辐射源识别
辐射源识别的相关文献在1994年到2022年内共计189篇,主要集中在无线电电子学、电信技术、自动化技术、计算机技术、系统科学
等领域,其中期刊论文175篇、会议论文3篇、专利文献302553篇;相关期刊70种,包括系统工程与电子技术、现代防御技术、电讯技术等;
相关会议3种,包括第十四届全国信号处理学术年会、第九届全国雷达学术年会、中国电子学会电子对抗分会第十一届学术年会等;辐射源识别的相关文献由385位作者贡献,包括姜文利、关欣、周一宇等。
辐射源识别—发文量
专利文献>
论文:302553篇
占比:99.94%
总计:302731篇
辐射源识别
-研究学者
- 姜文利
- 关欣
- 周一宇
- 柳征
- 李楠
- 何友
- 王金明
- 衣晓
- 平殿发
- 曲长文
- 苏峰
- 许丹
- 刘海军
- 徐玉龙
- 王宝树
- 王杰贵
- 罗景青
- 姜秋喜
- 徐志军
- 朱卫纲
- 陈志伟
- 刘傲
- 刘辉
- 周正
- 张靖
- 旷平昌
- 李东瑾
- 杨俊安
- 杨承志
- 杨瑞娟
- 潘继飞
- 王星
- 王虹
- 董睿杰
- 陈婷
- 黄高明
- 何明浩
- 俞璐
- 刘凯
- 司锡才
- 吴世龙
- 周长青
- 姚景顺
- 孔磊
- 宋光磊
- 尹健
- 崔瑞
- 张亚青
- 张峰会
- 张平
-
-
李伟;
朱卫纲;
朱霸坤
-
-
摘要:
面对日益复杂的电磁环境和层出不穷的新体制雷达,基于人工方式提取雷达辐射源特征难以满足现代认知电子战的需求。为提升雷达辐射源识别的智能化水平,提出一种新的基于脉冲神经网络(Spiking Neuron Network,SNN)进行雷达辐射源调制类型识别的算法。首先利用时频分析的方法,将5种常见雷达时域信号转换为二维灰度图,使用高斯调谐曲线编码器将输入数据转化为脉冲发放时刻,然后传入由Tempotron组成的脉冲神经网络进行识别。仿真实验结果表明脉冲神经网络具有优良的检测精度,功耗较低,验证了该方法的有效性。
-
-
曲凌志;
杨俊安;
刘辉;
黄科举
-
-
摘要:
复杂电磁环境中,针对低信噪比条件下现有神经网络识别算法对于通信电台识别准确率不高的问题,提出一种结合双层注意力机制和残差网络的通信辐射源个体识别方法。首先,以空间注意模块和通道注意模块构成注意力机制。其次,在一维残差网络中嵌入双层注意力机制,提高对关键特征的学习能力。最后,在实际数据集上验证算法的有效性。实验证明,相比于残差神经网络算法,所提方法既能保持模型较好的稳定性又在数据集上有明显的提升效果。
-
-
张立民;
谭凯文;
闫文君;
张聿远
-
-
摘要:
针对复杂体制雷达辐射源的识别问题,提出了一种基于时频特征提取与多级跳线残差网络(multi-level jumper residual network,MLJ-RN)结合的识别方法。首先,计算辐射源信号的平滑伪Wigner-Ville时频分布生成时频图像以表达信号本质特征,将图像进行预处理以保留信号细微特征差异。然后,设计多级跳线连接的残差单元,在此基础上构造MLJ-RN,对时频图像相邻卷积层的细微特征进行学习和识别,并使用随机梯度下降法训练网络。最后,通过对网络进行参数优化,强化对信号的深层特征提取能力。仿真结果表明,信噪比为-5 dB时,该方法对12类雷达辐射源信号的整体识别概率达到95.1%,从而验证了该方法在低信噪比下识别雷达信号的有效性。
-
-
陶梦圆;
张茜茜;
王禹;
杨洁
-
-
摘要:
辐射源识别技术是近年来通信与信号处理领域的重要研究方向,是实现军事信号对抗与民用信号监管处理任务的基础。由于辐射源信号的种类、数量的急剧增加以及所处的电磁环境的复杂多变,传统的辐射源识别方法会出现识别性能下降的问题,因此提出一种基于CVCNN的辐射源识别方法。通过训练CVCNN来学习辐射源信号的有效特征并进行准确识别;采用100类民航客机广播式ADS-B信号用于辐射源识别,并对比了不同神经网络对该辐射源信号的识别性能。实验表明,所提出的CVCNN识别准确率更高、训练收敛速度更快,在实际部署中具备有效性和可行性。
-
-
韦建宇;
俞璐
-
-
摘要:
辐射源个体识别技术,又称辐射源指纹识别或特定辐射源识别(Specific Emitter Identification,SEI),是指通过对接收的电磁波信号的特征进行提取测量,根据已有的先验知识从而识别出发射该电磁波信号的辐射源个体的技术。相比于其他辐射源,通信辐射源的特征更加细微,提取更加困难。通过系统梳理近年来通信辐射源特征提取方法的研究现状,从暂态特征、稳态特征以及深度学习特征提取的角度分析了各种方法的优缺点,还分析了个体识别技术重点和难点所在,希望对辐射源个体识别的研究和应用有所帮助。
-
-
张鹏;
刘文博;
赵娟
-
-
摘要:
该文从无人机装备在现代战争中的作用入手,介绍了辐射源识别以及定位技术,并基于Node.js技术设计了一种战场电磁态势感知的系统。该系统利用无人机平台分析战场电磁环境,并将收集的辐射源定位形成侦查数据,通过无线传输的方式将数据回传,地面的监测系统将接收到的数据转变为可视化的态势感知图,最终对打击范围的决策起到辅助作用。
-
-
严科;
谢烨
-
-
摘要:
辐射源个体识别技术在电子对抗领域起着关键性作用.针对传统人工提取特征主要依赖于专家经验,文中提出了一种基于深度学习的ADS-B辐射源个体识别方法.该方法采用卷积神经网络结合center loss损失函数来训练和测试相位数据.并加入假冒飞机序列号,查看中心损失值来判断是否异常.实验表明,文中提出的方法识别精度能达到99%左右,且能区分真实消息和假冒消息.
