基于机器学习的雷达辐射源分类识别技术研究

摘要

随着信息技术的发展,现代的军事竞赛开始向以信息战为核心的电子对抗的方向发展,包括卫星防护、电子对抗以及信号处理技术等领域都需要研究和发展以雷达辐射源识别为核心的雷达侦察技术。雷达辐射源信号识别是雷达侦察信号处理系统的关键环节,引导电子对抗(ECM)系统实施对抗的前提。雷达辐射源识别系统通过对敌方雷达的识别,估计其威胁,争取电子对抗的主动,为防御和进攻提供准确情报。雷达辐射源识别技术主要包括:雷达辐射源信号的分选;对雷达辐射源信号进行分类识别;以及根据已知的雷达信息库判定雷达的威胁等级等几部分。其中,以对于雷达辐射源信号的分类识别为核心。因此,本文重点研究了基于机器学习的雷达辐射源识别技术,以满足我国的卫星、临近空间飞行器防护,电子对抗等领域的需求。
　　首先,对雷达辐射源信号分选技术进行了研究。研究了时频分析技术在雷达信号分选中的应用以及优势与弱点。对几种常见的时频分析方法进行了介绍,并着重对基于多谱图叠加的维格纳分布(Wigner-Ville distribution,WVD)交叉项抑制算法进行分析,在此基础上提出了一种基于自适应阈值联合时频变换的雷达信号分选方法。该方法将无监督训练中阈值选择问题转化为优化问题,依据类间差异最大化原则,自适应地选择阈值。根据选择的阈值,对多谱图叠加进行门限判决,确定多谱图叠加的自项区域,从而抑制 WVD交叉项的影响。通过对雷达信号分量的分选,确定每个雷达信号分量,为后续工作中特征提取做准备。
　　其次,研究雷达辐射源信号的脉内特征提取与特征选择技术。第一,介绍了雷达辐射源信号脉内特征的划分。分别介绍了脉内有意调制特征和脉内无意调制特征,以及常见的雷达辐射源特征提取方法。第二,提出了一种基于雷达信号 WVD的联合特征提取方法。该方法提取的特征由两部分组成,即雷达信号 WVD的立体高阶自相关特征和时频位置特征。分别介绍了立体高阶自相关特征和时频位置特征的定义以及提取方法。第三,针对联合特征的维数过多,不利于分类器训练问题,研究了特征选择技术。研究了基于粗糙集理论的特征选择方法,并用于对联合特征进行优化,约简其中的冗余属性。在研究粗糙集理论的特征选择方法的同时,研究了粗糙集理论中知识规则的提取和属性重要度的概念,为后文中应用粗糙集确定粗糙 K-均值的初始中心,以及径向基函数(radial basis function,RBF)属性加权提供了理论基础。
　　然后,研究了基于神经网络的雷达辐射源识别方法。概括了神经网络的特点与发展历程。着重研究了RBF神经网络的网络结构与学习方法。提出了一种基于粗糙集和粗糙 K-均值聚类的 RBF神经网络雷达辐射源信号识别方法。根据粗糙集理论约简得到知识规则来确定粗糙 K-均值聚类的初始中心。用粗糙K-均值聚类方法计算径向基神经网络的基函数中心、扩散系数及隐层神经元个数。并根据各条件属性的重要度,对 RBF神经网络基函数的各个属性加权,改善了神经网络结构,提高了对于雷达辐射源信号识别的准确率。该方法与其他基于粗糙集的 RBF神经网络模型不同点在于各个步骤之间并非简单的衔接,而是一种有机的融合。
　　最后,研究了基于联合分类器的雷达辐射源识别方法的设计。研究了联合分类器的设计原理以及多分类器联合的组合结构。根据分类器选择思想,提出了串行的线性分类器与非线性分类器联合模型,分析了线性分类器与非线性分类器联合的联合分类器与单一的线性分类器、非线性分类器相比具有的优势。研究了目前比较流行的非线性分类器,支持向量机(support vector machine,SVM)和相关向量机(relevance vector machine,RVM)。对这两种分类器的理论依据、结构优化、以及学习方法等几方面进行了阐述。并设计了一种基于粗糙 K-均值聚类的最小距离分类器,即粗糙 K-均值分类器,分别与支持向量机和相关向量机进行联合,形成两种联合分类器,用于雷达辐射源识别。

目录

封面

中文摘要

英文摘要

目录

第1章 绪 论

1.1 课题背景及研究的目的和意义

1.2 国内外研究现状

1.3 本文的主要研究内容

第2章 基于自适应阈值判决的时频分析雷达信号分选方法

2.1 引言

2.2 多分量雷达辐射源信号模型

2.3 参数估计分选原理

2.4 时频分析分选原理

2.5 基于多谱图叠加自适应阈值 WVD 的雷达辐射源信号分选

2.6 仿真实验

2.7 本章小结

第3章 基于立体的加权高阶自相关与时频位置的联合特征提取

3.1 引言

3.2 雷达辐射源脉内特征

3.3 基于WVD的联合特征提取

3.4 基于粗糙集的特征选择

3.5 仿真实验

3.6 本章小结

第4章 基于粗糙集的RBF神经网络雷达辐射源识别

4.1 引言

4.2 RBF神经网络

4.3 粗糙K-均值算法

4.4 基于粗糙集的RBF神经网络分类器设计

4.5 仿真结果

4.6 本章小结

第5章 基于多层次粗糙K-均值分类器与向量机联合的雷达辐射源识别

5.1 引言

5.2 联合分类器设计理论

5.3 基于线性分类器与非线性分类器联合的雷达辐射源识别模型

5.4 多层次粗糙K-均值分类器与SVM联合分类器

5.5 多层次粗糙 K-均值分类器与相关向量机联合的雷达辐射源识别

5.6 本章小结

结论

附录

参考文献

攻读博士学位期间发表的论文及其它成果

声明

致谢

个人简历