雷达辐射源识别
雷达辐射源识别的相关文献在2000年到2022年内共计108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、武器工业
等领域,其中期刊论文104篇、会议论文3篇、专利文献353995篇;相关期刊50种,包括系统工程与电子技术、应用科技、信息工程大学学报等;
相关会议3种,包括综合电子系统技术教育部重点实验室暨四川省高密度集成器件工程技术研究中心2012学术年会、2008年通信理论与信号处理学术年会、2003年通信理论与信号处理年会等;雷达辐射源识别的相关文献由223位作者贡献,包括朱卫纲、黄高明、关欣等。
雷达辐射源识别—发文量
专利文献>
论文:353995篇
占比:99.97%
总计:354102篇
雷达辐射源识别
-研究学者
- 朱卫纲
- 黄高明
- 关欣
- 姬红兵
- 何明浩
- 张国毅
- 张政超
- 李昆
- 李楠
- 赵拥军
- 龚亮亮
- 何友
- 刘凯
- 吴华
- 吴振强
- 周志文
- 常硕
- 李蒙
- 王磊
- 郭强
- 高俊
- 刘潮
- 刘飞
- 孟磊
- 宗士强
- 幸涛
- 张婧
- 张志锋
- 张桂林
- 张琪
- 张计风
- 张鹏
- 徐永刚
- 曲卫
- 李应升
- 李敬辉
- 李林
- 武斌
- 王宏艳
- 王文哲
- 王杰贵
- 白航
- 苏国庆
- 蔡凯
- 赵旭鸽
- 郭博雷
- 金秋
- 陈游
- 韩俊
- 高建明
-
-
苏丹宁;
曹桂涛;
王燕楠;
王宏;
任赫
-
-
摘要:
面对复杂多变的电磁环境与新体制雷达系统,传统的雷达辐射源识别方法已无法满足需求。深度学习模型可有效提取雷达信号的脉内特征,快速准确地对低信噪比、未经分选的雷达辐射源信号进行脉内调制类型识别、型号识别与个体识别。但真实环境中雷达辐射源信号难以收集,无法满足传统的深度学习训练需要,因此小样本雷达辐射源识别是目前研究的热点与难点。文中首先对近年来将基于监督学习的多种经典深度学习方法应用于小样本雷达辐射源识别的研究进行了回顾;其次,介绍了小样本学习在雷达辐射源识别领域的研究进展;最后,基于小样本雷达辐射源识别的研究现状,总结面临的挑战,提出了对未来研究方向的展望。
-
-
李伟;
朱卫纲;
朱霸坤;
杨莹
-
-
摘要:
为提高雷达辐射源识别智能水平,提出一种新的基于转换脉冲神经网络进行雷达辐射源调制模式识别的方法。将仿真产生的雷达信号转换为2维时频图,将传统的卷积神经网络(convolutional neural networks, CNN)转化为脉冲神经网络(spiking neuron network, SNN),使用SNN进行雷达辐射源识别。仿真实验结果表明:该方法具有优良的检测精度,当信噪比高于-9 dB时,识别概率可达96%以上。
-
-
刘松涛;
赵帅;
汪慧阳
-
-
摘要:
现代海空战场愈发复杂多变的电磁环境促使雷达辐射源识别技术向环境交互、动态化及智能化等认知方向发展。文中首先给出雷达辐射源识别框架,从特征提取、特征选择和分类识别三个阶段阐述了辐射源识别过程;然后,重点从信号波形识别、个体识别和工作状态识别三个方面综述了研究现状;最后,对雷达辐射源识别的发展热点和趋势进行了概括总结。
-
-
赵旭鸽;
李蒙
-
-
摘要:
针对支持向量机分类器学习新增样本知识实时性差的问题,本文研究了一种基于壳向量和Parzen窗密度估计的雷达辐射源识别在线学习方法。通过Parzen窗密度估计剔除样本孤立野点,通过求取样本集的壳向量缩短训练时间,利用训练好的分类器完成雷达信号样本识别。仿真实验表明,提出的基于壳向量和Parzen窗密度估计的雷达辐射源识别在线学习方法具有良好的时效性和较高的正确识别率。
-
-
赵旭鸽;
李蒙
-
-
摘要:
针对支持向量机分类器学习新增样本知识实时性差的问题,本文研究了一种基于壳向量和Parzen窗密度估计的雷达辐射源识别在线学习方法.通过Parzen窗密度估计剔除样本孤立野点,通过求取样本集的壳向量缩短训练时间,利用训练好的分类器完成雷达信号样本识别.仿真实验表明,提出的基于壳向量和Parzen窗密度估计的雷达辐射源识别在线学习方法具有良好的时效性和较高的正确识别率.
