基于深度学习的开集环境下雷达信号识别研究.pdfVIP

基于深度学习的开集环境下雷达信号识别研究

摘要

现代对抗领域中电磁环境日益复杂，新一代雷达系统采用了大量复杂调制方式的

雷达信号，如非线性调频、调频调相信号以及复合调制信号等，给雷达信号识别带来

了一定困难。实际环境中低信噪比条件下雷达信号调制识别准确率不高，同时接收到

的大量未经训练的未知调制类型信号的问题，也影响了雷达信号调制识别的准确率，

针对上述问题，本文开展基于深度学习的开集环境下雷达信号识别研究。

战场低信噪比环境下，噪声会严重影响信号脉内特征提取，导致信号区分度不高，

降低信号脉内调制识别率。针对此问题，本文提出了一种基于贝叶斯优化的残差连接

SWT-LSTM(WaveletScatteringTransformandLongShort-TermMemory)调制识别算法。

首先通过小波散射网络提取信号时序数据的紧凑特征，使数据类内特征更加聚集同时

保留各类间的可区分性。同时构建基于残差连接的LSTM识别网络，加入注意力机制

以提升网络特征提取的性能，利用贝叶斯优化调整超参数得到效果最优的识别模型。

实验结果表明，基于贝叶斯优化的残差连接SWT-LSTM调制识别方法在较低信噪比下

能较大提升信