雷达辐射源类型识别分析
总第２８２期 ２０１３年第４期 计算机与数字工程
Ｃｏｍｐｕｔｅｒ＆Ｄｉｇｉｔａｌ Ｅｎｇｉｎｅｅｒｉｎｇ Ｖｏ１．４１ Ｎｏ．４
５６５
雷达辐射源类型识别分析 徐欣 刁联旺 于永生 （１．信息系统工程重点实验室南京２１０００７）（２．中国人民解放军装甲兵学院合肥２３３５００）
摘要辐射源信号高度密集、波形复杂、频域宽广、隐身和抗干扰能力强，复杂现代电子对抗信号环境下，雷达辐射源类型识别面临着 严峻的挑战。论文总结了雷达辐射源类型识别技术的最新发展动态。针对特征提取和识别算法的现状、雷达辐射源信号数据海量、高维和 递增的特点及特征参数随雷达工作参数和模式变化的特性，分析了雷达辐射源类型识别算法的不足。并且，为改进上述不足之处，提出了现 代电子对抗信号环境下雷达辐射源类型识别的新流程，以进一步提高雷达辐射源类型识别的实时性和准确性。 关键词雷达辐射源识别；分类；数据挖掘 中图分类号ＴＮ９７４
Ｄｅｖｅｌｏｐｍｅｎｔ Ｔｒｅｎｄ ｏｆ Ｒａｄａｒ Ｅｍｉｔｔｅｒ Ｒｅｃｏｇｎｉｔｉｏｎ ＸＵ Ｘｉｎ ＤＩＡＯ Ｌｉａｎｗａｎｇ ＹＵ Ｙｏｎｇｓｈｅｎｇ （１．Ｓｃｉｅｎｃｅ ａｎｄ Ｗｅｃｌｍｏｌｏｇｙ ｏｎ Ｉｎｆｏｍｌａｔｉｏｎ Ｓｙｓｔｅｍ Ｅｎｇｉｎｅｅｒｉｎｇ Ｌａｂｏｒａｔｏｒｙ，Ｎａｎｉｉｎｇ ２１０００７）（２．Ａｒｍｏｒ Ｓｃｈｏｏｌ ｏｆ ＰＬＡ，Ｈｅｆｅｉ ２３３５００）
Ａｂｓｔｒａｃｔ Ｉｎ ｔｈｅ ｍｏｄｅｒｎ ｄｅｃｔｒｏｎｉｃ ｃｏｕｎｔｅｒｍｅａｓｕｒｅ ｅｎｖｉｒｏｎｍｅｎｔ，ｒａｄａｒ ｅｍｉｔｔｅｒ ｓｉｇｎａｌｓ ａｒｅ ｄｅｎｓｅｌｙ ｄｉｓｔｒｉｂｕｔｅｄ，ｗｉｔｈｉｎ ｃｏｍｐｌｉｃａｔｅｄ ｗａｖｅｆｏｒｍｓ ａｎｄ ｂｒｏａｄ ｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎ，ａｎｄ ｈａｖｅ ａｎｔｉ－ｊａｍ ａｎｄ ｓｔｅａｌｔｈ ｃａｐａｂｉｌｉｔｉｅｓ．Ｉｎ ｔｈｉｓ ｐａｐｅｒ，ｔｈｅ ｌａｔｅｓｔ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｒａｄａｒ ｅｍｉｔｔｅｒ ｒｅｃ— ｏｇｎｉｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ａｒｅ ｓｕｍｍａｒｉｚｅｄ．Ｗｉｔｈ ｒｅｇａｒｄｓ ｔｏ ｔｈｅ ｓｔａｔｕｓ ｏｆ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ａｎｄ ｒａｄａｒ ｅｍｉｔｔｅｒ ｒｅｃｏｇｎｉｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ，ｔｈｅ ｍａｓｓｉｖｅ， ｈｉｇｈ——ｄｉｍｅｎｓｉｏｎａｌ ａｎｄ ｉｎｃｒｅｍｅｎｔａｌ ｎａｔｕｒｅ ｏｆ ｒａｄａｒ ｅｍｉｔｔｅｒ ｄａｔａ ａｎｄ ｔｈｅ ｔｉｍｅ——ｃｈａｎｇｉｎｇ ｐｒｏｐｅｒｔｙ ｏｆ ｒａｄａｒ ｅｍｉｔｔｅｒ ｐａｒａｍｅｔｅｒｓ ｕｎｄｅｒ ｄｉｆｆｅｒｅｎｔ ｗｏｒｋ ｍｏｄｅｓ ａｎｄ ｐａｒａｍｅｔｅｒｓ，ｔｈｅ ｄｅｆｉｃｉｅｎｃｙ ｏｆ ｃｕｒｒｅｎｔ ｒａｄａｒ ｅｍｉｔｔｅｒ ｒｅｃｏｇｎｉｔｉｏｎ ｔｅｃｈｎｉｑｕｅｓ ａｒｅ ａｎａｌｙｚｅｄ ａｎｄ ａ ｎｏｖｅ１ ｒａｄａｒ ｅｍｉｔｔｅｒ ｒｅｃｏｇｎｉｔｉｏｎ ｆｒａｍｅｗｏｒｋ ｉｓ ｂｒｏｕｇｈｔ ｆｏｒ ｗａｒｄ．ｓｏ ａｓ ｔｏ ｂｅｔｔｅｒ ｓａｔｉｓｆｙ ｔｈｅ ｒｅａｌ—ｔｉｍｅ ａｎｄ ａｃｃｕｒａｃｙ ｒｅｑｕｉｒｅｍｅｎｔ ｏｆ ｒａｄａｒ ｅｍｉｔｔｅｒ ｒｅｃｏｇｎｉｔｉｏｎ ｉｎ ｔｈｅ ｍｏｄｅｒｎ ｅｌｅｃ— ｔｒｏｎｉｃ ｃｏｕｎｔｅｒｍｅａｓｕｒｅ ｅｎｖｉｒｏｎｍｅｎｔ． Ｋｅｙ Ｗｏｒｄｓ ｒａｄａｒ ｅｍｉｔｔｅｒ ｒｅｃｏｇｎｉｔｉｏｎ，ｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｄａｔａ ｍｉｎｉｎｇ Ｃｌａｓｓ Ｎｕｍｂｅｒ ＴＮ９７４
１ 引言 雷达辐射源类型识别指的是根据雷达辐射源目标的信 号参数特征，对目标的类型属性进行判断。雷达辐射源类 型识别对电子战 和雷达对抗的意义重大。实时和准确 地判断战场雷达辐射源目标类型是进行指挥决策的重要指 导依据。 随着雷达技术的迅速发展和电子对抗信号环境的不断 复杂化，对雷达辐射源类型识别的要求越来越高。早期的 侦察机，由于信号环境和信号形式简单，只需进行简单的常 规特征参数匹配，即可由操作员利用其掌握的简单知识进 行雷达辐射源类型识别。然而，在现代战争中雷达辐射源 信号日益复杂，仅靠人工识别无法达到战场条件下实时性 和准确性的要求。 雷达辐射源信号的日益复杂性主要体现在以下几个方 面。第一，雷达辐射源信号频率覆盖范围更加广泛，出现大 量未知的雷达辐射源信号。第二，出于提高雷达辐射源识 别、隐身和抗干扰等能力的需求，随着雷达技术水平的提高 出现了越来越多新的复杂体制雷达＿３］。新体制雷达信号形 式复杂、参数多变、变化规律复杂且变化范围大，不仅在频 域上有复杂的变化，而且在时域的变化也很多，甚至时域和 频域的参数都有变化。第三，随着雷达辐射源体制的增多、 工作频段的增宽，不同雷达辐射源的工作频段在越来越宽 的范围上相互重叠，同时在时域上也密集和交迭。 因此，在信号高度密集、波形复杂、频域宽广、隐身和抗 干扰能力强的现代电子对抗信号环境下＿４］，雷达辐射源类 型识别面临着严峻的挑战，现有的雷达辐射源识别系统迫 切需要更新换代。雷达辐射源信号识别必须依据更加细微 的特征和更加灵活的识别算法，向自动化、智能化方向进一 步发展，以提供实时和准确的识别能力。
２研究现状 当前的雷达辐射源类型识别流程一般可表示为三个过 程：预处理、特征提取和分类识别，其中分类识别又包括雷 达辐射源训练样本的采集，雷达辐射源分类模型的构建和 分类模型识别结果的输出，如图１所示。 ２．１特征提取 按照雷达辐射源类型识别所提取的特征，其研究可以 分为常规特征法和脉内特征法。 常规特征法主要依据如载频（ＣＦ）、脉冲宽度（Ｐｗ）、脉
