基于复杂网络和CSLPA的多功能雷达信号分选.pdf

第 卷 第期 年月探 测 与 控 制 学 报J o u r n a l o fD e t e c t i o n&C o n t r o lV o l N o A u g 收稿日期:基金项目:国防特色学科发展项目(J C KY D )作者简介:张洁雯(),女,浙江绍兴人,硕士研究生.基于复杂网络和C S L P A的多功能雷达信号分选张洁雯,孙闽红,王杰(杭州电子科技大学通信工程学院,浙江 杭州 )摘要:复杂网络理论在多功能雷达信号分选中已成功得到应用.针对标签传播拓展算法(S L P A)在节点更新顺序和标签传播时采用随机策略导致的划分结果不稳定、随机性强等问题,提出基于接近中心性的节点排序方法和度量节点相似性的条件标签传播拓展算法(C S L P A)用于分选时的社区检测.首先,将雷达脉冲信号的细微特征与脉冲描述字(P DW)参数组成特征向量,根据滑动有限穿透可视图构建复杂网络模型;然后,采用C S L P A算法和密度峰值聚类算法进行社区检测,完成分选过程.仿真结果表明,所提方法在参数重叠较多及存在多功能雷达信号的复杂电磁环境中,分选性能优于标签传播算法及两种传统分选算法 k m e a n s聚类与脉冲重复间隔变换法,在存在噪声、漏脉冲和虚假脉冲等条件下具有较强的鲁棒性.关键词:多功能雷达;脉冲分选;复杂网络;社区检测;C S L P A算法中图分类号:T N 文献标志码:A文章编号:()M u l t i f u n c t i o nR a d a rS i g n a l S o r t i n gB a s e do nC o m p l e xN e t w o r k sa n dC S L P AZ HAN GJ i e w e n,S UN M i n h o n g,WAN GJ i e(S c h o o l o fC o mm u n i c a t i o nE n g i n e e r i n g,H a n g z h o uD i a n z iU n i v e r s i t y,H a n g z h o u ,C h i n a)A b s t r a c t:C o m p l e xn e t w o r kh a sb e e ns u c c e s s f u l l ya p p l i e d i nm u l t i f u n c t i o nr a d a rs i g n a l s o r t i n g A i m i n ga t t h es h o r t c o m i n g so fu n s t a b l ed i v i s i o nr e s u l t sa n ds t r o n gr a n d o m i c i t yc a u s e db ys p e a k e r l i s t e n e r l a b e l p r o p a g a t i o na l g o r i t h m(S L P A)a d o p t i n gt h er a n d o m i z e dm e t h o di nn o d eu p d a t eo r d e ra n dl a b e lp r o p a g a t i o n,an o d er a n k i n gm e t h o db a s e do nc l o s e n e s sc e n t r a l i t ya n dam e t h o df o rm e a s u r i n gn o d es i m i l a r i t yw e r ep r o p o s e dt o i m p r o v eS L P Aa n dp r o p o s ec o n d i t i o n a l s p e a k e r l i s t e n e r l a b e l p r o p a g a t i o na l g o r i t h m(C S L P A)F i r s t l y,t h es u b t l e f e a t u r e so f r a d a r s i g n a l sa n dp u l s ed e s c r i p t i o nw o r d(P DW)p a r a m e t e r sw e r e c o m b i n e dt o f o r ma f e a t u r ev e c t o r,a n dt h ec o m p l e xn e t w o r km o d e lw a s c o n s t r u c t e da c c o r d i n g t oa s l i d i n g l i m i t e dp e n e t r a b l e v i s i b i l i t yg r a p h T h e n t h eC S L P Aa n