雷达辐射源识别是雷达信息对抗处理的重要内容,对电子战的输赢起着决定性的作用。随着战场电磁环境的日益复杂和新体制雷达技术的发展,雷达辐射源信号形式变得日益复杂未知,并且呈现“大数据”趋势,对传统雷达辐射源识别方法提出了严峻挑战。人工智能的发展为雷达辐射源识别技术的发展带来了新的机遇,其中的深度学习理论日趋完善也为识别算法提供了新的研究方向。本文结合深度学习理论研究设计并实现了一种雷达辐射源信号识别平台,提出了基于深度学习网络的雷达辐射源识别算法,并在该平台上测试验证。该平台可以实现对辐射源信号仿真数据和实测数据的处理,也可以完成多种辐射源识别算法的对比测试与验证。本文的主要内容如下:1、提出了基于深度学习的雷达辐射源识别平台架构,分别从系统的软件和硬件层面介绍了各个模块的组成及功能,并详细给出了该平台中雷达辐射源信号处理的详细过程。2、研究分析了雷达辐射源信号形式,设计了雷达辐射源信号采集传输模块,介绍了辐射源信号的产生、采集、传输与存储等数据处理过程。3、研究了几种常见的深度学习架构,提出了基于多层感知器的深度学习网络识别算法。采用短时傅式变换将信号转变到时频域进行分析处理,提取信号的时频域特征可以提高辐射源识别算法的识别率。对深度网络训练耗时较长的问题,本文采用主成分分析的方法对信号降维处理,同时网络结构中加入Dropout函数,随机提出部分神经元的连接,可以有效缓解深度网络过拟合的发生,提高深度学习网络的训练效率。经过多次迭代网络到达设定阈值时停止网路训练并保存多层感知器网络模型,并利用测试数据集测试辐射源识别性能。4、完成了基于多层感知器深度学习雷达辐射源识别平台的测试验证。首先采集雷达辐射源样本数据,然后将采集的辐射源样本数据传输至系统平台,读取采集的辐射源信号并做时频变换和降维处理,调用第三部分训练好的多层感知器网络模型,读取测试数据,启动雷达辐射源识别平台上位机获得信号识别结果。