[發明專利]一種基于深度學習的雷達輻射源類別識別方法

在審

• 申請號: 201711145195.9
• 申請日: 2017-11-17
• 公開（公告）號: CN108090412A
• 公開（公告）日: 2018-05-29
• 發明（設計）人: 張治山;王增福;蘭華;潘泉
• 申請（專利權）人: 西北工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 陜西增瑞律師事務所 61219
• 代理人: 劉春

本發明公開了一種基于深度學習的雷達輻射源類別識別方法，利用經過預處理的輻射源信號求取其模糊函數的切片作為特征向量；將大量的打好標簽的特征向量作為訓練樣本，通過深度卷積神經網絡進行訓練，并利用獲得的卷積神經網絡分類器進行輸入特征向量的分類識別；為了實現對于未知類別的輻射源的識別，構建基于支持向量機的meta識別器來判斷卷積神經網絡分類器的分類結果是否可信，得到最終的識別結果。本方法可以有效提高雷達輻射源識別的準確度。

【技術領域】

本發明屬于雷達輻射源識別技術領域，具體涉及一種基于深度學習的雷達輻 射源類別識別方法。

【背景技術】

現代戰場形勢瞬息萬變，信息對抗在現代軍事中的作用越來越重要。電子 戰也稱電子對抗，包括電子偵察、電子攻擊和電子防護三個方面。電子偵察主要 指從敵方雷達及其武器系統獲取有用信息，通過輻射源個體識別，可以對戰場環 境中敵我雙方輻射源的分布情況實施偵察，提供更加全面的、精確的電磁斗爭與 武器的態勢，進行有效的戰場指揮與決策。輻射源識別已成為當前電子戰特別是 電子偵察領域的研究熱點和難點。輻射源特征未知、日趨復雜的信號波形、惡劣 的戰時電磁環境給輻射源的精確識別帶來了越來越嚴峻的挑戰。

在輻射源信號特征挖掘方面,在上世紀70年代國外相關研究人員就開始了 該部分研究，諸多學者做了大量研究工作，可分為兩個階段:

第一階段為輻射源基本參數特征研究。對原始信號特征直接求取其載波頻 率、脈沖寬度、脈沖幅度、到達角度和到達時間等信息，利用其中一個或多個作 為特征向量。這種情況主要是應用于電磁環境相對單一、輻射源類別較少、信號 形式單一、雷達參數固定的早期。

第二階段自20世紀90年代以來，西方軍事強國開始研究雷達輻射信號的脈 內特征，相繼提出了了多種分析雷達信號脈內特征的方法。代表性的方法有:時域 波形分析法、譜相關法、時頻綜合法、小波分析法、信息理論準則與聚類技術綜 合法、脈內瞬時頻率特征與累積法等。

國內對雷達輻射源個體識別技術的研究始于上世紀80年代初，雖然起步較 晚，但受到了高度重視，在“九五”、“十五”和“十一五”中給予了大力資助。 在脈內特征挖掘方面，畢大平提出了易于工程實現的脈內瞬時頻率提取技術；張 葛祥提出了雷達輻射源信號的小波包特征、相像系數特征、熵特征、粗集理論、 信息維數和分形盒維數；朱明提出了基于原子分解的特征、基于Chirplet原子的 特征、時頻原子特征；普運偉提出了瞬時頻率派生特征、模糊函數主脊切面特征； 陳稻偉提出了符號化脈內特征、圍線積分雙譜特征等；余志斌提出了局域波分解、 小波脊頻級聯特征。

另一方面，雷達輻射源識別是一個典型的分類問題，其主要思路為在得到輻 射源信號的特征表示之后，借助有效的分類算法來實現特征空間到決策空間的轉 換，從而確定信號的所屬類別。大量的分類算法被運用于雷達輻射源識別中，如 模板匹配、神經網絡、支持向量機等。一般被應用于該領域的有三種分類方法， 一種是判別型分類器，其需要在學習過程中最優化某種目標函數；另一種為生成 模型分類器，其主要是基于先驗概率和類別條件概率密度進行估計，如線性判別 分類器、K最近鄰等；第三種是決策樹分類算法，通過人類專家的先驗知識進行 分類，如ID3、C4.5算法。

現有技術的缺點主要是在兩個方面，第一個是分類算法精度低。已有算法較 多的依賴專家先驗知識或者人為選取的特征，無法適應日益復雜的電磁環境。第 二個缺點是無法識別未知分類，已有算法只能識別出已有分類，而在電子偵察中 更重要的是對于未知分類輻射源的快速識別。

【發明內容】

本發明的目的是提供一種基于深度學習的雷達輻射源類別識別方法，以解決 上述現有技術的缺陷。