引言

隨著現(xiàn)代電子戰(zhàn)環(huán)境的日益復(fù)雜，雷達(dá)系統(tǒng)面臨的干擾信號(hào)呈現(xiàn)多樣化、動(dòng)態(tài)化的特點(diǎn)。干擾信號(hào)不僅包括傳統(tǒng)的噪聲干擾、欺騙干擾，還涵蓋了頻率捷變干擾、數(shù)字射頻存儲(chǔ)干擾等新型形式。這些干擾信號(hào)時(shí)變特性強(qiáng)、調(diào)制方式復(fù)雜，對(duì)雷達(dá)系統(tǒng)的抗干擾能力提出了嚴(yán)峻挑戰(zhàn)。因此，研究高效、準(zhǔn)確的雷達(dá)干擾信號(hào)識(shí)別方法，對(duì)提升雷達(dá)系統(tǒng)作戰(zhàn)效能具有重要意義。

目前，雷達(dá)干擾信號(hào)識(shí)別的研究主要集中在信號(hào)差異性特征提取和機(jī)器學(xué)習(xí)分類器設(shè)計(jì)兩個(gè)方面?；诓町愋蕴卣魈崛〉姆椒ㄍǔＲ蕾囉谌斯ぴO(shè)計(jì)特征參數(shù)，并對(duì)差異性特征進(jìn)行直接分類。基于機(jī)器學(xué)習(xí)分類器設(shè)計(jì)的方法則利用深度神經(jīng)網(wǎng)絡(luò)在自動(dòng)特征提取與分類上的優(yōu)勢(shì)，對(duì)干擾信號(hào)進(jìn)行智能分類識(shí)別。例如，文獻(xiàn)[1-2]利用時(shí)頻分析獲取干擾信號(hào)的差異性特征，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類。文獻(xiàn)[3-4]設(shè)計(jì)高階統(tǒng)計(jì)量作為特征參數(shù)，利用簡(jiǎn)單分類器進(jìn)行分類。文獻(xiàn)[5]設(shè)計(jì)一組關(guān)聯(lián)的特征參數(shù)，改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行智能分類，實(shí)現(xiàn)了較高的識(shí)別精度。文獻(xiàn)[6-7]設(shè)計(jì)多域特征，提出一種機(jī)器學(xué)習(xí)方法，有效區(qū)分典型干擾信號(hào)。文獻(xiàn)[8-10]利用新的神經(jīng)網(wǎng)絡(luò)模型對(duì)典型雷達(dá)干擾進(jìn)行分類識(shí)別。然而，這些方法在面對(duì)復(fù)雜多變的干擾場(chǎng)景時(shí)，往往因?yàn)樘卣髟O(shè)計(jì)的局限性、機(jī)器學(xué)習(xí)方法的泛化能力差等問(wèn)題，導(dǎo)致識(shí)別性能嚴(yán)重下降。

據(jù)此，本文提出了一種基于多域特征的雷達(dá)有源干擾信號(hào)智能識(shí)別方法。首先設(shè)計(jì)出多域特征參數(shù)，綜合表征雷達(dá)有源干擾在時(shí)域、頻域和變換域的特征；然后，利用主成分分析（Principal Component Analysis，PCA）方法在消除特征冗余、降維上的優(yōu)勢(shì)，篩選出最具代表性和區(qū)分性的特征集；最后，構(gòu)建隨機(jī)森林分類器對(duì)干擾信號(hào)進(jìn)行分類識(shí)別，有效處理干擾中的噪聲和不確定性，適用于復(fù)雜的雷達(dá)干擾環(huán)境。

本文詳細(xì)內(nèi)容請(qǐng)下載：

http://www.tzshendajc.com/resource/share/2000006853

作者信息：

荊賀，肖健，齊恂，程耀坤，李明杰

（陸軍工程大學(xué)石家莊校區(qū) 電子與光學(xué)工程系，河北 石家莊 05003）