劉濤濤 田春瑾 普運偉 郭江

摘 要 ???：針對人工提取雷達(dá)輻射源信號特征不完備、時效性低等問題，提出一種基于一維卷積神經(jīng)網(wǎng)絡(luò)和雙向門控循環(huán)單元的識別方法.首先，提取信號的模糊函數(shù)主脊并進(jìn)行去噪處理；其次，利用一維卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模糊函數(shù)主脊的內(nèi)在抽象特征；然后引入雙向門控循環(huán)單元對一維卷積神經(jīng)網(wǎng)絡(luò)提取到的特征進(jìn)行再處理；最后，將特征映射到特征空間并通過Softmax分類器進(jìn)行分類識別.實驗結(jié)果表明，該方法在信噪比為0 dB時能保持99.67%的識別率，即使在-6 dB環(huán)境中識別率仍能達(dá)到90%左右，證實了該方法的有效性和在低信噪比下的穩(wěn)定性.

關(guān)鍵詞 ：雷達(dá)輻射源信號識別； 模糊函數(shù)主脊； 一維卷積神經(jīng)網(wǎng)絡(luò)； 雙向門控循環(huán)單元

中圖分類號 ： TN974 文獻(xiàn)標(biāo)識碼 ：A DOI ： ?10.19907/j.0490-6756.2023.043001

Radar emitter signal recognition based on one-dimension ?convolutional recurrent neural network

LIU Tao-Tao ?1， TIAN Chun-Jin ?2， PU Yun-Wei ?1，2， GUO Jiang 1

（1.Faculty of Information Engineering and Automation， Kunming University ?of Science and Technology， Kunming 650500， China; 2.Computer Center， Kunming University of Science and Technology， Kunming 650500， China）

Aiming at the problem of incomplete features and low timeliness in artificial extraction of radar emitter signal， a novel recognition method is proposed based on one-dimension convolutional neural network and bidirectional gated recurrent unit. First， the main ridge of ambiguity function is extracted and denoised， then one-dimensional convolutional neural network is used to learn the intrinsic abstract characteristics of the main ridge of ambiguity function. The features extracted from the one-dimensional convolutional neural network are reprocessed by introducing the bidirectional gated recurrent unit. Finally， a deep neural network is constructed to map features to feature space and the classifier is Softmax. The results show that the proposed method can maintain 99.67% recognition rate when the SNR is 0 dB， and the recognition rate can still reach about 90% even in the -6 dB environment， which demonstrates the effectiveness and stability of the method at low SNR.

Radar emitter signal recognition; Main ridge of ambiguity function; One-dimensional convolutional neural network; Bidirectional gated recurrent unit

1 引 言 傳統(tǒng)的雷達(dá)輻射源信號識別是指從截獲的敵方信號中分選出單部雷達(dá)信號并將該信號的主要參數(shù)同先驗信息庫逐條匹配的過程.然而隨著不同體制輻射源的投入使用，戰(zhàn)場信號密度達(dá)百萬量級，電磁環(huán)境也更加的復(fù)雜多變，致使僅依賴常規(guī)五參數(shù)的分選方法不再適用于戰(zhàn)場，因此亟需挖掘更深層有效的脈內(nèi)特征參數(shù).

而模糊函數(shù)（Ambiguity Function，AF）能較為全面的反映信號內(nèi)在信息，蘊含大量的時頻域特征信息.同時模糊函數(shù)主脊（Ambiguity Function Main Ridge， AFMR）又能較好的描述AF分布性質(zhì)，因此，對AFMR進(jìn)行研究有助于輻射源信號分選識別.普運偉等 ?［1］采用窮舉法搜索AFMR并提取其矩特征，該方法的識別率較高且抗噪性能良好，但該方法運算量大、耗費時間長；時羽等 ?［2］通過改進(jìn)的優(yōu)勢遺傳算法搜索AFMR，雖然在搜索速率上有較大提升，但是在信噪比低于0 dB時搜索的穩(wěn)定性、準(zhǔn)確率都不高，不適用于實際戰(zhàn)場中雷達(dá)信號的復(fù)雜環(huán)境；Guo等 ?［3］利用奇異值分解法對AFMR進(jìn)行去噪，再提取旋轉(zhuǎn)角系數(shù)以及對稱Holder系數(shù)作為分選特征，不過當(dāng)信號功率與噪聲功率接近時，該方法的抗噪性能仍不理想.以上方法都是基于人工提取特征，耗時較長且魯棒性不佳，因此，利用新型的學(xué)習(xí)算法實現(xiàn)雷達(dá)輻射源信號識別可以被看作一條有效的研究路線.

