论文部分内容阅读
随着电磁环境日益复杂,新型体制雷达信号不断涌现,使得基于传统参数的雷达信号识别无法满足现代电子侦察的需求。已有的脉内特征分析方法采用人工提取特征的方式对信号进行识别,计算量较大。因此,为适应多样化电磁环境,解决雷达信号识别上存在的问题,本文提出了一种基于深度卷积神经网络(DCNN)的雷达辐射源识别方法。该方法自主学习雷达信号特征,将特征提取与目标识别结合,实现“端到端”学习方式。本文具体研究内容如下:(1)对雷达信号参数进行设计和分析,产生雷达数据源。对8类复杂雷达信号:线性调频信号(LFM)、线性调频连续波(LFMCW)信号、LFM-BC信号、Frank-LFM信号、S型NLFM信号、Costas编码信号、P3码编码信号、FSK/PSK信号进行建模及其时域、频域的波形仿真与分析。通过改变雷达信号模型中具有通信物理意义的参数,为之后识别算法的研究提供数据基础。(2)提出一种基于DCNN的单通道雷达辐射源识别算法。主要思想是:对8类雷达信号做短时傅里叶变换,将得到的频谱图进行数据增强和图像预处理。针对雷达实部波形和频谱图分别作为输入,设计不同的网络模型,对DCNN的训练次数、学习率等参数进行分析和比较。并验证了雷达信号在经过STFT和图像预处理之后,识别率和运行效率有一定的提高。(3)提出一种基于DCNN的双通道雷达辐射源识别算法。此方法对单通道网络结构进行优化,设计出更适合雷达信号的双通道网络结构。将雷达信号的实部、虚部信息全部输入到网络,不同于DCNN单通道雷达信号识别算法。通过仿真实验验证了双通道网络在识别效率上具有一定的优势,验证了信号识别率与样本数量呈正相关,而且该算法在低信噪比下识别效果也能达到85%以上,对比SVM和Adaboost算法,双通道模型识别率更高。