李　蒙，朱衛(wèi)綱，陳維高

(中國(guó)人民解放軍裝備學(xué)院　a.研究生管理大隊(duì)； b.光電裝備系，北京　101416)

?

【基礎(chǔ)理論與應(yīng)用研究】

基于機(jī)器學(xué)習(xí)的雷達(dá)輻射源識(shí)別研究綜述

李蒙a，朱衛(wèi)綱b，陳維高a

(中國(guó)人民解放軍裝備學(xué)院a.研究生管理大隊(duì)；b.光電裝備系，北京101416)

回顧和介紹了復(fù)雜雷達(dá)信號(hào)環(huán)境下輻射源智能化識(shí)別的相關(guān)機(jī)器學(xué)習(xí)理論的發(fā)展歷程；對(duì)近年來(lái)基于機(jī)器學(xué)習(xí)理論的雷達(dá)輻射源識(shí)別技術(shù)研究狀況進(jìn)行了綜述；在已有研究的基礎(chǔ)上，著眼于提高小樣本學(xué)習(xí)能力和新型雷達(dá)識(shí)別能力的發(fā)展需要，提出了基于機(jī)器學(xué)習(xí)理論的雷達(dá)輻射源識(shí)別技術(shù)的主要研究方向和難點(diǎn)問(wèn)題，并對(duì)相應(yīng)的解決方法進(jìn)行了討論。

機(jī)器學(xué)習(xí)；輻射源識(shí)別；小樣本；新型雷達(dá)

雷達(dá)輻射源識(shí)別作為雷達(dá)偵察中的關(guān)鍵環(huán)節(jié)，在雷達(dá)對(duì)抗中具有十分重要的作用。其任務(wù)是基于雷達(dá)數(shù)據(jù)庫(kù)中樣本對(duì)偵察得到的雷達(dá)信號(hào)進(jìn)行分析，從而確定該輻射源的體制、狀態(tài)、用途、型號(hào)、威脅等級(jí)等信息[1]。

傳統(tǒng)的參數(shù)匹配法直接將測(cè)量得到的特征參數(shù)構(gòu)成模式矢量，通過(guò)與雷達(dá)數(shù)據(jù)庫(kù)進(jìn)行匹配識(shí)別出輻射源的屬性。這種方法簡(jiǎn)單、易于實(shí)現(xiàn)，但采用的均為外部特征參數(shù)，對(duì)復(fù)雜脈內(nèi)調(diào)制信號(hào)難以識(shí)別，且不具備依據(jù)先驗(yàn)知識(shí)進(jìn)行學(xué)習(xí)、容錯(cuò)和模糊辨識(shí)的能力。

近年來(lái)，研究人員開(kāi)始探索信號(hào)在變換域的特征(時(shí)頻特征、小波特征、高階統(tǒng)計(jì)量特征等)。機(jī)器學(xué)習(xí)(MachineLearning)作為一種智能的數(shù)據(jù)分析工具，可以模擬人類學(xué)習(xí)行為，使計(jì)算機(jī)程序隨著經(jīng)驗(yàn)的積累不斷提高自身性能，受到輻射源識(shí)別領(lǐng)域?qū)W者的廣泛關(guān)注。基于機(jī)器學(xué)習(xí)的雷達(dá)輻射源識(shí)別可以通過(guò)學(xué)習(xí)數(shù)據(jù)庫(kù)中的樣本對(duì)偵收的雷達(dá)信號(hào)進(jìn)行分類預(yù)測(cè)，具有一定的魯棒性和泛化能力，且適用于高維、非線性特征參數(shù)分類問(wèn)題(變換域參數(shù)一般是高維的)。盡管如此，在實(shí)際電子戰(zhàn)場(chǎng)上依然面臨諸如所需標(biāo)記樣本較多，泛化能力弱等挑戰(zhàn)。

本文全面回顧和介紹了當(dāng)前基于機(jī)器學(xué)習(xí)的雷達(dá)輻射源識(shí)別研究與發(fā)展現(xiàn)狀，在此基礎(chǔ)上提出了未來(lái)需要重點(diǎn)解決的問(wèn)題，并探討了若干可行方案。