近年來，深度學(xué)習(xí)在語音識別 ?［4］、圖像處理 ?［5，6］等方向投入使用并取得了較好的效果，劉贏等 ?［7］使用深層卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）對信號的雙譜特征圖進(jìn)行識別；Zhang等 ?［8］結(jié)合埃爾曼神經(jīng)網(wǎng)絡(luò)與信號時頻圖來實現(xiàn)分類識別，但是這些方法都是對圖像進(jìn)行處理，需要將信號進(jìn)行二維變換，識別速度較慢，因此一些學(xué)者考慮從一維角度出發(fā)進(jìn)行識別，Sun等 ?［9］通過一維CNN對處理后的等長新特征進(jìn)行學(xué)習(xí)，結(jié)果表明該方法在識別率、抗噪性能上都有所提升；Cheng等 ?［10］采用循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）的變體長短時記憶神經(jīng)網(wǎng)絡(luò)（Long Short Term Memory，LSTM）實現(xiàn)了心電信號的阻塞睡眠呼吸暫停檢測并取得了較好的識別結(jié)果；陳森森等 ?［11］通過雙向LSTM和雙向門控循環(huán)單元（Gated Recurrent Unit，GRU）直接對雷達(dá)輻射源的原始信號進(jìn)行特征提取以及分類識別，分類效果較好并提高了其魯棒性.

基于以上方法，本文提出一種結(jié)合AFMR以及一維CNN和Bi-GRU的識別方法.該方法不需要較為復(fù)雜的變換，計算簡單，同時兼顧了識別精度和識別效率，能提取信號的深層抽象特征，避免了人工提取特征描述不完備的局限，同時有效降低了工程計算量和網(wǎng)絡(luò)訓(xùn)練難度，提高了計算速度，模型的普適泛化性得到加強.實驗結(jié)果表明，相較于傳統(tǒng)方法，本文在準(zhǔn)確率和時效性上都有較大提升.

2 理論基礎(chǔ)

2.1 AFMR提取

任意窄帶雷達(dá)輻射源信號 s （ t ）的AF可以定義為 ?［1］

χ ?s（τ，ξ）= ∫ ??+∞ ?-∞s（t+ τ 2 ）s *（t- τ 2 ） e ???-j2πξ t d t ?（1）

式中， χ s（τ，ξ） 為AF； τ 為時延； ξ 為頻移， s *（t） 是 ?s（t ）的共軛.由該式可知AF是時頻域上的聯(lián)合二維時頻表示，描述了信號的深層結(jié)構(gòu)特性.

AF的峰值位于坐標(biāo)原點，所以過原點至少存在一條模糊能量主要分布帶，也稱主脊.Akay等定義了AF和分?jǐn)?shù)自相關(guān)運算關(guān)系 ?［12］：

［C α（s，s）］（ρ）=χ s（ρ cos α，ρ sin α） ?（2）

式中， C α 是分?jǐn)?shù)自相關(guān)算子； ρ 為徑向距離.該式表明，分?jǐn)?shù)域的自相關(guān)等價于該分?jǐn)?shù)域上AF的徑向切面.所以，通過分?jǐn)?shù)傅里葉變換的快速離散方法，便能計算AF任意過原點的徑向切面.因此可通過下式來搜索主脊：

RS（α）= ∫|［C ?α（s，s）］（ρ）| d ρ ∫|s（t）| d t ，|α|<π/2 ?（3）

式中，分母是為了降低 噪聲的干擾，且搜索的最大值就是AF主脊.同時為確保成功率，搜索方法使用窮舉法，六類雷達(dá)信號20 dB的主脊切面（如圖1）.

