论文部分内容阅读
雷达辐射源信号识别是电子侦察系统的重要任务和关键环节,其识别结果为电子对抗和电子反对抗提供情报支持和实时支援,影响乃至决定电子战的成败。随着雷达技术和抗电子干扰技术的不断发展,越来越多的复杂体制雷达投入使用,雷达引导武器的威胁性也越来越高,这不仅给辐射源信号识别带来很大困难,而且要求识别系统具有很高的识别精度和稳定性。 在复杂体制雷达辐射源信号识别中,本文主要研究辐射源脉冲重复间隔(PRI)调制类型识别。按照所建立的辐射源识别模型,首先对信号参数进行特征提取,提取出表征辐射源PRI调制类型的特征向量,然后通过智能分类器对特征向量进行分类以实现对辐射源信号PRI调制类型的自动识别。本文的主要工作及研究成果如下: 1.对雷达辐射源信号识别进行了概述,详细论述和系统分析了国内外研究现状,并指出了需要解决的问题。 2.综合分析复杂PRI调制雷达脉冲信号及其数学模型,给出了影响信号识别的主要因素,并对雷达信号进行了软件仿真。 3.在分析已有辐射源信号识别模型的基础上,提出了基于信号参数特征提取的辐射源信号识别模型。 4.在分析辐射源信号PRI脉冲列的基础上,提出了一种特征提取方法,从信号的时域参数提取出一个二维特征向量来表征辐射源的PRI调制类型。实验仿真结果表明特征提取方法不仅可以将不同的PRI调制类型分开,而且由于其对输入向量进行了降维,从很大程度上减小了分类问题的复杂度。 5.将神经网络用于雷达辐射源脉冲信号PRI调制类型的识别。采用概率神经网络(PNN)设计分类器,并采用设计的分类器对雷达辐射源脉冲信号PRI调制类型进行分类识别。实验结果表明:本文提取的特征向量不仅能很好的识别PRI调制类型,而且存在噪声时也有很好的识别性能;PNN分类器对本文提取的低维特征向量有很好的识别性能,但输入向量维数增高时性能迅速恶化。 6.将支持向量机(SVM)用于雷达辐射源脉冲信号PRI调制类型的识别。对SVM核函数进行了分析,并给出了SVM在线性和非线性模式分类方面的