基于深度学习的雷达辐射源个体识别方法研究.pdf

基于深度学习的雷达辐射源个体识别方法研究

摘要

在电子战中，电子情报可以为决策者提供有关敌方电子系统的实时信息，而雷达辐

射源个体识别则为电子情报提供了一种高效而且可靠的手段。雷达辐射源个体识别是一

个通过比较截获的雷达信号的脉内特征来区分敌方雷达辐射源不同个体的过程。通过对

敌方雷达辐射源进行个体识别，电子情报可以更加准确地评估敌方电磁威胁，从而制定

有针对性的电子战策略。本文主要聚焦于雷达辐射源个体建模、特征提取以及分类器的

设计，依据不同的雷达辐射源个体建模方式，合理地选择分类特征和设计分类器以完成

雷达辐射源个体识别任务。本文的主要研究内容如下：

利用无意调相对雷达辐射源个体进行建模，并针对传统的利用无意调相特性曲线的

辐射源个体识别算法存在的识别率低的问题，提出了无意调相特性曲线的精确描述+基

于注意力机制的门控神经网络(Attention-basedGatedRecurrentUnit,Attention-GRU)的个

体识别算法。所提的算法中，利用均匀B样条平滑后的无意调相曲线能更加精确地表征

雷达辐射源个体；在Attention-GRU模型中，门控神经网络能具有强大的时序建模能力，

而注意力机制能够根据不同的样本合理地分配注意力资源，二者结合能显著提高识别正

确率。仿真结果证明，所设计的识别模型中的注意力层对输入模型的不同样本能合理地

分配注意力资源，对提升识别正确率具有较显著的效果；所提算法在样本量小的情况下

依然能实现较高的识别正确率，并且在中高信噪比的条件下，所提算法就可收敛。

利用相位噪声对雷达辐射源个体进行建模，针对双谱含有过多的冗余信息而不能作

为识别的优良模板的问题，提出了一种双谱二次特征提取与组合方法，并根据这种方法

形成了一种4通道张量+基于高效通道注意力机制的残差神经网络的雷达辐射源个体识

别算法。首先，分析了相位噪声的成因及其对雷达信号的时域波形和频谱的影响，并根

据第一类贝塞尔函数以及雅各比-安格展开式，推导出了不同调制类型的含相位噪声的

雷达信号的模型。其次，引入双谱以充分暴露相位噪声引起的个体差异。最后，从双谱

中提取出4种积分双谱，并以4种积分双谱所组成的4通道张量作为分类特征，以基于

高效通道注意力机制的一维残差神经网络(ResNet1D-ECA)作为分类器完成了识别。仿真

和公开雷达数据集识别结果证明，基于4通道张量+基于高效通道注意力机制的残差神

经网络的个体识别方法也能实现较高的识别正确率，可适用于真实场景。

哈尔滨工程大学专业学位硕士学位论文

利用射频功放的行为模型对雷达辐射源个体进行建模，提取了辐射源个体的1.5维

谱和模糊函数的1/2切片，并应用了一维卷积-长短期记忆神经网络(CNN1D-LSTM)来完

成了雷达辐射源个体识别。首先，利用功放的泰勒级数模型以及记忆多项式模型对雷达

辐射源个体识进行建模。其次，提取辐射源信号的1.5维谱和模糊函数1/2切片作为分

类体征，再次，构建双支路并行模型——CNN1D-LSTM以完成雷达辐射源个体识别。

仿真结果证明，当信噪比大于等于5dB时，所提算法即可达到85%的识别正确率；当信

噪比等于8dB时，识别正确率即可接近1，并且算法趋近收敛。

关键词：雷达辐射源个体识别；无意调制；深度学习；注意力机制

基于深度学习的雷达辐射源个体识别方法研究

ABSTRACT

Inelectronicwarfare,electronicintelligenceprovidesreal-timeinformationaboutenemy

electronicsystemsfordecision-makers,whileradarspecificemitteridentificationprovidesan

efficientandreliablemeansforelectronicintelligence.Radarspecificemitteridentificationis

aprocessofdistinguishingdifferentindiv