作者单位
摘要
1 石家庄铁道大学电气与电子工程学院,石家庄 050000
2 河北工业职业技术学院,石家庄 050000
针对复杂电磁环境下雷达对干扰信号的分类识别问题,研究了射频噪声干扰、噪声调幅干扰、噪声调频干扰、匀速距离波门拖引干扰、速度波门拖引干扰的Choi-Williams Distribution(CWD)时频图像,采用深度学习中的AlexNet卷积神经网络模型自动提取图像各种特征细节,从而实现雷达干扰信号的分类识别。仿真结果表明: 在干噪比为-10~0 dB的范围内,网络的识别率随干噪比的增加而迅速提高,干噪比为0 dB以上识别率基本接近100%; 在全干噪比范围下,网络的识别正确率为99.25%,识别效果良好。
雷达干扰 Choi-Williams时频图像 深度学习 干扰信号识别 radar jamming time-frequency image of Choi-Williams deep learning AlexNet AlexNet recognition of interference signal 
电光与控制
2021, 28(9): 49
作者单位
摘要
航天工程大学, 北京 101416
针对传统依靠人工经验设计并提取雷达辐射源特征的繁琐和区分度不够的问题, 提出了一种改进的双路网络(DPN)自动提取特征并识别的方法。首先将一维的雷达时域信号变换到二维时频域, 然后直接输入双路网络进行识别, 即将雷达辐射源的识别转化为图像的识别, 有效缓解了上述问题。同时, 针对双路网络层次过深带来的特征流失问题, 提出用于对雷达辐射源特征图校准重采样的轻量级模块——三流注意力模块(TPAM), 并嵌入双路网络构成三流注意力双路网络(TPAM-DPN)对雷达辐射源进行识别。对6种常见的雷达信号进行了仿真实验, 证明了所提方法提取的特征更有利于提高雷达辐射源识别率,且时效性更好。
雷达辐射源识别 时频图像 双路网络 三流注意力模块 自动特征提取 radar emitter identification time-frequency image DPN TPAM automatic feature extraction 
电光与控制
2020, 27(9): 28
作者单位
摘要
1 西安电子工程研究所,陕西西安 710100
2 国防科技大学电子科学与工程学院,湖南长沙 410073
为了在复杂信号环境下能够稳定、准确地识别出信号,使用 Choi-Williams时频分布作为信号描述方式,选取信号时频图像特征、信号波形复杂度和瞬时量特征组成特征矢量输入到以支持向量机 (SVM)为主分类器的组合分类器中得到信号类型,并估计出信号各项参数。仿真实验表明该算法性能优良,在低信噪比(SNR)与信号参数变化的情况下可以以较高的识别率得到稳定的识别结果。
调制识别 特征提取 分类器设计 时频图像特征 复杂度特征 瞬时量特征 modulation classification feature extraction classifierdesign time frequency image feature complexity feature instantaneous quantity feature 
太赫兹科学与电子信息学报
2018, 16(1): 81
作者单位
摘要
电子工程学院脉冲功率激光技术国家重点实验室, 安徽 合肥 230037
为实现直升机、螺旋桨飞机和喷气式飞机的激光遥感探测分类,研究了基于时频图的飞机目标微动纹理特征提取算法。根据旋翼微多普勒模型仿真三类飞机旋转部件回波信号,将平滑伪魏格纳-维利变换得到的时频分布生成灰度图像。采用大津(OTSU)法结合灰度拉伸对图像进行阈值去噪处理,提取目标灰度共生矩阵(GLCM)特征以及Tamura特征,并针对时频图差异进行特征优化,最后使用支持向量机(SVM)实现飞机目标分类。仿真数据分类结果表明:GLCM特征对噪声表现敏感,经所提方法对时频图去噪,信噪比(SNR)RSN=0 dB时的分类正确率可达96.4%。Tamura特征在高信噪比条件下分类正确率较高,但当RSN<5 dB时下降明显。因此提取时频图纹理特征可以达到较为理想的飞机分类效果,且利用改进GLCM特征能够实现低信噪比条件下的目标准确分类。
遥感 激光探测 微多普勒效应 回波时频图 飞机目标分类 
光学学报
2017, 37(11): 1128004

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!