[发明专利]基于时频分析与机器学习的雷达信号调制识别方法

说明书

本发明涉及一种时频分析与机器学习相结合的雷达信号调制识别方法，属于雷达信号分选识别与机器学习技术领域。该方法包含：对脉冲流信号进行基于多相滤波结构的脉冲处理，估计脉冲载频与到达时间等参数；对提取的脉冲进行时频分析，并对获得的时频图像进行预处理；将预处理后的图像放入残差网络进行训练，对脉内调制方式进行初次识别；对不易识别的调制方式如多相码，再进行时频图特征提取；将提取得到的特征送入随机森林分类器，进行训练与测试；得到最终脉内调制方式识别结果。本发明在低信噪比情况下能对低截获概率雷达信号脉内调制方式进行准确识别，具有抗噪性好，正确识别率较高的特点，且对信号参数变化有较强适应能力，有一定的应用价值。

技术领域

本发明属于雷达信号分选识别与机器学习技术领域，具体涉及一种时频分析与机器学习相结合的雷达信号调制识别方法。

背景技术

在现代化战争中，信息控制权已日益成为战场决胜的关键因素，就雷达电子侦察而言，作战部署依赖于对雷达辐射信号的捕获与信息获取。侦察系统在对截获到的辐射源信号进行参数测量分析后，利用收集到的参数信息进行信号分选与识别，对敌方雷达的信息做出有效判断，并根据其调制方式等进行干扰。只有正确识别信号，才能获得主动权，对辐射源的脉内调制方式进行识别是电子对抗的基础。并且，随着无源检测系统的发展，低截获概率雷达信号在信息战中的应用越来越广泛，电子战系统也对快速有效地识别低截获概率雷达信号有了较强烈的需求。

由于低截获概率雷达信号具有参数变化快、调制方式多样的特点，在对低截获概率雷达信号调制方式进行识别时，一般采用对截获的信号进行特征提取的方法。提取的特征包括时域特征，频域特征，时频特征以及模糊函数主脊特征等。例如提取信号自相关运算后的香农熵、范数熵、奇异值熵；利用welch功率谱构建脉冲序列与正弦信号的相似系数；利用分数阶傅里叶变换提取不同信号在分数域中的差异；在频域去噪并预处理后，提取盒维数以及稀疏性作为特征参数等。

但为识别不同调制方式的信号，需要根据其调制特点进行恰当的特征选取，才能保证信号之间的差异被更好地表征。这也导致未知雷达信号调制识别较为复杂，因为对于未知信号需要提取大量特征才能确保其识别的准确性，不与其它相似的调制方式混淆。选择用于分类的特征与最终的正确识别率有较为密切的关系，若选择的特征在不同调制方式中的区分度不够，易导致信号调制方式出现正确识别率不高的情况。在得到信号特征之后，需对特征进行分类，而随着人工智能的发展，机器学习等方法开始广泛利用，如利用支持向量机，模糊C均值聚类，K近邻算法对提取得到的特征进行分类。这使得雷达信号脉内调制识别得到了较好的效果，但正确识别率仍在较大程度上取决于信号提取特征的效果。

为了降低提取多种特征的复杂度，并随着神经网络的发展，学者们考虑可以直接利用图像在神经网络内部进行特征提取与学习，以省去人工特征提取与筛选的步骤。在降低了操作复杂度的同时，由于机器学习会提取图像的高阶特征，也会相应地提高其正确识别率。而时频分析可以反映信号在时域与频域上的联合分布情况，因此，利用截获信号的时频图放入神经网络进行识别能获得较好的效果。但直接利用神经网络进行时频图分类的正确率与时频图质量有关，若时频图的效果不好或两种调制方式的时频图较为相近则会影响神经网络的学习效果，降低正确识别率。

综上，两方法均存在不足之处，若只考虑特征提取会在特征选取不恰当时影响到正确识别率，而只利用时频图进行神经网络调制识别也会因部分信号时频图相似影响正确识别率。本发明对低截获概率雷达信号调制识别提出了一种有效的方法，通过Choi-Williams分布进行时频分析获得时频图后利用残差网络进行初步分类，再对时频图较为相似的信号进行特征提取，对提取的特征利用随机森林进行分类。实验证明，该方法对常用的低截获概率雷达信号调制方式有较好的识别效果。

发明内容

本发明的目的是对常用低截获概率雷达信号脉内调制进行识别，在信噪比较低的情况下也能获得较高的正确识别率。因此，提出了时频分析与机器学习相结合的脉内调制识别方法。

为实现上述发明目的，本发明的具体内容包括：