基于时频原子方法的雷达辐射源个体识别

合集下载

基于ADS-B的辐射源个体识别方法及装置_CN109886116A

2
CN 1098 页
包含依次串接的衰减器、射频开关一、带通滤波器并联组及射频开关二。 9 .根据权利要求8所述的基于ADS-B的辐射源个体识别装置，其特征在于，带通滤波器
并联组中相邻带通滤波器频段划分设定为不超过一个倍频程。 10 .根据权利要求7所述的基于ADS-B的辐射源个体识别装置，其特征在于，FPGA控制芯
种基于ADS-B的辐射源个体识别方法及装置，该方法包含：获取应答机工作状态下周期性广播的 ADS-B脉冲信号，该ADS-B脉冲信号包含帧头和数据部分；提取前导脉冲个体特征参数，对数据部分进行解码获取个体身份信息，并将个体特征和个体身份信息组成特征向量；将特征向量划分为用于训练测试神经网络分类器的训练数据集和测试数据集；针对目标信号，利用训练后的神经网络分类器进行辐射源个体识别。本发明降低运算复杂度，有效解决个体识别中个体信息验证困难、单纯依赖仿真信号可信度不高等问题；借助 FPGA并行计算优势及软件解码灵活性，实现对 ADS-B报文快速高效解码，对雷达辐射源个体识别技术发展具有重要的指导意义。
( 19 )中华人民共和国国家知识产权局
( 12 )发明专利申请
(21)申请号 201910052761 .4
(22)申请日 2019 .01 .21
(71)申请人中国人民解放军战略支援部队信息工程大学
地址 450000 河南省郑州市高新区科学大道62号
(72)发明人陈世文王功明黄洁邢小鹏秦鑫吕世鑫苑军见胡雪若白
片采用XC7K325T芯片；RF通道电路采用AD9361芯片。
3
CN 109886116 A
说明书
1/7 页

基于Holder系数的雷达辐射源个体识别技术

雷达辐射源个体识别的基础在于发射的脉冲信号内部含有无意调制信息。脉内无意调制又称寄生调制或附带调制，因大功率雷达发射机的是
发射管、制器和高压电源等器件或电路产生的调
络波形特征识别方面，内外学者进行了积极探国索和研究。文献［ — ］１２等从辐射源信号的脉冲内
ｒｄｕｓａｅｕｅｏｉｅｔｙｔｉｅｅｔｒｄｍｉｔｒｉｄｖｄａｌｅａｓｔｃｎａｎｅａａｐｌｅｃｎｂｓｄｔｄｎｉｈｅｄｆｒｎａａｅｔｅｎｉｉｕｌｙｂｃｕｅｉｏｔｉｓｔｒｆｒｈｓｅｉｎｏｍａｉｎ．Ｉｈｓｐｐｒｈｅｄｆｎｔｎｏｌｅｏｆｃｅｔｉｉｅｒｔｐｃａｉｆｒｔｌｏｎｔｉａｅ，ｔｅｉｏｆＨｏｄｒｃｅｆｉｎｓｇｖｎｆｓｌｉｉｉｉｙ．Ｔｅｈｎ，ｔｅｈＨｏｄｒｃｅｆｉｎｅｔｒｘｒｃｉｎａｇｒｔｍａｅｎｒｓｎ／ａｌｎｄｅｉｅｃｉｄａｄｔｅｌａｌｅｏｆｃｅｔｆａｕｅｅｔｔｏｉｈｂｄｏｉｇｆｉｇｅｇｓｄｓｒｂｈｅ－ｉａｏｌｓｉｌｅｎｔｒｓｓｔｉｏｍｅｕｅｓｆｒｄ．Ｆｎｌｈｘｅｍｅｔｒｓｌｓｐｏｅｉｔｂｌｔｎａｉｉｎｄｎｔｓｎｉｉｅｅｉａｙ，ｔｅｅｐｒｎｅｕｔｒｖｔｓａｉｙａｄｖｄｔｌｉｓｉｌｙ，ａｏｅｓｔｖｔｏｓｏｎｉｅ．ＭｅｎｉｌｅｏｆｃｅｔｔｋｓｄｆｒｎｙｓａｗｈｌＨｏｄｒｃｆｉｎａｅｉｆｅｔｔｐｅ，ｗｈｃｒｖｄｓｓｖｒｓｆｌｃｉｅｅｅｉｅｉｈｐｏｉｅｅｅａｕｅｕｈｏｃｓｌ