圖1中，六類雷達(dá)信號分別為常規(guī)信號CON、線性調(diào)頻LFM、二相編碼BPSK、四相編碼QPSK、M偽隨機序列MSEQ和二頻編碼BFSK.由圖1可以看出，基于AF的唯一性，不同調(diào)制類型信號的AF相差較大，所以不同信號的主脊切面有著較為明顯的差別，因此采用深度學(xué)習(xí)挖掘主脊深層次特征以此實現(xiàn)信號的分類識別是可行的.

2.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)由紐約大學(xué)的LeCun等 ?［13］提出，其本質(zhì)是通過多個卷積核來提取模型輸入的深層次抽象特征，具體結(jié)構(gòu)如圖2所示.

CNN通過卷積操作處理前一個神經(jīng)元的參數(shù)，以此來降低網(wǎng)絡(luò)復(fù)雜度.卷積核首先通過相應(yīng)步長來提取特征，接著再輸入到激活函數(shù)中進(jìn)行處理，最后把處理后的特征輸入到下一層，該過程的公式如下：

x ?j i=f（∑ ?i∈M ?i ?x ???（j-1） i* ω ??j ?il+ b ??j i） ?（4）

式中， x 為輸入和輸出層； i，l 為位置順序； j 是當(dāng)前卷積層對應(yīng)層數(shù)； ω 為權(quán)值矩陣； b 為偏置； ?f（·） 是激活函數(shù).

為了進(jìn)一步加快運算速度，降低參數(shù)數(shù)量，在卷積層后引入池化層，從而對卷積后的特征向量進(jìn)行降維，其計算公式如下：

x i= down （x ?i-1） ?（5）

式中， x ?i-1 為池化前的特征量； x i 為池化后的特征量；down（）為池化函數(shù).常用的池化方法有平均池化和最大池化，因為前者能有效防止過擬合，故本文使用平均池化.

2.3 門控循環(huán)單元

GRU是RNN的一類變體，同RNN相比，GRU解決了RNN中存在的梯度消散和長期記憶的問題，其結(jié)構(gòu)如圖3所示.

與LSTM相比，GRU的核心在于重置門與更新門，重置門使網(wǎng)絡(luò)丟棄掉無關(guān)的信息，而更新門可以使網(wǎng)絡(luò)記住長時的信息， t 時刻狀態(tài)下其計算過程如下：

r ?t=σ ?W ?r· ?h ??t-1， x ?t ???z ?t=σ ?W ?z· ?h ??t-1， x ?t ???h ?t= tanh ??W · ?r ?t h ??t-1， x ?t ???h ?t= 1-z t h ?t-1+z th t ???（6）

式中， r ??t 、 z ??t 分別表示兩個門的計算結(jié)果； x ??t 、 h ??t 為輸入和輸出； h ???t-1 為上一時刻的輸出； ?· ?為向量連接； W 為權(quán)值矩陣； σ 和 ?tanh ?為激活函數(shù).

2.4 雙向門控循環(huán)單元

雙向門控循環(huán)單元是一個雙向的循環(huán)神經(jīng)網(wǎng)絡(luò)，它由正向GRU和反向GRU組合而成.其包含了前向與后向的信息，模型的輸出由這兩個GRU層的輸出通過相加或取平均值等方式所決定.具體結(jié)構(gòu)如圖4所示.

綜上所述，本文首先通過一維CNN學(xué)習(xí)模糊函數(shù)主脊的內(nèi)在特征，一維CNN設(shè)置為3層，維度為64，而后再搭建1層Bi-GRU對一維CNN所挖掘到的特征進(jìn)行再提取，其維度設(shè)置為32，最后通過所設(shè)置的3層DNN將特征映射到易分離的空間當(dāng)中，從而實現(xiàn)雷達(dá)輻射源信號的分類識別.

3 本文算法

基于1DCNN和Bi-GRU的輻射源信號識別算法如算法1.

4 實驗結(jié)果與分析

首先采用Matlab生成上述六類典型雷達(dá)輻射源信號.其中，線性調(diào)頻的帶寬為10 MHZ，二相編碼以及二頻編碼均 為13位Barker碼，四相編碼為16位Frank碼， M 序列所用偽隨機序列（1011100）， 信號的脈寬均為10 μs，采樣頻率60 MHZ.除二頻編碼的兩個頻點分別取10 MHZ和2 MHZ外，其余信號載頻均為10 MHZ.在-10～12 dB信噪比下，每類信號每隔2 dB產(chǎn)生20個信號，共1440個信號作為訓(xùn)練集，每個測試集有600個信號，即每類信號各100個.實驗采用Adam優(yōu)化器，損失函數(shù)為交叉熵函數(shù)并設(shè)置系數(shù)為0.25的Dropout 層防止過擬合，激活函數(shù)為ReLU，模型訓(xùn)練時使用Python3.6和 Tensorflow1.15.0.