dd e n s i t yp e a kc l u s t e r i n ga l g o r i t h m(D P C)w a su s e df o rd e t e c t i n gc o mm u n i t ys t r u c t u r e s,t h u sf u l f i l l i n gd e i n t e r l e a v i n go fp u l s e s f r o ms e v e r a lm u l t i f u n c t i o nr a d a r s T h e s i m u l a t i o nr e s u l t ss h o w e dt h a t i nc o m p l e xe l e c t r o m a g n e t i ce n v i r o n m e n t s w i t hg r e a to v e r l a p p i n gp a r a m e t e r sa n d m u l t i f u n c t i o nr a d a rs i g n a l,t h ep r o p o s e dm e t h o dh a db e t t e rs o r t i n gp e r f o r m a n c et h a nl a b e lp r o p a g a t i o na l g o r i t h m sa n dc l a s s i c a la l g o r i t h m ss u c ha sk m e a n sc l u s t e ra n dp u l s er e p e t i t i o ni n t e r v a l(P R I)t r a n s f o r m a t i o na l g o r i t h m,a n da l s op e r f o r m ss a t i s f a c t o r i l yw h e nt h e r ew e r en o i s e,m i s s i n gp u l s e s,a n df a l s ep u l s e s,t h em e t h o dh a ds t r o n gr o b u s t n e s s K e yw o r d s:m u l t i f u n c t i o nr a d a r;p u l s es o r t i n g;c o m p l e xn e t w o r k;c o mm u n i t yd e t e c t i o n;C S L P A 引言在现代电子战中,雷达信号分选是侦察系统中不可或缺的环节.雷达信号分选是指接收机将接收到的雷达混合脉冲按照其所属真实雷达进行分类的过程.目前,雷达信号分选基本分为三类:)基于脉冲描述字(P DW)的算法,如扩展关联法、脉冲重复间隔(P R I)直方图法、P R I变换法、平面变换法等;)基于脉内调制特征的算法,如时频分析法、模糊函数法、无意调制特征等;)基于机器 学 习 的 算 法,如 有 监 督 学 习 的 支 持 向 量 机(S VM)、神经网络,无监督学习有划分聚类、模糊聚类等静态聚类 和以D I E S C算法 为代表的数据流聚类等.在包含多功能雷达(m u l t i f u n c t i o nr a d a r,MF R)等多种不同体制雷达工作的复杂电磁环境下,雷达信号在时、频、空等多域的参数均有可能重叠,且MF R会根据实际任务切换不同工作模式,动态调整信号工作参数,导致使用P DW对雷达信号进行分选时,容易将同型雷达辐射源误判为多型,造成“增批”,或将不同型雷达辐射源信号误判为同型,出现“漏批”现象.针对“漏批”、“增批”的问题,有学者引入复杂网络的社区检测方法 实现多功能雷达信号分选,该方法利用滑动有限穿透可视图(s l i d i n gl i m i t e dp e n e t r a b l ev i s i b i l i t yg r a p h,S L P VG)将雷达脉冲序列构建为复杂网络,并用标签传播算法(L P A)和密度峰值聚类算法(D P C)进行社区检测,为MF R信号分选提供了新思路.然而在L P A中,每个节点只保留一个标签,在迭代过程中历史标签信息将被新标签覆盖.当邻居节点的标签权重相同时,随机选取标签,可能导致传播初期一个小的错误被不断放大.标签传播拓展算法(S L P A)给每个节点设置了一个标签存储列表来存储每次迭代所更新的标签.最终的节点社区划分将由存储列表中的标签的概率决定,可以降低传播过程中错误标签的影响.文献 方法仅考虑了常规的雷达P DW参数,因此,本文在该方法的基础上,提出将P DW与更能体现雷达信号差异的脉内特征相结合,构建S L P VG网络,然后提出改进的条件标签传播拓展算法(c o n d i t i o n a l s p e a k e r l i s t e n e r l a b e lp r o p a g a t i o na l g o r i t h m,C S L P A),以克服S L P A的随机性强、划分结果不稳定等不足.