【摘 要】
：
随着信息技术及电子战的迅猛发展,雷达信号自动调制识别作为电子对抗侦察中重要一环,成为了目前信息化电子战的研究热点。传统的雷达信号自动调制识别方法主要采用脉冲描述字浅层特征和模板匹配过程。当面对日益复杂的战场电磁环境,传统方法往往计算量较大且依赖于专家知识,识别性能难以满足要求。近年来,伴随深度学习的兴起和广泛应用,深度学习神经网络被引入雷达信号识别方法中,尽管基于深度学习的识别方法取得了不错的识别
论文部分内容阅读
随着信息技术及电子战的迅猛发展,雷达信号自动调制识别作为电子对抗侦察中重要一环,成为了目前信息化电子战的研究热点。传统的雷达信号自动调制识别方法主要采用脉冲描述字浅层特征和模板匹配过程。当面对日益复杂的战场电磁环境,传统方法往往计算量较大且依赖于专家知识,识别性能难以满足要求。近年来,伴随深度学习的兴起和广泛应用,深度学习神经网络被引入雷达信号识别方法中,尽管基于深度学习的识别方法取得了不错的识别效果,但同时也引入了特征冗余和网络优化等难题。此外,现有基于深度学习的信号识别方法大都着眼于某一特定的域变换或精细的手工特征提取,这些因素影响了其在低信噪比下对复杂多类别电磁信号的识别性能。针对上述问题,本文在研究了近些年基于深度学习的雷达信号自动调制识别方法基础上,从雷达信号脉内调制识别和脉间调制识别两个方向着手,提出了基于二维特征图像与卷积神经网络、一维特征序列与循环神经网络的雷达信号调制识别方法。本文的主要工作与创新点如下:1.对9类典型雷达辐射源脉内调制信号和6类脉间调制信号进行了仿真建模;并提取了各类调制信号的频域、时频域及自相关域等多域特征;参照真实电磁环境,构建了用于神经网络训练、验证及测试的雷达信号仿真数据集。2.针对雷达脉内调制信号识别,设计了多域融合的卷积神经网络。通过引入AC块、残差网络和SE网络,提升了所提出的卷积神经网络的性能;多域融合结构同时利用信号的多域特征,提升了方法的识别性能。仿真及实测结果证明该方法在低信噪下也能获得较好的识别率,并优于现有的4种深度网络方法。3.针对雷达脉内调制信号识别,构建了基于特征序列与循环神经网络的方法。通过整合卷积神经网络的特征提取能力和双向长短时记忆网络的时序处理优势,对输入特征序列进行识别分类。比较了各域特征对识别效果的影响,仿真及实测结果验证了该方法在较低信噪比条件下的优效性,也优于现有的4种深度网络。4.针对雷达脉间调制信号识别,提出了自相关域特征和改进卷积神经网络的方法。通过与时域、频域特征比较,验证了自相关域特征的鲁棒性,文中分析了不同信噪比和脉冲丢失率对所提方法性能的影响。通过对比实验验证了所提方法在高脉冲丢失率和低信噪比时也具有优异的识别表现,同时优于现有的4种方法。
其他文献
合成孔径雷达（Synthetic Aperture Radar,SAR）利用雷达与目标之间的相对运动接收被检测区域的回波进行成像。相对于光学成像,SAR成像系统具有不受天气,时间等影响等特点,能够在恶劣条件下对目标进行探测。因此SAR图像不论在军事还是在民用上的实际应用,都具有很大的价值。可以被使用于自然灾害评估、地貌检测、舰船检测、动目标跟踪、战场监控等。所以在SAR图像自动识别方面有着广阔的研
随着射频无线通信逐渐系统集成化、尺寸小型化、功能多样化,导致射频电路的结构复杂和工作频率升高。由于传统模型是基于Maxwell方程的全波分析法进行建模,电路模型消耗的计算资源增多,计算速度也明显变慢,使得设计人员对电路的仿真分析效率变低。因此,传统的射频电路建模分析方法已经逐渐无法满足电路高效快速的仿真分析设计需求。为了适应人们对高性能的射频电路模型日益迫切需求,基于人工神经网络建模方法逐渐受到人