1　基于機(jī)器學(xué)習(xí)的雷達(dá)輻射源識(shí)別原理

作為人工智能技術(shù)的重要方向，機(jī)器學(xué)習(xí)從訓(xùn)練數(shù)據(jù)(數(shù)據(jù)庫(kù)樣本)中學(xué)習(xí)規(guī)律，利用這些規(guī)律對(duì)新數(shù)據(jù)進(jìn)行預(yù)測(cè)?；跈C(jī)器學(xué)習(xí)的雷達(dá)輻射源識(shí)別原理如圖1所示。

圖1　雷達(dá)輻射源識(shí)別原理框圖

基于機(jī)器學(xué)習(xí)的輻射源分類器本質(zhì)上是一個(gè)映射c′:X→Y，c′(x)是對(duì)未知的真實(shí)映射c(x)的一個(gè)估計(jì)[2]。用于訓(xùn)練分類器的樣本形式為(x,c(x))，其中x∈X為雷達(dá)數(shù)據(jù)庫(kù)中已知樣本，而c(x)為該樣本所屬的真實(shí)類別。機(jī)器學(xué)習(xí)的目的在于構(gòu)造一個(gè)函數(shù)c′，以使它盡可能的逼近c(diǎn)，從而盡可能準(zhǔn)確的預(yù)測(cè)待識(shí)別輻射源的屬性信息。

設(shè)X={x1,x2,…,xn}是雷達(dá)數(shù)據(jù)庫(kù)中樣本集合，T=(t1,t2,…,tk)為樣本包含的k個(gè)特征參數(shù)組成的特征向量，Y={C1,C2,…,Cq}是一個(gè)基數(shù)很小的由類別標(biāo)簽構(gòu)成的有限集。把已知的數(shù)據(jù)樣本xi∈X及對(duì)應(yīng)標(biāo)簽Cj∈Y輸入到分類器中進(jìn)行訓(xùn)練，將待識(shí)別信號(hào)特征輸入到訓(xùn)練好的分類器中，即可得到對(duì)應(yīng)的信號(hào)類別及輻射源信息。

2　國(guó)內(nèi)外研究發(fā)展現(xiàn)狀

從引入人工智能開(kāi)始，研究人員陸續(xù)將各種機(jī)器學(xué)習(xí)方法用于雷達(dá)輻射源識(shí)別研究。圖2展示了近年來(lái)國(guó)內(nèi)外研究應(yīng)用的機(jī)器學(xué)習(xí)方法。

2.1基于傳統(tǒng)機(jī)器學(xué)習(xí)的輻射源識(shí)別方法

傳統(tǒng)的機(jī)器學(xué)習(xí)方法包括基于概率模型的貝葉斯算法[3]、基于距離模型的最近鄰算法[4]、基于樹(shù)模型的決策樹(shù)算法[5]等。文獻(xiàn)[6]應(yīng)用貝葉斯分類以解決不確定性問(wèn)題并識(shí)別了輻射源信號(hào)；文獻(xiàn)[7]應(yīng)用最近鄰算法替代匹配算法對(duì)輻射源進(jìn)行了分頻段識(shí)別，有效解決了機(jī)載RWR設(shè)備計(jì)算能力有限的問(wèn)題；文獻(xiàn)[8]根據(jù)重要程度來(lái)確定各屬性信息量的相對(duì)大小，建立決策樹(shù)優(yōu)化雷達(dá)輻射源識(shí)別問(wèn)題，有效降低了外界環(huán)境和各種干擾的影響。

上述算法原理簡(jiǎn)單、理論成熟，在工程中也已經(jīng)得到了廣泛的應(yīng)用。但這些方法使用條件苛刻，在特定數(shù)據(jù)集下表現(xiàn)較好，往往只適合一些十分具體的問(wèn)題，難以推廣應(yīng)用。

圖2　基于機(jī)器學(xué)習(xí)的輻射源識(shí)別方法

2.2基于神經(jīng)網(wǎng)絡(luò)的輻射源識(shí)別方法

人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetworks，ANNs)也簡(jiǎn)稱為神經(jīng)網(wǎng)絡(luò)，是模仿生物神經(jīng)連接產(chǎn)生特征向量與身份分類之間映射的非線性變換技術(shù)[9]，通過(guò)調(diào)整內(nèi)部節(jié)點(diǎn)之間相互連接的關(guān)系達(dá)到處理信息的目的。ANNs具有強(qiáng)大的記憶能力、容錯(cuò)能力和泛函逼近能力，可以將輸入的特征參數(shù)通過(guò)非線性關(guān)系映射到輻射源信息，實(shí)現(xiàn)雷達(dá)輻射源的識(shí)別。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3　神經(jīng)網(wǎng)絡(luò)示意圖