现代雷达辐射源识别技术研究

极其重要的作用。当前用于识别的特征参数主要包括小波包特征、像系数、相盒维数、值等，何选择合适熵如的特征参数来提高识别率并有效减少识别时间是需要
射源型号的几种常用方法，理论上详细分析了它们的优缺点，重点提出了脉内特征在现代从并
雷达辐射源识别中的重要性。最后指出当前这一领域亟需解决的一些问题。关键词：辐射源识别；内特征；类器脉分中图分类号：ＴＮ９４７文献标识码：Ａ
均相同辐射源的识别有着特殊意义。雷达辐射源型号识别的关键技术主要是：类器分
的选择及特征参数的选择。分类器已从初期的模板匹配法、糊匹配法发展到当前的神经网络、持向量机模支
等。特征参数的选择对于雷达辐射源型号的识别有着
（．ＤｅａｔｎｆＧｒｄｔａｇｍｅｔ，１ｐｒｍｅｔｏａｕａｅＭｎａｅｎＡＦＡＲ，ｕｈｎ４００９，ｕｂｉＣｈｉａ；ＤｉｉｉＷａ３１Ｈｅ，ｎ２．ｖｓｏｎｏｆＴｒｎｉａｉｎｇ，ＡＦＡＲ，ｕ￣３１ＨｕｂｉＣｈｎａ；．ＤｅａｔｎｆＥｌｃｒｉＷｈａａ４００９，ｅ，ｉ３ｐｒｍｅｔｏｅｔｏｎｃＣｏｔｒａｕｒｓＡＦＡＲ，ｕｈｎ４００１Ｈｕｅ，ｕｎｅｍｅｓｅ，Ｗａ３９，ｂｉＣｈｉａ）ｎ

219515743_辐射源个体识别的一种可解释性测试架构

第 21 卷第 6 期2023 年 6 月太赫兹科学与电子信息学报Journal of Terahertz Science and Electronic Information TechnologyVol.21，No.6Jun.，2023辐射源个体识别的一种可解释性测试架构刘文斌a，范平志a，李雨锴b，王钰浩b，孟华*b(西南交通大学 a.信息科学与技术学院；b.数学学院，四川成都611756)摘要：由于射频信号种类多，电磁环境复杂，特征提取难度大，现有的基于人工特征的射频辐射源个体识别方法的鲁棒性、适用性难以满足应用需求。

数据驱动的深度学习方法虽然可以提供更灵活的辐射源个体识别模式，但深度学习方法自身可解释性差，而且缺乏通用测试模式来评价一个深度学习方法的优劣。

本文在电磁大数据非凡挑战赛目标个体数据集的基础上，探索了基于该数据集的深度学习模型测试方法，提出面向辐射源个体识别神经网络模型的通用测试系统架构。

该构架通过信号特征遮掩、生成对抗网络(GAN)、欺骗信号汇集、信道模拟等方法构造仿真测试样本，并把测试样本与原样本数据导入深度模型进行识别结果对比测试。

基于测试结果分析了深度模型聚焦的信号关键特征位置，分析模型的鲁棒性，揭示信道环境对识别性能的影响，从而解释了深度学习网络模型的性能。

关键词：辐射源个体识别；可解释性；生成对抗网络；无线信号欺骗中图分类号：TN92 文献标志码：A doi：10.11805/TKYDA2022243An interpretable testing architecture for specificemitter identificationLIU Wenbin a，FAN Pingzhi a，LI Yukai b，WANG Yuhao b，MENG Hua*b(a.School of Information Science & Technology; b.School of Mathematics, Southwest Jiaotong University, Chengdu Sichuan 611756, China)AbstractAbstract：：Due to the diversity of RF signals, the complexity of the electromagnetic environment, and the difficulty of feature extraction, the robustness and applicability of the existing artificial features-based RF-specific emitter identification methods cannot meet the application requirements. Althoughthe data-driven deep learning methods can provide a more flexible mode of specific emitteridentification, they are less interpretable and lack a general test mode to evaluate their advantages anddisadvantages. An evaluation method is explored for the deep learning model on the target individualdataset of the Electromagnetic Big Data Super Contest, and a general testing system architecture isproposed for the specific emitter identification model based on deep neural networks. The frameworkconstructs the simulation test samples through signal feature masking, Generative Adversarial Network(GAN), deception signal collection, channel simulation and other methods, and imports the test samplesand original data into the deep model to compare the recognition results. The test results are employed tojudge the location of the signal key features extracted by the deep model, to analyze the robustness of themodel, and to reveal the impact of the channel environment on the recognition performance, thus theperformance of the deep learning model can be interpretable.KeywordsKeywords：：specific emitter identification；interpretability；Generative Adversarial Network(GAN)；wireless signal spoofing信号识别包括信号检测、信号类型识别、辐射源个体识别(Specific Emitter Identification，SEI)3个层次[1]。