-
-
刘傲;
周正;
李双明
-
-
摘要:
针对相控阵雷达工作模式识别的问题,提出一种基于优化序列提取的雷达识别方法.首先,对相控阵雷达搜索和跟踪的工作模式进行分析,建立工作模式序列模型.其次,通过剔除Needleman-Wunsch方法中的多余数据简化运算流程,提出一种优化的雷达信号公共序列提取算法.然后,通过理论证明了所提算法的高效性,并给出算法识别效果的评价准则.最后,结合雷达工作模型和所提算法,对不同跟踪条件下雷达的识别效果进行仿真,并对比了优化前后的运算时间.仿真结果表明,所提算法在多种跟踪条件下,均有较高的效率,并且能保持91%以上的识别率.
-
-
张振;
贾济铖;
康健;
林云
-
-
摘要:
射频指纹识别是指通过信号处理手段,对采集的无线信号进行特征提取,从而实现辐射源设备个体识别的一项技术.近年来,辐射源个体识别技术相关理论与实践应用不断完善,指纹特征提取方法的硏究取得了较大的进展.通过对国内外大量研究成果的总结,整理出现有方法的框架.该框架根据不同射频指纹特征对辐射源设备的表述角度不同,将射频指纹识别粗略地划分为基于信号处理、基于深度学习及基于物理建模的三大类技术.首先介绍射频指纹基本理论,包括基本模型、产生机理、分类识别过程和射频指纹特性;然后系统梳理了辐射源指纹特征提取方法的研究现状,并简要介绍了射频指纹识别系统的评估方法.最后,对辐射源指纹特征提取的几个潜在研究方向进行分析和展望,希望对辐射源个体识别的研究和应用有所裨益.
-
-
汪鹏;
王金明;
张宏瑜;
孙渊;
池志伟
-
-
摘要:
通信辐射源个体识别在民用和军事中应用广泛,主要涉及特征参数提取和识别分类方法两方面问题.随着深度学习技术的发展,卷积神经网络(Convolutional Neural Network,CNN)在图片分类识别上已经具有强大能力.为了发挥CNN对图像的优越识别分类特性,提出了一种利用IQ数据得出时域功率图,并对时域功率图进行识别的方法.时域功率图包含不同辐射源个体的IQ不平衡特征,具有个体差异性,能达到辐射源识别的效果.通过实验,该方法在普通电台上可达到93%的识别率.对比双谱特征,该方法有更好的识别能力.实验结果表明,该方法在手持机识别上具有较强的泛化性.
-
-
-
关欣;
何友;
车志宇
- 《第九届全国雷达学术年会》
| 2004年
-
摘要:
本文从计算速度和正确识别率两个方面就模糊综合评判、灰色关联识别和模糊模式识别等三种智能识别算法进行定性和定量相结合的性能分析,系统地讨论了其差异和特点,并通过仿真分析把它们和传统的模板匹配法进行了比较,为这些算法的工程实践提供了参考.
-
-
-
- 中国人民解放军军事科学院评估论证研究中心
- 公开公告日期:2021.10.15
-
摘要:
本申请公开了一种辐射源信号的指纹特征参数提取方法,其步骤包括:(1)对辐射源的射频数字信号进行ITD分解得到一系列瞬时频率逐渐降低的旋转分量,即:任何射频数字信号数据sn=(s1,...,sn)通过ITD分解为:其中,是指第i阶基线信号,是第i阶旋转分量;为剩余分量;这里的射频数字信号数据sn是任一复数数字信号的实部In、虚部Qn或者幅值En;(2)利用(1)步不同阶旋转分量计算获得其对应的能量分布、盒维数、信息维数、瞬时相位均值、瞬时相位标准差及包络R特征;(3)直接对(1)步信号数据信号数据sn实部In、虚部Qn或幅值En计算其对应的盒维数、信息维数。利用上述提取的指纹特征参数结合机器学习算法,能够准确实现辐射信号源判断和识别。
-
-
-
-
-
-
- 中国人民解放军军事科学院评估论证研究中心
- 公开公告日期:2020-08-21
-
摘要:
本申请公开了一种辐射源信号的指纹特征参数提取方法,其步骤包括:(1)对辐射源的射频数字信号进行ITD分解得到一系列瞬时频率逐渐降低的旋转分量,即:任何射频数字信号数据sn=(s1,...,sn)通过ITD分解为:其中,是指第i阶基线信号,是第i阶旋转分量;为剩余分量;这里的射频数字信号数据sn是任一复数数字信号的实部In、虚部Qn或者幅值En;(2)利用(1)步不同阶旋转分量计算获得其对应的能量分布、盒维数、信息维数、瞬时相位均值、瞬时相位标准差及包络R特征;(3)直接对(1)步信号数据信号数据sn实部In、虚部Qn或幅值En计算其对应的盒维数、信息维数。利用上述提取的指纹特征参数结合机器学习算法,能够准确实现辐射信号源判断和识别。
-
-
-
-