稀疏码多分址（SCMA）技术能够提高频谱利用率,是5G无线通信中多址接入方案的重要候选者。信道估计是SCMA通信的关键过程,其精度和复杂度对系统有很大影响,但是经典的信道估计算法存在计算量大、性能差等问题,导致这些算法在SCMA的应用有局限性,所以研究适用于SCMA系统的信道估计算法有重要意义。而深度学习具有适应性强、高速并行等优点,深度学习与无线通信结合是目前信号处理领域的热点,并取得瞩目的效果
近年来,随着深度学习的发展,人工智能与人们的生活越来越紧密,在人脸识别、自动驾驶、医疗等领域已经得到了广泛的应用。与此同时,人工智能的安全问题也越来越突出。深度学习模型极易遭到对抗样本的攻击,攻击者只需对图像进行一些人眼无法识别的改动即可成功欺骗深度学习模型,从而导致深度学习模型给出错误的结果,进而引发极其严重的后果。针对这些攻击,研究了以下三种算法,其主要功能是通过对分类器网络增加一个额外的附加
多功能电子系统是由若干具有多种功能的电子设备所组成的多站点作战系统,各站点可协同工作,系统可根据任务需求对多个目标区域进行实时监视以应对潜在威胁,在现代战场上发挥着重要作用。各站点的分布将直接影响多功能电子系统的性能,通过优化站点位置可以有效提升系统的性能。然而,目前针对性能偏好要求下的站点优化配置的研究还不够充分,是一个亟需解决的问题。本文将基于粒子群算法对站点配置问题进行深入研究。具体内容如下
合成孔径雷达（Synthetic Aperture Radar,SAR）具有全天时、全天候的特点,在军用和民用领域有巨大的应用价值和研究意义。但是,SAR成像过程中,回波相干叠加、成像资源不足、雷达系统误差以及平台相对运动等不利因素会导致SAR图像出现质量退化效应,主要表现为斑点状噪声和分辨率下降,严重影响了SAR图像的信息提取与解释。近年来,深度学习飞速发展,在图像处理领域取得了突破性进展,对于
车位监测系统成本过高是制约传统停车场智能化改造的最大因素。本文通过分析市面上现有车位监测系统,研究出基于无线通信链路的车位监测系统,相比有线通信链路的车位监测系统具有更低的成本。为了提高车位监测系统的整体性价比,本文通过相关技术对比,最终确定以微波雷达传感器作为本系统的车位监测传感器,以ZigBee协议为本系统的网络通信协议,并根据停车场应用场景完成了车位监测传感器和ZigBee网络的系统参数设计
在计算机视觉研究领域,人体姿态估计技术是动作分析、人机交互、智能监控、医疗辅助分析、工业测量和电影特效制作等诸多应用的关键技术。随着深度学习以及卷积神经网络被应用于各种领域,该技术得到长足的发展,使用卷积神经网络模型来进行人体姿态估计的研究越发流行。本文基于人体姿态估计最新的网络模型,改进关键点定位算法,从两个方向出发研究人体姿态估计的问题。第一个方向针对于现在卷积神经网络越发复杂,为了能够获取更
目标跟踪问题一直是军事、导航等领域的重要研究内容。随着无线传感器网络（Wireless Sensor Networks,WSNs）的快速发展,点目标的分布式跟踪技术得到了广泛关注。由于非线性系统比线性系统在实际工程中的应用更广泛,非线性系统中点目标的分布式跟踪方法逐渐成为研究焦点。随着传感器技术的发展,扩展目标的分布式跟踪技术也在海上监管、无人驾驶等新兴领域具有巨大的潜在价值。本文主要研究WSNs
无线传感器网络是一个低成本、灵活性强、易于部署的自组织网络,在目标探测、事件监测等军民领域具有广泛的应用前景。通常,无线传感器网络节点面临着计算能力、能量资源的限制。因此,如何减少传输数据冗余,降低节点能耗,保护数据安全成为无线传感器网络研究的热点问题。数据聚合是由网络中的传感器节点收集数据,通过上层聚合节点对收集的数据进行处理,是传感器网络数据处理的重要手段。目前,基于数据平均等简单的数据聚合算