基于DAGSVM的雷达辐射源信号分选与识别

合集下载

复杂体制雷达辐射源信号识别新方法

复杂体制雷达辐射源信号识别新方法韩俊;陈晋汶;孙茹【摘要】For the low recognizing rate and sensitive to the signal-to-noise ratio(SNR),the bispectrum two-dimensional characteristics complexity is proposed to recognize unknown complicated radar signal right-ly.The bispectrum of received signal is extracted and predigested to be the two-dimensional characteristics. Then the box dimension and information dimension are extracted from the two-dimensional characteristics and used as the recognition characteristics.The last recognition is accomplished by SVM.The bispectrums of different signals are different and not sensitive to SNR,so the box dimension and information dimension are divisible and steady.The advantage of this novel method is validated by simulation results,and the lowest recognition rate is 86% at SNR =5 dB.%针对现有方法识别准确率不高和对噪声敏感的问题，应用双谱二维特征复杂度实现了低信噪比下未知复杂体制雷达信号的高准确率识别。

浅谈雷达辐射信号分类识别与特征提取

浅谈雷达辐射信号分类识别与特征提取作者：李梓瑞来源：《科技传播》2017年第03期摘要为了研究雷达信号提取和分类识别问题，军事自动化控制和指挥系统的强烈需求是雷达辐射源的有效分类识别。

在现代雷达体制下，针对复杂信号的低截获特性，提出了一种新的分类识别方法，以提高雷达辐射源信号的个体识别率。

信号脉冲无意调制特征的信号各频带能量可以由小波包变换提取反应，通过泛化能力和学习能力都很强的混合核函数支持向量机进行分类识别并进行仿真。

仿真结果证明，这样做有利于提高识别效率，证明其方法的有效性和可行性，且性能优于传统方法。

关键词雷达辐射信号；小波包；混合核函数；雷达辐射源；分类识别中图分类号 TN95 文献标识码 A 文章编号 1674-6708（2017）180-0028-02雷达最初是军事侦察的一种遥测系统，用于目标的检测、定位与测距。

随着雷达技术的发展，它已广泛应用于生产生活的各个方面，尽管如此，如何从雷达提供的数据中识别所检测的目标一直没有解决。

在复杂多变的现代电子战对抗环境下，雷达辐射源信号识别不仅可以用于电子侦察，还可以作为判断敌方武器威胁的依据，在雷达对抗过程乃至整个电子战中都做出了巨大贡献。

随着时代的发展，现代社会对于信号识别方法的要求越来越高，顺应时代发展与社会需求，研究并探讨脉内无意调制UMOP的特征，探索理恰当的信号识别方法。

现代战争中，雷达是取得军事优势的重要装备。

雷达侦察作为雷达对抗的主要内容之一，在掌握敌方雷达类型、功能，甚至获知敌方兵种和武器部署中已成为各级指挥员的“眼睛”和“耳朵”。

雷达辐射源信号的识别在雷达侦察信号处理系统中是最重要、最关键的环节。

因此，现阶段衡量雷达对抗设备主要技术水平的重要标志就是识别雷达辐射源信号水平的高低。

随着雷达的广泛应用和雷达电子对抗激烈程度的不断加剧，在高密度、高复杂波形、宽频谱捷变的雷达信号环境中，传统的雷达辐射源信号识别方法已无法满足现代社会的需要。

基于深度学习的雷达辐射源识别算法

·技术前沿·航天电子对抗2021年第1期基于深度学习的雷达辐射源识别算法殷雪凤，武斌（西安电子科技大学电子工程学院，陕西西安710126）摘要：为解决雷达辐射源识别中特征提取困难、低信噪比条件下识别效率低的问题，提出了一种基于一维卷积神经网络和长短期记忆网络的深度学习智能识别算法，构建了一个CNN‑LSTM网络，能实现对不同脉内调制方式雷达辐射源的端到端识别。

