1 中国海洋大学 信息科学与工程学部 海洋技术学院，山东 青岛 266100
2 中国海洋大学 海洋高等研究院，山东 青岛 266100
3 中国科学院上海光学精密机械研究所 中国科学院空间激光信息传输与探测技术重点实验室，上海 201800
4 中国民用航空西北地区空中交通管理局甘肃分局，甘肃 兰州 730087
5 兰州大学 大气科学学院，甘肃 兰州 730000
6 崂山实验室 区域海洋动力学与数值模拟功能实验室，山东 青岛 266237
基于多普勒效应的相干激光雷达广泛应用于测风等大气探测领域，实际应用于风场观测时，由于噪声杂波干扰、回波信号较弱和风场不均匀性等影响了多普勒频移估计的精度。为准确估计激光雷达弱回波信号中的多普勒频移，提升相干测风激光雷达的探测距离和探测精度，文中开展了基于激光雷达功率谱信号的多普勒频移估计算法以及探测性能提升的评估研究。在快速傅里叶变换的基础上，提出了一种结合线性预测频谱估计与导数增强方法的功率谱分析方法，通过与常用的最大似然离散谱峰值频移估计算法(ML DSP算法)进行比较，验证了文中方法在相干测风激光雷达微弱信号频移估计过程中的优势。风速数据的时间及空间相关性分析结果表明，功率谱分析方法具有更好的风速估计稳定性，有效风场探测距离相较ML DSP算法提升了73%。与超声风速计对比结果表明，文中提出的综合算法在弱信号情况下的风速测量精度高，风速结果与超声风速计的标准偏差相较ML DSP算法降低了0.23 m/s，偏离率BIAS降低了0.3 m/s，有效提高了低信噪比范围内多普勒频移估计的精度。
相干多普勒激光雷达 多普勒频移估计 弱信号识别 峰值检索 coherent Doppler lidar Doppler frequency estimation weak signal recognition peak retrieval 红外与激光工程
2023, 52(11): 20230216
针对低信噪比(SNR)条件下雷达信号识别率低的问题, 提出一种基于多时频图像融合和扩张残差网络的识别方法。首先, 通过多种时频分析方法, 将雷达信号变换为不同的时频图, 并对这些时频图进行融合和处理。然后, 构建一种新网络模型, 将扩张残差网络与特征融合提取模块相结合, 对10类雷达信号进行识别。仿真结果表明, 当SNR为-6 dB时, 所提方法对10类雷达信号整体识别准确率达到98.7%。
雷达信号识别 时频分析 特征融合 特征融合提取模块 扩张残差网络 radar signal recognition time-frequency analysis feature fusion DFFE dilated residual network
哈尔滨工程大学信息与通信工程学院, 黑龙江哈尔滨 150001
信号调制识别技术在民用和**领域都有重要应用。当前信息化战场中, 由于各类雷达、通信、导航、电子战**等信息辐射源的数量愈来愈多, 调制形式也日益多样化, 信号密度愈来愈大, 战争电磁环境日趋复杂化, 传统的信号调制识别技术已无法适应。因此, 提出基于深度学习的 AlexNet网络和复数神经网络, 同时采用多模态特征融合和模型融合技术, 融合信号统计图域和信号 I/Q波形域的多模态信息, 实现信号调制识别。仿真结果表明, 所提方法的识别精确度在不同信噪比下均优于单模态识别方法和未采用多模态协同融合框架的方法。
调制信号识别 深度学习 多模态特征 模型融合 modulation signal recognition deep learning multi-modal features model fusion 太赫兹科学与电子信息学报
2022, 20(12): 1326
光子学报
2022, 51(11): 1106003
1 昆明理工大学信息工程与自动化学院，云南 昆明 650500
2 昆明理工大学计算中心，云南 昆明 650500
雷达辐射源信号识别在实际战场中是对敌制胜的重要手段。为解决人工提取的雷达辐射源信号特征参数不完备、时效性低等问题，基于模糊函数在表征信号内在结构上的独特作用，提出一种结合模糊函数主脊坐标变换的卷积双向长短时记忆网络的识别方法。首先，为放大不同信号间的差异，采用数学思维将主脊切面转换为极坐标域的几何图像，以此作为神经网络的输入；其次，设计卷积神经网络来挖掘二维时频图的特征信息；最后，搭建双向长短时记忆网络对提取到的特征进行分类识别。仿真实验结果表明，所提方法在信噪比为0 dB以上均能保持100%的准确率，即使信噪比为-6 dB时，识别率仍可达93.58%以上，同时也有效缩短了信号分类时间。结果验证了所提方法不仅能提取信号的隐藏抽象特征，还具备良好的时效性和抗噪性。
雷达辐射源信号识别 模糊函数主脊 卷积神经网络 双向长短时记忆网络 激光与光电子学进展
2022, 59(22): 2228007