4.1 模型層數(shù)性能對比

CNN能提取輸入的隱藏抽象特征，Bi-GRU擅長處理時域信息，DNN能將特征非線性映射到更容易分離的特征空間中，因此三者的層數(shù)搭建對信號的分類識別有著至關(guān)重要的影響，為探究出網(wǎng)絡(luò)層數(shù)搭建的最優(yōu)組合，本文將模型當(dāng)中的網(wǎng)絡(luò)層數(shù)作為變量，選取的評價標(biāo)準(zhǔn)為驗證集的損失，實驗結(jié)果如表1所示.

由表1可知，六組對比實驗中第1組的損失最低，說明第1組的網(wǎng)絡(luò)結(jié)構(gòu)的識別能力更好.由第1組、第3組以及第4組對比可知，卷積層數(shù)不是越多越好，也不是越少越好，因為對于小樣本分類來說，當(dāng)識別能力在一定層數(shù)上達(dá)到最優(yōu)后，再增加網(wǎng)絡(luò)層數(shù)只會造成梯度彌散或者梯度爆炸并陷入局部最優(yōu)，同時層數(shù)增加會使得網(wǎng)絡(luò)參數(shù)成幾何倍幅度增加，延遲網(wǎng)絡(luò)計算速度；而較少的網(wǎng)絡(luò)層數(shù)則會使得模型特征提取能力不足，導(dǎo)致識別率不高.由第1組和第2組對比可得通過增加Bi-GRU的層數(shù)并不能提升模型的識別能力，因為Bi-GRU模型較為復(fù)雜，所涉及到的參數(shù)較多，所以增加其網(wǎng)絡(luò)層數(shù)會導(dǎo)致計算效率下降，因此一般來說將Bi-GRU設(shè)置為1層就已經(jīng)能較好地完成建模.同理由第1組、第5組和第6組對比可得DNN的網(wǎng)絡(luò)層數(shù)也應(yīng)適中，因為過多容易造成過擬合，過少時擬合能力又不夠，所以適中的DNN層數(shù)才能更有效地將特征映射到可分離的特征空間中.

4.2 與人工提取方法比較

相較于人工提取方法，深度學(xué)習(xí)的優(yōu)勢在于能挖掘信號的深層特征.為凸顯這一優(yōu)勢，選取文獻(xiàn)［3，14，15］和本文方法進(jìn)行對比，結(jié)果如圖5.

分析圖5可知，文獻(xiàn)［15］提出的雙譜特征在 -2 dB時分選成功率僅為72%，因為雙譜特征是提取信號相位噪聲特性，所以在低信噪比下魯棒性不高，易受噪聲的影響，從而導(dǎo)致識別率較低.文獻(xiàn)［16］從主側(cè)兩個視角來觀察AF并且提取主嶺重心和主峰分布半徑作為特征向量，充分挖掘了AF的三維特性，-2 dB時其分選率只有74.45%，這是因為信噪比較低時大部分AF地貌特征由于噪聲干擾使得特征消失，因此其分選率在0 dB以下大幅度下滑.文獻(xiàn)［3］提出的對稱Holder系數(shù)特征與其他兩種方法所提特征相比，在低信噪比下分選率有所提升，在-2 dB時分選率為79%，但也不能達(dá)到理想的效果，而且該方法工程運算量大、時效性較低.三種人工方法在低信噪比下均表現(xiàn)不佳，這是由于人工方法不能挖掘到信號的深層次特征，只能挖掘其表征信息，而大部分信息在低信噪比下基本被噪聲淹沒.本文根據(jù)深度學(xué)習(xí)所提出的方法能更好的描述信號的內(nèi)在信息，使得其在低信噪比下的表現(xiàn)依舊良好，分選率在-2 dB時也遠(yuǎn)高于人工方法，所以從深度學(xué)習(xí)角度對雷達(dá)信號進(jìn)行分類識別能大幅度提升低信噪比下的準(zhǔn)確率.