该网络首先利用卷积层学习信号局部特征，然后将卷积层输出的结果输入长短期记忆网络，学习信号的全局特征，最终构造逻辑回归分类完成分类识别任务。

仿真结果表明，该算法较单一卷积神经网络模型具有更好的识别效果，抗噪声效果更强，在-6dB信噪比的条件下，识别的准确率仍能够达到90%以上。

关键词：卷积神经网络；长短期记忆网络；雷达辐射源识别；深度学习中图分类号:TN971+.5；TN974文献标志码:ARadar emitter identification algorithm based on deep learningYin Xuefeng，Wu Bin(School of Electronic Engineering，Xidian University，Xi’an710126，Shanxi，China)Abstract：In order to solve problems of feature extraction and low recognition efficiency under low signal-to-noise ratio in radar emitter identification，a deep learning intelligent recognition algorithm is proposed based onone-dimensional convolutional neural network and long short-term memory（CNN-LSTM）network.A CNN-LSTM network is constructed，which can realize end-to-end identification of different pulse modulation radarsources.The convolutional layers are used to learn the local characteristics of the signal by this network，and thelong short-term memory layer is used to learn the global characteristics.Finally a logistic regression classificationis constructed to complete the recognition task.Simulation results show that the algorithm has better recognitioneffect and stronger anti-noise effect compared with the single convolutional neural network model.Under the con‑dition of-6dB signal-to-noise ratio，the recognition accuracy can still reach more than90%.Key words：convolutional neural network；long short-term memory network；radar emitter identification；deep learning0引言雷达辐射源识别（REI/RER）技术是电子战中至关重要的一部分，是电子支援措施（ESM）的核心和雷达对抗系统中的关键技术[1]。

基于lstm的雷达辐射源识别技术

使用条件。
近年来，随着在深度学习领域不断的探索和研
究，已经在语音识别［7］、图像识别［8］、自然语言［9］领
域取得比较大的成功，相对于传统的机器学习方
法，深度学习方法性能优异、识别高等，但具有不可
解释性以及需要大量的计算能力。本文研究的辐
射源雷达识别问题具有时序特征的特点，构建基于
LSTM（Long Short-Term Memory）［10］的雷达辐射源
学习方法，需要大量的人工特征提取以及先验知识，且很难处理时序问题。论文基于长短时记忆网络（LSTM）模型对雷达辐
射源进行识别分类。通过仿真数据，在 TensorFlow 平台构建深度 LSTM 网络模型，以连续的雷达辐射源信号特征作为网络的
输入并训练，实现对辐射源的识别，结果表明构建的 LSTM 模型在识别辐射源有很好的效果，平均识别率达 93.2%。
内的雷达辐射源信号特征数据源，先进行归一化处
理，之后输入到构建的 LSTM 模型中，识别辐射源
的类型。图 1 为整个雷达辐射源识别的过程和流
程图。
1）雷达收集辐射源时序信号特征进行标注，构
建数据集，然后按照一定的比例进行抽取作为训练
集、测试集。
2）对雷达辐射源信号训练集和测试集进行预
处理，向量化、归一化、编码等基本预处理操作。
常复杂，导致识别雷达信号变得困难，如何在如此
复杂的电磁环境中高效快速地识别成为重要问
题。目前研究雷达辐射源识别的方法主要是基于
传统的机器学习方法，
如贝叶斯算法［3］、
近邻算法［4］、
∗
决策树算法［5］、人工神经网络［6］等方法以及最近几
年兴起的深度学习的方法。传统的机器学习，虽原
理简单、理论成熟但识别率低、泛化能力弱、有限制

基于机器学习的雷达信号分选和目标识别（论文阅读学习记录—持续记录）

基于机器学习的雷达信号分选和目标识别（论文阅读学习记录—持续记录）机器学习在雷达信号分选技术上的应用包括信号分离、确定脉冲参数、形成单部雷达脉冲序列，然后针对雷达目标识别进行分类并划分威胁程度等。

在一维距离像识别过程中包括去噪和雷达目标型号识别。

该论文（学习内容）重点研究了机器学习中的聚类技术以及目标识别技术，以满足我国的电子对抗等领域的需求。

电子侦察是指通过雷达发射信号去搜索和截获敌方的电子系统发出的电磁辐射信息以获得对方的相关战术或设备信息，及时作出相对应的防御策略或发出干扰信息。

雷达信号分选技术、识别技术是雷达侦查信号处理系统的关键环节。

雷达信号分选精度是判断一个雷达信号处理系统性能的重要指标。

雷达信号处理系统得到天线截获的混叠信号然后将进行去交错，将不同雷达的脉冲序列分离，并对脉冲序列的调制方式进行识别，进一步对雷达辐射源型号进行识别，然后做出威胁评估等级再做相应的预防措施和干扰。