最后,通过C S L P A和密度峰值聚类实现社区检测与相似子社区合并,得到最终信号分选结果.基础知识 特征提取近似熵(a p p r o x i m a t ee n t r o p y,A p E n)可以度量时间序列的自相似程度来有效区分信号.范数熵(n o r me n t r o p y,N o E n)根据不同脉内调制方式的雷达信号频谱形状、能量分布和集中程度实现信号分 选.高 阶 累 积 量(h i g h e ro r d e rc u m u l a n t,HO C)是指二阶以上的随机变量的统计量,对于非正态分布的信号,三阶或三阶以上的统计量可以有效表现信号特征.基于以上三个特征的雷达信号分选有效性在文献 和文献 中已得到验证.近似熵近似熵定义如下:设定维数m表示窗口长度,根据原信号t(i),i,N构造出一组m维向量Tjt(j),t(j),t(jm),其中j,Nm.定义向量Tj和其余向量Tll,Nm,jl()的距离为dm a xk(m)tjk()tlk().()给定阈值v,统计向量间距离d小于v的个数与总个数Nm的比值记为Cmj(v),对其求对数,并取所有j的平均值,记为m(v)NmNm jl nCmj(v).()将维数加变为m,重复以上步骤,得到m(v),则信号序列的近似熵为A p E nm,v()m(v)m(v),()式()中,m通 常 取,v通 常 取 ()S Dx(),S Dx()为信号序列t(i)的标准差.本文v取 .范数熵范数熵定义如下:设信号Ssi(),i,N,则整个信号的范数熵表达式为N o E ns(i)()Nis(i)P,()式()中P取.当P时,信号的范数熵就是信号的能量.高阶累积量对于一个具有零均值的复随机过程X(t),其累积量定义为Cp q c u mX t(),X t(),(Xt(),Xt(),()式()中,X t()为pq项,Xt()为q项,表示函数的共轭.c u m为联合累积量函数,如c u mx,y,z,w()E x y z w()E x y()E z w()E x z()E y w()E x w()E y z(),()式()中,E 表示求期望运算,自变量增加可以此类推.高阶累积量可采用绝对值和比值的形式组合构造特征参数,根据文献 ,特征参数F选取如下:探 测 与 控 制 学 报FC C.()滑动有限穿透可视图构建复杂网络生活中的复杂系统都可以建模成复杂网络,通常是将复杂系统中的个体抽象成节点,个体间的相互作用抽象成连边.网络可以被描述为一个图GV,E(),其中V代表节点集合,E代表边集合.将接收到不同雷达辐射源发射的n个雷达脉冲序列表 示 为 x,x,xi,(i,n),xiPWi,R Fi,P R Ii,D OAi,A p E ni,N o E ni,HO Ci 为第i个脉冲的特征参数向量,其中PW表示脉宽,R F表示载波频率,P R I表示脉冲重复间隔,D OA为到达角,A p E n表示近似熵,N o E n表示范数熵,HO C表示高阶累积量.S L P VG模型如图所示.图中纵轴对应脉冲的参数值,横轴为节点n,所标数值为归一化的参数值.通过滑动窗口将序列划分为若干个子序列,可以达到加快构建复杂网络的目的.定义W和L分别为窗口长度和滑动步长,通常满足Wn,L.因此,整个序列有nW个窗口,每个窗口包含W个脉冲.给定有限的可穿透距离N,对于任意两个节点(i,xi)和(j,xj)之间存在m个节点,如果节点(k,xk)满足xkxi(xjxi)kiji,()式中,ikj(k,s)且sN,即有s个节点满足式(),可进行连边.图中设置N,实线是两节点间的可视线,虚线是可视线被两个节点之间的其他节点截断的次数不大于的连线.图滑动有限穿透可视图模型F i g S l i d i n gl i m i t e dp e n e t r a b l ev i s i b i l i t yg r a p hm o d e l个P DW参数与个特征参数分别用S L P VG得到个不同的复杂网络,可用邻接矩阵Ad,d,表示,最后通过AdAd聚合得到邻接矩阵A,其中表示并,任一Ad如果节点i与j之间存在一条连接,则A中相同位置的元素ai j为,得到最终的复杂网络.社区检测和社区合并社区检测是指在图结构中发现密集连接的子网络.每个社区内部的节点之间的连接相对较为紧密,各个社区之间的连接相对稀疏,如图所示是一个具有社区结构的网络,任意两个社区的节点无交集,称为非重叠社区,否则称为重叠社区.文献 中的标签传播算法是在用唯一的标签初始化每个节点之后,根据与自己相连的节点中标签数量最多的社区标签改变自己的社区标签的算法,可以快速发现非重叠社区.图具有社区结构的小型网络F i g S m a l ln e t w o r kw i t hc o mm u n i t ys t r u c t u r e社区合并是对相似度高的子网络进行合并操作.