20世紀(jì)80年代中期，英國(guó)海軍就將人工神經(jīng)網(wǎng)絡(luò)引入了輻射源識(shí)別[10]。文獻(xiàn)[11-12]采用載頻(CF)、脈寬(PW)和重復(fù)間隔(PRI)3個(gè)參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入，取得了大大優(yōu)于傳統(tǒng)方法的識(shí)別效果；文獻(xiàn)[13]用脈幅(PA)、脈寬(PW)、載頻(CF)、重復(fù)間隔(PRI)和到達(dá)角(DOA)組成脈沖描述字(PDW)來(lái)識(shí)別不同的輻射源信號(hào)。九十年代開(kāi)始，國(guó)內(nèi)學(xué)者也將神經(jīng)網(wǎng)絡(luò)技術(shù)用于輻射源識(shí)別研究。文獻(xiàn)[14]將常規(guī)參數(shù)作為特征輸入量,用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)輻射源進(jìn)行識(shí)別；文獻(xiàn)[15]把載頻(CF)、脈寬(PW)和脈沖重頻(PRF)作為特征向量對(duì)4種艦載雷達(dá)輻射源信號(hào)進(jìn)行分類識(shí)別；文獻(xiàn)[16]用實(shí)際獲得的雷達(dá)信號(hào)參數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，對(duì)未知雷達(dá)的工作狀態(tài)進(jìn)行了預(yù)測(cè)，分析了其威脅程度。

隨著機(jī)器學(xué)習(xí)理論的發(fā)展，國(guó)內(nèi)外學(xué)者對(duì)識(shí)別算法進(jìn)行了不同程度的改進(jìn)，神經(jīng)網(wǎng)絡(luò)的應(yīng)用更加廣泛、靈活。文獻(xiàn)[17]將免疫算法引入到RBF神經(jīng)網(wǎng)絡(luò)中，提取天線掃描周期、波束寬度和極化方式等參數(shù)構(gòu)成特征向量對(duì)7種雷達(dá)信號(hào)進(jìn)行了識(shí)別。文獻(xiàn)[18]利用小波包可對(duì)信號(hào)進(jìn)行多維多分辨率分析的特點(diǎn)，對(duì)輻射源信號(hào)進(jìn)行特征提取，然后將其作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，進(jìn)行輻射源類型的識(shí)別，克服了傳統(tǒng)方法識(shí)別效率低的弊端，并有效解決了未知雷達(dá)信號(hào)無(wú)法識(shí)別的問(wèn)題。文獻(xiàn)[19]將量子態(tài)疊加思想引入BP網(wǎng)絡(luò)，保留了神經(jīng)網(wǎng)絡(luò)的固有優(yōu)勢(shì)并且增加了對(duì)雷達(dá)輻射源分類的自由度，明顯改善了低信噪比下的識(shí)別性能。文獻(xiàn)[20]融合了神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)和模糊模式識(shí)別的優(yōu)點(diǎn)，將神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于雷達(dá)信號(hào)模糊模式識(shí)別，有效解決了電子戰(zhàn)中普遍存在的信號(hào)模糊性識(shí)別問(wèn)題。文獻(xiàn)[21]通過(guò)對(duì)代價(jià)函數(shù)進(jìn)行修正提出矢量神經(jīng)網(wǎng)絡(luò)(VNN)，將區(qū)間類型的特征參數(shù)(如RF、PRI等)作為輸入矢量，通過(guò)網(wǎng)絡(luò)非線性變換得到區(qū)間類型的型號(hào)輸出。文獻(xiàn)[22]考慮訓(xùn)練樣本本身的可靠性對(duì)網(wǎng)絡(luò)輸出誤差進(jìn)行修正，利用修正后的輸出誤差對(duì)權(quán)值矩陣進(jìn)行迭代優(yōu)化，提出一種加權(quán)矢量神經(jīng)網(wǎng)絡(luò)(WVNN)，在區(qū)間類輻射源識(shí)別中取得了更好的識(shí)別能力和噪聲適應(yīng)性。文獻(xiàn)[23]采用競(jìng)爭(zhēng)函數(shù)作為輸出傳遞函數(shù)設(shè)計(jì)了徑向基概率神經(jīng)網(wǎng)絡(luò)(RBPNN)，縮短了輻射源識(shí)別的時(shí)間并提高了識(shí)別準(zhǔn)確率。文獻(xiàn)[24]將多元屬性融合算法和D-S證據(jù)理論與概率神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)，進(jìn)一步提高了雷達(dá)型號(hào)識(shí)別的可靠性和抗噪性。

