强激光与粒子束
2024, 36(4): 043018
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
1 中国电子科技集团公司第五十四研究所, 河北 石家庄 050081
2 河北省电磁频谱认知与管控重点实验室, 河北 石家庄 050081
短波环境中存在着大量令人感兴趣的莫尔斯信号, 为了降低人工侦收成本, 研究了莫尔斯信号在短波环境下的窄带信号自动识别技术。针对短波信道环境, 提出一种联合时频域特征的快速识别算法, 并给出短波环境下莫尔斯窄带识别算法的流程设计, 最后获得算法的实测结果。实验结果表明, 该算法下的莫尔斯识别具有较快的速度和较好的识别率, 以及较低的虚警率和漏警率。
短波 莫尔斯 窄带 信号识别 shortwave Morse narrowband signal identification 太赫兹科学与电子信息学报
2023, 21(1): 44
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
1 西安电子科技大学人工智能学院, 陕西西安 710071
2 通信信息控制和安全技术重点实验室, 浙江嘉兴 314033
对于小样本电磁信号识别, 数据增强是一种最为直观的对策。利用生成对抗网络 (GAN)产生虚假信号样本, 设计粗粒度和细粒度筛选机制对生成信号进行筛选, 剔除质量较差的生成信号, 实现训练样本集的有效扩充。为验证所提数据增强算法的有效性, 在 RADIOML 2016.04C数据集上进行测试。实验结果表明, 本文所提方法对小样本电磁信号识别准确率有较好的提升效果。
电磁信号识别 小样本 生成对抗网络 数据增强 筛选机制 electromagnetic signal classification few-shot Generative Adversarial Network data augmentation screening mechanism 太赫兹科学与电子信息学报
2022, 20(12): 1249
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 石家庄铁道大学电气与电子工程学院，石家庄 050000
2 河北工业职业技术学院，石家庄 050000
针对复杂电磁环境下雷达对干扰信号的分类识别问题，研究了射频噪声干扰、噪声调幅干扰、噪声调频干扰、匀速距离波门拖引干扰、速度波门拖引干扰的Choi-Williams Distribution(CWD)时频图像，采用深度学习中的AlexNet卷积神经网络模型自动提取图像各种特征细节，从而实现雷达干扰信号的分类识别。仿真结果表明: 在干噪比为-10~0 dB的范围内，网络的识别率随干噪比的增加而迅速提高，干噪比为0 dB以上识别率基本接近100%; 在全干噪比范围下，网络的识别正确率为99.25%，识别效果良好。
雷达干扰 Choi-Williams时频图像 深度学习 干扰信号识别 radar jamming time-frequency image of Choi-Williams deep learning AlexNet AlexNet recognition of interference signal
