基于去噪卷积神经网络的雷达信号调制类型识别

肖易寒 王 亮 郭玉霞

①(哈尔滨工程大学信息与通信工程学院先进船舶通信与信息技术工业和信息化部重点实验室 哈尔滨 150000)

②(中国空空导弹研究院 洛阳 471009)

③(航空制导武器航空科技重点实验室 洛阳 471009)

1 引言

低截获概率雷达由于拥有低功率、大带宽等优点，并且自身可以发射各种复杂的调制信号，使得非合作接收机难以对其进行分析。因此，针对低截获概率(Low Probability of Intercept,LPI)雷达发射信号进行有效的特征提取与识别成为关键。

由于数字信号处理技术的发展，对于脉内特征参数的雷达信号识别发展迅速。文献[1]利用调制宽带转换器(Modulated Wideband Converter,MWC)离散压缩采样的新型宽带数字接收机结构，提出基于短时傅里叶变换以及频谱能量聚焦率检验的识别算法，对6种调制类型信号(NS，BPSK，QPSK，LFM，NLFM，2FSK)进行分类识别，在信噪比为4 d B时识别率可以达到90%。然而这种方法需要人为提取特征，所以极其依赖特征参数的设计。随着卷积神经网络在图像处理与识别方面的大量应用[2]，将深度学方法应用于LPI雷达时频图像(Time-Frequency Image,TFI)处理与识别的方法越来越多。文献[3]提出利用Choi-Williams分布(Choi Williams Distribution,CWD)进行时频分析，采用LeNet-5结构识别多种调制类型信号，在信噪比为–2 d B时，BPSK，LFM，Costas码、Frank码和多时码(T1，T2，T3和T4)的8种信号的识别率达到93.7%。在此基础上，文献[4]在对TFI进行特征提取与识别时使用Alex Net模型结构，加深和优化了网络结构，对CW，LFM，EQFM，DLFM，BFSK，BPSK以及QPSK这7种雷达信号进行特征的自动提取和选择，并且在信噪比为–6 d B时识别率达到90%以上。然而上述方法存在CNN网络中的梯度弥散等问题，因此无法确保网络训练时的稳定性。……