论文部分内容阅读
随着信息技术的不断发展和现代战场电磁环境的日趋复杂,雷达作为战场感知的重要装备接收着复杂电子战场下的多种多样的辐射源信号,如何利用海量高维、冗余、复杂、强干扰、分布不均的雷达辐射源信号对目标个体进行精准的识别是电子对抗的关键问题。然而目前存在两个方面的难点:其一,基于传统人工特征提取或机器学习的方法很难从更加复杂的雷达辐射源信号中提取具有高鉴别力的有效特征;其二,实际战场环境中还存在模型部署、未知辐射源鉴别等关键问题亟待解决。本文因此利用深度学习强大的特征提取能力,针对实际复杂雷达数据存在的特点与难点以及实际复杂战场环境下存在的诸多问题,提出了基于深度学习的雷达辐射源个体识别模型。本文的主要工作及贡献如下:(1)通过分析雷达辐射源个体数据的特点与难点以及与传统机器学习方法的对比,解释了模型与问题“容量”的概念,提出了技巧优化下的基于深度学习的雷达辐射源个体识别模型。同时,针对实际战场中的模型的任务适配和平台适配问题,提出了基于网络结构搜索ProxylessNas算法的雷达辐射源个体识别模型。(2)针对雷达辐射源个体数据信号高冗余、强干扰、有效信号区间有限的特点,提出了基于两种注意力机制的雷达辐射源“指纹”信号定位与特征提取的雷达个体识别模型,使得网络关注数据和特征中的对分类有鉴别力的区间,定位雷达辐射源的“指纹”信号并挖掘雷达辐射源的“指纹”特征,进一步提高了雷达个体识别准确率。(3)针对实际战场环境下雷达辐射源信号种类繁多、新型号的雷达层出不穷、数据库容量有限导致的雷达未知辐射源的鉴别问题,提出了基于深度度量学习的雷达辐射源个体识别和未知辐射源鉴别模型,同时完成已知辐射源个体的识别和未知辐射源个体的鉴别任务,进一步提高了雷达未知辐射源鉴别的准确率。