基于多特征的雷达辐射源个体识别方法研究

基于多特征的雷达辐射源个体识别方法研究
刘艺林;李胜勇;白良;蒙智蔚;成凯
【期刊名称】《电光与控制》
【年(卷),期】2024(31)1
【摘要】为解决复杂电磁环境下基于单一特征的雷达辐射源个体识别准确性低、稳健性不强的问题,提出了一种基于多种特征的雷达辐射源融合识别方法。

该方法以脉冲前沿包络、载波频率偏差以及谐波衰减系数为识别特征,通过设计多通道结构的一维卷积神经网络,实现不同结构特征的融合识别。

实验表明,该方法在低信噪比条件下依然具有较好的识别率,能够有效解决复杂电磁环境下基于单一特征的雷达辐射源个体识别的效果不佳问题。

【总页数】5页(P92-96)
【作者】刘艺林;李胜勇;白良;蒙智蔚;成凯
【作者单位】海军工程大学;中国人民解放军91715部队;中国人民解放军92192部队
【正文语种】中文
【中图分类】TN974
【相关文献】
1.基于个体特征的雷达辐射源识别方法
2.基于个体特征的雷达辐射源识别方法研究
3.基于KNN和雷达辐射源脉间参数的舰船目标个体识别方法
4.基于多源信息融合的激光雷达辐射源个体识别方法
5.融合双谱特征的雷达辐射源个体识别方法
因版权原因，仅展示原文概要，查看原文内容请购买。

基于小样本的特定辐射源个体识别方法

基于小样本的特定辐射源个体识别方法发布时间：2022-11-25T06:10:39.769Z 来源：《中国科技信息》2022年8月15期作者：潘博阳[导读] 特定辐射源个体识别技术在态势感知、电子干扰等军事领域具有广泛的应用前景，然而在实际场景应用时通常面临样本匮乏的困境，潘博阳（武警指挥学院，天津 300250）摘要：特定辐射源个体识别技术在态势感知、电子干扰等军事领域具有广泛的应用前景，然而在实际场景应用时通常面临样本匮乏的困境，因此研究小样本条件下特定辐射源个体识别成为任务部队在电磁环境中遂行作战任务亟需解决的问题。

以此为背景，本文提出了一种基于一维卷积神经网络的方法来进行辐射源个体识别。

首先通过加权融合和裁剪混合扩充数据多样性，而后使用一维卷积神经网络提取特征从而对辐射源个体进行识别。

实验结果显示，本文提出的方法在验证集上能够达到50.5%的准确率，表明该方法的识别效果优于K近邻算法。

关键词：特定辐射源个体识别; 数据增强; 机器学习1 引言特定辐射源个体识别（Specific Emitter identification, SEI）通常是指对雷达等辐射源发送的电磁信号进行建模，通过其所体现出的微小特征区分辐射源类别的技术[1]。

目前特定辐射源个体识别主要分为基于人工设计特征和基于数据驱动特征两种方法。

基于人工设计特征主要依赖于先验假设，具备一定的解释性。

基于数据驱动特征识别的方法主要利用卷积神经网络自主学习特征。

无论采用传统机器学习或者深度学习的方法都依赖于大量的标注数据，当实际环境中无法获取大量辐射源信号时，上述算法模型的精度均会产生不同程度的降低，因此如何在小样本条件下高效地实现辐射源信号个体识别成为当前研究的主要方向，同时也具有一定的工程应用价值。

本文针对小样本条件下特定辐射源个体识别进行以下创新，主要包括三个方面：首先针对数据样本匮乏的情况，本文设计了两种数据增强方法有效扩充样本的多样性。

基于小波不变矩的雷达辐射源信号识别

2020，56（19）1引言在现代战场环境中，由于复杂的电磁信号干扰，对雷达信号的识别会造成一定程度的影响，所以准确有效识别雷达辐射源信号，有着极为重要的军事意义。

传统的识别方法依据脉幅（PA ）、载频（RF ）、脉宽（PW ）、到达时间（TOA ）和到达方向（DOA ）这五种参数进行分类，但由于军事技术不断发展，传统方法已难以适应电磁环境日益复杂的现代战争，所以采用信号脉内特征进行分析和提取的新方法越来越受到重视[1-2]。

近年来，时频分析方法受到越来越多学者的欢迎，通过对信号进行时频变换，运用时频分布图来确定信号的类型，也可以进一步提取时频分布图的特征并使用神经网络或支持向量机来实现自动分类[3]。

