基于深度学习的雷达信号调制识别方法研究.pdf

基于深度学习的雷达信号调制识别方法研究

摘要

雷达信号调制识别作为电子对抗侦察的重要一环，通过对雷达信号调制类型进行识

别，能够获取发射该信号设备的型号、用途、威胁等级等重要信息，对于电子战具有十

分重要的意义。随着电子战环境的日益复杂以及雷达技术的迅速发展，目前被广泛使用

的基于深度学习的雷达信号调制识别方法主要存在两个问题。首先是基于深度学习的识

别方法要求有足够数量的样本充当训练集才能在迭代训练后使得网络模型收敛，从而得

到较好的识别效果，而在目前的复杂环境下，某种甚至某几种雷达信号样本收集困难，

因此会造成样本不充足从而严重降低识别效果；其次对于训练集之外的新型未知雷达信

号，基于深度学习的识别方法无法有效地将未知信号和已知信号进行区分，甚至由于未

知信号的加入影响已知信号的识别准确率。针对上述问题，本文首先提出加权自适应模

糊生成对抗网络（WeightedAdaptiveBlur-DeepConvolutionGenerativeAdversarial

Networks，WAB-DCGAN）去解决小样本识别问题，其次提出基于深度度量学习的识别

方法去解决训练集之外的未知信号识别问题。主要研究内容如下：

1、论文简述了目前常用的雷达信号，给出数学模型并结合仿真分析不同信号的时

频域特点。同时总结本文所用的三种时频分析方法各自的优缺点，最后简要概述了卷积

神经网络（ConvolutionalNeuralNetworks，CNN）结构和原理，并给出了CNN的训练

过程。

2、提出基于WAB-DCGAN的小样本识别方法，用来解决复杂环境下雷达信号样本

缺乏的问题。由于sigmoid交叉熵损失函数容易出现梯度弥散，导致学习速率下降，首

先用加权交叉熵损失函数替换深度卷积神经网络（DeepConvolutionalGenerative

AdversarialNetworks，DCGAN）中的sigmoid交叉熵损失函数，加权交叉熵损失函数一

方面能够依靠常数权重系数人为地大幅度提高数量低的类别对损失函数贡献，另一方面

抑制数量高的类别对损失函数的贡献，因此可以平衡训练阶段原始样本和真实样本对于

损失函数的贡献，使得训练阶段能够更加稳定；其次在原始样本和生成样本到达判决器

之前添加自适应模糊来提高判决器能力从而间接提高生成器能力。依靠生成器和判决器

之间的博弈，从而使得生成器的生成样本尽可能地逼近真实样本，以此来弥补某些雷达

信号样本不足的问题；通过仿真实验可知，不论是在少量固定原始样本并逐步添加一定

数量的生成样本，或是少量固定生成样本并逐步添加一定数量的真实样本，都能够取得

较高的识别准确率；同时在相同的实验条件下，WAB-DCGAN的性能要优于DCGAN。

哈尔滨工程大学硕士学位论文

3、针对复杂电磁环境下出现训练集之外的新型未知雷达信号，结合度量学习方法，

本文提出基于深度度量学习的识别方法。首先使用余弦-Softmax代替传统Softmax层，

该结构能够带来更加良好的类内聚集性和类间分离性，能够在训练阶段更好地利用特征

让相同类聚集得更紧密，不同类间隔得更远，其次采用三种时频分析图像作为输入同时

进行训练，并在训练阶段采用交叉熵损失函数（使用余弦-Softmax）、磁体损失（Magnet

Loss，ML）（使用Softmax）以及三元组损失（TripletLoss，TL）（使用Softmax）三种

损失函数进行对比，神经网络将输入学习并映射到一个特定嵌入空间中，通过以上三种

训练策略使得同类雷达信号的特征紧密聚集，不同类雷达信号的特征足够分散，最后仿

真实验表明，在对已知雷达信号有较高识别准确率的前提下，能够对未知雷达信号有着

较好的识别准确率。

关键词：雷达信号；脉内调制识别；生成对抗网络；度量学习；深度学习

基于深度学习的雷达信号调制识别方法研究

Abstract

Radarsignalmodulationrecognitionisanimportantpartofelectronic