收稿日期：２０１２年１Ｏ月８日，修回日期：２０１２年１１月２９日 作者简介：徐欣，女，博士，高级工程师，研究方向：数据挖掘。刁联旺，男，博士，教授，研究方向：数据融合。于永生，男，研究员级高 工，研究方向：数据融合。 ２０１３年第４期 计算机与数字工程 ５６７ ２）识别算法对海量、递增和高维雷达辐射源训练样本 的自学习能力有待加强。现有的识别算法基本上都是针对 数目小、静态和低维的训练样本，当训练样本的数目和维度 较大且不断递增时，将不能保证识别的实时性和准确率。 ３）识别算法在分类建模时没有考虑常规特征参数和 脉内特征参数在雷达辐射源工作参数和模式改变时的变 化，以及本身的时变特性。局限于静态不变的特征参数。 改进以后的雷达辐射源类型识别流程如图２所示。在 训练样本上识别算法对提取特征进行评估，并将结果反馈 特征提取，直接指导特征提取的进行。识别算法随着雷达 辐射源训练样本在特征、类型和数目的递增，以及特征参数 在不同工作参数和模式下的变化，对原先构建的雷达辐射 源分类模型进行动态更新，形成自学习能力。
４结语 本文总结了雷达辐射源类型识别中特征提取和分类识 别方法的最新发展动态，并指出了其中的不足之处。不足 之处包括：识别算法对海量、递增和高维雷达辐射源训练样 本的自学习能力有待加强；识别算法在分类建模时没有考 虑常规特征参数和脉内特征参数在雷达辐射源工作参数和 模式改变时的变化，以及本身的时变特性，局限于静态不变 的特征参数。针对上述不足，本文提出了现代电子对抗信 号环境下雷达辐射源类型识别的新流程，以更好地满足雷 达辐射源类型识别的实时性和准确性要求。
参考文献 Ｅｌｉ Ｃｏｌｌｉｎｓ Ｊ Ｈ，Ｇｒａｎｔ Ｐ Ｍ．Ａ ｒｅｖｉｅｗ ｏｆ ｃｕｒｒｅｎｔ ａｎｄ ｆｕｔｕｒｅ ｃｏｍ ｐｏｎｅｎｔｓ ｆｏｒ ｅｌｅｃｔｒｏｎｉｃ ｗａｒｆａｒｅ ｒｅｃｅｉｖｅｒｓ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｏｎｉｃｓ ａｎｄ Ｕｌｔｒａｓｏｎｉｃｓ，１９８１，２８（３）：１１７—１２５． ［２］赵国庆．雷达对抗原理［Ｍ］．西安：西安电子科技大学出版社， ｌ９９９． ＺＨＡＯ Ｇｕｏｑｉｎｇ．Ｐｒｉｎｃｉｐｌｅ ｏｆ Ｒａｄａｒ Ｃｏｕｎｔｅｒｍｅａｓｕｒｅ［Ｍ］． Ｘｉ’ａｎ：Ｘｉ’ａｎ Ｅｌｅｃｔｒｏｎｉｃ ａｎｄ Ｓｃｉｅｎｃｅ Ｕｎｉｖｅｒｓｉｔｙ，１９９９． ［３］Ｅｌｂｉｒｔ Ａ Ｊ．Ｉｎｆｏｒｍａｔｉｏｎ ｗａｒｆａｒｅ：ａｒｅ ｙｏｕ ａｔ ｒｉｓｋ口］．ＩＥＥＥ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｓｏｃｉｅｔｙ Ｍａｇａｚｉｎｅ，２００３，２２（４）：１３—１９． Ｅ４］Ｓｔｏｖｅ Ａ Ｇ，Ｈｕｍｅ Ａ Ｌ，Ｂａｋｅｒ Ｃ Ｊ．Ｌｏｗ ｐｒｏｂａｂｉｌｉｔｙ ｏｆ ｉｎｔｅｒ— ｃｅｐｔ ｒａｄａｒ ｓｔｒａｔｅｇｉｅｓ［Ｃ］／／ＩＥＥＥ Ｐｒｏｃ．Ｒａｄａｒ Ｓｏｎａｒ Ｎａｖｉｇ， ２００４，ｌ５１（５）：２４９—２６０． ［５］王乃和．关于ＥＳＭ中雷达信号分选识别问题的探讨［Ｊ］．电子 对抗，１９９１，２５（３）：４４—５１． ＷＡＮＧ Ｎａｉｈｅ．Ａ Ｓｔｕｄｙ ｏｆ Ｒａｄａｒ Ｓｉｇｎａｌ ｓｏｒｔｉｎｇ ａｎｄ ｉｄｅｎｔｉｆｉｃａ— ｔｉｏｎ ｆｏｒ ＥＳＭ［Ｊ］．Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｕｎｔｅｒｍｅａｓｕｒｅ，１９９１，２５（３）：４４— ５１． ［６］Ｐｅｒｄｒｉａｕ Ｂ．Ｍｏｄｕｌａｔｉｏｎ ｄｏｍａｉｎ ｏｆｆｅｒｓ ａ ｎｅｗ ｖｉｅｗ ｏｆ ｒａｄａｒ ｐｅｒ— ｆｏｒｍａｎｅｅ［Ｊ］．ＭＳＮ，１９９０（４）：２７—４３． ［７］穆世强．雷达信号脉内细微特性分析口］．电子对抗，１９９１（２）： ２８－３７． Ｍｕ Ｓｈｉｑｉａｎｇ．Ｉｎｔｒａ—ｐｕｌｓｅ Ａｎａｌｙｓｉｓ ｏｆ Ｒａｄａｒ Ｓｉｇｎａｌ￣Ｊ］．Ｅｌｅｃ ｔｒｏｎｉｃ Ｃｏｕｎｔｅｒｍｅａｓｕｒｅ，１９９１（２）：２８－３７． ［８］张葛祥．雷达辐射源信号智能识别方法研究［Ｄ］．成都：西南交 通大学，２００５． ＺＨＡＮＧ Ｇｅｓｉａｎｇ．Ａ Ｓｔｕｄｙ ｏｆ Ｒａｄａｒ Ｅｍｉｔｔｅｒ Ｓｉｇｎａｌ Ｉｎｔｅｌｌｉｇｅｎｔ Ｉｄｅｎｔ｜ｆｉｃａｔｉ０ｎ［Ｄ］．Ｃｈｅｎｇｄｕ：Ｓｏｕｔｈｗｅｓｔ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ， ２００５． ［９］Ｊａｒｍｏ Ｌｕｎｄｅｎ，Ｖｉｓａ Ｋｏｉｖｕｎｅｎ．Ａｕｔｏｍａｔｉｃ ｒａｄａｒ ｗａｖｅｆｏｒｍ ｒｅｃ—
ｏｇｎｉｔｉｏｎ［Ｊ］．ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｆ Ｓｅｌｅｃｔｅｄ ＴｏＰｉｃｓ ｉｎ Ｓｉｇｎａｌ Ｐｒｏ ｃｅｓｓｉｎｇ，２００７，１（１）：１２４—１３６． ［１Ｏ］ＤｅｌＰａｒｔ Ｎ．Ａ ｓｙｍｐｔｏｔｉｃ ｗａｖｅｌｅｔ ａｎｄ Ｇａｂｏｒ ａｎａｌｙｓｉｓ：Ｅｘｔｒａｃ— ｔｉｏｎ ｏｆ Ｉｎｓｔａｎｔａｎｅｏｕｓ Ｆｒｅｑｕｅｎｃｉｅｓ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓ ｌｎｆｏｒｍａ— ｔｉｏｎ Ｔｈｅｏｒｙ，１９９２，３８（３）：６４４—６６４． ［１１］Ｒａｙ Ｐ．Ｓ．Ｒａｄａｒ Ｗａｖｅｆｏｒｍ Ｍｏｄｕｌａｔｉｏｎ Ｒｅｃｏｇｎｉｔｉｏｎ ｂｙ Ｎｅｕ— ｒａｌ Ｐｒｏｃｅｓｓｉｎｇ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ ａｎｄ Ｉｔｓ Ａｐｐｌｉｃａｔｉｏｎｓ，１９９６：１２１—１２４． ［１２］普运伟，金炜东，胡来招．基于瞬时频率二次特征提取的辐射 源信号分类ｒＪ］．西南交通大学学报，２００７，４２（３）：３７３—３７９． ＰＵ Ｙｕｎｗｅｉ，ＪＩＮ Ｗｅｉｄｏｎｇ，ＨＵ Ｌａｉｚｈａｏ．Ａｕｔｏｍａｔｉｃ Ｃｌａｓｓｉｆｉ ｃａｔｉｏｎ ｏｆ Ｒａｄａｒ Ｅｍｉｔｔｅｒ Ｓｉｇｎａｌｓ Ｂａｓｅｄ ｏｎ Ｃａｓｃａｄｅ Ｆｅａｔｕｒｅ Ｅｘ ｔｒａｃｔｉｏｎｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｓｏｕｔｈｗｅｓｔ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ，２００７， ４２（３）：３７３—３７９． ［１３］Ｒｏｏｍｅ Ｓ Ｊ．Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ Ｒａｄａｒ Ｓｉｇｎａｌｓ ｉｎ Ｍｏｄｕｌａｔｉｏｎ Ｄｏ—