2.3基于支持向量機(jī)的輻射源識(shí)別方法

支持向量機(jī)(SupportVectorMachine，SVM)是Vapnik等人提出的一種建立在統(tǒng)計(jì)學(xué)習(xí)理論、VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上的機(jī)器學(xué)習(xí)方法[25]，為解決有限樣本學(xué)習(xí)問(wèn)題提供了一個(gè)統(tǒng)一的方案。SVM通過(guò)事先選擇的非線性映射(核函數(shù))將輸入向量映射到一個(gè)高維特征空間，在高維空間對(duì)非線性問(wèn)題進(jìn)行分類[26]。支持向量機(jī)結(jié)構(gòu)如圖4所示。

圖4　支持向量機(jī)示意圖

文獻(xiàn)[27]首次將SVM應(yīng)用于雷達(dá)輻射源信號(hào)識(shí)別中，并得到了較高的識(shí)別率，證明SVM分類適用于雷達(dá)輻射源識(shí)別領(lǐng)域。文獻(xiàn)[28]同時(shí)提取常規(guī)參數(shù)和脈內(nèi)參數(shù)，并結(jié)合離散跳躍、波束展寬參數(shù)，選擇多項(xiàng)式核函數(shù)的支持向量機(jī)對(duì)相控陣?yán)走_(dá)信號(hào)進(jìn)行了識(shí)別，取得了優(yōu)于神經(jīng)網(wǎng)絡(luò)的識(shí)別效果。文獻(xiàn)[29-30]基于小波包變換、時(shí)頻圖像分析以及高階累積量等信號(hào)分析方法，采用支持向量機(jī)作為分類器，在抗噪聲和提高識(shí)別率方面取得了不錯(cuò)的效果。文獻(xiàn)[31]采用相像系數(shù)法提取雷達(dá)輻射源信號(hào)特征，利用SVM分類器結(jié)構(gòu)簡(jiǎn)單、泛化能力強(qiáng)、可獲得全局最優(yōu)的特點(diǎn)完成信號(hào)自動(dòng)分類識(shí)別，在大信噪比范圍內(nèi)(5～20dB)將錯(cuò)誤識(shí)別率降低2.68%。

文獻(xiàn)[32]針對(duì)常用的多分類分類器的不足，提出一種復(fù)合支持向量機(jī)(CSVM)分類器，將特征樣本通過(guò)預(yù)處理分為線性可分和線性不可分的類別，采用線性分類器對(duì)線性可分的類別進(jìn)行識(shí)別，采用SVM對(duì)線性不可分的類別進(jìn)行識(shí)別。文獻(xiàn)[33]提出加權(quán)AVA-SVM方法，對(duì)小樣本數(shù)據(jù)分類效果顯著并且收斂速度很快。文獻(xiàn)[34]提出一種模糊支持向量機(jī)(FSVM)分類器，減少了訓(xùn)練樣本的數(shù)量，提高了支持向量機(jī)的分類能力。文獻(xiàn)[35]將增量支持向量機(jī)(ISVM)應(yīng)用到雷達(dá)信號(hào)識(shí)別中，并以常規(guī)增量支持向量機(jī)為基礎(chǔ)，研究了訓(xùn)練時(shí)間短、復(fù)雜度低、容錯(cuò)性好、識(shí)別精度高和具有拒判能力的增量模糊支持向量機(jī)識(shí)別算法。文獻(xiàn)[36]應(yīng)用遺傳算法、蟻群算法和粒子群算法對(duì)SVM模型參數(shù)進(jìn)行尋優(yōu)，為對(duì)雷達(dá)輻射源信號(hào)進(jìn)行更好的識(shí)別提供了依據(jù)。