雷达高分辨一维距离像（HRRP）指雷达信号发射后通过散射中心向后散射在径向方向上占据多个连续的距离单元，通过回波信号矢量叠加形成的投影分布。

目前人们将人工智能和机器学习加入到雷达工作模式识别中以提高识别正确率。

最常用的两种机器学习识别法一个是基于参数估计的雷达辐射源及工作模式识别，一个是基于句法的雷达辐射源和工作模式识别。

（1）参数估计法识别雷达工作模式（2）句法识别雷达工作模式基础知识介绍雷达信号分选技术是指将这些按到达时间组成的交叠脉冲流进行去噪、去干扰并分离出每部雷达的信号脉冲流，对每部雷达根据其得到的脉冲流来获得该雷达的相关参数的一个过程。

雷达信号脉内参数（ PDW）：1、到达时间TOA一个雷达脉冲有上升沿和下降沿，脉冲到达时间是指侦查系统接收一个脉冲上升沿到达的时间点，TOA 是脉冲参数中最直接的参数，一些其他的脉内参数或脉间参数需要通过 TOA 进行计算可得，所以 TOA 也是最重要的一个雷达脉冲参数。

雷达辐射源信号分选技术概述

雷达辐射源信号分选技术概述魏志文;徐庆【摘要】文章详细介绍了当前用于雷达辐射源信号分选的几种技术,从理论上分析了他们的优缺点,并针对当前雷达辐射源信号分选技术的现状,指出了这一领域需尽快解决的几点问题。

【期刊名称】《科技风》【年(卷),期】2011(000)019【总页数】1页(P39-39)【关键词】雷达;分选;概述【作者】魏志文;徐庆【作者单位】空军驻南湖机械总厂军事代表室,湖北荆州434000;中国电子科技集团公司第38研究所,安徽合肥230088【正文语种】中文【中图分类】TN95雷达辐射源信号分选是指从截获到的密集雷达脉冲流中分选出属于不同雷达辐射源的脉冲，然后得到雷达的工作参数，并利用这些参数获取该雷达的体制、用途和型号等信息。

当前的分选算法主要基于分析截获信号的各种参数，如到达时间、到达角、载频、脉宽等。

其中，利用脉冲重复间隔（PRI）分选在其它参数分选（预分选）完成以后进行，即为最终的分选，也是必不可少的分选。

PRI分选算法有很多种，如累积差直方图（CDIF）、序列差直方图（SDIF）、PRI变换以及改进的PRI变换算法等，这些算法在单独使用时都存在一定的缺陷。

本文对当前常用的几种雷达辐射源分选方法进行了理论上的研究，分析了它们的优缺点，并指出了当前雷达辐射源信号分选亟需解决的几点问题。

CDIF是基于周期性脉冲时间相关原理的一种去交错算法，通过累积各级差值直方图来估计原始脉冲序列中可能存在的PRI，并以此来进行序列搜索，具体步骤如下。

首先计算TOA差值，形成第一级差值直方图，然后确定门限。

接着从最小的脉冲间隔起，将第一级差值直方图中的每个间隔的直方图值以及2倍间隔的直方图值与门限作比较，如果两个直方图值都超过门限，则以该间隔作为PRI进行序列检索；假如序列检索成功，PRI序列将会从采样脉冲中扣除，并且对于剩余脉冲列，从第一级差值直方图起形成新的CDIF直方图，该过程会一直重复下去直到没有足够的脉冲形成脉冲序列；假如序列检索不成功，则以本级CDIF直方图的下一个符合条件的脉冲间隔值作为PRI值进行序列搜索；假如本级直方图中没有符合条件的脉冲间隔值，则计算下一级的CDIF直方图。

基于覆盖算法的SVM雷达辐射源识别

中分号Ｔ３．图类：ＰＭ雷达辐射源识别
陈婷，陈卫
（中国人民解放军炮兵学院无人机教研室，合肥２０３）３０１
摘
要：传统的支持向量机（Ｖ多值分类算法在构造多个二值分类器时存在计算量较大和分类速度较低的问题。为此，将覆盖思想引入ＳＭ）
ＳＶＭｄｒＥｍｉｔｒＲｅｏｎｔｏｓｄ０ｖｒｎｇｒｔｍＲａａｔｅｃｇｉｉｎＢａｅｎＣｏｅｉｇＡｌｏｉｈ
ＣＨＥＮＴｉｇＣＨＥＮＷｅｎ．ｉ
（ＶＴａｈｎｎｓａｃｅｔｎＰＡＡｒｌｒａｅ，ｅｅ２０３，ｉａＵＡｅｃｉｇａｄＲｅｅｒｈＳｃｉ，ＬｏｔｌｙｉｅＡｃｄｍｙＨｆｉ３０１Ｃｈｎ）
应用上述基于覆盖算法的多类ＳＭ分类方法，来实现Ｖ辐射源｝标识别，具体步骤如下：｛
约束为：
∑ ＝１，０≤ ≤ Ｃ，＝１２… ，ｉ，，／（）６
（）１对样本数据进行标准化处理，并将预处理后的样本数据分为训练集、验证集和测试集；（）择初始参数，包括参数Ｃ和２选
１概述
２纪７０世０年代后期以来，ＶｐｉａｎｋＶＮ等人致力于统计
学习理论（ｔｉｉｌｅｒｉｇＴｅｒ，Ｌ）ＳａｓｃａｎｎｈｏｙＳＴ的研究，提出一种ｔｔａＬ新的学习算法，即支持向量机（ｕｐｒＶｃｒｃｉｅＳｐｏｔｅｔＭａｈｎ，ｏＳＭ）Ｖ …。ＳＶＭ能处理小样本、非线性以及高维模式识别问题，而且表现出很多特有的优点，因而受到广泛的关注，在