基于区间灰关联的雷达辐射源识别新方法
２ ． Ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ， Ｈ ｅ ｆ ｅ ｉ ２ ３ ０ ０ ３ ７ ， Ｃ ｈ ｉ ｎ ａ ）
Ａｂ ｓ ｔ ｒ ａｃ ｔ：Ｉ ｎ ｔ ｈ ｅ ｍｏ ｄ ｅ ｒ ｎ ｄ ｅ ｎ ｓ ｅ ｓ ｉ ｇ ｎａ ｌ ｅ ｎｖ ｉ ｒ ｏ ｎ ｍｅ ｎ ｔ ， ｔ ｈ ｅ ｒ ａ ｄ ａ ｒ ｅ ｍｉ ｔ ｔ ｅ ｒ ｃ ｈａ ｒ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｃ ｐ ａ ｒ ａ ｍｅ ｔ ｅ ｒ ｓ
ｎ ｅ ｗ ｆ ｕ ｓ ｉ ｏ ｎ ｍｅ ｔ ｈ ｏ ｄ ｂ ａ ｓ ｅ ｄ ｏ ｎ Ｉ ｎ ｔ ｅ ｖａ ｒ ｌ Ｇｒ ｅ ｙ Ａｓ ｓ ｏ ｃ ｉ ａ ｔ ｉ ｏ ｎ Ｄｅ ｇ ｒ ｅ ｅ ｆ ｏ ｒ ｒ ａ ｄ ａ ｒ ｅ ｍｉ ｔ ｔ ｅ ｒ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ ｉ ｓ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ．
基于区间灰关联的雷达辐射源识别新方法
刘 凯 ｔ ． 一 ， 王杰 贵 ， 李俊 武
（ １ ． 电子信息控制重点实验室， 成都 ６ １ ０ ０ ３ ６ ； ２ ． 电子工程学院， 合肥 ２ ３ ０ ０ ３ ７ ）
摘 要： 在现代密集信号环境中 ， 接收机测得的和辐射源数据 库中的雷达特 征参 数具 有不 确定性 ， 一般用 区间值
表示 。 针对 区间类型的特征参数 的雷达辐射源识别 ， 提 出了一种新的基于区间灰关联度的雷达辐射源融合识别方法。 该方法首先运用区间灰关联度得到基本概率赋值 ， 然后运用证据组合与决策实现 目标识别 。 仿真结果表明 ， 这种识别
方法是有效的 。 关键词 ： 区间类型 ， 雷达辐射源识别 ， 区间灰关联度 ， Ｄ Ｓ证据理论 中图分类号 ： Ｔ Ｎ ９ １ １ ． ７ 文献标 识码 ： Ａ
现代雷达辐射源识别技术研究
极 其重 要 的作用 。当前用 于识 别 的特 征参 数 主要包括 小 波包 特征 、 像 系数 、 相 盒维 数 、 值 等 ， 何选 择合 适 熵 如 的特征 参 数来提 高识 别率 并 有效 减少 识别 时 间是需 要
射 源型 号的 几种 常 用方 法 ， 理论 上详 细分 析 了它们 的优 缺 点 ， 重 点提 出了脉 内特 征在 现代 从 并
雷达辐 射 源识 别 中的重要 性 。最后 指 出当前这 一领 域亟 需解 决 的一 些 问题 。 关 键词 ： 辐射 源识 别 ； 内特征 ； 类 器 脉 分 中图分 类号 ： ＴＮ９ ４ ７ 文 献标 识码 ： Ａ
均 相 同辐 射源 的识 别有 着特 殊意 义 。 雷达 辐射 源型 号 识 别 的 关键 技 术 主 要 是 ： 类 器 分
的选 择及 特征 参数 的选 择 。分类 器 已从初 期 的模 板 匹 配法 、 糊 匹配法 发展 到 当前 的神 经 网络 、 持 向量机 模 支
等 。特征 参 数 的选择 对于 雷达 辐射 源 型号 的识 别有着
（ ．Ｄｅ ａ ｔ ｎ ｆＧｒ ｄ ｔ ａ ｇ ｍｅ ｔ， １ ｐ ｒ ｍｅ ｔ ｏ ａ ｕａ ｅ Ｍ ｎａ ｅ ｎ ＡＦＡＲ ， ｕｈ ｎ ４ ００ ９， ｕｂ ｉ Ｃｈｉ ａ； Ｄｉ ｉｉ Ｗ ａ ３ １ Ｈ ｅ， ｎ ２． ｖ ｓｏｎ ｏｆＴｒ ｎｉ ａｉ ｎｇ， ＡＦＡＲ ， ｕ ￣ ３ １ Ｈ ｕｂ ｉ Ｃｈ ｎａ； ．Ｄｅ ａ ｔ ｎ ｆＥｌ ｃ ｒ ｉ Ｗ ｈａａ４ ００ ９， ｅ， ｉ ３ ｐ ｒ ｍｅ ｔ ｏ ｅ ｔ ｏｎ ｃ Ｃｏ ｔ ｒ ａ ｕｒ ｓ Ａ ＦＡＲ ， ｕｈ ｎ ４ ００１ Ｈ ｕ ｅ ， ｕｎ ｅ ｍｅ ｓ ｅ ， Ｗ ａ ３ ９， ｂ ｉ Ｃｈｉ ａ） ｎ
基于压缩残差网络的雷达辐射源识别方法研究
基于压缩残差网络的雷达辐射源识别方法研究
郭恩泽;刘正堂;崔博;刘国彬;史航宇;蒋旭
【期刊名称】《强激光与粒子束》
【年(卷),期】2024(36)4
【摘要】针对低信噪比条件下,现有的雷达辐射源信号识别方法存在识别正确率低、时效性差的问题,提出了一种基于压缩残差网络的雷达辐射源信号识别方法。
首先,
利用Choi-Williams分布的时频分析方法将时域信号转换为二维时频图像;然后,根据应用场景特点,选择卷积神经网络(Convolutional Neural Networks,CNN)“压缩”范围;最后,构建压缩残差网络来自动提取图像特征并完成分类。
仿真实验结果
表明,在同等体量的设计下,与当前较为常用的标准CNN以及ResNet模型相比,所
提模型能够降低信号识别运行时间约88%,在信噪比为-14 dB条件下对14种雷达辐射源信号的平均识别率高约5%。
提供了一种高效的雷达辐射源信号智能识别方法,具有潜在的工程应用前景。
【总页数】10页(P113-122)
【作者】郭恩泽;刘正堂;崔博;刘国彬;史航宇;蒋旭
【作者单位】中国人民解放军63893部队;中国人民解放军63896部队
【正文语种】中文
【中图分类】TN971
【相关文献】
1.基于扩张残差网络的雷达辐射源信号识别
2.一种基于复数残差网络的通信辐射源个体识别方法
3.基于多级跳线残差网络的雷达辐射源识别
4.基于改进残差网络的雷达辐射源信号识别
5.一种基于扩张残差网络的雷达信号识别方法
因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于多分类器融合的雷达辐射源识别方法
ｅ ｈａ ｃｎｇ ｔ ｅ ｒ ｃ ｇ ｔｏｎ ｒ ｔ ｎｄ ｔ ｏ ｉ ｎｃ ｇｒ ｅ ｎ ｎ ｉ ｈ ｅ ｏ ｎｉｉ ａ ｅ ａ ｈｅ ｃ ｎｆｄｅ ｅ ｄｅ ｅ ． Ｋｅ ｒ ｙ ｗｏ ｄｓ：ｒ ｄ ｒｅ ｉｔ ｒ ｒ ｃ ｇ ｔｏ ａ ａ ｍ ｔ ｅ ｅ ｏ ｎｉｉ ｎ；ｍ ｕ ｔｐｌ ｌ ｓ ｉｉｒ ｆ ｓｏ ｌｉ ｅ ｃ ａ ｓ ｆｅ ｕ ｉ ｎ；ｇｒ ｙ ｒ ｌｔｏ ｎａ ｙ ｉ ｅ ｅ ａ ｉ ｎ ａ ｌ ｓｓ；ｐｒ ｂ — ｏ ａ ｂｉｉｙ ＳＶＭ ；Ｄ— ｖｉ ｎｃ ｈｅ ｙ ｌｔ Ｓ ｅ ｄｅ ｅ ｔ ｏｒ
