论文部分内容阅读
随着军事现代化的加速,先进的数字波形生成技术与处理技术不断涌现,使得大批新的雷达波型被设计出来,雷达信号变得更加多样化和复杂化。同时现代电磁环境也愈加复杂,对极端条件下的雷达波形识别愈发重要。传统调制类型识别技术相当复杂,而且对技术要求高,适应性不强,已经难以应用于日新月异的现代场景中。基于以上研究背景,本文系统性地开展了基于深度学习与稀疏表示的雷达信号调制类型识别研究。本文的研究内容包括三个部分:1、首先研究了信号特征表示方法,然后对常见雷达信号进行时频仿真。仿真结果表明了信号时频特征作为信号特征的合理性。对信号在高斯白噪声和莱斯多径损伤环境下进行仿真,发现低信噪比下信号的Choi-Williams时频表示和Hilbert谱损坏严重。生成了 11种雷达信号组成的数据集,并对本文所用时频特征进行预处理。2、其次研究了如何从含噪雷达波形中准确去噪。基于信号稀疏先验,提出面向去噪任务的在线字典学习算法(DNODL)。仿真结果表明DNODL比ODL算法有更好的性能。研究了不同字典大小与不同稀疏度下DNODL算法的重构误差,在最优稀疏度和字典大小下对信号稀疏去噪。仿真结果表明本文所提出的稀疏去噪方法在-10dB下将信号平均信噪比提高至-0.83dB。得益于学习字典的结构保持特点,重构信号结构信息较为完整。然后基于在线学习思想提出判别式字典学习算法(DODL),利用稀疏表示系数融合了一个线性分类器进行分类判决。采用DNODL与DODL融合识别,结果表明线性分类方法在-10dB下能够达到64.5%的准确率。3、最后引入深度学习的识别方法。提出了时域调制类型识别算法(TMC),仿真结果表明在信噪比0dB及以上时达到95%的准确率,但随着信噪比下降准确率迅速衰减。仿真了单一的Choi-Williams时频表示识别方法,发现对相似调制信号分离度不足。提出以Choi-Williams时频表示和Hilbert谱构成信号时频联合特征的调制类型识别算法(JTMC)。仿真结果表明-10dB下能达到81.7%的准确率;进一步通过DNODL算法稀疏去噪改善输入信号的信噪比,提出稀疏去噪和时频联合特征调制类型识别算法(DJTMC)。该算法在-10dB下达到了 92.1%的准确率。最后的仿真对比验证了本文所提出方法的有效性。