论文部分内容阅读
雷达信号识别是电子对抗及电子侦察中的重要环节，在电子战中具有十分重要的地位和作用。只有充分掌握敌方雷达的信息，才能赢得现代战争的主动权，从而占据电子战领域的制高点，这就使得雷达信号调制识别成为现代电子侦察系统中重要的研究方向。本文对雷达信号时频分析、图像预处理、特征提取、支持向量机与深度卷积神经网络等关键性的技术进行了深入研究。主要研究内容概括如下: 首先，对雷达信号调制类型与时频分析技术进行研究。给出了常见的雷达信号数学模型，探讨了非平稳信号的时频分析方法，给出了九种雷达调制信号在低信噪比下基于CWD分布的时频图。 其次，对基于时频图像的支持向量机调制识别算法进行研究，系统地阐述了时频图像预处理与特征提取技术，在分析支持向量机相关原理的基础上，针对支持向量机进行分类时存在参数选择不当导致分类效果下降的问题，利用改进粒子群寻优算法兼顾对局部最优解和全局最优解的搜索，克服了传统优化方法易陷入局部最优解的缺陷，以联合四类图像特征为识别特征，在此基础上提出了一种基于改进粒子群寻优的支持向量机调制识别算法，进一步提升了调制识别的正确率。 然后，对基于时频图像的卷积神经网络调制识别算法进行研究，简述了卷积神经网络的原理和基本架构，分析了卷积神经网络的实现方法，探讨了预训练卷积神经网络模型。在此基础上，结合迁移学习理论，分别提出了两种基于时频图像的FT-GoogLeNet-icp4-SVM、FT-VGGNet-fc6-SVM调制识别算法，充分发掘了预训练卷积神经网络模型在多分类模型中参数提取的优势，解决了深层网络小样本训练难的问题，在一定程度上降低了训练的时间成本和训练复杂度。仿真结果表明，所提算法显著提升了系统的识别效果。 最后，对基于时频图像的多信号调制识别技术进行研究，概述了分数阶傅里叶变换的原理，研究了快速DFRFT方法实现，提出了一种基于时频图像的联合分类器多信号调制识别算法，该算法实现了多信号的有效分离，利用多种分类识别算法克服了低信噪比下多信号时频信息不完整导致识别率低的问题，为多信号的调制识别提供了新的思路。