2.4基于集成學(xué)習(xí)的輻射源識(shí)別方法

集成學(xué)習(xí)(EnsembleLearning)是一種組合多個(gè)分類器解決同一問(wèn)題，從而獲得比單個(gè)分類器更好學(xué)習(xí)效果的機(jī)器學(xué)習(xí)方法，主要包括Bagging和Boosting兩種方法。本質(zhì)上，集成方法都是從訓(xùn)練數(shù)據(jù)的改版(重加權(quán)、重采樣等)中構(gòu)造多個(gè)不同的預(yù)測(cè)模型，然后按照某種方式(求平均、帶加權(quán)的投票等)來(lái)整合這些模型的預(yù)測(cè)結(jié)果。

文獻(xiàn)[37]用AdaBoost算法提升神經(jīng)網(wǎng)絡(luò)，克服了雷達(dá)信號(hào)交疊帶來(lái)的識(shí)別難度。文獻(xiàn)[38]將遺傳算法和AdaBoost算法相結(jié)合，對(duì)10種輻射源型號(hào)進(jìn)行識(shí)別，提高了輻射源識(shí)別精度。文獻(xiàn)[39]采用并行Boosting算法減少學(xué)習(xí)時(shí)間復(fù)雜度，大大縮短了數(shù)據(jù)訓(xùn)練時(shí)間。文獻(xiàn)[40]將基于Bagging算法的RBF神經(jīng)網(wǎng)絡(luò)集成方法用于雷達(dá)型號(hào)識(shí)別，取得了優(yōu)于RBF網(wǎng)絡(luò)的效果。文獻(xiàn)[41]針對(duì)數(shù)據(jù)集識(shí)別難度分布不均勻提出了基于粗糙K-means和AdaBoost的雷達(dá)輻射源快速識(shí)別算法，在保持了較高識(shí)別精度和泛化能力的同時(shí)，降低了計(jì)算復(fù)雜度，縮短了耗時(shí)。

3　存在問(wèn)題及發(fā)展方向

縱觀電子戰(zhàn)爭(zhēng)發(fā)展史，電子戰(zhàn)裝備智能化是現(xiàn)代戰(zhàn)爭(zhēng)發(fā)展必然趨勢(shì)。機(jī)器學(xué)習(xí)算法的引入使雷達(dá)輻射源識(shí)別在時(shí)間復(fù)雜度和識(shí)別準(zhǔn)確性方面都有了大幅提高，以支持向量機(jī)為代表的分類識(shí)別算法得到了廣泛應(yīng)用。但輻射源識(shí)別仍然需要從以下幾個(gè)方面進(jìn)行改進(jìn)和完善。

1) 現(xiàn)有的識(shí)別算法為了獲得較好的泛化能力，需要有足夠多的帶標(biāo)記樣本來(lái)建立訓(xùn)練集。但樣本的標(biāo)記往往需要大量的人力和時(shí)間，不但影響了機(jī)器學(xué)習(xí)的效率，也使得在實(shí)驗(yàn)室測(cè)試良好的分類算法在實(shí)戰(zhàn)中的效果大打折扣。應(yīng)著眼于減少標(biāo)記樣本數(shù)量、降低標(biāo)記成本，尋找最有效利用樣本的途徑，通過(guò)盡量少的查詢樣本獲得最大限度的有用信息，提高學(xué)習(xí)效率、改善分類器性能，研究更具實(shí)戰(zhàn)意義的算法。

2) 由于樣本的采集代價(jià)和時(shí)間等因素，一次性獲得全部雷達(dá)樣本十分困難，雷達(dá)數(shù)據(jù)的獲取一般都是少量多次的。傳統(tǒng)算法是在多次收集后對(duì)信號(hào)樣本進(jìn)行批量學(xué)習(xí)，但實(shí)際中輻射源識(shí)別不允許等收集到全部樣本后再進(jìn)行機(jī)器學(xué)習(xí)。把傳統(tǒng)的批量學(xué)習(xí)方式轉(zhuǎn)變?yōu)樵诰€模式是輻射源識(shí)別領(lǐng)域極具現(xiàn)實(shí)意義的一項(xiàng)課題。

