基于深度學習的雷達輻射源信號識別研究

Abstract： Electronic reconnaissance is one of the important branches of electronic warfare. By analyzing the signals sent from the enemy’s electronic equipment， obtaining the technical parameters and types of the enemy’s equipment can enable one to more accurately grasp the battlefield situation and make optimal decisions. premise. As the most important part of the modern warfare combat system， the radar system analyzes the received radar radiation source signal to obtain the combat status and threat level of the enemy’s weapons and equipment， which is an important basis for subsequent combat decisions. The radar radiation source signal identification is important The direction of modern warfare is of great significance. This research focuses on the radar radiator signal， analyzes the radar radiator signal based on the deep learning algorithm， and identifies the type and working status of the enemy’s equipment.

摘要：電子偵察作為電子戰的重要分支之一，通過分析從敵方電子設備發出的信號，獲得敵方設備的技術參數、類型，可以使己方更準確的把握戰場態勢，做出最優決策。雷達系統作為現代戰爭作戰系統中最重要的部分，對接收到的雷達輻射源信號進行分析，獲取敵方武器設備的戰斗狀態和威脅等級，是之后戰斗決策的重要依據，雷達輻射源信號識別對于現代戰爭的走向意義重大。本研究針對雷達輻射源信號進行研究，基于深度學習算法對雷達輻射源信號進行分析，識別敵方設備的類型和工作狀態[1]。

1.雷達輻射源信號分析

雷達系統設計中，為了提高雷達系統的抗干擾能力和傳輸隱蔽性，會在信號發射前加入有意調制信號，之后在接收機中做相應的處理識別出該信號，現階段的輻射源識別也是基于有意特征調制信號進行識別。由于同一雷達廠商的多個平臺會共用一種或者多種有意調制信號，這就導致通過有意調制識別無法將同一雷達廠商的不同雷達設備進行有效識別，無法滿足現代電子戰環境的要求。

除了有意特征調制，雷達系統由于發射機個體中振蕩器、射頻放大鏈路、電源等器件之間的耦合導致在產生信號時出現的一些非人為控制的調制特征，這種特征是無意加入的，因此稱為無意調制，又因為這種特征是每個雷達個體獨立存在的具有唯一性，所以又形象的稱為指紋特征或個體特征。

2雷達輻射源信號建模

雷達輻射源信號由有意特征和無意特征組成。有意特征主要體現在頻率、幅度、相位以及他們之間的混合調制，主要脈沖調制、線性調頻、非線性調頻、頻率編碼、相位編碼以及他們之間的組合調制等。無意特征作為雷達系統的特征，表現在雷達信號時域和頻域，時域體現在信號的脈沖包絡上，參數特征主要有上升沿時間、下降沿時間和頂部波紋，如圖1;頻域主要為體現在信號的相位噪聲特征上，表現在本應該為直線狀的信號載頻譜線，會出現寄生在載頻譜線附近的裙狀頻譜，如圖2。.

將無意特征中脈沖包絡特征和相位噪聲特征共同建模，將有意特征和無意特征結合（有意調制特征以線性調頻為例），對雷達輻射源信號建模，信號如圖3。

3基于深度學習的雷達輻射源信號識別

由于傳統算法對雷達輻射源信號中的無意特征提取困難、識別效果差，深度學習模擬人腦的抽象結構，從大規模的數據樣本中提取特征，相比于傳統算法魯棒性好和識別速度以及正確率高。基于此，本文采用深度學習算法對雷達輻射源信號進行識別，首先采用改進的卷積神經網絡I_1D_CNN識別無意特征，然后采用transformer網絡對其有意特征進行識別，識別流程如圖4。

用I_1D_CNN網絡對七種雷達輻射源信號（CW、LFM、NLFM、BPSK、QPSK、二頻編碼、四頻編碼）進行識別能力測試，將實驗結果與基于雙譜二次特征[2]（Bispectrum Cascade Feature， BCF）方法，基于時頻原子特征[3]（Time Frequency Atom Feature， TFAF）方法，采用的基于粗集理論的雷達輻射源識別方法[4]（Rough Set ，RS）的實驗結果進行對比如圖5。分析可知信噪比較高時BCF、TFAF 、RS和I_1D_CNN的識別率都很好，但隨著信噪比的降低， TFAF 和RS算法的識別率急劇下降，而BCF和I_1D_CNN和識別則是緩慢降低，全程I_1D_CNN網絡識別率都優于其他算法，即使信噪比到達-10dB，I_1D_CNN網絡識別率仍然可以達到90%以上。

用transformer網絡對九種不同個體的雷達輻射源信號進行識別能力測試（無意特征不同，有意特征均為LFM信號），將實驗結果傳統機器學習多層感知機、基于信號包絡特征提取方法， 基于信號雙譜特征提取方法和文獻和基于小波變換特征提取方法的實驗結果進行對比如圖6。分析可知信噪比低于10 dB時，包絡特征方法、雙譜特征方法、小波變換方法、多層感知機的識別率均在70%以下，識別效果不好。而Transformer網絡的識別率在0dB時已經達到85%以上，這是由于Transformer網絡中的注意力機制擁有自適應的調節方法，經過訓練，網絡會更專注于雷達信號的無意特征，對特征的提取進行智能分析和自適應提取。相比于傳統算法，Transformer網絡不僅算法速度快，而且識別率高，體現Transformer網絡在雷達輻射源在無意特征識別的優越性。

4總結和展望

為了對雷達輻射源個體進行識別，本研究搭建深度學習網絡，首先采用I_1D_CNN網絡對雷達輻射源信號進行有意特征識別，之后采用Transformer網絡對雷達信號無意特征進行識別。

雖然仿真實驗取得了預期的效果，可以對雷達輻射源個體進行識別。但本研究采用的雷達輻射源信號均來自matlab仿真，與真實戰場中的雷達相比，無論在種類、信號參數以及噪聲環境都有很大差距，所使用的方法要應用于真實電子戰環境中，仍然需要實際數據對算法進行優化改進。

參考文獻：

[1]馬聰聰.雷達輻射源信號指紋特征智能分析和識別[D]..西安：西安電子科技大學， 2020

[2] 王世強， 張登福， 畢篤彥， 等.雙譜二次特征在雷達信號識別中的應用[J]. 西安電子科技大學： 自然科學版， 2012， 39（2）： 127-132.

[3] 王希勤， 劉婧瑤， 孟華東， 等.一種基于時頻原子特征的雷達輻射源信號識別方法[J]. 紅外與 毫米波學報， 2011， 30（6）： 566-570.

[4] 張葛祥， 金煒東， 胡招來. 基于粗集理論的雷達輻射源信號識別方法[J]. 西安交通大學學報， 2005， 39（8）： 871-875.