图像的不变矩特征在图像识别上应用广泛，常用的矩阵有中心矩、Hu 矩、Zernike 矩、小波矩等[4]。

相较于Legendre 矩、伪Zernike 矩等传统的不变矩，小波不变矩可以同时得到图像的全局和局部特征，对于图像的细微特征识别效果较好。

文献[5]分别提取了雷达信号时频图像的Hu 矩特征和伪Zernike 矩特征，两种特征分类在一定信噪比条件下都能够识别信号，但在低信噪比下识别结果较差；文献[6]则利用了Legendre 矩特征对雷达信号的时频图像进行了识别，存在低信噪比的条件下，基于小波不变矩的雷达辐射源信号识别曹晓航，汪立新，束学渊杭州电子科技大学通信工程学院，杭州310018摘要：针对雷达辐射源信号识别，提出一种基于时频分布的小波不变矩特征向量提取和识别分类方法。

对雷达辐射源信号时频图像进行处理，对图像进行小波变换，提取小波矩的特征向量。

采用支持向量机分类识别的方法，对特征向量进行训练，实现信号识别。

对6种常见雷达信号进行分类，结果表明在信噪比较低的情况下也能取得较好的识别效果，在SNR 为-3dB 时，识别正确率仍达到93.9%。

关键词：时频分析；支持向量机；小波矩；雷达辐射源信号识别；图像识别文献标志码：A 中图分类号：TP 391doi ：10.3778/j.issn.1002-8331.1906-0160曹晓航，汪立新，束学渊.基于小波不变矩的雷达辐射源信号识别.计算机工程与应用，2020，56（19）：269-272.CAO Xiaohang,WANG Lixin,SHU Xueyuan.Radar emitter signal recognition based on wavelet invariant puter Engineering and Applications,2020,56（19）：269-272.Radar Emitter Signal Recognition Based on Wavelet Invariant MomentCAO Xiaohang,WANG Lixin,SHU XueyuanSchool of Communication Engineering,Hangzhou Dianzi University,Hangzhou 310018,ChinaAbstract ：To correctly classify advanced radar emitter signal,a novel approach using the feature of wavelet invariant moment which is based on time-frequency distribution is proposed.The method processes the time-frequency image of radar emitter signal.The image is transformed by wavelet transform,and the feature vector of wavelet moment is extracted.The support vector machine classification method is used to train eigenvectors for achieving signal recognition.In this paper,six kinds of common radar signals are classified.Simulation results show that better recognition results can be obtained under the condition of low signal-to-noise ratio.When SNR is -3dB,the average recognition rate still reaches more than 93.9%.Key words ：time-frequency analysis;support vector machine;wavelet moment;radar emitter signal identification;image identification基金项目：国家部委预研项目。