3) 現(xiàn)有算法在有限樣本識(shí)別上較傳統(tǒng)的匹配方法有了大幅提高，但當(dāng)新型雷達(dá)難以獲得足夠多的訓(xùn)練樣本時(shí)，依然不能訓(xùn)練出分類精度高的分類模型。如何充分利用已有的知識(shí)和數(shù)據(jù)，輔助訓(xùn)練目標(biāo)分類模型，提高對(duì)樣本較少的新型雷達(dá)輻射源的識(shí)別能力，也是實(shí)戰(zhàn)需求中要繼續(xù)研究的方面。

4) 盡管神經(jīng)網(wǎng)絡(luò)具有較好的非線性映射和學(xué)習(xí)能力，但是這種基于無(wú)窮樣本推導(dǎo)的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化方法在應(yīng)對(duì)雷達(dá)輻射源識(shí)別問(wèn)題時(shí)，存在局部極值和過(guò)(欠)學(xué)習(xí)等難以克服的缺點(diǎn)，在理論上一直沒(méi)有取得突破性進(jìn)展。與神經(jīng)網(wǎng)絡(luò)相比，SVM理論的數(shù)學(xué)推理嚴(yán)格，不存在局部最優(yōu)等問(wèn)題，具有結(jié)構(gòu)簡(jiǎn)單、全局最優(yōu)、泛化能力強(qiáng)等優(yōu)勢(shì)，但仍然存在核函數(shù)選擇和參數(shù)確定問(wèn)題以及對(duì)多分類問(wèn)題處理能力不足等缺點(diǎn)。集成分類是機(jī)器學(xué)習(xí)中最強(qiáng)大的一類技術(shù)，但卻以增加算法和模型的復(fù)雜度為代價(jià)。尋找一種性能更加優(yōu)良、更適于工程實(shí)現(xiàn)的分類器，可以將特征的作用發(fā)揮到最大。

4　結(jié)束語(yǔ)

機(jī)器學(xué)習(xí)作為人工智能應(yīng)用的重要研究，已經(jīng)廣泛應(yīng)用于數(shù)據(jù)挖掘、自然語(yǔ)言處理、語(yǔ)音和手寫(xiě)識(shí)別等領(lǐng)域，是當(dāng)前數(shù)據(jù)分析的熱點(diǎn)內(nèi)容。將機(jī)器學(xué)習(xí)引入雷達(dá)輻射源識(shí)別，推動(dòng)了雷達(dá)偵察向智能化發(fā)展的進(jìn)程，取得了令人矚目的成果。同時(shí)，越來(lái)越復(fù)雜的電磁環(huán)境和迅速發(fā)展的雷達(dá)技術(shù)給輻射源識(shí)別提出了更高的要求。本文綜述了基于機(jī)器學(xué)習(xí)的雷達(dá)輻射源識(shí)別技術(shù)，指出了亟需解決的問(wèn)題，為進(jìn)一步研究打下了基礎(chǔ)。

[1]游屈波,吳耀云,哈章.輻射源識(shí)別系統(tǒng)中分類器設(shè)計(jì)及其應(yīng)用[J].電子信息對(duì)抗技術(shù),2011(3):20-24.

[2]PETERF.MachineLearning:TheArtandScienceofAlgorithmsthatMakeSenseofData[M].Cambridge:CambridgeUniversityPress,2012.

[3]段晶.樸素貝葉斯分類及其應(yīng)用研究[D]. 大連：大連海事大學(xué),2011.

[4]鐘智,朱曼龍,張晨.最近鄰分類方法的研究[J].計(jì)算機(jī)科學(xué)與探索,2011(5):467-473.

[5]季桂樹(shù),陳沛玲,宋航.決策樹(shù)分類算法研究綜述[J].科技廣場(chǎng),2007(1):9-12.

[6]郭小賓,王壯,胡衛(wèi)東.基于貝葉斯網(wǎng)絡(luò)分類器的雷達(dá)輻射源識(shí)別方法[J].火力與指揮控制,2006,31(2):36-39

[7]王睿甲,王星,程嗣怡.機(jī)載RWR/ESM中改進(jìn)最近鄰算法的分頻段輻射源識(shí)別[J]. 火力與指揮控制,2014(8):65-69.