-
-
殷雪凤;
武斌
-
-
摘要:
为解决雷达辐射源识别中特征提取困难、低信噪比条件下识别效率低的问题,提出了一种基于一维卷积神经网络和长短期记忆网络的深度学习智能识别算法,构建了一个CNN-LSTM网络,能实现对不同脉内调制方式雷达辐射源的端到端识别.该网络首先利用卷积层学习信号局部特征,然后将卷积层输出的结果输入长短期记忆网络,学习信号的全局特征,最终构造逻辑回归分类完成分类识别任务.仿真结果表明,该算法较单一卷积神经网络模型具有更好的识别效果,抗噪声效果更强,在-6 dB信噪比的条件下,识别的准确率仍能够达到90%以上.
-
-
-
-
-
李东瑾;
杨瑞娟;
董睿杰
-
-
摘要:
针对雷达辐射源识别中拓展能力不足和识别率不高问题进行研究,提出一种基于深度时频特征学习的智能识别方法.基于降采样短时傅里叶变换高效提取具备较高辨识度和稳定性的浅层二维时频特征,利用信号局部频域维稀疏性完成降噪等预处理;设计用于深度特征学习与识别的卷积神经网络,并采用不同尺度卷积核组合扩展网络广度,强化特征表征能力;利用高信噪比条件下8种辐射源信号样本对网络进行训练调优,低信噪比样本测试验证算法和网络的有效性.仿真结果表明,该方式在-8 dB信噪比条件下能达到98.31%的整体平均识别率,具备较强的鲁棒性.
-
-
-
- 《2008年通信理论与信号处理学术年会》
| 2008年
-
摘要:
介绍了RSE算法在雷达辐射源识别专家系统规则提取中的应用.RSE算法是粗糙集理论与熵理论的结合,在雷达辐射源识别专家系统中,为了从雷达数据集中提取有用的规则信息,首先利用粗糙集理论将数据集表示为知识表示系统申的一系列等价类,然后根据熵理论计算每个条件属性的信息熵;最后以熵值为依据从等价类中提取出分类规则.通过该方法与ID3算法的比较,证明了该方法的有效性.
-
-
黄高明;
苏国庆;
张琪;
李敬辉
- 《2003年通信理论与信号处理年会》
| 2003年
-
摘要:
本文结合雷达辐射源智能识别系统(REIRS)的实际研究工作,介绍了雷达辐射源智能识别系统的结构、工作流程及其基于高速数字信号处理(DSP)芯片的神经网络硬件实现方法,同时还对识别系统的试验结果进行了分析,最后总结了系统的技术特点及其在电子战其它方面的应用前景.
-
-
黄高明;
苏国庆;
张琪;
李敬辉
- 《2003年通信理论与信号处理年会》
| 2003年
-
摘要:
本文结合雷达辐射源智能识别系统(REIRS)的实际研究工作,介绍了雷达辐射源智能识别系统的结构、工作流程及其基于高速数字信号处理(DSP)芯片的神经网络硬件实现方法,同时还对识别系统的试验结果进行了分析,最后总结了系统的技术特点及其在电子战其它方面的应用前景.
-
-
黄高明;
苏国庆;
张琪;
李敬辉
- 《2003年通信理论与信号处理年会》
| 2003年
-
摘要:
本文结合雷达辐射源智能识别系统(REIRS)的实际研究工作,介绍了雷达辐射源智能识别系统的结构、工作流程及其基于高速数字信号处理(DSP)芯片的神经网络硬件实现方法,同时还对识别系统的试验结果进行了分析,最后总结了系统的技术特点及其在电子战其它方面的应用前景.
-
-
黄高明;
苏国庆;
张琪;
李敬辉
- 《2003年通信理论与信号处理年会》
| 2003年
-
摘要:
本文结合雷达辐射源智能识别系统(REIRS)的实际研究工作,介绍了雷达辐射源智能识别系统的结构、工作流程及其基于高速数字信号处理(DSP)芯片的神经网络硬件实现方法,同时还对识别系统的试验结果进行了分析,最后总结了系统的技术特点及其在电子战其它方面的应用前景.
-
-
黄高明;
苏国庆;
张琪;
李敬辉
- 《2003年通信理论与信号处理年会》
| 2003年
-
摘要:
本文结合雷达辐射源智能识别系统(REIRS)的实际研究工作,介绍了雷达辐射源智能识别系统的结构、工作流程及其基于高速数字信号处理(DSP)芯片的神经网络硬件实现方法,同时还对识别系统的试验结果进行了分析,最后总结了系统的技术特点及其在电子战其它方面的应用前景.
-
-
-
- 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。
-
-
-