[发明专利]一种基于深度学习网络的雷达辐射源信号识别方法

说明书

本发明属于电子对抗中雷达辐射源信号的识别技术领域，公开了一种基于深度学习网络的雷达辐射源信号识别方法；首先对接收的雷达辐射源信号进行降频预处理，然后分别计算接收信号的基于线性正则变换的互模糊函数和基于线性正则域的互模糊函数，并分别提取互模糊函数的截面最大值作为特征样本集，最后通过基于稀疏滤波胶囊网络进行分类识别。本发明通过对信号基于线性正则变换的互模糊函数提取特征，克服了复杂电磁波环境中，特征参数在数据范围上的不确定性，提高了识别可信度；可以自动地学习得到层次化特征表示，无需人工提取特征，有效降低了时间成本，能够更好地实现对雷达信号识别的实时性，提高了雷达信号识别以及分类效率和准确度。

技术领域

本发明属于电子对抗中雷达辐射源信号的识别技术领域，尤其涉及一种基于深度学习网络的雷达辐射源信号识别方法。

背景技术

雷达辐射源信号识别是电子对抗中的重要组成部分，随着电子信息技术的不断发展，雷达对抗与反对抗的斗争也日趋激烈。各种新体制雷达的出现，使得战场环境中的雷达信号调制复杂且参数多变，当今雷达环境的复杂程度致使对敌我雷达的判断极其重要，只有正确地识别了雷达的属性才能正确引导武器装备进行相应的行动。雷达辐射源信号的正确识别保证了战场武器装备的性能发挥，战区战况的传送，以及对作战军队的监督。

传统的识别方法基于脉冲描述字(pulse description word,PDW)的特征，如：TOA、RF、PA、PW、DOA，只能适应数量单一，参数特定的辐射源环境，已经无法满足现代电子战的需求，所以目前在信号识别领域中，取得了较好的识别效果的时频特征、小波包特征和小波脊频特征等参数被广泛作为信号分选的输入特征，但这些特征仍存在一些值得考虑的问题，特征提取方法在信号识别系统的有效性和普适性值得深入思考，特征提取过程存在耗时，人工定义特征不充分，特征冗余等问题。

目前，业内常用的现有技术是这样的：针对雷达辐射源信号己有算法消耗大量的时间成本，识别的效率低、准确率不高的缺点，其他学者提出一系列方法来解决复杂环境中人工提取过程繁琐、识别能力不足、泛化性较差等问题。现有技术一“一种基于稀疏分解的雷达信号识别方法”公开了一种基于稀疏分解的雷达信号识别方法，将待识别的具有不同脉内调制方式的雷达信号经基于复合差分进化算法的稀疏分解方法进行特征提取，包括时域衰减系数、频域衰减系数和时-频联合系数三种特征，然后采用自底向上二叉树支持向量机BUBTSVM对雷达信号进行识别。但该方法在信噪比较低时，无法实现信号的有效识别；针对现有技术一存在的主要弊端，现有技术二“一种基于时频图像奇异值分解的雷达信号识别方法”公开了一种时频图像奇异值的识别方法，首先通过Choi-Williams分布(CWD)得到信号的时频图像，提取时频图像的奇异值，再使用基于支持向量机的分类器(SVM)实现雷达信号的分类识别。该方法由于奇异值分解鲁棒性好，位移旋转不变性，对噪声不敏感等特点能够在低信噪比条件下实现对雷达信号的有效识别，但该方法由于实际中雷达参数的变化，存在可靠性不高的问题。现有技术三“基于模糊集理论的雷达辐射源识别算法”公开了一种基于模糊集理论的雷达辐射源识别方法，该方法对已知辐射源型号有较强的识别能力，但在复杂环境中该方法的实时性和准确性不高，而存在且需要人工识别手段，消耗大量的时间成本的问题。近年来，随着人工智能技术的大力发展，深度学习算法在雷达辐射源信号识别领域也涌现出了大量的研究成果。“机载相控阵雷达工作模式分析与识别研究”中采用降噪自动编码器模型去自适应学习和识别雷达辐射源在不同工作模式下的信号，避免了传统模式识别中特征提取和特征选择两个繁琐的过程，获得了比较好的识别效果，但是这种方法参数选择方式的计算量较大，且无法保证得到的模型为全局最优。基于深度限制波尔兹曼机的辐射源信号识别”根据现有的雷达常规参数难以有效识别复杂信号的不足，公开了一种基于深度限制波尔兹曼机的识别方法，对多种辐射源进行有效的特征提取和分类识别，具有较高的识别精度和较强的鲁棒性。但该模型存在计算复杂度较高的问题，同时神经元数目和隐藏层层数的设置也需要进一步深入分析。