[8]胡可,王宏遠(yuǎn).基于粗糙集的決策樹(shù)雷達(dá)輻射源識(shí)別方法[J].計(jì)算機(jī)仿真,2011(8):29-32.

[9]SIMONH.NeuralNetworksandLearningMachines[M].StateofNewJersey:PrenticeHall,2008.

[10]ROEJ,PUDNERA.TheReal-timeImplementationofEmitterIdentificationforESM[J].ProceedingsofIEEColloquiumonSignalProcessinginElectronicWarfare. 1994(7):1-6.

[11]ANDERSONJA,GATELYMT,PENZPA,etal.RadarSignalCategorizationUsingaNeuralNetwork[J].ProceedingsoftheIEEE,1990,78(10):1646-1657.

[12]SHIEHCS,LINCT.AVectorNetworkforEmitterIdentification[J].IEEETransactiononAntennasandPropagation, 2002,50(8): 1120-1127.

[13]GRANGERE,RUBINMA,GROSSBERG,etal.AWhat-andWhereFusionNeuralNetworkforRecognitionandTrackingofMultipleRadarEmitters[J].NeuralNetworks, 2001，14(3): 325-344.

[14]梁百川.神經(jīng)元網(wǎng)絡(luò)用于輻射源分選、識(shí)別[J]. 航天電子對(duì)抗,1994(2):34-40.

[15]王建華,趙莉萍,虞平良. 模糊神經(jīng)網(wǎng)絡(luò)的艦載雷達(dá)輻射源識(shí)別方法[J]. 哈爾濱理工大學(xué)學(xué)報(bào),1999(2):67-69，73.

[16]劉凱,王杰貴. 基于神經(jīng)網(wǎng)絡(luò)的未知雷達(dá)輻射源智能識(shí)別技術(shù)[J].電子信息對(duì)抗技術(shù),2013(6):18-22.

[17]唐斌,胡光銳.基于免疫RBF網(wǎng)絡(luò)的雷達(dá)信號(hào)分類識(shí)別[J].數(shù)據(jù)采集與處理，2002, 17(4): 371-375.

[18]牛海,馬穎.小波-神經(jīng)網(wǎng)絡(luò)在輻射源識(shí)別中的應(yīng)用研究[J].系統(tǒng)工程與電子技術(shù),2002(5):55-57.

[19]張中山,賈可新.基于量子神經(jīng)網(wǎng)絡(luò)的輻射源識(shí)別方法[J].航天電子對(duì)抗,2013(3):26-28，31.

[20]陳婷,羅景青.一種基于神經(jīng)網(wǎng)絡(luò)技術(shù)的雷達(dá)信號(hào)模糊模式識(shí)別方法[J].航天電子對(duì)抗,2006(1):55-57.

[21]SHIEHC,LINC.AVectorNeuralNetworkforEmitterIdentification[J].IEEETransactionsonAntennasandPropagation,2002，50(8):1120-1127.

[22]王文,謝芳.基于加權(quán)矢量神經(jīng)網(wǎng)絡(luò)的輻射源識(shí)別方法[J].艦船電子工程,2010(11):59-61，109.

[23]韓俊，何明浩，朱元清．一種新的雷達(dá)輻射源識(shí)別方法[J]．電子信息對(duì)抗技術(shù)，2008，23(5):9-12．

[24]吳振強(qiáng),張國(guó)毅,常碩.基于神經(jīng)網(wǎng)絡(luò)與信息融合的雷達(dá)輻射源識(shí)別[J].電子信息對(duì)抗技術(shù),2015(6):1-4，82.

[25]VAPNIKVN.EstimationofDependenciesBasedonEmpiricalData[M].Berlin:Springer-Verlag, 1982[26]CHERKASSKYV,MULIERF.LearningfromData:Concepts,TheoryandMethods[M].NewYork:JohnViley,

1997.[27]ZHANGGE-XIANG,JINWEI-DONG,HULAI-ZHAO.RadarEmitterSignalRecognitionBasedonSupportVectorMachines[C] //The8thInternationalConferenceonControl，Automation，RoboticsandVision.2004:826-831.

[28]樊亞春,王巖,才迎光.基于支持向量機(jī)的相控陣?yán)走_(dá)信號(hào)識(shí)別方法[J].電子信息對(duì)抗技術(shù),2014(5):44-48.

