基于模糊函数和深度学习的LPI雷达波形识别算法研究

• 作 者: 于鑫
• 出 处: 哈尔滨工程大学
• 发表日期: 2021年05期
• 关键词: LPI雷达波形识别 模糊函数 TPOT CNN 迁移学习

在现代信息化战争中,有效准确的识别截获的雷达波形对电子侦察具有重要意义。随着低截获概率(Low Probability of Intercept,LPI)雷达等复杂体制雷达的出现,雷达在功能和性能上得到了很大的提升,传统的识别算法难以对其进行分类,这给电子侦察带来了巨大的挑战。本文主要针对复杂电磁环境下LPI雷达波形特征提取困难和识别率低等问题,提出了基于模糊函数(Ambiguity Function,AF)主脊切面包络特征和时频图像结构特征以及两种特征相融合的三种LPI雷达波形识别算法。论文主要研究内容如下:1.在模糊函数主脊切面包络特征提取与识别方面,提出了基于AF主脊切面和TPOT的雷达波形识别算法。该算法首先提取雷达波形AF主脊切面包络和最大旋转角;接着通过奇异值分解算法对主脊切面包络去噪;然后提取AF主脊切面包络特征,包括维数特征和相像系数特征,并联合最大旋转角特征构成特征集;最后,选择并优化分类器,使用基于树结构的流程优化工具(Tree-based Pipeline Optimization Tool,TPOT)实现雷达波形分类。仿真结果表明,本文所提算法在低信噪比下对特征提取以及分类都具有良好的效果。2.在自主学习时频图像结构特征提取与识别方面,首先,针对低信噪比条件下LPI雷达波形特征提取困难以及识别率低等问题,提出了基于卷积神经网络和支持向量机(Lenet-5-SVM)相结合的LPI雷达波形识别算法。该算法将雷达波形通过时频分析转换为二维时频图像,利用图像处理算法提取时频图像中的主成分信息,并采用卷积神经网络联合支持向量机实现雷达波形的特征提取与识别;然后,针对LPI雷达波形训练样本数目少,深层CNN的参数训练困难的问题,将迁移学习的思想引入到雷达波形识别算法中,分析支持向量机与深层网络模型分类器的关系,提出了两种基于深度迁移学习的雷达波形识别算法(Inception-v3-SVM、Res Net-V2-152-SVM)。仿真实验表明,所提算法提高了低信噪比下雷达波形识别率,验证了所提网络模型在LPI雷达波形识别领域应用的可行性与有效性。3.在联合特征识别方面,针对低信噪比下迁移学习模型识别率低的问题,设计了基于AF主脊切面特征联合图像特征迁移学习的网络。通过将AF主脊切面包络特征与迁移学习算法提取的时频图像特征进行融合,实现了LPI雷达波形的分类识别。仿真结果表明,所提联合特征识别算法提高了低信噪比下LPI雷达波形的识别准确率。