论文部分内容阅读
低截获概率(LPI)雷达由于功率低、带宽大等优秀属性应用广泛,但是LPI雷达信号可以避免非合作接收机的检测,战场上正确识别截获的敌方雷达信号对战局影响重大,因此,研究LPI雷达信号的识别具有重要意义。而随着更多种LPI信号的使用,之前针对几种常规波形的分类方法具备不小的限制,已经无法达到要求,所以研究可以识别更多种雷达波形的算法拥有重大的实际价值。本文主要针对8种和12种雷达信号的识别进行探讨,分别提出了基于时频分析和模糊函数(AF)的算法,且高噪声环境下具有良好的正确识别率。主要内容如下:首先,研究了基于时频分析的特征提取方法。信号的特征提取对识别率起着决定性作用,是系统中的重要一环。而为了区分不同的雷达信号,我们采用了四类特征,即时域特征、频域特征、基于Wigner-Ville分布(WVD)特征和基于Choi-Williams分布(CWD)的特征。其中,为了区分线性调频信号(LFM)和Frank、P3码,提出了1个新的WVD特征;为了识别“阶梯波形”与“线性波形”,提出了2个新的CWD特征,它们较好的反映了不同信号的差异。其次,为了对LFM、巴克码、Costas、Frank、P1、P2、P3与P4码进行分类,我们提出了一种与时频分析和人工蜂群算法优化支持向量机(ABC-SVM)相关的识别方法。此方法采用时频分析等特征,利用ABC-SVM作为分类器,实现了在低信噪比下采用更少特征对8种雷达信号的识别。仿真结果表明,该方法具有优秀的鲁棒性,更少的运行时间,且-4 dB信噪比下的正确识别率能够达到94%。最后,提出了基于AF的识别算法。该方法采用了信号的部分时域特征和CWD特征,并在此基础上提取了基于模糊函数主脊切面的特征,实现了对LFM、Costas、Barker、多相码(Frank和P1-P4)和多时码(T1-T4)12种雷达信号的识别。分类器是ABC-SVM,包括两个分类网络。其中,网络1利用时域特征、模糊函数特征和部分时频特征将信号分为LFM、Costas、Barker、T1、T2、T3、T4和多相码9类,当信号被认为是多相码后,网络2采用时频特征详细分类。实验仿真说明,-4 dB信噪比下的正确识别率是96.2%。