[29]王玲霞,袁佳,張效義.基于小波包變換的輻射源信號(hào)特征提取和識(shí)別[J].通信技術(shù),2009(3):215-217.

[30]白航,趙擁軍,徐永剛.一種低信噪比下雷達(dá)輻射源識(shí)別方法[J].電子信息對(duì)抗技術(shù),2012(1):11-15.

[31]張葛祥,榮海娜,金煒東.支持向量機(jī)在雷達(dá)輻射源信號(hào)識(shí)別中的應(yīng)用[J].西南交通大學(xué)學(xué)報(bào),2006(1):25-30.

[32]張葛祥.雷達(dá)輻射源信號(hào)智能識(shí)別方法研究[D].成都：西南交通大學(xué),2005.

[33]張國(guó)柱,黃可生,周一宇,姜文利.基于加權(quán)AVA的SVM輻射源識(shí)別算法研究[J].信號(hào)處理,2006(3):357-360.

[34]任明秋,朱元清,沈同云.基于FSVMs的雷達(dá)輻射源信號(hào)分類識(shí)別[J].系統(tǒng)仿真學(xué)報(bào),2009(4):1043-1046.

[35]余志斌.基于脈內(nèi)特征的雷達(dá)輻射源信號(hào)識(shí)別研究[D].成都：西南交通大學(xué),2010.

[36]徐璟,何明浩,冒燕.基于優(yōu)化算法的雷達(dá)輻射源信號(hào)識(shí)別方法及性能[J].現(xiàn)代雷達(dá),2014(10):33-37，42.

[37]陳衛(wèi),周曉,葉菲.AdaBoost-NN在雷達(dá)信號(hào)識(shí)別中的應(yīng)用[J].電子對(duì)抗技術(shù),2005(1):29-33.

[38]方敏,王寶樹(shù).基于Boosting的模糊分類規(guī)則集成學(xué)習(xí)及應(yīng)用[J].宇航學(xué)報(bào),2005(5):640-643，675.

[39]王艷麗.基于并行Boosting算法的雷達(dá)輻射源識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].西安：西安電子科技大學(xué),2008.

[40]王冰玉.集成學(xué)習(xí)算法的改進(jìn)及其應(yīng)用[D]. 西安：西安電子科技大學(xué),2009.

[41]王文哲,吳華,索中英.粗糙K-means和AdaBoost結(jié)合的雷達(dá)輻射源快速識(shí)別算法[J].空軍工程大學(xué)學(xué)報(bào)(自然科學(xué)版),2016(1):51-55.

(責(zé)任編輯楊繼森)

StudyofRadarEmitterIdentificationBasedonMachineLearning

LIMenga，ZHUWei-gangb，CHENWei-gaoa

(a.DepartmentofGraduateManagement;b.DepartmentofOpticalandElectronicEquipment,AcademyofEquipmentofPLA,Beijing101416,China)

Machinelearningtheoryandrelateddevelopingprocessabouttheoreticaltoolforemitterintelligentidentificationundercomplexradarsignalenvironmentwerereviewedandintroduced.Anoverviewofradaremitteridentificationtechnologybasedonmachinelearningtheorywaspresented.Onthebasisofexistingresearch,focusedonimprovingthedevelopmentneedsofsmallsamplelearningabilityandnewradaridentificationability,weputforwardthemainresearchdirectionsanddifficultproblembasedradaremitteridentificationtechnologyofmachinelearningtheoryanddiscussedthecorrespondingsolutions.

machinelearning;sourceofradiationidentification；smallsample；newradar

2016-04-18；

2016-05-22

李蒙(1992—)，男，碩士研究生，主要從事軍事信息處理研究。

10.11809/scbgxb2016.09.039

format:LIMeng，ZHUWei-gang，CHENWei-gao.StudyofRadarEmitterIdentificationBasedonMachineLearning[J].JournalofOrdnanceEquipmentEngineering,2016(9):171-175.

TN974

A

2096-2304(2016)09-0171-05

本文引用格式：李蒙，朱衛(wèi)綱，陳維高.基于機(jī)器學(xué)習(xí)的雷達(dá)輻射源識(shí)別研究綜述[J].兵器裝備工程學(xué)報(bào)，2016(9):171-175.