基于机器学习的多脉冲雷达信号分选及模式识别.pdf

基于机器学习的多脉冲雷达信号分选及模式识别

摘要

雷达信号分选及模式识别是电子对抗领域的关键环节，在电子战中扮演着重要的角

色。随着各种复杂体制雷达的不断涌现，传统雷达信号分选技术不能很好适应当前多脉

冲密集、交叠的复杂多脉冲雷达环境，同时先验信息的匮乏进一步降低了工作模式识别

准确率。机器学习能够合理地提取雷达信号特征，成为当前解决电子对抗领域复杂问题

的重要手段。论文结合机器学习理论，针对密集、交叠的复杂多脉冲雷达环境下信号分

选及模式识别展开深入地研究。本文研究内容主要分为以下部分：

首先，针对脉冲重复间隔调制类型信号分选漏警率高的问题，给出基于脉冲描述字

的雷达信号自适应分选方案。该方案利用K距离曲线分析信号密度分布，改进聚类算

法，减小多脉冲对主分选的影响。在此基础上，重新设计脉冲重复间隔箱并动态调整时

间起点，对脉冲重复间隔变换改进，联合直线检测原理，提出了自适应密度聚类-脉冲重

复间隔变换-直线检测的雷达信号自适应分选算法。所提算法克服了人为指定聚类参数

的缺陷，解决了重频抖动、重频线性滑变等信号难以分选的问题，实现了脉冲重复间隔

调制类型信号的自适应分选。

其次，针对分选过程中频率捷变信号增批，导致潜在脉冲重复间隔难以获取的问题，

给出基于扩展脉冲描述字的信号分选方案。该方案在识别调制方式的基础上，结合空洞

因果卷积和联合训练，设计多任务学习模型，估计脉内参数，实现对脉冲描述字的扩展。

基于此，提出基于扩展脉冲描述字-度量分析合批优化的信号分选算法，利用K-均值聚

类获取脉冲簇的质心，结合度量分析手段，合并相似脉冲簇，实现频率捷变信号的分选。

该算法实现了相似脉冲簇的合批优化，提取频率捷变信号潜在脉冲重复间隔，进一步地

降低了分选漏警率。

最后，针对非合作导致先验信息匮乏，模式识别准确率低的问题，提出了基于脉冲

描述字组合的雷达工作模式识别方案。该方案构建条形码图像，增强了数据样本特征，

通过迁移网络实现特征提取，减小网络模型对先验信息的依赖，融合切比雪夫度量距离

与径向基核函数，改进了支持向量机。在此基础上，设计了马群觅食算法，结合参数适

配策略，利用网络最佳迁移层与支持向量机最优参数，搭建识别模型，仿真结果表明所

提方案在先验知识不足的条件下，有效提升了模式识别的准确率。

关键词：雷达信号分选；工作模式识别；分选合批优化；密度聚类；群智能算法

基于机器学习的多脉冲雷达信号分选及模式识别

Abstract

Sortingradarsignalsandrecognizingworkingmodesarecriticalcomponentsofelectronic

countermeasures,whichalsoplayimportantrolesinelectronicwarfare.Withtheintegrationof

multiplecomplexradarsystems,traditionalradarsignalsortingtechnologiesstruggletoadapt

todenseandoverlappingmulti-pulseradarenvironments.Furthermore,thelackofprior

informationreducestheaccuracyofpatternrecognition.Machinelearningprovidesapromising

approachtoextractingradarsignalfeatures,whichisanimportantsolutiontothecurrent

challengesinelectroniccountermeasures.Thisthesiscombinesmachinelearningtheorywith

extensiveresearchintosignalsortingandpatternrecogn