基于机器学习的雷达辐射源识别方法研究

摘要

作为雷达侦察系统的重要环节，雷达辐射源的识别对电子战的输赢发挥着决定性的作用。雷达辐射源识别通过对截获的雷达辐射源信号进行分析处理，判别出该雷达的型号、工作模式等信息，估计其在战争的作用、战术特点、危险等级等。随着信息技术的发展，如何在电磁环境的不断恶化以及新体制雷达调制方式的日益复杂多变的条件下，实现对雷达辐射源信号的准确识别意义重大。 本文首先总结分析了雷达辐射源识别问题的研究背景以及国内外发展现状，指出了当前雷达辐射源识别处理中面临的问题和挑战，然后在理解和掌握雷达辐射源识别相关知识的基础上，将深度学习、数据挖掘等机器学习的知识应用于雷达辐射源的识别，实现了对雷达辐射源的准确识别，为雷达辐射源工作模式的判断提供了依据。本论文的主要内容有： 1、本文研究了基于SVM分类器的雷达辐射源识别方法。首先从雷达辐射源信号的描述方式入手，研究了脉冲描述字中各参数的含义、变化范围以及调制方式。然后针对的雷达辐射源识别问题，说明SVM分类器多分类方法以及核函数选择问题，最后用实验分析了SVM分类器不同多分类方法和不同核函数选择对雷达辐射源识别的影响。 2、本文研究了基于深度学习的雷达辐射源识别方法。结合深度学习中的栈式自编码器和深度置信网络，构造了深度神经网络的模型用于对雷达辐射源的识别。对算法原理，网络训练过程等进行了研究，分析了网络参数的选择以及分类器对识别结果的影响。该方法解决了复杂电磁环境中传统的方法识别性能降低的问题，同时可以避免人工对辐射源信号的特征提取的过程，可以对雷达辐射源的时域信号、频域信号自动地提取深层特征，实现对雷达辐射源的准确识别。 3、本文研究了基于数据挖掘的雷达辐射源工作模式识别方法。首先总结分析了雷达常见工作模式的特殊特点及取值范围等信息，然后与数据挖掘中的关联分析问题结合，通过Apriori算法对雷达辐射源工作参数进行频繁项挖掘，为雷达辐射源工作模式的识别提供依据。根据雷达辐射源信号的特性对Apriori算法进行改进，有效提升了算法的效率。

目录

第一个书签之前

摘要

ABSTRACT

插图索引

表格索引

符号对照表

缩略语对照表

第一章 绪论

1.1 研究背景和意义

1.2 国内外研究现状

1.3 本文的内容安排

第二章 基于SVM分类器的雷达辐射源识别方法研究

2.1 引言

2.2 雷达辐射源信号描述方式

2.2.2 载波频率

2.2.3 到达时间

2.2.4 脉冲重复频率

2.2.5 脉冲宽度

2.2.6 其他信号特征参数

2.3 基于SVM分类器的雷达辐射源识别

2.4 实验仿真与分析

2.5 本章小结

第三章 基于深度学习的雷达辐射源识别方法研究

3.1 引言

3.2 栈式自编码器

3.2.1 自编码器

3.2.1 栈式自编码器

3.3 深度置信网络

3.3.1 限制玻尔兹曼机

3.3.2 基于对比散度的快速学习算法

3.3.3 深度置信网络

3.4 基于深度神经网络的雷达辐射源识别

3.5 实验与分析

3.5.1 仿真数据性能分析

3.5.2 实测数据性能分析

3.6 本章小结

第四章 基于数据挖掘的雷达辐射源工作模式识别方法研究

4.1 引言

4.2 雷达工作模式分析

4.2.2 跟踪模式

4.2.3 武器控制模式

4.3 Apriori算法

4.3.2 Apriori算法

4.4 基于Apriori算法的雷达工作模式识别

4.5 实验仿真与分析

4.6 本章小结

第五章 总结和展望

5.1 工作总结

5.2 工作展望

参考文献

致谢

作者简介

1. 基本情况

2. 教育背景

3. 攻读硕士学位期间的研究成果

3.1 申请（授权）专利

3.2 参与的科研项目及获奖