如图中,社区和社区可以合并为一个社区.文献 中L P A算法得到的子网络包含节点数量少,相似度高,可通过D P C算法进行子社区合并,得到同一辐射源不同工作模式的脉冲簇.定义子社区的局域密度i为iije x p di jdc,()式()中,di j表示子社区i和j的节点对之间欧式距离的累计和,设定子社区内部节点之间距离为,dc为邻域截断距离.相对距离i指子社区i与其他密度更高的子社区j之间的最小距离,对于i最高的子社区,i定义为im a xijdi j(),()对于其余子社区,i定义为i m i nj:jidi j(),ji,()然后通过决策值计算各子社区的密度峰值:iii,()选取值较大的子社区作为聚类中心,D P C将其余子社区分配给密度比自己高的最近子社区所在类簇.条件标签传播拓展算法C S L P A 条件标签传播拓展算法S L P A是L P A的拓展,首先,每个节点存储器张洁雯等:基于复杂网络和C S L P A的多功能雷达信号分选中初始化一个唯一的标签,然后选择一个节点作为l i s t e n e r,它的每个邻居节点s p e a k e r根据随机策略选择一个标签传播给l i s t e n e r,l i s t e n e r从标签信息集中根据随机策略选择一个标签增加到存储器,迭代多次后,移除存储器中概率小于r的标签,得到社区检测结果.S L P A算法虽然效率很高,但算法内在的随机策略使得标签传播结果并不稳定,针对S L P A这一不足,本 文 提 出C S L P A,该 算 法 通 过 改 进 传 统S L P A算法的l i s t e n e r节点排序方式,引入l i s t e n e r与s p e a k e r节点相似性,并将其运用到标签传播过程中,从而提升算法的鲁棒性和准确性,完成社区检测.算法流程如图所示.图C S L P A算法流程图F i g F l o wc h a r to fC S L P A图中,接近中心性(C C)与节点相似度的计算方法:接近中心性是衡量节点i与其他节点间的平均距离,度量了向网络中其他节点扩散信息时节点的重要性.在一个N节点的网络G中,节点i的C C可通过下述公式得到:C Ci()NNj,jiS P Li,j(),()式()中,S P Li,j()是节点i和节点j的最短路径长度,即从节点i到达节点j的所有路径中,各边的权值总和(称为路径长度)最小.节点i和节点j的相似度 定义为s i m(i,j)xixj.()本文设置最大迭代次数为,迭代完成后,每个节点都有一个或多个标签.由于雷达脉冲构成的复杂网络是非重叠网络,因此取消阈值r的设定,直接选取标签出现次数最多的标签.具有相同标签的节点属于同一个子社区.该算法伪代码如下:算法:C S L P A输入:邻接矩阵A,迭代次数T.输出:划分好的社区.步骤:初始化所有节点的标签信息,使得每个节点拥有唯一标签;步骤:迭代f o ri:nd o根据式()计算C C(i),降序得到l i s t e n e r l i s t;f o rt:Td o f o r l i s t e n e r i n l i s t e n e r l i s td o根据式()计算s p e a k e r和l i s t e n e r的节点相似度;取出相似度最高的s p e a k e r中概率最高的标签,增加到l i s t e n e r的存储器;步骤:后处理f o ri:l i s t e n e r l e nd o取l i s t e n e r(i)中概率最高的标签为节点标签.算法步骤本文采用S L P VG进行复杂网络构建,根据接近中心性和相似度指标,通过C S L P A进行社区检测,D P C进行社区合并,得到雷达脉冲分选结果,具体算法步骤如下:算法:本文算法输入:包含n个样本雷达脉冲序列、窗长W、有限可穿透距离N、特征与P DW总维数D.输出:每个脉冲样本的标签.流程解析:步骤:提取细微特征后构建复杂网络.f o rd:Dd o f o rg:nWd o满足式()则两节点连边;AAAD;步骤:使用C S L P A算法对A进行社区检测.具体见算法;步骤:密度峰值聚类算法合并各子社区.f o ri:nd o f o rji:nd o根据式()计算i;根据式()或式()计算i和最近上级节点N o d ej;根据式()计算,选取聚类中心;f o ri:N o d ej l e nd o合并子社区.探 测 与 控 制 学 报 仿真实验与分析为了验证本文算法在多部多功能雷达混叠信号场景下的分选有效性,对四部雷达辐射源进行仿真.脉宽PW、载频R F、脉冲重复间隔P R I和到达角D OA四个参数设置与文献 相同,如表所示.辐射源和辐射源只工作于一种模式,其他两部多功能雷达辐射源分别工作于三种模式.根据表参数产生信号并提取细微特征,由于特征参数之间数值差异从 跨越到,因此对其进行最大最小归一化,范围在,内.