基于流行学习的雷达辐射源识别技术

基于机器学习的雷达辐射源识别研究综述

电子对抗中雷达辐射源分选识别资料（论文资料）主要基于深度学习算法实现

针对脉内无意调相实现雷达辐射源个体识别时存在的分类模型性能不佳的问题,提出了一种长短时记忆加全卷积网络的雷达辐射源个体识别方法。首先给出了脉内信号相位的简化观测模型,并对观测相位序列进行去斜处理,提取

通信辐射源个体识别是近来通信对抗领域的重要研究课题,不同于传统通信信号侦察中的调制模式识别研究,通信辐射源识别主要研究体现同类辐射源之间个体差异的信号指纹的分析提取技术。文中研究分析信号指纹的分析提取

针对传统使用脉间参数难以识别低信噪比条件下的复杂体制雷达信号问题,提出了一种利用深度学习模型辅助训练并对雷达辐射源进行识别的方法。首先利用时频分析的方法产生雷达信号的时频图像作为训练集1。接着利用深度

博士论文对这研究这方向的是个很好的参考资源

针对辐射源识别问题, 提出一种基于变精度粗糙集与灰色理论相结合的雷达辐射源识别方法. 利用变精度 粗糙集获取雷达辐射源各属性参数的权重, 并结合灰色关联分析完成辐射源识别. 以雷达用途识别为例, 给出

在电子对抗领域,正确识别雷达脉冲信号是电子对抗侦察的重点也是难点。针对雷达脉冲信号具有很好的稳定性、普遍性和唯一性的包络上升沿特征("指纹"),通过使用宽带数字接收、信号分选与跟踪、数字正交混频等技术

针对现有融合识别算法难以兼顾信息完备性和节点通信数据量的问题, 提出一种基于信号稀疏表示的雷达辐射源信号级融合识别算法. 该方法将接收信号投影到稀疏域并进行压缩, 从而在稀疏域完成融合, 最后利用融合

为识别复杂体制雷达辐射源信号。提出了一种基于小波脊频级联特征提取的信号识别方法．该方法采用新的小波原子和脊线检测策略提取信号的脊频特征，并提取其级联特征作为信号识别向量．仿真结果表明，采用级联特征能有