4.3 與其他深度學(xué)習(xí)方法對比

為探索最優(yōu)的神經(jīng)網(wǎng)絡(luò)，構(gòu)建LSTM、棧式自編碼機（Stacked Auto-Encoders， SAE）、深度信念網(wǎng)絡(luò)（Deep Belief Networks， DBN）以及Bi-GRU這4種深度神經(jīng)網(wǎng)絡(luò)與本文方法進(jìn)行對比，實驗結(jié)果如表2所示.

由表2可知，本文所提模型不管在精度還是速度上都優(yōu)于其他模型，雖然在0 dB以上識別率都相差不大，但在一次Epoch所花費的時間上就相差甚遠(yuǎn)，最快的費時都是本文算法的8倍多，而深度學(xué)習(xí)又是需要進(jìn)行多個Epoch的過程，這將大大降低計算速度；雖然SAE能降低特征維度，但是其降維幅度不如CNN，同時CNN提取的都是高質(zhì)量特征，而且SAE對輸入數(shù)據(jù)的平移不變性要求較高；LSTM只注重過去信息，無法從后往前對信息進(jìn)行編碼，因此不能利用輸入的未來信息； Bi-GRU雖然能利用前向和后向的信息，但其與LSTM一樣均具有特殊的門結(jié)構(gòu)，從而使得參數(shù)繁雜，耗費的時間較長；而DBN容易對AFMR較小的歸一化響應(yīng)值信息過擬合且這些信息容易受到噪聲的干擾，同時DBN不注重不同信號間最優(yōu)分類面是如何劃分的，所以其識別精度不高.

綜合本文算法和其他4種算法的對比結(jié)果可知，本文能很好地解決識別率不高、復(fù)雜度較大等問題，從而得到相對科學(xué)合理的仿真結(jié)果.

4.4 特征提取算法復(fù)雜度對比

隨著各種復(fù)雜體制雷達(dá)輻射源在實際戰(zhàn)場中的投入使用，導(dǎo)致電磁環(huán)境復(fù)雜多變，如果不能輻射源信號進(jìn)行快速有效的識別，這將不利于后續(xù)的作戰(zhàn)決策，因此計算和分析不同方法的復(fù)雜度對選取輻射源識別方法來說是行之有效的.不同方法的復(fù)雜度主要依賴于信號重采樣的點數(shù) N ，所以可通過算法的主要步驟相對于 N 的頻度和計算量進(jìn)行定量分析.

文獻(xiàn)［14］的復(fù)雜度分析共分為兩步：計算雙譜幅度譜和雙譜幅度譜特征截面的分形維數(shù).第一步需要進(jìn)行 K （數(shù)據(jù)分段數(shù)）次FFT計算，復(fù)雜度為 O（KN ?log ?N） ；第二步分形維數(shù)包含盒維數(shù)以及信息維數(shù)，復(fù)雜度為 O 2N ?，因此該文的復(fù)雜度為 O（2N+KN ?log ?N） .文獻(xiàn)［16］通過FFT直接計算網(wǎng)格采樣的離散AF值，其次該文先對AF逐行平滑，再對中間結(jié)果逐列平滑，該環(huán)節(jié)復(fù)雜度為 ?O 2 MN 2 ?， M 表示高斯掩膜的尺寸.而等高線求解環(huán)節(jié)考慮其最壞情況，即所有相鄰AF之間均存在等值點，該環(huán)節(jié)復(fù)雜度為 O 3N 2 ??，所以文獻(xiàn)［16］的算法復(fù)雜度為 O N log N+ 2M+3 N 2 ?.文獻(xiàn)［17］采用Choi-William分布作為分形維數(shù)的提取對象，其次通過奇異值分解實現(xiàn)矩陣乘法計算，復(fù)雜度為 O N 3 ?，頻譜和Choi-William分布由FFT實現(xiàn)，所以該文的算法復(fù)雜度 O（N 3+2N+2N log N） .