第２卷第３Ｏ ５ ｇ
２１ ０ ０年 ５月
数
据
采
集
பைடு நூலகம்
与
处
理
Ｖｏ１ ２５ Ｎｏ．３ ．
Ｍａ １ ｙ ２０ ０
Ｊ ｕ ｎ ｌｏ ｔ ｑ ｉｉｉｎ＆ Ｐ ｏ ｅ ｓｎ ｏ ｒ ａ ｆＤａ ａ Ａｃ ｕｓｔ ｏ ｒ ｃ ｓｉｇ
文章 编 号 ： ０ ４ ９ ３ （ Ｏ Ｏ 。 — ３ ６０ １ ０ — ｏ ７ ２ ｌ ） ３０ ９ — ５
器 融合 较 之 单 个 分类 器 能获 得 更 高 的识 别 率 ， 高 了分 类 置 信 度 。 提
关键 词 ： 达 辐 射 源 识 别 ； 雷 多分 类 器 融 合 ； 关联 分 析 ； 率 ｓ 灰 概 ＶＭ ； Ｓ证 据 推 理 Ｄ—
中 图分 类号 ： ＴＮ９ ４ ７ 文献 标 识 码 ： Ａ
基于DAGSVM的雷达辐射源信号分选与识别
ｎ ｎ ｌ ｅ ｒ ｎ ｈ ｉｅ ｔ ｄ ａ ｙ ｌ ｒ ｐ ｓ ａ ｇ ｒｔ ｍ ａ ｈ ｄ ａ ｔ ｇ ｆ ｈ ｇ ｌｓ ｉ ｃ ｔｏ ｃ ｕ ａ ｙ Ｂｅ ｏ －ｉ ａ ，ａ ｄ ｔ ｅ ｄ ｒ ｃ ｅ ｃ ｃ ｉ ｇ ａ ｈ ｌ ｏｓｆ ａ ｉ ｎ ａ ｃ ｒ ｃ ． ｎ ｃ ｉ —
（ ．解 放 军 炮 兵 学 院火 控 教研 室 ， 徽 合 肥 ２ ０ ３ ； １ 安 ３ ０ ｌ ２ 。解 放 军 炮 兵 学 院 五 系 ４ ２队 ， 徽 合 肥 ２ ０ ３ ） 安 ３０ １
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 ， ＤＡ ＶＭ 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 Ｓ ＶＭ 多分 类 器 的 设 计 ， 介绍 了Ｄ ＡＧ 算 法 ， 出 了基 于 Ｄ Ｓ 提 ＡＧ ＶＭ 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
Ｃ ＵＳ ｈｅ ｓ ｔｎｇ ａ ｅ ｏｇｎ ｔｏ ａ ｃｕ ａｃ ｈ ｏ ｍ ｏ ｍ ｅ ｈ ｓｎｏ ｇ ａ ｓ ｓ ｎｓｔｖｅｔ ｈ ａ ｉｄ ｐａ Ｒ ｅ ｔ ｏｒｉ ｎｄ ｒ ｃ ｉｉｎ ｃ ｒ ｙ ｏｆｔ ｅ ｃ ｍ ｎ ｔ ｏｄ ｉ ｔｈｉｈ ｎｄ ｉ ｅ ｉｉ ｏ ｔ ｅ ｖ ｒｅ —
Ａｂ ｔａ ｔ Ｔ ｈｅ ｓ ｓｒｃ ： ｕｐｐ ｔ ｃ ｏｒ ｍ ａ ｈｉ ｐ ｓ ｓ ｅ ｈｅ ｂｉｉｙ ｔ ｓ ｖ ｐ ｏ ｅ ｓ ｕ ｈ ｓ ｍ ａ ｌｓ ｍ ｐｌ ｏｒ ｖｅ ｔ ｃ ｎｅ ｏｓ ｅ ｓ ｓ ｔ ａ ｌｔ ｏ ｏｌ ｅ ｒ ｂｌｍ ｓ ｃ ａ ｓ ｌ ａ ｅ，
外辐射源雷达
外辐射源雷达
外辐射源雷达是一种用于探测和监测来自外部辐射源的雷达系统。
外部辐射源包括无线电信号，如广播电台、手机信号、卫星通信等。
外辐射源雷达可以探测并定位这些信号的源头，用于情报收集、无线电监测、频谱管理等领域。
外辐射源雷达的工作原理类似于常规雷达，通过发射无线电波并接收反射回来的信号来探测目标。
不同之处在于，外辐射源雷达是专门设计用于分析和识别无线电信号的特性和参数。
它能够根据信号的频率、功率、调制方式等特征来识别不同的信号源，并通过测量信号到达时间和方向等参数来定位信号源的位置。
外辐射源雷达通常由多个接收天线组成，可以实现对多个方向的信号进行同步测量。
通过分析多个接收天线接收到的信号，可以确定信号源的角度和距离。
另外，外辐射源雷达还可以通过多普勒频移来判断信号源的运动状态和速度。
外辐射源雷达在军事和民用领域中有广泛的应用。
它可以用于监测无线电干扰、窃听和侦查行为，用于频谱监测和频率规划，也可以用于对敌方无线电通信和雷达系统进行情报收集和干扰。
基于联合隶属度的雷达辐射源识别
基于联合隶属度的雷达辐射源识别刘忠义;张华睿;刘平;张西托【摘要】Radar emitter identification is one of the key functions of Electronic Support Measures. However,for the development of radar technique,the parameters of radar are more complicated,so the existing methods can not meet the requirement of modern war. Aimed at military requirements,the identification model is established;then by the introduction of A Priori information and a refined rule,a new method is presented. The simulation results proved?the application and the effectiveness.%雷达辐射源识别是电子战支援系统（Electronic Support Measures，ESM）的重要功能之一，然而随着雷达技术的发展和军事对抗的加剧，雷达的工作参数复杂多变而且反侦察能力不断提高，使得现有的识别方法已不能满足战术需求。
根据实际军事需求，建立了相应的识别模型，并通过引入先验知识和细化后的分类准则，提出了一种新的基于联合隶属度的识别方法。
仿真实验表明，该方法具有良好的适用性和识别准确率。
【期刊名称】《火力与指挥控制》【年(卷),期】2015(000)012【总页数】4页(P98-101)【关键词】雷达;识别;模糊【作者】刘忠义;张华睿;刘平;张西托【作者单位】海军潜艇学院，山东青岛 266042;海军潜艇学院，山东青岛266042;海军潜艇学院，山东青岛 266042;海军潜艇学院，山东青岛 266042【正文语种】中文【中图分类】TN95雷达辐射源识别是电子战支援系统的重要功能，是雷达侦察与威胁告警的关键环节之一，其识别的准确性直接影响着指挥员的决策［1］。
雷达辐射信号分类识别与特征提取