表雷达辐射源参数设置T a b P a r a m e t e rs e t t i n g s f o re a c hr a d a re m i t t e r雷达PW/sR F/MH zP R I/sD OA/()脉冲数 实验本文算法超参数分析本文将混叠雷达脉冲序列转换为复杂网络时引入的超参数有限可穿透距离N和滑动窗长W,实验研究这两个超参数对分选结果的影响.首先验证有限穿透距离,将W设为,将N从测 试 到.分 选 结 果 如 表所 示,其 中M为C S L P A得到的子社区总数,CM为子社区中所有节点归属同一部辐射源的部分子网络.从表可以看出,CM相对于M越大时,分选正确率越高.当N时,分选正确率趋于稳定,不再有大幅度提升.因此,有限穿透距离N设置为.其次验证滑动窗长,将N设为,将W从 测试到.分选结果如表所示,与W 相比,其他两种条件下的结果较好.但在仿真过程中,运算时间也随W的增加而增加.W 和W 的总正确率较W 没有明显提升,考虑到精度与计算代价之间的权衡,选择W,N.表不同穿透距离下的分选结果(W)T a b S o r t i n gr e s u l t sw i t hd i f f e r e n t l i m i t e dp e n e t r a b l ed i s t a n c e(W)NMCM雷达/雷达/雷达/雷达/正确率/表不同滑动窗长下的分选结果(N)T a b S o r t i n gr e s u l t sw i t hd i f f e r e n tw i n d o wl e n g t h(N)W雷达/雷达/雷达/雷达/正确率/图显示了此超参数值下的雷达分选的可视化结果.为了便于与文献 对比,将脉冲序列及分选标签映射回P DW坐标系,选取脉宽为横轴,载频为纵轴,可以避免因为数据点的重叠而造成的视觉误差.图本文方法分选结果F i g T h er e s u l to f t h ep r o p o s e dm e t h o d实验社区检测算法对比分析为了 验 证 本 文 方 法(P DW 细 微 特 征S L P VGC S L P AD P C)的改进效 果,使用文献 的方法(P DWS L P VGL P AD P C)实现表中雷达脉冲分选,超参数值为W,N.两种社 区 检 测 对 比 方 法 的 分 选 结 果 如 表所示.张洁雯等:基于复杂网络和C S L P A的多功能雷达信号分选表不同分选算法的分选结果(W,N)T a b S o r t i n gr e s u l t sw i t hd i f f e r e n t a l g o r i t h m s(W,N)算法雷达/雷达/雷达/雷达/总识别率/本文 文献 从表可以看出,本文方法与文献 算法相比,辐射源的正确率略为降低 ,辐射源的正确 率 提 高 ,辐 射 源的 正 确 率 提 高 ,辐射源的正确率提高 ,总正确率提高了 ,分选性能提升较为明显.实验与k m e a n s聚类和P R I变换法对比为验证所提算法的有效性,使用传统的分选算法k m e a n s聚类 和P R I变换法对表中相同的雷达脉冲样本进行分选,k m e a n s分选结果如表和图所示,P R I变换法结果如图所示.表k m e a n s聚类分选结果T a b T h er e s u l to fk m e a n sm e t h o d雷达脉冲数分选数量正确分选数量单部正确率/总正确率/图k m e a n s聚类分选结果F i g T h er e s u l to fk m e a n sm e t h o d图中,虚线所标框图为真实雷达脉冲辐射源归属情况,椭圆内的脉冲归属于同部雷达辐射源;图中颜色类别表示k m e a n s聚类后形成的簇,同一种颜色代表脉冲被分为同一部辐射源.可以看到雷达和雷达因为脉冲参数重叠度较高,根据k m e a n s算法被归为同一辐射源信号,出现“漏批”的现象,分选效果不佳.同时,三种工作模式的雷达被分为两部辐射源信号,这既导致了“增批”现象,也降低了分选正确率.由表可知,k m e a n s聚类的总正确率比本文方法低了 .在P R I变换中,P R I谱的峰值大于检测门限,则以此峰值对应的P R I进行序列搜索,即超出门限的序列数量为类别数量.图中,实线为P R I变换谱,虚线为检测门限.由图可知,所有脉冲被分选为归属 部辐射源,“增批”问题非常严重.但本文方法可以缓解图、图所示的“增批”问题,同时获得更高的分选精度,体现了算法的优越性.图P R I变换法分选结果F i g T h er e s u l to fP R I t r a n s f o r m a t i o na l g o r i t h m实验非理想条件下性能测试为了更贴合实际电磁环境,设置不同信噪比、漏脉冲率和虚假脉冲率来测试本文方法的性能.雷达脉冲样本如表所示,超参数值为W,N.雷达信号信噪比变化范围为 d B,d B,得到本文方法的分选结果如图所示.图显示,当信噪比为 d B时,脉冲分选的总正确率高于.当信噪比达到 d B时,每部雷达的分选正确率均高于.