论文部分内容阅读
随着各种新型复杂体制雷达的出现和电磁脉冲环境的日益复杂,仅仅采用典型特征数据库查找的雷达信号识别方法,已经很难准确、实时和高效地识别雷达辐射源的存在。在高噪声、电磁信号重叠的环境下,雷达辐射源的识别成为了雷达对抗领域中亟待发展的关键技术——快速有效地将各部雷达辐射源信号型号从复杂电磁环境下识别出来,将为后续截获敌方雷达信息,并有针对性地实施雷达干扰提供有力支撑。本文主要基于“低观测维度”、“低时频分辨力”的复杂电磁脉冲信号环境,利用神经网络技术对雷达辐射源识别问题展开研究。 文章内容及创新点如下: (1)首先基于辐射源电磁环境模型,对几种典型的脉内辐射源调制信号进行了仿真分析,研究了雷达辐射源识别系统接收处理信号的参数提取和辐射源发射机中几种典型的特征参数及参数提取,并对比分析了常用的基于脉内特征的辐射源分类识别方法,评价它们的准确性、实时分辨和抗噪声能力。 (2)针对未知雷达辐射源的信号分选和识别,本文对无监督学习算法进行了详细研究,包括两类聚类算法、两类神经网络、基于深度学习的算法等,本文从时间复杂度,样本缺失条件下识别率、数据降维方面,对算法的性能、参数选择、适用场景进行仿真分析和讨论。 (3)随着雷达辐射源的数量增加和多参数随机捷变、跳变等调制方式的新体制雷达的大量部署,辐射源的有效电磁信号被严重污染,传统的分选算法无法利用有效的信号规律进行特征向量参数提取,导致传统依靠单一维度参数向量进行特征提取和个体识别算法已经不能实现工程需求,为此本文深入研究基于深度波尔兹曼机(DBM)算法,提出适应雷达辐射源识别的网络结构。该方法适用于少量观测数据下的大量时域频域交叠信号的快速分选,即使在信噪比较低情况下也能取得良好的识别效果。 (4)最后针对多部信号参数缺失的雷达辐射源脉冲序列混叠信号流,本文提出了基于深度循环卷积神经网络的雷达辐射源分类识别方法,根据信号的上下文相关性,在线学习电磁环境中的信号高维特征,并经过BLSTM-DRNN网络分类器分类输出结果。仿真实验表明,在一定信噪比下,利用BLSTM-DRNN算法识别后,系统仍然可以保持较高的识别准确率,并且在经过模型参数训练过程后,模型在对辐射源信号识别的准确度和速度上有很大提高。