ｆａ ｒ ｅｔ ｃｏ ｆｈ ａｄｅ ｅ ｙｏ ｅｓ ｎｌ ｈｃ ａ ｆ ｃ ｔｅｕ ｉ ｅｔ ｎ ｏｕａ ｏ ｎｐ ｌ Ｕ Ｏ ） ｅｔ ｅ ｘ ａｔ ｎｏ ｔｅｂｎ ｎｒ ｔ ｉ ａ ｗ ｉｈｃｎｒ ｅｔｈ ｎｎ ｎｉ ａ ｍ ｄ ｌｉｎｏ ｕｓ ｕ ｒ ｉ ｇ ｆｈ ｇ ｅ ｌ ｔ ｏｌ ｔ ｅ（ Ｍ Ｐ ．
２ 船舶重工集团公司 ７４研究所 ， ． ２ 江苏 南 京 ２ ０ ０ ） １０ ３
摘 要 ： 雷 达 信 号 提取 和分 类 识 别 问题 ， 达 辐 射 源 的有 效 分 类 识 别 是 军 事 自动 化 控 制 和指 挥 系 统 的 强 烈 需 求 。 针 对 现 研究 雷
代雷达体制下复杂信号 的低截获特性 ， 了提高雷达辐射源信号的个体识别率 ， 出了一种新 的分类 识别方法。用小波包 为 提 变换提取能反映信号脉 冲无意调制特征 的信号各频带能量 ， 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
雷达辐射源个体识别设备的框架研究
ｐ ｉｔ ｆ ｒ ｅｔ ｉ ａ ａ ｆ ｇｒ ｒ ｔ ｅｈ ｉｕ ，ａｄａｍｏｅ ｉ ｐｏｏｅ ｒ ｒｖ ｉｇａｐｏ ｓ ｇ ｏ ｏ ｃ ｗｔ ｒ ｒ ｎｅ ｉ ｃ ｎｑ ｅ ｎ ｄ ｌ ｓ ｒ ｓｄｆ ｏｉ ｎ ｒｍｉｎ ｎｏ ｐ ｊ ｈ ｄ ｉ ｐｎ ｔ ｐ ｏｐ ｄ ｉ
ｓ ｌ ｔ ｎ ｔ ｏ ｖ ｈ ａ ａ ｍｉｔｒｉ ｅ ｔ ｃ ｔ ｎ ａ ｅ ｉ ｃ ｔｏ ｒ ｂ ｅ ｏ ｕｉ ｏ ｓ ｌｅ ｔｅ ｒ ｄ ｒｅ ｔｅ ｄ ｎ ｉ ａ ｉ ｎｄ ｖ ｒｆ ａｉｎ ｐ ｏ ｌ ｍｓ． ｏ ｉ ｆ ｏ ｉ
Ｋ ｙ ｗ ｒｓ ｓｅ ｉｃｅ ｉｅ ｅ ｔ ｃｔ ｎ（ Ｅ ） ｒｄ ｒ ｎｅ ｒ ｔ ｅｅｔ ｎｃｒｃｎ ａｓ ｎｅ ｅ ｏｄ ：ｐ ｃ ｍ ｔ ｒ ｄｎｉ ａｉ Ｓ Ｉ ； ａａ ｇｒ ｉ ； ｌ ｒ ｉ ｅｏｎ ｉ ａ ｃ ｉ ｆ ｔ ｉ ｉ ｆ ｏ ｉ ｆ ｐｎ ｃｏ ｓ
２ 雷 达 信 号 “ 纹 ＂ 征 产 生 机 理 指 特
雷 达辐 射源 “ 纹” 征指 的是 能体 现辐 射源 指 特
之 间个 体 差别 、 可用 于对 雷 达 辐 射 源个 体 进 行 并 有效识 别 的信 号 特 征 集 。作 为 “ 纹 ” 征 ， 必 指 特 它 须满 足 以下 三个 条件 ：
电子 信 息 对 抗 技 术 ・ ２ 第 ３卷
２０ ０ ８年 １ 月 第 ６ １ 期
许海 龙 ， 水 楼 周 雷 达 辐 射 源个 体 识 别设 备 的框 架研 究
９
中 图分 类 号 ：Ｎ ７ ． Ｔ ９ １１
文献标志码 ： Ａ
文 章 编 号 ：６４—２３ （０ ８０ ００ —０ １７ ２０２０ ）６— ０ ９ ３
＊ 稳定 性
＊ 可分 性
一种深度学习的雷达辐射源识别算法
一种深度学习的雷达辐射源识别算法周志文;黄高明;高俊;满欣【摘要】针对传统依靠于人工经验提取雷达辐射源特征方法的不足,提出了一种新颖的基于联合深度时频特征的辐射源识别算法.首先将时域信号变换到二维时频域,并利用随机投影和主成分分析方法分别从维持子空间和能量角度对时频图像降维;接着在预训练阶段,利用无标签的样本信号层级训练深度模型,再根据类别信息精调网络参数;最后,构造了逻辑回归分类来完成识别任务.仿真实验中利用6种辐射源信号验证了提出算法的有效性,结果表明,联合深度特征更加有助于提高识别准确度,算法运行更加高效.%Aimed at the deficiency of traditional techniques of radar emitter feature extraction which rely heavily on artificial experience,a novel emitter identification algorithm based on joint deep time-frequency features is proposed.Time-domain signals are transformed into the 2-D time-frequency domain,and dimensionality reduction is implemented with random projection and principal component analysis with respect to sustaining subspace and energy.In the phase of pre-training,the deep model is layer-wise trained with unlabelled samples and network parameters are fine-tuned with label information.Finally the identification task is achieved with a logistic regression classifier.6 types of emitter signals are adopted in simulation experiments to validate the effectiveness of the proposed algorithm,the experimental results indicating that the joint deep features help to obtain higher identification accuracy and that the algorithm is more efficient.【期刊名称】《西安电子科技大学学报（自然科学版）》【年(卷),期】2017(044)003【总页数】6页(P77-82)【关键词】时频分布;降维;层叠自动编码器;深度学习;雷达辐射源识别【作者】周志文;黄高明;高俊;满欣【作者单位】海军工程大学电子工程学院,湖北武汉430033;海军工程大学电子工程学院,湖北武汉430033;海军工程大学电子工程学院,湖北武汉430033;海军工程大学电子工程学院,湖北武汉430033【正文语种】中文【中图分类】TN973在现代战争中,雷达辐射源识别(Emitter IDentification,EID)是电子支援措施和情报侦察的重要功能之一,它对敌方雷达信号进行截获、定位、分析和识别,为作战指挥人员提供了战场态势信息和战术决策行动[1]信息.