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｆｒｔｄｅｏｍｐｅｔｍｓｔｅｆａｕｒｓｆｐｅｉｉｍｉｔｄｅｔｆｃｔｏＴｈｆｅｔｖｎｅｓｏｆｔｏｐｅｅ — ｉｓｃｏｓｄａｏａｈｅｔｅｏｒｓｃｆｃｅｔｅｒｉｎｉｉａｉｎ．ｅｅｆｃｉｅｓｈｅｐｒｏｓｄｆａ
ｔｅｅｔａｔｏｐｏａｈｉａｉｔｄｂｙｔｔｎｓｖｘｒｍｅｓｕｒｘｒｃｉｎａｐｒｃｓｖｌｄａｅｈｅｅｘｅｉｅｅｐｅｉｎｔ．
Ｋｅｙｗｏｒｓ：ａｒｅｉｔｒ；ｓｅｃｆｃｅｉｔｒｉｎ．；ａｉｎ；ｔｍｅｆｅｅｙａｏｓ；ｐｈｅｎｏｓｄｒｄａｍｔｅｐｉｉｍｔｅｄｅｔｆｃｔｏｉ－ｒｑｕｎｃｔｍａｓｉｅ
５４
航天电子对抗
第２７卷第１期
基于时频原子方法的雷达辐射源个体识别
程吉祥张葛祥。李志丹，，
（．西南交通大学信息科学与技术学院，１四川成都２．西南交通大学电气工程学院，四川成都６０３；１０１
ＳｃｕｎＣｈｎ；．ｃｏｌｆＥｌｃｒｃｌｇｎｅｉｇ，ｏｔｗｅｔＪａｔｎｉｅｓｔｉｈａ，ｉａ２ＳｈｏｅｔｉａｏＥｎｉｅｒｎＳｕｈｓｉｏｏｇＵｎｖｒｉｙ，
Ｃｈｎｕ６１０ｅｇｄ０３１，ｉｈｎ，ｉ）ＳｃｕａＣｈｎａ６０３）１０１
摘要：针对雷达辐射源个体识别问题，出一种时频原子分解的特征提取方法。该方法提
针对主振放大式发射机，首先根据锁相环频率合成器相位噪声的功率谱，模拟含有特定相位噪声的辐射源信号。然后基于时频原子分解原理并采用膜算法将带有相位噪声的辐射源信号在
ＣｈｎｉｉｎＺｈｎｘａｇ，ｉＺｉａｅｇＪｘａｇ，ａｇＧｅｉｎＬｈｄｎ（．ｃｏｌｆＩｆｒｔｎＳｉｎｅ＆ＴｃｎｌｇＳｕｈｓＪａｔｎｉｅｓｔ，ｈｎｄ１０１１Ｓｈｏｎｏｍａｉｃｅｃｏｏｅｈｏｏｙ，ｏｔｗｅｔｉｏｏｇＵｎｖｒｉＣｅｇｕ６０３，ｙ
Ａｂｔａｔ：ｔｍｅｆｅｕｅｃｔｓｒｃＡｉ－ｒｑｎｙａｏｍｃｐｉｉｎａｓｄｆａｕｅｅｒｃｉｅｈｏｓｐｏｏｓｄｔｍｐｌｍｅｔｄｅｏｍｏｓｔｏｂｅｅｔｒｘｔａｔｏｎｍｔｄｉｒｐｅｏｉｅｎｔｓｃｆｃｅｉｔｒｉｎｉｉａｉｎ．ｈｍｅｈｏｆｕｅｏｔｍａｓｅ — ｏｓｉｌｔｒｐｏｅａｍｐｉｉｒｈｅｐｅｉｉｍｔｅｄｅｔｆｃｔｏＴｅｔｄｏｃｓｓｎｈｅｔｒｃｌａｏｗｒｌｆｅｔａｍｉｔｒｒｎｓｔｅ．Ｆｉｓ，ｈｅｅｔｅｉａｔｐｅｉｉｈａｅｎｏｓｓｉｕａｅｃｏｒｎｔｈｅｐｒｔｔｍｉｔｒｓｇｎｌｗｉｈｓｃｆｃｐｓｉｅｉｓｍｌｔｄａｃｄｉｇｏｔｏｗｅｐｃｒｍｆｒｓｅｔｕｏｔｈａｅｎｉｅｏａｅｌｋｌｐｆｅｕｅｙｓｎｔｅｉｅ．ｈｎ，ｈｅｅｉｔｒｓｇｌｉｅｏｐｅｎｃｎｔｅｓ— ｈｅｐｓｏｓｆｐｈｓ —ｏｃｏｏｒｑｎｃｙｈｓｚｒＴｅｔｍｔｅｉｎａｓｄｃｍｏｓｄｏｅｉｈｉｎｕｏｄｌａｏｍｉｔｏｎａｙｂｙｔｅｏｉｅｆｅｅｙａｏｍｅｏｐｉｉｎｅｂａｌｏｒｔｍ．Ａｆｅｈｔｓｉａｔｄｃｉｒｈｅｕｓｆｔｍ —ｒｑｕｎｃｔｄｃｍｏｓｔｏｎａｄｍｍｒｎｅａｇｉｈｔｒｔａ
正弦原子库中进行一次分解。最后利用分解后的原子提取出正弦原子能量特征和原子频率偏差特征，作为辐射源个体识别的分类特征。仿真实验验证了该方法的有效性。
关键词：雷达辐射源；体识别；频原子；位噪声个时相
ｔｅｔｒｓｃｌｄｓｎｓｉａｔｍｎｒｙｆａｕｅａｄｃｒｉｒｆｅｕｎｙｂａｅｔｒ，ｒｘｒｃｅｒｍｈｗｏｆａｕｅ，ａｌｉｕｏｄｌａｏｅｅｇｅｔｒｎａｒｅｒｑｅｃｉｓｆａｕｅａｅｅｔａｔｄｆｏｔｅｅ
中图分类号：ＴＮ９７５
文献标识码：Ａ
Ａｏｅｐｃｆｃｅｉｔｒｉｅｉｉａｉｎｍｅｈｄｂｓｄｏｎｖｌｓｅｉｉｍｔｅｄｎｔｆｃｔｏｔｏａｅｎ
ｔｍｅｆｅｕｎｙａｏｐｏｃｉ — ｒｑｅｃｔｍａｐｒａｈ