当信噪比降低时,由于雷达和雷达的参数严重重叠,导致产生的信号畸变严重,两台辐射源的分选正确率迅速下降.测试样本的漏脉冲率和虚假脉冲率按照 递增,得到本文分选方法的分选结果如图所示.图表明,本文方法在漏脉冲条件下比在虚假脉冲条件下性能明显更优,即使有 的漏脉冲率,本文方法的分选正确率仍高于;但随着虚探 测 与 控 制 学 报假脉冲率的增加,分选正确率明显呈下降趋势,虚假脉冲率超过时,正确率开始低于.由此可见,虚假脉冲率的提高明显降低了信号的分选性能.图不同信噪比下的分选性能对比F i g S o r t i n gp e r f o r m a n c ec o m p a r i s o nu n d e rd i f f e r e n tS N Rc o n d i t i o n s图不同漏脉冲率、虚假脉冲率下的分选性能对比F i g S o r t i n gp e r f o r m a n c ec o m p a r i s o nu n d e rd i f f e r e n tp u l s e l o s er a t ec o n d i t i o n so rp u l s e f a l s er a t ec o n d i t i o n s 结论本文研究了多功能雷达信号在P DW参数重叠度较高的场景下的分选问题,提出基于复杂网络社区检测的分选方法.该方法将雷达脉冲信号的个细微特征与P DW作为特征向量输入,通过S L P VG构建复杂网络模型,保持同一辐射源脉冲之间的关联性,并采用C S L P A算法和D P C算法进行网络划分,完成分选过程.仿真实验分析了不同超参数值构建的网络对分选性能的影响,与现有分选方法进行对比,在非理想条件下进行对比分析.结果表明,本文方法在参数重叠较多及存在多功能雷达信号的复杂电磁环境中,分选性能略优于文献 提出的社区检测方法,明显优于k m e a n s聚类和基于P R I变换的传统分选算法,在如低S N R、漏脉冲、虚假脉冲等非理想条件下也有较强的鲁棒性,且在漏脉冲条件下比在虚假脉冲条件下性能明显更稳定.参 考 文 献:朱杭平,关欣基于改进扩展关联法的雷达辐射源信号分选算法J火力与指挥控制,():L I UYC,Z HAN G Q Y I m p r o v e dm e t h o df o rd e i n t e r l e a v i n gr a d a rs i g n a l sa n de s t i m a t i n gP R Iv a l u e sJ I E TR a d a r,S o n a r&N a v i g a t i o n,():G EZP,S u nX,R e nWJ,e ta l I m p r o v e da l g o r i t h mo fr a d a rp u l s er e p e t i t i o ni n t e r v a ld e i n t e r l e a v i n g b a s e do np u l s e c o r r e l a t i o n J I E E E A c c e s s,:成文海,卢伟,刘毅,等一种高效的雷达信号综合分选算法J/O L电波科学学报,():h t t p:/k n s c n k i n e t/k c m s/d e t a i l/T N h t m l 沙作金数据场聚类与平面变换雷达信号分选算法研究D哈尔滨:哈尔滨工程大学,李天琪,张玉,张进,等基于时频与快速熵的I F F辐射源个体 识别 方 法J探 测 与 控 制 学 报,():董鹏宇,王红卫,陈游,等基于模糊函数主脊切片和深度置信网络的雷达辐射源信号识别J空军工程大学学报(自然科学版),():秦鑫,黄洁,王建涛,等基于无意调相特性的雷达辐射源个体识别J通信学报,():WAN GG M,CHE NSW,HUXRB,e ta l R a d a re m i t t e rs o r t i n ga n dr e c o g n i t i o nb a s e do nt i m e f r e q u e n c yi m a g eu n i o nf e a t u r eC I E E E t hI n t e r n a t i o n a lC o n f e r e n c eo nS i g n a la n dI m a g eP r o c e s s i n g(I C S I P)U S:I E E E,L IXQ,L I UZ M,HUANGZTe ta l R a d a re m i t t e rc l a s s i f i c a t i o n w i t h a t t e n t i o n b a s e d m u l t i R NN sJI E E E C o mm u n i c a t i o n s L e t t e r s,():隋金坪,刘振,刘丽,等雷达辐射源信号分选研究进展J雷达学报,():S U I JP,L I UZ,J