雷达信号的脉内调制

Tori今天学习了吗

已于 2022-07-07 20:50:30 修改

阅读量5k

点赞数 3

分类专栏：雷达信号软件无线电信号调制样式自动识别文章标签：其他

于 2022-05-15 16:21:23 首次发布

本文链接：https://blog.csdn.net/weixin_42936176/article/details/124783609

版权

本文调研了雷达脉内调制识别的方法，包括时频变换、图像预处理、特征提取和深度学习在识别中的应用。文中提到，传统相位差分方法抗噪声能力弱，提出了利用时频图结合随机森林、支持向量机、K近邻等分类器进行脉内调制识别。此外，还讨论了基于图像特征的识别方法，通过中心矩和伪Zernike矩提取特征，并在8种雷达调制信号中进行分类实验。最后，介绍了基于循环特征的调制分类方法和1D、2D神经网络在自动调制识别中的潜力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

学习目标：

雷达信号的脉内调制识别文献调研

学习内容：

雷达会根据其工作模式，改变脉内信号的脉宽和调制方式，需要完成脉内信号的参数测量（载频、脉宽和带宽等），并识别出信号的脉内调制方式；脉内调制方式有无调制，线性调频（LFM），非线性调频（NLFM），频率编码（Coatas），多载波跳频（载波数≤4），多相编码（BPSK、QPSK、Frank、P1-P4、T1-T4），频率编码与多相编码组合，频率编码与线性编码组合，频率编码与非线性编码组合等。
当前工程常采用相位差分方法，但抗噪声能力差；可采用时频图+深度学习的方法；至少需要用软件无线电平台（GNURadio开发）完成信号生成与信号截获；若使用深度学习方法，需要在研究室AI加速硬件上完成性能测试。

论文阅读：

[1]高君丰,刘芬芬.基于图像特征的雷达脉内调制类型识别[J].舰船电子工程,2021,41(07):97-101.

利用图像处理方法对信号时频图进行预处理，包括图像滤波、图像剪切、图像二值化等，去掉背景噪声等冗余信息，截取出图像中信号所在部分；然后提取出图像的中心矩和伪Zernike矩特征，再利用随机森林构建分类器，识别信号。

时频变换

时频分布：魏格纳-维尔分布（WVD）——具有很高的时频聚集性，大多存在严重的交叉项。本文采用平滑伪Wigner-Ville分布（SPWVD）。

图像预处理

彩色的时频图——灰度图——拉普拉斯锐化（增强图像的边缘和灰度跳变的细节）——维纳滤波（抑制目标信号和背景中的噪声）——时频图像灰度值归一化——图像剪切——二值化

特征提取

提取时频图像的矩函数中的归一化中心矩以及伪Zernike矩。
矩函数是一种有效的形状特征描述子，能够提供大量与图像有关的信息，如图像的形状、大小和方向等

仿真实验

8种雷达脉内调制信号，分别是常规信号（CW）、线性调频信号（LFM）、非线性调频信号（NLFM）、二相编码信号（BPSK）、四相编码信号（QPSK）、频率编码信号（FSK）以及两种复合信号（FSK+BPSK复合、LFM+BPSK复合）。信号载频为400MHz、采样频率为1000MHz、脉宽10μs。
分别利用随机森林、支持向量机（SVM）、K近邻（KNN）三种分类方法对时频特征不明显的相位编码信号进行分类识别。