復(fù)雜體制雷達(dá)輻射源信號(hào)脈沖重復(fù)間隔調(diào)制識(shí)別.pdf

1、雷達(dá)輻射源信號(hào)識(shí)別是電子偵察系統(tǒng)的重要任務(wù)和關(guān)鍵環(huán)節(jié)，其識(shí)別結(jié)果為電子對(duì)抗和電子反對(duì)抗提供情報(bào)支持和實(shí)時(shí)支援，影響乃至決定電子戰(zhàn)的成敗。隨著雷達(dá)技術(shù)和抗電子干擾技術(shù)的不斷發(fā)展，越來越多的復(fù)雜體制雷達(dá)投入使用，雷達(dá)引導(dǎo)武器的威脅性也越來越高，這不僅給輻射源信號(hào)識(shí)別帶來很大困難，而且要求識(shí)別系統(tǒng)具有很高的識(shí)別精度和穩(wěn)定性。 在復(fù)雜體制雷達(dá)輻射源信號(hào)識(shí)別中，本文主要研究輻射源脈沖重復(fù)間隔(PRI)調(diào)制類型識(shí)別。按照所建立的輻射源識(shí)別模

2、型，首先對(duì)信號(hào)參數(shù)進(jìn)行特征提取，提取出表征輻射源PRI調(diào)制類型的特征向量，然后通過智能分類器對(duì)特征向量進(jìn)行分類以實(shí)現(xiàn)對(duì)輻射源信號(hào)PRI調(diào)制類型的自動(dòng)識(shí)別。本文的主要工作及研究成果如下： 1.對(duì)雷達(dá)輻射源信號(hào)識(shí)別進(jìn)行了概述，詳細(xì)論述和系統(tǒng)分析了國(guó)內(nèi)外研究現(xiàn)狀，并指出了需要解決的問題。 2.綜合分析復(fù)雜PRI調(diào)制雷達(dá)脈沖信號(hào)及其數(shù)學(xué)模型，給出了影響信號(hào)識(shí)別的主要因素，并對(duì)雷達(dá)信號(hào)進(jìn)行了軟件仿真。 3.在分析已有輻射源

3、信號(hào)識(shí)別模型的基礎(chǔ)上，提出了基于信號(hào)參數(shù)特征提取的輻射源信號(hào)識(shí)別模型。 4.在分析輻射源信號(hào)PRI脈沖列的基礎(chǔ)上，提出了一種特征提取方法，從信號(hào)的時(shí)域參數(shù)提取出一個(gè)二維特征向量來表征輻射源的PRI調(diào)制類型。實(shí)驗(yàn)仿真結(jié)果表明特征提取方法不僅可以將不同的PRI調(diào)制類型分開，而且由于其對(duì)輸入向量進(jìn)行了降維，從很大程度上減小了分類問題的復(fù)雜度。 5.將神經(jīng)網(wǎng)絡(luò)用于雷達(dá)輻射源脈沖信號(hào)PRI調(diào)制類型的識(shí)別。采用概率神經(jīng)網(wǎng)絡(luò)(PNN)

4、設(shè)計(jì)分類器，并采用設(shè)計(jì)的分類器對(duì)雷達(dá)輻射源脈沖信號(hào)PRI調(diào)制類型進(jìn)行分類識(shí)別。實(shí)驗(yàn)結(jié)果表明：本文提取的特征向量不僅能很好的識(shí)別PRI調(diào)制類型，而且存在噪聲時(shí)也有很好的識(shí)別性能；PNN分類器對(duì)本文提取的低維特征向量有很好的識(shí)別性能，但輸入向量維數(shù)增高時(shí)性能迅速惡化。 6.將支持向量機(jī)(SVM)用于雷達(dá)輻射源脈沖信號(hào)PRI調(diào)制類型的識(shí)別。對(duì)SVM核函數(shù)進(jìn)行了分析，并給出了SVM在線性和非線性模式分類方面的應(yīng)用實(shí)例；在對(duì)多分類SVM分

5、類器進(jìn)行設(shè)計(jì)之后，將多分類SVM分類器用于雷達(dá)輻射源脈沖信號(hào)PRI調(diào)制類型識(shí)別；對(duì)比分析了SVM分類器與PNN分類器的分類性能。 實(shí)驗(yàn)結(jié)果表明：(i)核函數(shù)的選取是用SVM進(jìn)行分類的一個(gè)關(guān)鍵所在。對(duì)非線性問題，采用徑向基函數(shù)作為核函數(shù)是好的選擇。(ii)SVM分類器能很好的解決線性和復(fù)雜非線性模式識(shí)別問題；SVM分類器的性能由占樣本少數(shù)的支持向量決定，運(yùn)算量得到很大程度的減少；用SVM進(jìn)行分類的過程是尋找一個(gè)最優(yōu)分類面的問題。(

6、iii)在采用SVM分類器時(shí)，本文提出的雷達(dá)輻射源時(shí)域特征向量提取方法不但大大降低了分類器的輸入向量(從n(n＞2)維降低到2維)，具有很強(qiáng)的容錯(cuò)能力，并且獲得了和高維向量相當(dāng)?shù)淖R(shí)別精度。(iv)SVM分類器比PNN分類器對(duì)輸入向量維數(shù)和噪聲有更強(qiáng)的適應(yīng)性；SVM分類器性能在輸入向量維數(shù)增高時(shí)仍能保持很好的分類識(shí)別性能。 本文工作得到國(guó)防科技重點(diǎn)實(shí)驗(yàn)室預(yù)研基金項(xiàng)目(NEWL51435QT220401)和國(guó)家自然科學(xué)基金(6057