论文部分内容阅读
随着现代雷达科技的不断发展,各种调制模式的雷达辐射源不断更新迭代,同时当今战场电磁环境更加复杂多变,以至于雷达辐射源信号多种多样,各种参数不断变化,利用常规的雷达辐射源信号识别方法已经不能满足现代瞬息万变的电子对抗战场情况,致使目标侦察识别日渐困难。针对现有方法识别准确率低以及对噪声敏感的问题,构建基于机器学习的信号分类识别框架,提出一种新的雷达信号识别的方法,实现了低信噪比下雷达辐射源信号的高正确率识别。本文的具体研究工作如下:1、研究了数据处理重表达方法对雷达信号识别效果的贡献,由于雷达脉冲信号在采样频率一定时,脉宽参数的不同导致各脉冲的采样点数不一致,需要对脉冲数据进行降维。利用改进的重表达算法对时间序列信号降维,因此需要对符号化聚合近似SAX方法进行理论研究分析;针对该方法自身的信息损失问题,对改进的SAX符号化BOP(Bag-of-Patterns)相结合的方法进行理论研究分析,并通过设计时间序列数据重表达前后对比实验,来验证对雷达信号分类准确性的影响。2、本文主要研究的是复杂电磁环境下截获的复杂雷达辐射源信号数据处理方法,即重表达;为了能够有效地对数据处理后的雷达信号进行特征选择与特征提取进而实现准确信号的分类,针对本文提出的重表达方法对分类结果的影响做了交叉验证实验,并对重表达对原始数据信息损失与降维去噪情况进行表述。同时本文通过提取样本熵(SampEn)、近似熵(ApEn)两种特征进行对比实验,进而根据仿真实验结果选用样本熵作为雷达信号分类特征。为了能够有效地对数据处理后的雷达信号进行特征选择与特征提取进而实现准确信号的分类,针对本文提出的重表达方法对分类结果的影响做了交叉验证实验,并对重表达对原始数据信息损失与降维去噪情况进行表述。3、仿真实验对接收到的雷达辐射源信号进行Fourier变换和归一化处理,然后对预处理后的信号进行数据重表达,提取信号的样本熵和近似熵特征并针对同类时序信号进行实验对比。最后运用SVM实现6类雷达辐射源信号的识别。由仿真实验结果可知,当信噪比在0dB以下时,6类雷达辐射源信号的平均正确识别率最低为92.03%;当信噪比为10dB时,6类信号可以达到完全分离,验证了所提方法的有效性和可行性。