辐射源识别领域的一个研究热点为提取辐射源的有效特征.然而,由于复杂的电磁环境干扰和层出不穷的新体制雷达,传统的基于脉冲描述字(Pulse Description Word,PDW)的五维特征无法满足现代战场的需求[2].目前,时频特征[3]、小波包特征[4]、分数阶傅里叶变换(FRactional Fourier Transform,FRFT)域特征[5]和小波脊频特征[6]等参数在辐射源识别领域中均取得了较好的识别效果,但不可忽视的是:这些人为设计的特征参数理论模型在辐射源识别系统中的有效性和普适性值得深入研究;人工特征提取过程耗时且累赘,它不仅要求设计者具有一定的先验知识,而且其强针对性会使得数据库更新升级缓慢;若能提取具有强区别力的信号本质特征,那么对后续分类器设计和识别性能的提升具有重要意义.近年来,深度学习(Deep Learning,DL)因其优异的性能广泛应用于计算机视觉[7]、语音识别[8]和超谱数据分类[9]等领域.深度模型从低层级特征提取抽象不变的高层属性特征,形成表征数据分布式的表示.它实现了复杂的非线性函数逼近,较浅层模型泛化能力强,能刻画数据更丰富的本质信息[10].鉴于此,笔者提出了一种基于深度学习的辐射源识别特征提取方法,利用层级自动编码器(Stacked Auto-Encoder,SAE)模型挖掘时频图像的联合深度特征,并实现辐射源信号的自动识别.主要贡献在于:根据目前的研究资料,辐射源识别领域采用的均是人为设计的特征参数,深度特征的学习尚未应用其中,而提取辐射源信号深层表征是目前亟待解决的问题;利用联合时频降维提取了辐射源更完备的特征信息,构建了适用于层级自动编码器的识别框架. 典型的深度神经网络结构包括深度信念网络(Deep Belief Networks,DBNs)、深度玻尔兹曼机(Deep Boltzmann Machines,DBMs)和层级去噪自动编码器(Stacked Denoising Auto-Encoder,SDAE)[10].针对雷达辐射源识别的应用背景,提出采用自动编码器(Auto-Encoder,AE)深度模型和层级自动编码器网络结构提取辐射源特征.自动编码器通过对无类别标签的输入数据x(x∈Rd)“编码”,从而在隐藏层产生包含数据特征的激励a(a∈Rm).在输出层通过“解码”得到重构信号y(y∈Rd),试图恢复出原始输入y≈x.编解码的过程为其中,Wa和Wy分别为编码和解码的权值矩阵,;ba和by为隐藏层和重构层的偏置向量,ba∈Rm,by∈Rd;f(·)为激励函数.定义代价函数,其中,erf(·)为误差函数,通过最小化输入和重构数据间的误差对自动编码器网络训练.同时,限定以保证逆变换的无失真性.若自动编码器模型可从a中完全恢复出原始输入,这就意味着a保留着输入的足够内在信息.因而,由权重和偏置决定的非线性网络可看成优良的特征提取器,它在最小化信息损失的同时抽象出原始数据的特征[11].多个自动编码器逐层堆叠起来构成了层级自动编码器[12].首先训练第1个自动编码器,接着将它的隐藏层作为第2个自动编码器的输入并以同样方式进行训练.依此类推,直到最后一层训练结束,则可在顶层得到高层级的抽象特征.由于电磁空间信号的影响,截获的时域辐射源信号往往受干扰严重,导致无法提取表征信号的有效特征.而且,新体制雷达的快速发展使得现有手段无法灵活适应,单纯依靠经验处理显然不能满足实际需求,因而采用类似大脑皮层多级处理的层级自动编码器结构智能化提取更抽象的深度特征是笔者的出发点.2.1 深度联合时频特征提取本小节重点阐明无监督的预训练过程.图1为笔者提出的算法流程图.无源接收到的辐射源射频信号时域特征易受到干扰,而文献[13]指出雷达信号时频特征具有惟一可辨识性,因此,在暂不考虑时频域多个信号交叉干扰的情况下,将时域信号利用短时傅里叶变换(Short-Time Fourier Transformation,STFT)表征为二维时频分布.那么,有S(t,f)=TTFD[s(t)],其中TTFD(·)为时频变换,s(t)为时域信号表达式.注意到,一方面变换域同时涵盖了时域和频域的有意调制信息,另一方面可考虑利用图像处理方法处理二维时频图.然而,兼顾到分辨精度,时频图像往往维度较高而导致“维数灾难”问题和后续巨大的计算量.因此,有必要对时频图像降维.考虑到目前降维手段的多样性,笔者选用随机投影(Random Projection,RP)和主成分分析法(Principal Component Analysis,PCA)进行联合降维.一方面,随机投影可保证时频子空间数据的较小失真度且它与数据独立,而主成分分析法能够根据时频能量的大小(在文中保证降维后能量大于95%)充分保留表征数据的重要特征;另一方面,联合时频降维从特征不同域形成了更加丰富而冗余的信息,从特征子空间和能量空间角度联合降维能更好地保证辐射源时频特征的完备性.其中,RRP(·)和RPCA(·)分别为随机投影和主成分分析法降维;ΓRP和ΓPCA分别为随机投影和主成分分析法降维后的样本;Γ为联合降维空间.由于层级自动编码器的输入为向量,将联合降维的时频样本向量化,构成输入数据vec(Γ)=x∈Rd,其中vec(·)为二维数据向量化操作,d为降维后的维数.至此,构造了原始辐射源信号的联合时频空间,在此基础上利用层级自动编码器提取深层的抽象特征.对于层级自动编码器的输入x,在编码和解码时的非线性映射函数采用sigmoid函数,即有f=1( 1+ exp(-x)).在第1节模型下,隐藏层和重构层输出分别为其中,xik、aij和yis分别为第i个自动编码器第k个输入、第j个隐藏和第s个重构节点数据;Wkj和Wjs分别为第k个输入到第j个隐藏节点和第j个隐藏到第s 个重构节点的权重;baj和bys为隐藏层和重构层的偏置值.为确定网络连接权重和各节点的偏置baj(bys) ,定义误差函数为其中,q和p分别表示输入层样本数量和向量大小.采用随机梯度下降法[14]迭代更新层级自动编码器模型的网络参数,根据误差函数和反向传播公式计算网络参数的偏导数:那么,有如下参数更新规则:其中,ε为学习速率.同时,baj和bys按照相同的方式进行更新.