基于深度卷积神经网络的雷达辐射源识别算法研究.pdfVIP

摘要

随着电磁环境日益复杂，新型体制雷达信号不断涌现，使得基于传统参数的

雷达信号识别无法满足现代电子侦察的需求。已有的脉内特征分析方法采用人工

提取特征的方式对信号进行识别，计算量较大。因此，为适应多样化电磁环境，

解决雷达信号识别上存在的问题，本文提出了一种基于深度卷积神经网络

(DCNN)的雷达辐射源识别方法。该方法自主学习雷达信号特征，将特征提取与

目标识别结合，实现“端到端”学习方式。本文具体研究内容如下：

①对雷达信号参数进行设计和分析，产生雷达数据源。对8类复杂雷达信

号：线性调频信号(LFM)、线性调频连续波(LFMCW)信号、LFM-BC信号、

Frank-LFM信号、S型NLFM信号、Costas编码信号、P3码编码信号、FSK/PSK

信号进行建模及其时域、频域的波形仿真与分析。通过改变雷达信号模型中具有

通信物理意义的参数，为之后识别算法的研究提供数据基础。

②提出一种基于DCNN的单通道雷达辐射源识别算法。主要思想是：对8

类雷达信号做短时傅里叶变换，将得到的频谱图进行数据增强和图像预处理。针

对雷达实部波形和频谱图分别作为输入，设计不同的网络模型，对DCNN的训

练次数、学习率等参数进行分析和比较。并验证了雷达信号在经过STFT和图像

预处理之后，识别率和运行效率有一定的提高。

③提出一种基于DCNN的双通道雷达辐射源识别算法。此方法对单通道网

络结构进行优化，设计出更适合雷达信号的双通道网络结构。将雷达信号的实部、

虚部信息全部输入到网络，不同于DCNN单通道雷达信号识别算法。通过仿真

实验验证了双通道网络在识别效率上具有一定的优势，验证了信号识别率与样本

数量呈正相关，而且该算法在低信噪比下识别效果也能达到85%以上，对比SVM

和Adaboost算法，双通道模型识别率更高。

关键词：雷达辐射源识别，DCNN，STFT，单通道网络模型，双通道网络模型，

特征提取

ABSTRACT

Withtheelectromagneticenvironmentbecomesincreasinglycomplex,new

systemradarsignalsareemerging,makingtheradarsignalrecognitionoftraditional

parametersunabletomeettheneedsofmodernelectronicreconnaissance.Existing

in-pulsefeatureanalysismethodsaremanuallyextractedfeaturestoidentifyradar

signals,andthecalculationamountistoolarge.Therefore,inordertoadapttothe

diversifiedelectromagneticenvironmentandsolvetheproblemsinradarsignal

recognition,thesisproposesaradaremitteridentificationmethodbasedondeep

convolutionalneuralnetwork(DCNN).Themethodcanautonomouslylearnfeatures,

effectivelycombinefeatureextractionwithtargetrecognition,achieveend-to-end.

Thespecificresearchcontentsareasfollows:

①Theradarsignalparametersaredesignedtoge