哈尔滨工程大学 信息与通信工程学院，黑龙江 哈尔滨 150001
近年来，很多高质量的数据集支撑了深度学习在计算机视觉、语音和自然语言处理领域的快速发展。但在电磁信号识别领域仍缺乏高质量的数据集，为促进深度学习在电磁信号识别中的应用，本文基于广播式自动相关监视(ADS-B)建立了一个大规模的真实电磁信号数据集。首先设计了一个自动数据收集和标注系统，在开放和真实的场景中自动捕获ADS-B电磁信号。通过对ADS-B信号进行数据清理和排序，建立高质量的ADS-B信号数据集；其次，对使用数据集的深度学习模型的性能进行深入研究，在不同信噪比、采样率、样本数目下对模型进行综合评估。该数据集给相关研究者提供了有价值的研究基准。
信号识别 电磁信号数据集 广播式自动相关监视 深度学习 signal recognition radio signal dataset Automatic Dependent Surveillance-Broadcast(ADS-B) deep learning 太赫兹科学与电子信息学报
2022, 20(1): 29
1 哈尔滨工程大学信息与通信工程学院，黑龙江哈尔滨 150001
2 北京宇航系统工程研究所，北京 100076
电磁态势分析是信息化战争中至关重要的工作，如何利用深度学习技术有效实现调制信号识别是其中一项关键技术。首先将调制信号转化为带有颜色信息的星座图形式，并用深度学习方法，选用VGG16和AlexNet两个卷积神经网络完成调制识别任务。结果显示，当信噪比大于等于0 dB时，可以达到 99%以上的识别准确率。由于军用设备对于计算性能和存储性能把控较为严格，因此采用全零矩阵平均百分比的方法对深度学习模型进行压缩。结果显示，在不损失识别准确率的前提下，信噪比为 0 dB时，对于模型参数量， AlexNet可以压缩 3 466倍，VGG16可以压缩 20 156倍；对于浮点运算量， AlexNet可以压缩 2 314倍，VGG16可以压缩 13 475倍。表明本研究方法对调制信号识别具可行性以及高效性。
调制信号识别 深度学习 卷积神经网络 模型轻量化 modulation signal recognition Deep Learning Convolutional Neural Networks model lightweighting 太赫兹科学与电子信息学报
2021, 19(1): 54
北京理工大学光电学院信息光子技术工业和信息化部重点实验室, 北京 100081
提出一种新型智能化长距离光纤预警系统,研究了该系统在真实工作环境下的预测准确性。该预警系统主要分为分布式传感和信号识别两个部分,其中相位敏感光时域反射(Φ-OTDR)技术用于系统的分布式传感部分,而神经网络技术用于信号识别部分,以对入侵事件进行识别和分类。在信号识别部分创新地提出了一种改进型神经网络结构,并使用基于小波包分解的神经网络和具有三个隐藏层的神经网络等其他两种方法进行效果对比。最后,通过三次不同的实验,探究了系统的识别准确性。结果表明,基于改进型神经网络的光纤预警系统在入侵事件识别方面具有优良的分类效果,平均识别率达到95%以上。
光纤光学 分布式光纤传感系统 信号识别 神经网络 深度学习
针对距离欺骗干扰辐射源的个体识别问题, 提出利用辐射源个体的包络前沿差异进行干扰源个体识别。首先, 通过先小波去噪再滑窗处理的组合去噪方法, 相比于单一的去噪处理, 能得到更好的去噪效果;然后, 采用互相关算法的思想实现接收信号与模板信号的位置对齐; 最后, 引入包络上升沿的差异幅值的均值作为特征因子, 并通过K-means聚类算法实现辐射源个体的分类。仿真结果表明文中算法比文献[10]提出的夹角余弦算法具有更好的识别效果。
雷达信号识别 指纹特征 去噪 K-means 算法 radar signal recognition fingerprint characteristics denoising K-means algorithm
1 中国民航大学天津市智能信号与图像处理重点实验室, 天津 300300
2 中国民航大学民航空管研究院, 天津 300300
3 中国民航大学工程技术训练中心, 天津 300300
提出了一种基于局部均值分解(LMD)和串行特征融合(SFF)的光纤周界振动信号识别方法。该方法先去除噪声,提取振动信号的相关信息,再进行SFF以得到具有准确描述能力的特征向量,最后采用概率神经网络(PNN)算法进行学习和分类。利用不同单一振动信号和风雨天气干扰下的不同振动信号对该方法进行验证。结果表明,该方法在上述两种情况下的平均正确识别率分别达到96.0%和96.7%,识别时间分别为0.87 s和0.91 s,在敏感信息识别和特征提取方面明显优于传统的LMD算法和SFF-PNN算法。
光纤光学 信号识别 局部均值分解 独立成分分析 概率神经网络