那么,将式(7)代入到式(8),就可得到预训练后的网络参数,去除最上层的重构层则得到各隐藏层提取的联合时频特征.2.2 有监督精度调谐和识别上面构造了逐层学习的特征提取层级自动编码器模型,利用带有类别标签的辐射源信号数据对深度网络进行精度调谐,采用Softmax回归模型完成精度调谐和识别.对于给定C类训练数据集的辐射源识别问题,li∈{1,2,…,C},分类器输入I∈Rr,r为输入节点数,则输出概率为其中,Wl和bl分别为逻辑回归分类器的权重矩阵和偏置.注意到,输出概率和为1且概率输出层数目等于预训练类别数C,深度模型输入层节点数等于降维后的维数d.至此,依据概率输出可判定辐射源类型,即有为验证笔者提出算法的有效性和对比性能,利用6种脉冲压缩体制辐射源信号进行仿真实验,分别为常规脉冲(Conventional Pulse,CP)信号、线性调频(Linear Frequency Modulated,LFM)信号、非线性余弦调频(Nonlinear Cosine Frequency Modulation,NCFM)信号、二相编码压缩信号(Binary Phase Shift Keying, BPSK)、二频率编码信号(Binary Frequency Shift Keying,BFSK)和四频率编码信号(Quadrature Frequency Shift Keying,QFSK).信号参数设置:载频为200 MHz,采样率为2 GHz,BPSK和BFSK采用11位Barker码,QFSK采用16位Frank码.在信噪比RSNR∈[20 d B,30 dB]范围内产生180个脉冲信号作为预训练样本,仿真中均采用加性高斯白噪声.3.1 参数调节由于通过层叠自动编码器来构造特征学习模型,而自动编码器的数目又决定了提取特征的深度,因此改变学习深度来研究算法的性能.仿真中,自动编码器数目(隐藏层数)设定为n(n∈[1,4]),随机投影和主成分分析法联合降维后的维数d=625,神经网络的节点构造为625-300-100-100-6.在不同信噪比条件下,按相同的参数设置每类产生200(总共1 200)个测试样本,记录正确识别率、平均训练t1和识别时间t2.实验中计算机配置为CPU i3-2100,内存为3.49 GB,Matlab版本为R2011a.由表1的仿真结果可看出,随着信噪比的提升,算法的识别率逐渐增大.当信噪比为6 dB 且n≥2时,均能取得接近100%的识别效果,说明此时简单地增加学习深度不能再有效地提高分类精度.同时,增加层级自动编码器的深度可以改善相同信噪比情况下的识别性能,这是由于更加抽象和本质的特征有利于正确分类判决.注意到,尽管增加了自动编码器的数目,但相比训练时间而言,识别过程的时间并没有显著提升并且都极为短暂(t＜0.2 s),这将有助于决定网络的层数.考虑到在实际的辐射源识别问题中,可利用的有效样本信号往往有限,因此有必要探究算法对不同预训练标签样本的适用性.设实验参数设置保持不变,层级自动编码器模型由2个自动编码器构成(625-300-100-6),改变每类训练样本数目得到图2所示的识别结果.从图2中可发现,当每类有10个样本且信噪比为-6 d B时,仍能取得大于60%的识别率;当信噪比为6 d B时,识别率达到了87.5%.随着样本数的增加,识别率得到了改善,且在低信噪比时更加明显.这表明算法能在训练样本较少时获得较好的识别性能,并且增加训练样本数有助于层级自动编码器模型的参数学习和调谐.3.2 参数特征提取算法性能对比为验证笔者提出的特征提取算法,将其与文献[3-4,15]中的算法进行比较,其中文献[3]利用图像处理方法提取了时频图像特征,文献[4]提取了小波包特征,文献[15]则提取了时频图像局部二值模式(LocalBinary Patterns,LBP)纹理特征.为分析比对,在实验条件相同的情况下,采用K最邻近(K-Nearest Neighbor,K NN)作为分类器.深度模型由2个自动编码器构成,在此用SAE-NN表示,得到如图3所示的仿真结果.图3表明,随着信噪比增加,不同特征提取算法的识别率均提高了.明显的是,文献[4]提取的小波包特征分类效果最差,这是由于小波包的分解主观性强且频域特征交叠明显.文献[3,15]的识别率接近,尽管利用了不同方法提取辐射源时频图像特征,但始终停留在浅层特征分析,而基于层级自动编码器的方法更能在噪声环境中提取有效的深层特征.3.3 参数分类算法性能对比将笔者提出的基于层级自动编码器算法同文献[2,16]浅层结构进行对比.其中,文献[16]利用RBFSVM对提取的辐射源时频域特征进行分类,而文献[2]提取了随机时频特征并采用了较流行的稀疏分类(Sparse Classification,SC)方法,且将传统K NN 分类器作为对比.在相同的仿真条件下,将2.1小节降维后的时频信号分别输入到3种分类器中,以保证特征提取的一致性,同时记录算法的平均时间(训练和识别时间)t,得到表2的统计结果.从识别率来看,笔者提出的基于层级自动编码器的算法在低信噪比(≤-3 dB)时较其他算法性能更优,噪声鲁棒性更强.从整体上来看,文献[2]中的基于稀疏分类算法性能与笔者提出的算法的相当,且优于K NN和RBF-SVM方法;从平均时间来看,由于在解决稀疏问题时,文献[2]中的算法计算成本较高,所以运行时间耗费更多.而K NN算法尽管高效,但识别精度最低.综合而言,笔者提出的算法性能更佳且更高效,因此更适用于实时性要求高的场景.与传统依赖于人工的特征方法不同,笔者提出了基于深度学习的联合特征提取和辐射源自动识别方法.鉴于辐射源时频特征的惟一性,提取了随机投影和主成分分析法降维后的联合时频特征.在层级自动编码器框架下利用无类别标签样本预训练,再有监督地调谐深度网络的参数.仿真结果验证了笔者提出算法的有效性,同时表明联合深度特征识别性能更优,而且挖掘的深层特征有助于提高识别精度,算法更加高效.【相关文献】[1]LUND N J,TUND N L,KOIVUNEN V.Waveform Recognition in Pulse Compression Radar Systems[C]// Proceedings of the 2005 IEEE Workshop on Machine Learning for Signal Processing.Piscataway:IEEE,2005: 271-276.