本文搜索主脊切面首先通過分?jǐn)?shù)自相關(guān)計算AF值，其包含兩部分：分?jǐn)?shù)傅里葉變換和傅里葉逆變換，其中快速分?jǐn)?shù)傅里葉變換復(fù)雜度為 ?O 9N log N ?，傅里葉逆變換復(fù)雜度為 O N log N ?；其次，本文在 ?-π/2，π/2 ?內(nèi)搜索主脊，每間隔 ?0.1 ?° ?搜素一次，共計1800次，因此本文的復(fù)雜度為 O 18 000 N ?log ?N ?.

綜上所述，從算法階數(shù)分析，文獻(xiàn)［17］的復(fù)雜度階數(shù)最高，其次是文獻(xiàn)［16］，本文與文獻(xiàn)［14］的復(fù)雜度階數(shù)最低，可看出算法復(fù)雜度大小取決于 N 的取值.因此，當(dāng)采樣長度 N 較長時，算法復(fù)雜度總計算量 C 比較結(jié)果為： C ?文獻(xiàn)［14］ < C ?本文算法 < C ?文獻(xiàn)［16］ < C ?文獻(xiàn)［17］ .本文為了確保AFMR的搜索精度，采用了窮舉法進(jìn)行搜索. 因此，本文算法的復(fù)雜度雖然頗高，但是能夠保證搜索精度和分類識別率.

4.5 實測雷達(dá)數(shù)據(jù)實驗

為進(jìn)一步驗證本文的實際應(yīng)用價值，采用某雷達(dá)外場部分實測數(shù)據(jù)進(jìn)行實驗.選取5種輻射源各產(chǎn)生的100個樣本作為實驗數(shù)據(jù)，共500個，并將其輸入到已調(diào)試好的模型當(dāng)中，結(jié)果如表3.

從表3可知，本文方法對輻射源1、3以及5具有較為不錯的識別效果，而對于2、4號輻射源其識別率有所下降，主要是因為這兩種輻射源的參數(shù)設(shè)置較為復(fù)雜多變，但是本文方法對實測數(shù)據(jù)集的平均識別率能夠達(dá)到83.6%，可見該方法在復(fù)雜多變的電磁環(huán)境中具有一定的工程價值.

4.6 常用雷達(dá)信號識別性能測試

在現(xiàn)代戰(zhàn)爭中，脈沖多普勒（Pulse Doppler，PD）雷達(dá)因能從距離、速度兩個維度去識別目標(biāo)，故被各國廣泛應(yīng)用，所以為驗證本文算法的普適性，在上述六類信號的基礎(chǔ)上，增加一個脈寬為 10 μs、載頻為10 MHZ的PD雷達(dá)信號，此時訓(xùn)練集有1680個信號，測試集有700個信號，識別結(jié)果如表4所示.

由表4可知， PD雷達(dá)信號在0 dB以上能保持90%以上的識別率，但隨著信噪比的下降，PD雷達(dá)信號的識別率下降較快，-6 dB時只有71%的識別率.原因主要是PD雷達(dá)存在距離和多普勒頻移的耦合，從而會影響信號的模糊能量在時頻域上的分布，不過所搭建的神經(jīng)網(wǎng)絡(luò)能夠較好地捕捉到信號間的差異性特征，所以七類信號的平均識別率還算較為不錯.因此，在增加了PD雷達(dá)信號后，盡管信號的平均識別率在低SNR下有所下降，但在0 dB以上還是保持著較高的準(zhǔn)確率.

綜上可知，本文算法在處理當(dāng)前雷達(dá)中較為常用的PD雷達(dá)信號時能夠取得一定的效果，具備較好的普適性.

5 結(jié) 論

本文提出一種AFMR與1DCNN、Bi-GRU以及DNN相結(jié)合的方法，其主要有以下幾個優(yōu)點：首先，AFMR有效彌補了常規(guī)五參數(shù)分選能力的不足，從更泛在的角度來描述信號的內(nèi)在特性；其次，三種神經(jīng)網(wǎng)絡(luò)的結(jié)合有效兼顧了信號的時頻域信息，能挖掘AFMR的深層次特征，較好地描述了AF的能量分布；最后，仿真實驗表明本文方法在-6 dB環(huán)境下識別率都保持在90%左右，而且具有更強的噪聲穩(wěn)健性，為雷達(dá)輻射源信號識別研究提供切實可行的研究思路.