一种基于深度学习网络的雷达辐射源信号分选方法及系统[发明专利]

专利名称：一种基于深度学习网络的雷达辐射源信号分选方法及系统
专利类型：发明专利
发明人：唐怀玉,刘明骞,廖桂悦,陈健,宫丰奎
申请号：CN201910239950.2
申请日：20190327
公开号：CN110109060A
公开日：
20190809
专利内容由知识产权出版社提供
摘要：本发明属于电子对抗中雷达辐射源信号的分选技术领域，公开了基于深度学习网络的雷达辐射源信号分选方法及系统，对接收的雷达辐射源信号进行预过滤处理；再对接收信号进行崔‑威廉斯分布时频分析，获取二维时频图像；以及通过基于堆栈混合自编码器提取特征，并利用半监督线性判别法进行降维后对雷达辐射源信号进行分选。

本发明通过提取崔‑威廉斯分布时频特征，去除了相关信息之间的冗余，降低了特征维度，同时可以减少信号噪声；由于本发明利用去噪自编码器、稀疏自编码器以及普通自编码器进行堆叠提取特征，这样网络既具有较好的泛化能力也具有提取出更抽象的稀疏特征的能力，增加了网络的鲁棒性和分选正确率。

申请人：西安电子科技大学
地址：710071 陕西省西安市太白南路2号西安电子科技大学
国籍：CN
代理机构：西安长和专利代理有限公司
代理人：黄伟洪
更多信息请下载全文后查看。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｎｎｌｅｒｎｈｉｅｔｄａｙｌｒｐｓａｇｒｔｍａｈｄａｔｇｆｈｇｌｓｉｃｔｏｃｕａｙＢｅｏ－ｉａ，ａｄｔｅｄｒｃｅｃｃｉｇａｈｌｏｓｆａｉｎａｃｒｃ．ｎｃｉ —
（．解放军炮兵学院火控教研室，徽合肥２０３；１安３０ｌ２。解放军炮兵学院五系４２队，徽合肥２０３）安３０１
摘要：支持向量机具有较好的解决小样本、线性问题的能力，ＤＡ算法具有分类精度高的优非而Ｇ点。针对现有方法分选与识别准确率不高和对参数变换敏感的问题，ＤＡＶＭ的基础上，出一种新的在ＧＳ提雷达辐射源分选与识别方法。首先概述了支持向量机的原理及特点，然后完成了对ＳＶＭ多分类器的设计，介绍了ＤＡＧ算法，出了基于ＤＳ提ＡＧＶＭ的雷达辐射源信号分选与识别。并通过仿真实验分析了分类器对
ＣＵＳｈｅｓｔｎｇａｅｏｇｎｔｏａｃｕａｃｈｏｍｏｍｅｈｓｎｏｇａｓｓｎｓｔｖｅｔｈａｉｄｐａＲｅｔｏｒｉｎｄｒｃｉｉｎｃｒｙｏｆｔｅｃｍｎｔｏｄｉｔｈｉｈｎｄｉｅｉｉｏｔｅｖｒｅ —