[2]MA J,HUANG G M,ZUO W,et al.Robust Radar Waveform Recognition Algorithm Based on Random Projections and Sparse Classification[J].IET Radar,Sonar andNavigation,2014,8(4):290-296.[3]ZHU J D,ZHAO Y J,TANG J.Automatic Recognition of Radar Signals Based on Time-frequency Image Character [C]//Proceedings of the IET International Radar Conference.Stevenage:IET,2013:1-6.[4]张葛祥,荣海娜,金炜东.基于小波包变换和特征选择的雷达辐射源信号识别[J].电路与系统学报,2006,11(6): 45-49. ZHANG Gexiang,RONG Haina,JIN Weidong.Radar Emitter Signal Recognition Based on Wavelet Packet Transform and Feature Selection[J].Journal of Circuits and Systems,2006,11(6):45-49.[5]司锡才,柴娟芳.基于FRFT的α域-包络曲线的雷达信号特征提取及自动分类[J].电子与信息学报,2009,31(8): 1392-1397. SI Xicai,CHAI Juanfang.Feature Extraction and Auto-sorting to Envelope Function of Rotation AngleαDomain of Rad ar Signals Based on FRFT[J].Journal of Electronics and Information Technology,2009,31(8):1392-1397.[6]余志斌.基于脉内特征的雷达辐射源信号识别研究[D].成都:西南交通大学,2010.[7]HINTON G E,SALAKHUTDINOV R R.Reducing the Dimensionality of Data with NeuralNetworks[J].Science, 2006,313(5786):504-507.[8]HINTON G,DENG L,YU D,et al.Deep Neural Networks for Acoustic Modeling in Speech Recognition:the Shared Views of Four Research Groups[J].IEEE Signal Processing Magazine,2012,29(6):82-97.[9]CHEN Y S,LIN Z H,ZHAO X,et al.Deep Learning-based Classification of Hyperspectral Data[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2014,7(6):2094-2107.[10]SCHMIDHUBER J.Deep Learning in Neural Networks:an Overview[J].Neural Networks,2015,61:85-117.[11]孙志军,薛磊,许阳明.基于深度学习的边际Fisher分析特征提取算法[J].电子与信息学报,2013,35(4):805-811. SUN Zhijun,XUE Lei,XU Yangming.Marginal Fisher Feature Extraction Algorithm Based on Deep Learning[J]. Journal of Electronics and Information Technology,2013,35(4):805-811.[12]DING C,TAO D.Robust Face Recognition via Multimodal Deep Face Representation[J].IEEE Transactions on Multimedia,2015,17(11):2049-2058.[13]THAYANANTHAN T,STANKOVIC L,AMIN M,et al.Time-frequency Approach to Radar Detection,Imaging, and Classification[J].IET Signal Processing,2010,4(4):325-328. [14]XIE H M,WANG S,LIU K,et al.Multilayer Feature Learning for Polarimetric Synthetic Radar Data Classification [C]//Proceedings of the International Geoscience and Remote Sensing Symposium.Piscataway:IEEE,2014: 2818-2821.[15]白航,赵拥军,胡德秀.时频图像局部二值模式特征在雷达信号分类识别中的应用[J].宇航学报,2013,34(1): 139-146. BAI Hang,ZHAO Yongjun,HU Dexiu.Radar Signal Recognition Based on the Local Binary Pattern Feature of Timefrequency Image[J].Journal of Astronautics,2013,34(1):139-146.[16]史亚,姬红兵,朱明哲,等.多核融合框架下的雷达辐射源个体识别[J].电子与信息学报,2014,36(10):2484-2490. SHI Ya,JI Hongbing,ZHU Mingzhe,et al.Specific Radar Emitter Identification in Multiple Kernel Fusion Framework [J].Journal of Electronics and Information Technology,2014,36(10):2484-2490.。