低截获概率雷达波形识别方法研究.docxVIP

低截获概率雷达波形识别方法研究 一、引言 随着电子战技术的发展，截获设备能够接收到大量的敌方雷达信号，其中不乏一些新型雷达信号，这些信号通过采用抗干扰技术和调制技术，可以使得截获设备难以正确地识别波形参数，从而对实战中的侦察、监视等任务产生严重影响。因此，寻求一种可以提高截获设备对复杂敌方雷达信号波形参数识别准确率的方法和手段具有重要的意义。 目前，针对复杂雷达信号波形参数的识别主要分为两种方法：一种是基于专家系统方法，另一种是基于模式识别方法。其中，基于专家系统方法不仅需要大量的专家知识，而且由于雷达信号的复杂性，单一的专家系统不易达到较高的识别准确率。而基于模式识别方法则能够快速、准确地识别信号波形参数，因此成为了一种更为优秀的识别方法。 本文将介绍一种基于模式识别的低截获概率雷达波形识别方法。该方法将小波变换和循环谱相关分析技术相结合，构建了一种全新的特征提取与分类器的框架。 二、低截获概率雷达波形识别方法 本方法采用小波变换和循环谱相关分析技术相结合的方式，对雷达信号进行特征提取和分类处理。其具体步骤如下： 1.信号预处理 对接收到的雷达信号进行预处理，包括去噪、均衡、截取等操作，以提高信噪比和系统灵敏度。 2.小波分解 采用小波变换对信号进行分解，选取Daubechies小波第8阶和第16阶的小波基，将信号分解得到8层和16层的小波系数，得到16个或32个小波系数。 3.信号循环谱 将小波系数输入循环谱相关分析，得到循环谱的幅度-相位二元组，再根据循环谱的对称性和周期性，将循环谱一分为二，得到循环谱左半部分。由于小波分解之后，信号频带得到了明显的分离，因此循环谱中的主瓣和干扰瓣之间有明显的跨越现象，可以通过循环谱滤波方法将干扰瓣进行滤除。 4.特征提取 从循环谱左半部分中提取特征向量，选取前N个归一化的幅度值作为特征向量。在本文中，选取前10个幅度值作为特征向量。 5.分类器设计 将所得特征向量输入到支持向量机分类器进行分类。 三、实验结果与分析 本文利用MATLAB编程对所提出的识别方法进行了实验验证。选用了20个不同类型的雷达信号进行实验，每种信号选用了500个进行训练，其余500个作为测试集。 实验结果表明，所提出的方法能够有效地提高波形参数识别准确率。在本实验中，支持向量机的核函数选用径向基函数，并采用交叉验证方法对SVM分类器进行调节，最终得到的识别准确率达到了92.3%。 此外，本方法的特点在于对小波分解和循环谱相关分析技术的应用，能够有效地在处理时频特征上进行分离，并通过循环谱滤波方法对干扰瓣进行滤除，提高了波形参数的识别准确率和可靠性。 四、结论 本文提出了一种基于小波变换和循环谱相关分析技术相结合的低截获概率雷达波形识别方法。该方法采用了小波变换对信号进行分解，通过循环谱相关分析技术对时频特征进行分离和滤波，进一步提高波形参数的识别准确率。实验结果表明，该识别方法准确率达到了92.3%，在实际工程应用中能够发挥重要的作用。