ＡｂｔａｔＴｈｅｓｓｒｃ：ｕｐｐｔｃｏｒｍａｈｉｐｓｓｅｈｅｂｉｉｙｔｓｖｐｏｅｓｕｈｓｍａｌｓｍｐｌｏｒｖｅｔｃｎｅｏｓｅｓｓｔａｌｔｏｏｌｅｒｂｌｍｓｃａｓｌａｅ，
中图分类号：Ｎ９７Ｔ７Ｔ５；Ｎ９４文献标识码：Ａ文章编号：６２２３（０１０ — ２７０１７ — ３７２１）３０４ — ６
ＳｒｉｇａｄＲｅｏｎｔｏｆＲａａｏｔｎｎｃｇｉｎｏｄｒＥｍｉｅｉａｓｄｏｉｔｒＳｇｌＢａｅｎＤＡＧＳｔｎＶＭ
ａｄｒｃｎｉｉｎｏａａｍｉｔｒｓｇｎｌｂｅｎＤＡＧＳＶＭｓｐｕｔｆｒｒ．ＴｈｅａｔｃｅａｌｅｈｅｉｌｎｃｎｅｏｇｔｏｆｒｄｒｅｔｅｉａａｓｄｏｉｏｗａｄｒｉｌｎａｙｓｓｔｎｆｕｅｅｏｆｃａｓｆｅｈｅｒｓｔｏｒｉｎｅｏｌｓｉｉｒｏｎｔｅｕｌｓｏｆｓｔｎｇａｄｒｃｇｎｉｉｈｒｇｈｓｍｕａｉｘｐｒｍｅｔＥｘｒｍｅｅｕｌｓｓｔｏｎｔｏｕｉｌｔｏｎｅｅｉｎ．ｐｅｉｎｔｒｓｔｈｏｗｔｔｔｈａｈｅｍｅｔｏｄｂａｅｎＤＡＧＳＶＭｓｆａｉｅＴｈｅｈｏｓｓｒｎｇｇｅｅａｉａｉｂｉｉｙａａｍｐｏｅｈｓｄｏｉｅｓｂｌ．ｅｍｔｄｈａｔｏｎｒｌｔｏｎａｌｔｎｄｃｎｉｒｖｚ
ｒｍｅｅｓｏｅｏｔｇａｄｒｃｇｉｉｎａｇｒｔｍｏｈａａｍｉｔｒｉｐｏｏｅａｅｎＤＡＧＳａｔｒ，ａｎｖｌｓｒｉｎｅｏｎｔｌｏｉｎｏｈｆｒｔｅｒｄｒｅｔｅｓｒｐｓｄｂｓｄｏＶＭ．Ｔｈｒｎｉｌｎｅｔｒｓｏｕｐｒｅｔｒｍａｈｎｒｉｓｌｖｒｉｗｅｈｒｉｌ．Ｔｈｎ，ｔｅｄｓｇｆｅｐｉｃｐｅａｄｆａｕｅｆｓｐｏｔｃｏｃｉｅａｅｆｒｔｙｏｅｖｅｄｉｔｅａｔｅｖｎｃｅｈｅｉｎｏｍｕｔｐｅｃａｓｆｒａｅｎｃｍｐｅｅ，ａｄｔｅｄｒｃｅｃｃｉｒｐｓａｇｒｈｉｉｔｏｕｅ．Ｔｈｏｔｇｌｌｌｓｉｉｓｈｓｂｅｏｌｔｄｎｈｉｅｔｄａｙｌｇａｈｌｏｉｍｓｎｒｄｃｄｉｅｅｔｅｓｒｉｎ
分选识别结果的影响。实验结果表明，用ＤＳ使ＡＧＶＭ这种方法是可行的，方法具有较强的泛化性能，该明
显地提高了信号分选识别的准确性。
关键词：支持向量机；雷达辐射源；分选与识别；类器；向无环图分有
第３期
２１０１年６月
雷达科学与技术
ＲａｄａＩｃ１－－ＳｅｎｃｅａｎｄｅｃｈｎｏｌＴｏｇｙ
Ｖｏ１ｏ．９Ｎ．３
Ｊｎ０ｉｕｅ２１
基于ＤＡＧＳＶＭ的雷达辐射源信号分选与识别
邱超凡李浩，
ＱＩａ —ａ，ＬＩＨａＵＣｈｏｆｎｏ
（．ＦｉｅｏｔｏＳａｆＲｏ１ｒＣｎｒｌｔｆｏｍ，ＡｒｉｅｙＡｃｄｍｙｏＰＡ，Ｈｅｅ２０３，Ｃｉａ：ｔｌｒｌａｅｆＬｆｉ３０１ｈｎ
２．Ｎｏ５Ｄｅａｔｎ，ｔｌｒａｅｆＰＡ，Ｈｅｅ３０１ｈｎ）．ｐｒｍｅｔＡｒｉｅｙＡｃｄｍｙｏＬｌｆｉ０３，Ｃｉａ２