行最大值最小值归一化至[0~255]范围内，并转换成unit8
【参考文献】：
期刊论文
[1]基于人工蜂群算法的线性调频信号参数估计[J]. 于晓辉,王士谦,张志成,李新波,孙晓东,石屹然. 吉林大学学报(工学版). 2020(03)
[2]模糊函数主脊切面特征提取的局域差分方法[J]. 普运伟,马蓝宇,侯文太,张天飞. 数据采集与处理. 2019(03)
[3]一种有效的CFCR域LFM信号分析方法[J]. 荆福龙,张春杰,司伟建,王宇,焦淑红. 西安电子科技大学学报. 2019(03)
[4]一种深度强化学习的雷达辐射源个体识别方法[J]. 冷鹏飞,徐朝阳. 兵工学报. 2018(12)
[5]模糊函数主脊切面极坐标域形态特征提取方法[J]. 普运伟,郭媛蒲,侯文太,马蓝宇. 仪器仪表学报. 2018(10)
[6]基于DAE+CNN辐射源信号识别算法[J]. 叶文强,俞志富,张奎. 计算机应用研究. 2019(12)
[7]基于深度学习和集成学习的辐射源信号识别[J]. 黄颖坤,金炜东,余志斌,吴昀璞. 系统工程与电子技术. 2018(11)
[8]导数约束平滑条件下基于模糊函数特征的雷达辐射源信号识别方法[J]. 许程成,周青松,张剑云,谌诗娃. 电子学报. 2018(07)
[9]基于栈式稀疏自编码器的低信噪比下低截获概率雷达信号调制类型识别[J]. 郭立民,寇韵涵,陈涛,张明. 电子与信息学报. 2018(04)
[10]一种基于高效FrFT的LFM信号检测与参数估计快速算法[J]. 黄响,唐世阳,张林让,谷亚彬. 电子与信息学报. 2017(12)
博士论文
[1]低截获概率雷达波形识别方法研究[D]. 张明.哈尔滨工程大学 2018
[2]低截获概率雷达信号特征分析技术研究[D]. 田润澜.吉林大学 2016
[3]复杂体制雷达信号识别与参数估计研究[D]. 朱健东.解放军信息工程大学 2013
[4]雷达辐射源个体识别的方法研究[D]. 王磊.西安电子科技大学 2011
[5]雷达辐射源识别关键技术研究[D]. 刘海军.国防科学技术大学 2010
[6]复杂体制雷达辐射源信号时频原子特征研究[D]. 朱明.西南交通大学 2008
[7]雷达辐射源信号智能识别方法研究[D]. 张葛祥.西南交通大学 2005
硕士论文
[1]雷达信号脉内特征分析与识别关键技术研究[D]. 王功明.战略支援部队信息工程大学 2019
[2]基于深度学习的雷达辐射源识别技术研究[D]. 井博军.西安电子科技大学 2017
[3]雷达辐射源特征提取和个体识别[D]. 杨凡.西安电子科技大学 2017
[4]雷达信号的脉内分析与识别算法研究[D]. 刘姝明.西安电子科技大学 2013
[5]基于高阶统计量的雷达辐射源信号识别方法研究[D]. 肖乐群.解放军信息工程大学 2012
本文编号：3099760
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3099760.html
