基于機(jī)器學(xué)習(xí)的雷達(dá)輻射源分類識(shí)別技術(shù)研究.pdf

1、隨著信息技術(shù)的發(fā)展,現(xiàn)代的軍事競賽開始向以信息戰(zhàn)為核心的電子對(duì)抗的方向發(fā)展,包括衛(wèi)星防護(hù)、電子對(duì)抗以及信號(hào)處理技術(shù)等領(lǐng)域都需要研究和發(fā)展以雷達(dá)輻射源識(shí)別為核心的雷達(dá)偵察技術(shù)。雷達(dá)輻射源信號(hào)識(shí)別是雷達(dá)偵察信號(hào)處理系統(tǒng)的關(guān)鍵環(huán)節(jié),引導(dǎo)電子對(duì)抗(ECM)系統(tǒng)實(shí)施對(duì)抗的前提。雷達(dá)輻射源識(shí)別系統(tǒng)通過對(duì)敵方雷達(dá)的識(shí)別,估計(jì)其威脅,爭取電子對(duì)抗的主動(dòng),為防御和進(jìn)攻提供準(zhǔn)確情報(bào)。雷達(dá)輻射源識(shí)別技術(shù)主要包括:雷達(dá)輻射源信號(hào)的分選;對(duì)雷達(dá)輻射源信號(hào)進(jìn)行分類

2、識(shí)別;以及根據(jù)已知的雷達(dá)信息庫判定雷達(dá)的威脅等級(jí)等幾部分。其中,以對(duì)于雷達(dá)輻射源信號(hào)的分類識(shí)別為核心。因此,本文重點(diǎn)研究了基于機(jī)器學(xué)習(xí)的雷達(dá)輻射源識(shí)別技術(shù),以滿足我國的衛(wèi)星、臨近空間飛行器防護(hù),電子對(duì)抗等領(lǐng)域的需求。
　　首先,對(duì)雷達(dá)輻射源信號(hào)分選技術(shù)進(jìn)行了研究。研究了時(shí)頻分析技術(shù)在雷達(dá)信號(hào)分選中的應(yīng)用以及優(yōu)勢(shì)與弱點(diǎn)。對(duì)幾種常見的時(shí)頻分析方法進(jìn)行了介紹,并著重對(duì)基于多譜圖疊加的維格納分布(Wigner-Ville distribu

3、tion,WVD)交叉項(xiàng)抑制算法進(jìn)行分析,在此基礎(chǔ)上提出了一種基于自適應(yīng)閾值聯(lián)合時(shí)頻變換的雷達(dá)信號(hào)分選方法。該方法將無監(jiān)督訓(xùn)練中閾值選擇問題轉(zhuǎn)化為優(yōu)化問題,依據(jù)類間差異最大化原則,自適應(yīng)地選擇閾值。根據(jù)選擇的閾值,對(duì)多譜圖疊加進(jìn)行門限判決,確定多譜圖疊加的自項(xiàng)區(qū)域,從而抑制 WVD交叉項(xiàng)的影響。通過對(duì)雷達(dá)信號(hào)分量的分選,確定每個(gè)雷達(dá)信號(hào)分量,為后續(xù)工作中特征提取做準(zhǔn)備。
　　其次,研究雷達(dá)輻射源信號(hào)的脈內(nèi)特征提取與特征選擇技術(shù)。第

4、一,介紹了雷達(dá)輻射源信號(hào)脈內(nèi)特征的劃分。分別介紹了脈內(nèi)有意調(diào)制特征和脈內(nèi)無意調(diào)制特征,以及常見的雷達(dá)輻射源特征提取方法。第二,提出了一種基于雷達(dá)信號(hào) WVD的聯(lián)合特征提取方法。該方法提取的特征由兩部分組成,即雷達(dá)信號(hào) WVD的立體高階自相關(guān)特征和時(shí)頻位置特征。分別介紹了立體高階自相關(guān)特征和時(shí)頻位置特征的定義以及提取方法。第三,針對(duì)聯(lián)合特征的維數(shù)過多,不利于分類器訓(xùn)練問題,研究了特征選擇技術(shù)。研究了基于粗糙集理論的特征選擇方法,并用于對(duì)聯(lián)

5、合特征進(jìn)行優(yōu)化,約簡其中的冗余屬性。在研究粗糙集理論的特征選擇方法的同時(shí),研究了粗糙集理論中知識(shí)規(guī)則的提取和屬性重要度的概念,為后文中應(yīng)用粗糙集確定粗糙 K-均值的初始中心,以及徑向基函數(shù)(radial basis function,RBF)屬性加權(quán)提供了理論基礎(chǔ)。
　　然后,研究了基于神經(jīng)網(wǎng)絡(luò)的雷達(dá)輻射源識(shí)別方法。概括了神經(jīng)網(wǎng)絡(luò)的特點(diǎn)與發(fā)展歷程。著重研究了RBF神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)與學(xué)習(xí)方法。提出了一種基于粗糙集和粗糙 K-均值聚

6、類的 RBF神經(jīng)網(wǎng)絡(luò)雷達(dá)輻射源信號(hào)識(shí)別方法。根據(jù)粗糙集理論約簡得到知識(shí)規(guī)則來確定粗糙 K-均值聚類的初始中心。用粗糙K-均值聚類方法計(jì)算徑向基神經(jīng)網(wǎng)絡(luò)的基函數(shù)中心、擴(kuò)散系數(shù)及隱層神經(jīng)元個(gè)數(shù)。并根據(jù)各條件屬性的重要度,對(duì) RBF神經(jīng)網(wǎng)絡(luò)基函數(shù)的各個(gè)屬性加權(quán),改善了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),提高了對(duì)于雷達(dá)輻射源信號(hào)識(shí)別的準(zhǔn)確率。該方法與其他基于粗糙集的 RBF神經(jīng)網(wǎng)絡(luò)模型不同點(diǎn)在于各個(gè)步驟之間并非簡單的銜接,而是一種有機(jī)的融合。
　　最后,研究了

7、基于聯(lián)合分類器的雷達(dá)輻射源識(shí)別方法的設(shè)計(jì)。研究了聯(lián)合分類器的設(shè)計(jì)原理以及多分類器聯(lián)合的組合結(jié)構(gòu)。根據(jù)分類器選擇思想,提出了串行的線性分類器與非線性分類器聯(lián)合模型,分析了線性分類器與非線性分類器聯(lián)合的聯(lián)合分類器與單一的線性分類器、非線性分類器相比具有的優(yōu)勢(shì)。研究了目前比較流行的非線性分類器,支持向量機(jī)(support vector machine,SVM)和相關(guān)向量機(jī)(relevance vector machine,RVM)。對(duì)這兩種分