不過本文僅選取六類信號進(jìn)行仿真實驗，對模型的泛化性研究仍不夠深入，這將是下一步的研究重點；同時實際戰(zhàn)場上數(shù)據(jù)較為難獲取，所以考慮小樣本情形下基于深度學(xué)習(xí)的雷達(dá)輻射源信號識別也是一個值得后續(xù)去研究分析的方向.

參考文獻(xiàn)：

［1］ ??普運偉， 金煒東， 朱明， 等. 雷達(dá)輻射源信號模糊函數(shù)主脊切面特征提取方法［J］. 紅外與毫米波學(xué)報， 2008， 27： 133.

［2］ ?時羽， 普運偉， 張?zhí)祜w. 基于優(yōu)勢遺傳的模糊函數(shù)主脊切面智能搜索方法［J］. 紅外與毫米波學(xué)報， 2013， 32： 80.

［3］ ?Guo Q， Nan P， Zhang X， ?et al . Recognition of radar emitter signals based on SVD and AF main ridge slice ［J］. J Commun Netw， 2015， 17： 491.

［4］ ?Li L， Kang Y， Shi Y， ?et al . Adversarial joint training with self-attention mechanism for robust end-to-end speech recognition ［J］. EURASIP J Audio， Spee， 2021（1）： 1.

［5］ ?楊宇， 崔陶. 基于深度學(xué)習(xí)和水平集的彩色圖像分割方法［J］. 四川大學(xué)學(xué)報： 自然科學(xué)版， 2021， 58： 041004.

［6］ ?宮金良， ?陳濤， ?張彥斐， ?等. 一種基于多區(qū)域信息融合約束的改進(jìn)幀間差分目標(biāo)檢測與跟蹤算法［J］. 江蘇大學(xué)學(xué)報： 自然科學(xué)版， 2022， 43： 302.

［7］ ?劉贏， 田潤瀾， 王曉峰. 基于深層卷積神經(jīng)網(wǎng)絡(luò)和雙譜特征的雷達(dá)信號識別方法［J］. 系統(tǒng)工程與電子技術(shù)， 2019， 41： 1998.

［8］ ?Zhang M， Liu L T， Diao M. LPI radar waveform recognition based on time-frequency distribution ［J］. Sensors， 2016， 16： 1682.

［9］ ?Sun J， Xu G， Ren W， ?et al . Radar emitter classification based on unidimensional convolutional neural network［J］. IET Radar， Sonar ?Nav， 2018， 12： 862.

［10］ ?Cheng M， Sori W J， Jiang F， et al . Recurrent neural network based classification of ECG signal features for obstruction of sleep apnea detection ［C］//Proceedings of the 2017 IEEE International Conference on Computational Science and Engineering （CSE） and IEEE International Conference on Embedded and Ubiquitous Computing （EUC）. ［S.l.］： IEEE， 2017.

［11］ 陳森森. 基于RNN的雷達(dá)輻射源分類識別算法研究［D］. 西安： 西安電子科技大學(xué)， 2019.

［12］ Akay O， Boudreaux-Bartels G F. Fractional convolution and correlation via operator methods and an application to detection of linear FM signals ［J］. IEEE T Signal Proces， 2001， 49： 979.

［13］ Le C Y， Boser B， Denker J， ?et al . Handwritten digit recognition with a back-propagation network ［J］. Adv Neural Inf Process Syst， 1989， 2： 396.

［14］ Chen C， He M， Xu J， ?et al . A new method for sorting unknown radar emitter signal ［J］. Chinese J Electron， 2014， 23： 499.

［15］ 普運偉， 侯文太， 郭媛蒲， 等. 基于模糊函數(shù)三維特征的雷達(dá)輻射源信號分選方法［J］. 控制與決策， 2019， 34： 2178.

［16］ 侯文太， 普運偉， 郭媛蒲， 等.基于高斯平滑與模糊函數(shù)等高線的雷達(dá)輻射源信號分選［J］.自動化學(xué)報， 2021， 47： 2484.

［17］ 曲志昱， 毛校潔， 侯長波. 基于奇異值熵和分形維數(shù)的雷達(dá)信號識別［J］. 系統(tǒng)工程與電子技術(shù)， 2018， 40： 303.