论文部分内容阅读
雷达信号的脉内调制识别是雷达电子战中的一项关键技术,在雷达侦察系统中有着重要的应用。然而,随着雷达技术的快速发展,以低截获概率雷达为代表的新体制雷达不断出现,不仅让雷达信号的调制方式越来越多样化,而且使雷达信号正常工作的信噪比(Signal-Noise Ratio,SNR)门限也越来越低,造成了一些只针对少数几种信号、抗噪性差的传统雷达脉内调制识别算法失效,这对雷达信号脉内调制识别算法提出了新的挑战。因此,本文主要针对低信噪比下雷达信号脉内调制识别问题进行了深入的研究,提出了三种不同的雷达信号脉内调制识别算法。具体包括:首先,提出了一种基于奇异值熵和分形维数的雷达信号脉内调制识别算法。该算法首先通过Choi-Williams分布(Choi-Williams Distribution,CWD)得到信号的时频图像,提取时频图像的奇异值熵;然后再提取信号频谱的盒维数与信息维数,组成三维特征向量;最后使用基于支持向量机(Support Vector Machines,SVM)的分类器实现雷达信号的分类识别。对8种典型雷达信号的仿真试验结果表明,该方法抗噪性强、识别率高。其次,提出了一种基于卷积神经网络的雷达信号脉内调制识别算法。该算法首先通过提取雷达信号的时频图像,然后经过一系列的图像处理包括二维维纳滤波、双线性插值法和大津法,将信号的时频图像变成二值图像,最后通过设计一个卷积神经网络,实现雷达信号的脉内调制识别。仿真试验结果表明,该算法能在低信噪比下有效识别12种雷达信号。另外,本文为Cohen类时频分布(Cohen Class Time-frequency Distribution,CTFD)引入了一个新的核函数,仿真试验表明新核函数的CTFD更适合于提取雷达信号的时频图像。最后,提出了一种基于卷积去噪自编码器的雷达信号脉内调制识别算法。该算法通过结合卷积去噪自编码器和Inception网络模块,设计了一个深度卷积神经网络分类信号的时频图像。该算法流程简单,不需要过多的预处理过程,能直接将调整尺寸且归一化处理后的信号时频图像作为深度卷积神经网络的输入,实现雷达信号的脉内调制识别。虽然该算法使用的卷积神经网络层数较多,但是由于其采用了Inception网络模块,所以网络参数量较少,且分类性能好。对12种雷达信号的仿真试验结果表明,该算法不仅抗噪声性强,而且具有很好的泛化能力。