没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
试读
15页
基于频谱形状的低复杂度雷达信号分类 一、雷达信号分类算法概述 雷达信号分类是电子对抗和无线电监测领域中的关键技术之一。随着电子信息技术的发展,新的雷达信号调制方式不断涌现,电磁环境日益复杂,传统雷达信号识别算法的局限性愈加突出。因此,研究新的雷达信号分类算法是非常必要的。 二、频谱形状特征提取 本文提出了一种基于频谱形状的低复杂度雷达信号分类算法,该算法通过对频谱图像的标准化和下采样提取特征,计算复杂度低,能够避免传统方法对 IQ 时域信号处理需要考虑频偏和相偏等问题。 三、频谱形状特征分析 频谱形状特征是雷达信号的独特特征,它们可以反映雷达信号的调制方式和参数变化。通过对频谱形状特征的分析,可以提取出雷达信号的特征参数,并进行分类识别。 四、分类算法设计 本文设计了一种基于频谱形状的分类算法,该算法通过将频谱图像标准化和下采样提取特征,然后使用支持向量机(SVM)作为分类器完成了雷达信号的分类识别。 五、实验结果 实验结果表明,该算法能够识别频谱形状存在较大差异的雷达信号,并不局限于固定几类调制方式的分类识别上。该算法的实时分类准确率高于90%,在信噪比大于6 dB时,识别准确率大于95%。 六、结论 本文提出了一种基于频谱形状的低复杂度雷达信号分类算法,该算法可以解决传统雷达信号分类算法的局限性,具有计算复杂度低、抗噪性好、实时性能高的优点。该算法可以应用于实际工程中的雷达信号分类和识别。 本文的创新点是借助于图像处理中的形状识别,提取雷达信号的频谱形状作为信号的特征,通过将频谱图像标准化,解决了雷达信号参数变化的问题。该算法可以实时分类雷达信号,具有广泛的应用前景。
资源推荐
资源详情
资源评论
0 引言
雷达信号识别技术在电子对抗和无线电监测领域都有着广泛的应用。脉内
调制雷达信号的识别是雷达信号侦察的关键一环,关系着后续信号的参数估计 ,
为情报获取和干扰等提供极大帮助,所以雷达信号分类算法的研究至关重要。
随着电子信息技术的发展,新的雷达信号调制方式不断涌现,电磁环境日益复
杂。传统雷达信号识别算法的局限性愈加突出,雷达信号的调制识别也面临新
的挑战。
一直以来,雷达信号的脉内调制识别算法研究是学术界的热点和难点。文
献[1
]运用谱相关分析法,提出了 4 个相干特征参数,使用支持向量机(support
vector machine,SVM)作为分类器完成了雷达信号的调制识别。文献 [2
]研究
了小波变换算法中常用的 Morlet 小波方法。此类方法通过对信号进行小波变换 ,
提取小波脊线作为特征进行脉内调制雷达信号的分类。但此方法需要选择合理
的小波基,且小波脊线提取算法易受噪声干扰,实际应用效果不理想。文献 [3
]
提出了以四阶和六阶累计量作为特征参数的识别算法,基于高阶累积量的调制
识别算法对相关参数的扰动具有一定抗性,算法具有较好的稳健性。但上述算
法都存在计算复杂、实时实现难度较大的问题。文献 [4
]提出基于相对无模糊相
位重构的脉内调制雷达信号识别方法,但能识别的调制方式单一;文献 [5
]针对
低信噪比环境改进了该算法,实现了当信噪比大于 6 dB 时,对二进制相移键控
(binary phase-shift keying ,BPSK )、 四相移相键 控( quadrature phase-
shift keying ,QPSK)、线性调频和双线性调频雷达信号的识别准确率高于
90%;文献[6
]通过提取信号频谱复杂度特征、信号平方频谱特征、谱峰特征以
及最小二乘直线拟合方差特征,以 4 个特征参数为出发点设计的基于频谱复杂
度的分类算法,在信噪比大于 6 dB 时,窄脉冲雷达信号识别准确率较高。文献
[7
]使用时频分析、图像处理和卷积神经网络技术进行雷达信号的调制识别,通
过引入 Cohen 类时频分布和二重滤波、双线性插值等图像处理技术以获得高质
量时频图像,但算法计算复杂度很高,卷积神经网络的训练需要数小时。文献
[8
]提取低复杂度的瞬时信号特征及其统计量作为特征向量,通过 FPGA 编程实
现了 6 种雷达信号的实时调制识别,在信噪比大于 7 dB 时,识别准确率大于
90%。近年来,深度学习在调制识别领域取得了很好的成果,但少有应用于实
际硬件系统的深度学习实时调制识别系统,一方面是因为深度学习网络模型复
杂度高,难以部署到实际的在线实时系统;另一方面是网络深度受硬件计算能
力的限制,浅层网络识别准确率较低。文献[9
]中基于软件无线电设备 AD9361
提取简单信号特征作为机器学习模型输入向量,对比了 23 种机器学习模型用于
实时调制识别的效果,其中 SVM 的总体识别准确率最高,为 86.3%,在信噪比
大 于 15 dB 时 ,识别准确 率 大 于 90% ; 文 献 [10
] 结 合通用软件无线 电 外 设
(universal software radio peripheral ,USRP)和 GNU Radio 实现了通信信
