论文部分内容阅读
从近年来的战争形式上看,雷达对抗成为战场电子对抗的主导力量,作为雷达对抗中至关重要的一部分,雷达侦察技术的先进程度甚至可以决定一场战争的胜败,辐射源识别则是雷达侦察中最重要的一部分。由于雷达发射机的不稳定的个性特征,信号源会附带有能表征其发射机特性的“指纹特征”,即脉内无意调制特征。本文主要研究了加入频率漂移和相位噪声无意调制特征的信号源建模、频率漂移无意调制特征提取、相位噪声无意调制特征提取以及分类识别方法来完成对雷达辐射源无意调制特征提取及识别。首先,对雷达发射机的辐射源的无意调制特征形成的原理进行研究,在理想信号源的基础上加入无意调制特征,该部分的无意调制特征主要包括频率漂移和相位噪声两种,完成信号源的建模。在信道部分,采用高斯白噪声信道。其次,研究利用自适应分数阶谱图法对信号进行时频分析的原理,分析了其相对于传统的时频分析方法的优势,实验结果证明了AFS对单分量线性调频信号和多分量线性调频信号中间时刻频率估值误差小于3%,并且具有分离多分量非线性调频信号方面的优势。对于有频率漂移无意调制特征的信号源,间隔相同时间,对信号进行侦察,用自适应分数阶谱图法分析各个时刻信号源的时频分布特性,提取出特征频率点组合成一条曲线,然后对曲线进行特征提取,仿真结果表明了采用的曲线特征提取方法的有效性。接下来,研究用希尔伯特黄变换方法对加入简单相位噪声的信号源进行相位噪声和有用信号分离的原理,对其结果进行了分析。而对于加入复杂相位噪声无意调制特征的信号源,用双谱正反对角切片联合特征分析方法进行无意调制特征提取,并分析了其相对于双谱方法的优势。用主成分分析方法对得到的双谱切片特征进行了降维处理以提高识别效率。最后在本课题研究背景下,对比了支持向量机方法和BP(Back Propagation)神经网络方法识别性能。对上述方法得到的雷达辐射源的频率漂移曲线特征和经过降维的双谱正反对角切片联合特征,用性能较好的支持向量机分类识别方法完成了雷达辐射源的识别,当信噪比为15 d B时,有频率漂移的辐射源正确识别概率可达99.17%,有相位噪声的辐射源正确识别概率可达100%。