UNGA,e ta l O n l i n en o n c o o p e r a t i v er a d a r e m i t t e r c l a s s i f i c a t i o n f r o me v o l v i n ga n d i m b a l a n c e dp u l s es t r e a m sJI E E ES e n s o r sJ o u r n a l,():CH I,S HE NJH,L IY,e ta l M u l t i f u n c t i o nr a d a r张洁雯等:基于复杂网络和C S L P A的多功能雷达信号分选s i g n a l s o r t i n gb a s e do nc o m p l e xn e t w o r kJI E E ES i g n a lP r o c e s s i n gL e t t e r s,:R A GHAVAN U N,A L B E R TR,KUMA R AS N e a rl i n e a r t i m ea l g o r i t h mt od e t e c tc o mm u n i t ys t r u c t u r e si nl a r g e s c a l en e t w o r k sJ P h y s i c a lr e v i e w E,():R O D R I GU E Z A,L A I O A C l u s t e r i n gb yf a s ts e a r c ha n df i n d o fd e n s i t y p e a k sJ S c i e n c e,():L A R A S A T IA,S UR J AN D A R I I C o n s u m e rb e h a v i o u ra n a l y s i su s i n gs p e a k e r l i s t e n e rl a b e lp r o p a g a t i o na l g o r i t h m(S L P A)C I E E E t hI n t e r n a t i o n a lC o n f e r e n c e o nAw a r e n e s sS c i e n c e a n dT e c h n o l o g y(i C A S T)U S:I E E E,:S UNLT,WAN G X,YAN G A F,e ta l R a d i of r e q u e n c yf i n g e r p r i n te x t r a c t i o nb a s e do nm u l t i d i m e n s i o na p p r o x i m a t ee n t r o p yJI E E ES i g n a lP r o c e s s i n gL e t t e r s,:张葛祥,胡来招,金炜东基于熵特征的雷达辐射源信号识别J电波科学学报,():R E NLY,WAN GY C,X IQ R e c o g n i t i o na n a l y s i s a n ds i m u l a t i o n i m p l e m e n t a t i o nb a s e do nh i g h o r d e rc u m u l a n t so fw i r e l e s sd i g i t a lm o d u l a t i o nm o d eJJ o u r n a lo fC o m p u t e ra n dC o mm u n i c a t i o n s,():袁泽恒,葛绍春,于岩高阶累积量在多参数联合分选中的应用J电讯技术,():杨安锋,赵知劲,陈颖利用稀疏自编码器的调制样式识别算法J信号处理,():李宗英具有时滞的复杂网络固定时间同步控制研究D长春:吉林大学,宁懿昕,谢辉,姜火文图神经网络社区发现研究综述J计算机科学,(S):MAN O JB S,CHAK R A B O R T Y A,S I N GH R SC o m l p e xn e t w o r k s:Aa e t w o r k i n ga n ds i g n a lp r o c e s s i n gp e r s p e c t i v eM邢长友,淦文燕,译北京:机械工业出版社,张冉,夏厚培一种新的k m e a n s聚类雷达信号分选算法J现代防御技术,():(上接第 页)结论本文提出伪码引信小型实时可配置高速伪码调制频率源.该频率源采用可配置宽带锁相环和高速乘法器实现实时载频和码型可变伪码调制功能,配置时间小于 s;采用裸芯和S I P工艺将芯片集成到mmmmmm的Q F N封装内,实现了小型化设计.该频率源与数字相关器配合使用,在引信由远及近探测时,依据探测距离、干扰情况可实时改变载波频率和伪码长度,可有效提高引信的抗干扰能力,拓展引信