号 的 实 时 调 制 识 别 , 该 调 制 识 别 系 统 离 线 训 练 残 差 网 络 ( residual net-
work,ResNet),使用训练好的网络模型进行在线预测,近似达到实时效果。
该系统对于 6 种常见通信信号的总体识别准确率在信噪比大于 8 dB 时大于
90%,在信噪比大于 14 dB 时大于 96%。文献[11
]提取信号瞬时特征训练神经
网络模型,实现了 7 种通信信号的实时调制识别,在信噪比大于 6 dB 时,识别
准确率大于 90%。
综上所述,首先,传统的雷达信号分类算法多依赖于 IQ 基带信号的信号处
理转换,计算复杂度高,且要求信号的参数满足一定条件,不能较好地解决低
功耗终端限制下雷达信号的实时分类问题。目前的实时调制识别系统为了降低
复杂度,通常提取简单的瞬时信号特征,但该类系统牺牲了抗噪性以提高识别
准确率,需要在较高信噪比环境(一般大于 6 dB)下才能保证较高的识别准确
率。其次,上述研究多采用仿真软件生成雷达信号,没有考虑实际雷达信号监
测时需要应对的接收机频偏和相偏等不理想因素,导致信号识别的理论仿真结
果与实际工程实现存在一定的差距。本文的创新点是借助于图像处理中的形状
识别,提取雷达信号的频谱形状作为信号的特征,通过将频谱图像标准化,解
决了雷达信号参数变化的问题;通过对频谱下采样提取特征,计算复杂度低,
并避免了传统方法对 IQ 时域信号处理需要考虑频偏和相偏等问题;采用半实物
仿真方法采集数据,数据更加贴近实际工程场景。本算法能识别频谱形状存在
较大差异的雷达信号,并不局限于固定几类调制方式的分类识别上。
实验结果表明,该算法实现了常规雷达信号、BPSK、QPSK、Barker 码、
Frank 码 和 线 性 调 频 ( linear frequency modulation , LFM ) 调 制 在 信 噪 比
(signal-noise ratio,SNR)大于 3 dB 环境下大于 90%的分类准确率。该算法
计算简单,只要频谱形状存在较大差异即可实现低信噪比环境下的正确分类,
所以能够应用于多种调制方式雷达信号的分类识别。本文提出的信号频谱的预
处理方法使得分类模型能适应多种参数下的雷达信号。其次,运用包含不同参
数雷达信号的训练集训练的模型正确率较单一参数情况基本不变,模型泛化性
较传统算法有很大提高。
1 雷达信号模型和数据集
本文研究主要使用了常规雷达信号(后称 Pulse)、BPSK 调制、QPSK 调
制、Barker 码调制、Frank 码调制和 LFM 调制的 6 种雷达信号数据。在实际应
用中,信号一般调制为 IQ 两路信号分别发送,此时信号应表示为复数形式 ,
s(t)=I(t)+jQ(t)。雷达信号的一般表达式为:
s(t)=Arect(tT)exp{jϕ(t)} (1)s(t)=Arect(tT)exp{jϕ(t)}
(1)
其中,A 为信号幅度,T 为脉冲宽度,不同的 ϕ(t)ϕ(t)对应不同的调制方式。
6 种雷达信号的数学模型见表
1
,f
0
表示载频,ϕ0ϕ0 表示初始相位,k 为调频斜
率,B 为调频带宽。
为了模拟真实的雷达信号射频接收场景,本文使用安捷伦信号源 N5182 配
合 Keysight 的软件 Signal Studio for Pulse Building 生成 2 GHz 的雷达信号,
经过空中真实信道传输到达泰克 6 114 频谱仪,信号采集场景实物如图
1
E所示,
数 据 采 集 信 息 见 表
2
。 在 MATLAB 中 对 实 际 采 集 的 高 信 噪 比 雷 达 信 号 使 用
AWGN 函数仿真不同信噪比的噪声环境,本文主要研究了高斯白噪声对模型的
影响。
表 16 种雷达信号的数学模型
调
制
方
式
φ (t)
相位说明
常
规
雷
达
信
号
ϕ(t)=2πf0tϕ(t)=2πf0t
常数
BP
SK
调
制
ϕ(t)=2πf0t+πCd(k)
+ϕ0ϕ(t)=2πf0t+πCd(k)+ϕ0
C
d
(k)取值二进制数 0 或 1
QP
SK
调
制
ϕ(t)=2πf0t+πCd(k)
+ϕ0ϕ(t)=2πf0t+πCd(k)+ϕ0
C
d
(k)取值{1/4,3/4,5/4,7/4}或{0,1/2,1,3/2}
Bar
ker
码
调
制
ϕ(t)=2πf0t+θnϕ(t)=2πf0t+θ
n
θ
n
为 Barker 码相位,取 0 或 π
LF
M
调
制
ϕ(t)=2π[(f0−B2)t+k2t2+
ϕ0]ϕ(t)=2π[(f0−B2)t+k2t2+ϕ0]
常数
Fra
nk
码
调
制
ϕ(t)=2πf0t+ϕp,qϕ(t)=2πf0t+
ϕp,q
ϕp,q=2πM(p−1)(q−1),q=1,
⋯,M;p=1,⋯,Mϕp,q=2πM(p−1)(q−1),q=1,
⋯,M;p=1,⋯,M
新窗口打开|下载
CSV
图 1
剩余14页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3906
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功