[发明专利]一种基于深度学习的雷达辐射源类别识别方法

说明书

本发明公开了一种基于深度学习的雷达辐射源类别识别方法，利用经过预处理的辐射源信号求取其模糊函数的切片作为特征向量；将大量的打好标签的特征向量作为训练样本，通过深度卷积神经网络进行训练，并利用获得的卷积神经网络分类器进行输入特征向量的分类识别；为了实现对于未知类别的辐射源的识别，构建基于支持向量机的meta识别器来判断卷积神经网络分类器的分类结果是否可信，得到最终的识别结果。本方法可以有效提高雷达辐射源识别的准确度。

【技术领域】

本发明属于雷达辐射源识别技术领域，具体涉及一种基于深度学习的雷达辐 射源类别识别方法。

【背景技术】

现代战场形势瞬息万变，信息对抗在现代军事中的作用越来越重要。电子 战也称电子对抗，包括电子侦察、电子攻击和电子防护三个方面。电子侦察主要 指从敌方雷达及其武器系统获取有用信息，通过辐射源个体识别，可以对战场环 境中敌我双方辐射源的分布情况实施侦察，提供更加全面的、精确的电磁斗争与 武器的态势，进行有效的战场指挥与决策。辐射源识别已成为当前电子战特别是 电子侦察领域的研究热点和难点。辐射源特征未知、日趋复杂的信号波形、恶劣 的战时电磁环境给辐射源的精确识别带来了越来越严峻的挑战。

在辐射源信号特征挖掘方面,在上世纪70年代国外相关研究人员就开始了 该部分研究，诸多学者做了大量研究工作，可分为两个阶段:

第一阶段为辐射源基本参数特征研究。对原始信号特征直接求取其载波频 率、脉冲宽度、脉冲幅度、到达角度和到达时间等信息，利用其中一个或多个作 为特征向量。这种情况主要是应用于电磁环境相对单一、辐射源类别较少、信号 形式单一、雷达参数固定的早期。

第二阶段自20世纪90年代以来，西方军事强国开始研究雷达辐射信号的脉 内特征，相继提出了了多种分析雷达信号脉内特征的方法。代表性的方法有:时域 波形分析法、谱相关法、时频综合法、小波分析法、信息理论准则与聚类技术综 合法、脉内瞬时频率特征与累积法等。

国内对雷达辐射源个体识别技术的研究始于上世纪80年代初，虽然起步较 晚，但受到了高度重视，在“九五”、“十五”和“十一五”中给予了大力资助。 在脉内特征挖掘方面，毕大平提出了易于工程实现的脉内瞬时频率提取技术；张 葛祥提出了雷达辐射源信号的小波包特征、相像系数特征、熵特征、粗集理论、 信息维数和分形盒维数；朱明提出了基于原子分解的特征、基于Chirplet原子的 特征、时频原子特征；普运伟提出了瞬时频率派生特征、模糊函数主脊切面特征； 陈稻伟提出了符号化脉内特征、围线积分双谱特征等；余志斌提出了局域波分解、 小波脊频级联特征。

另一方面，雷达辐射源识别是一个典型的分类问题，其主要思路为在得到辐 射源信号的特征表示之后，借助有效的分类算法来实现特征空间到决策空间的转 换，从而确定信号的所属类别。大量的分类算法被运用于雷达辐射源识别中，如 模板匹配、神经网络、支持向量机等。一般被应用于该领域的有三种分类方法， 一种是判别型分类器，其需要在学习过程中最优化某种目标函数；另一种为生成 模型分类器，其主要是基于先验概率和类别条件概率密度进行估计，如线性判别 分类器、K最近邻等；第三种是决策树分类算法，通过人类专家的先验知识进行 分类，如ID3、C4.5算法。

现有技术的缺点主要是在两个方面，第一个是分类算法精度低。已有算法较 多的依赖专家先验知识或者人为选取的特征，无法适应日益复杂的电磁环境。第 二个缺点是无法识别未知分类，已有算法只能识别出已有分类，而在电子侦察中 更重要的是对于未知分类辐射源的快速识别。

【发明内容】

本发明的目的是提供一种基于深度学习的雷达辐射源类别识别方法，以解决 上述现有技术的缺陷。