针对未知雷达辐射源信号的脉内调制识别

• 作 者: 杨雯婷
• 出 处: 吉林大学
• 发表日期: 2020年08期
• 关键词: 雷达信号分选 脉内调制 分类识别 深度置信网络 残差神经网络

在日趋复杂的电磁环境背景下,传统的工程算法已无法满足当今电子战信息处理的需求。针对密集雷达信号在复杂电磁环境下难以直接识别的问题,本文提出先分选后识别的算法流程。首先提出一种以脉冲幅度为主要参数的雷达信号预分选算法,以提高后续雷达信号识别的准确率和运算效率。预分选后,提出了基于深度学习框架的雷达辐射源信号脉内调制方式识别算法。本文主要工作如下:(1)信号调制类型对比分析及特征提取。本文研究了九种不同调制方式的雷达信号,其中包括线性调频信号、频移键控信号、相移键控信号等,分别建立信号的数学模型,分析了不同调制信号的时域、频域以及相位域的特征。此外,本文对比了不同的时频变换方法对信号特征提取的效果,经过比较最终选取ChoiWilliams分布对信号进行时频变换,提取信号的时频域特征。(2)脉冲幅度预分选。针对在复杂电磁环境下信号密集,难以直接识别的问题,在识别前提出一种以脉冲幅度为主要参数的雷达辐射源信号预分选算法。根据脉冲幅度的变化特性,采用K-Means聚类算法对雷达辐射源信号进行粗分选,并利用分段埃尔米特插值法及幅度差提取包络算法对雷达辐射源信号的脉冲幅度进行包络提取,实现在交叠严重的情况下雷达辐射源信号的分选。通过预分选算法,对信号进行稀释,能够有效提升后续识别算法的准确率。(3)基于深度置信网络的脉内调制识别算法。由于传统的识别方法在低信噪比时准确率低,本文提出了基于深度置信网络的雷达信号调制方式识别算法以提高准确率。在脉冲幅度预分选后,根据(1)中的理论基础,生成九种调制信号的时频图像数据集,通过对深度置信网络进行训练及测试,使深度置信网络具备识别雷达信号调制方式的能力。经过实验证明,本算法能够在提高未知雷达辐射源信号识别准确率的同时提高识别效率,同时该方法具有良好的普适性。(4)基于残差神经网络的脉内调制识别算法。由于人工提取信号特征的计算量大、主观性强且会丢失信号原本的信息,因此提出直接以雷达的时域信号为输入,由残差神经网络提取特征进行识别的雷达信号脉内调制算法。算法建立九种雷达信号的时域信号数据集,输入到残差神经网络进行训练、分类及识别。经实验证明,算法节省了生成时频图像特征的大量时间,抗噪声能力更强。