原文信息
中文摘要
识别被拦截的无线电引信调制类型是干扰系统进行决策的前提。然而，现代战场的电磁环境复杂，信噪比（SNR）通常较低，这使得对无线电引信进行准确识别变得尤为困难。为解决上述问题，本文提出了一种适用于低信噪比环境的无线电引信自动调制识别（AMR）方法。首先，采用基于数据重排和二维（2D）快速傅里叶变换（FFT）（DR2D）的自适应去噪算法，以降低拦截到的无线电引信中频（IF）信号的噪声。然后，从去噪后的中频信号重排数据矩阵的灰度共生矩阵（GLCM）的统计指标向量中提取纹理特征，并使用支持向量机（SVM）进行分类。基于数据重排和二维快速傅里叶变换的自适应去噪算法在信噪比为−10 dB及以上时，对十种引信类型的平均相关系数超过0.76，高于其他典型算法。训练后的支持向量机分类模型在七种调制类型下的平均识别准确率超过96%，在信噪比为−12 dB及以上时，每种调制类型的识别准确率均超过94%，表现出良好的低信噪比环境下的无线电引信自动调制识别性能。
扫描二维码
查看下载全文
原文链接：
https://doi.org/10.1016/j.dt.2023.12.013
主要结论
为了在低信噪比条件下实现准确识别无线电引信的调制类型，本文提出了一种基于数据重排和二维快速傅里叶变换的自适应去噪算法。该算法通过分析拦截到的引信中频信号的二维联合频率特征的空间分布，自动计算滤波阈值和有效信号带宽。然后基于计算结果进行阈值滤波和窄带滤波，最后通过小波软阈值去除残余噪声。仿真结果表明，基于数据重排和二维快速傅里叶变换的自适应去噪算法在无线电引信中频信号的去噪效果上优于其他去噪算法。在信噪比为−10 dB及以上时，该算法对十种引信类型的平均相关系数超过0.76，每种引信类型的相关系数超过0.57。
为了提取鲁棒特征，本文提出了一种基于灰度共生矩阵算法的纹理特征提取方法。该方法可提取不同方向的纹理特征，这些特征反应不同时间尺度的频率特征，并进一步提取粗粒度统计特征，用于支持向量机分类。仿真结果表明，基于数据重排和二维快速傅里叶变换自适应去噪算法的纹理特征提取方法的速度优于如傅里叶同步压缩变换（FSST）和平滑伪维格纳威尔分布（SPWVD）等时频分析方法。
对于自动调制识别任务，本文提出了一种基于数据重排和二维快速傅里叶变换的自适应去噪方法和纹理特征提取方法来识别无线电引信调制类型。在应用数据重排和二维快速傅里叶变换自适应去噪算法后，使用灰度共生矩阵算法对去噪后的中频信号重排数据矩阵进行纹理特征提取，并计算不同方向的灰度共生矩阵统计指标。然后，训练一个支持向量机分类模型，该模型包含多个支持向量机分类器，以识别不同的调制类型。仿真结果表明，训练后的支持向量机分类模型可准确识别无线电引信调制类型。在信噪比为−12 dB及以上时，所提出的自动调制识别方法在七种调制类型下的平均识别准确率超过96%，每种调制类型的识别准确率均超过94%。
基于数据重排和二维快速傅里叶变换的自适应去噪算法通常可从噪声中恢复信号的相位和频率，但处理较长数据段可能会导致瞬时强度不稳定和瞬时频率泄漏，从而导致时间域中的幅度调制近似失真。这需要进一步研究和优化。基于数据重排和二维快速傅里叶变换自适应去噪方法和纹理特征提取的无线电引信自动调制识别方法，可有效识别引信信号的调制类型，以满足干扰决策的需求。然而，由于同一调制类型的不同调制波形具有类似的排列模式，因此该方法无法有效识别具体调制波形。
论文选图
编辑：陈微，曹文丽
审核：田丽
Defence Technology
往期目录
期刊
简介
《Defence Technology》是由中国兵工学会主办的科技类综合性学术期刊，目前已被SCI、EI、Scopus、中国科技核心期刊数据库、中国引文数据库核心版和瑞典开放获取指南等多家数据库收录，期刊主要发表基础理论、应用科学和工程技术领域高水平原创性学术论文，包括理论研究、数值模拟和实验研究类文章。
添加防务技术DT_小编微信
欢迎添加“防务技术DT_小编”为好友！
