Abstract： Electronic reconnaissance is one of the important branches of electronic warfare. By analyzing the signals sent from the enemy’s electronic equipment， obtaining the technical parameters and types of the enemy’s equipment can enable one to more accurately grasp the battlefield situation and make optimal decisions. premise. As the most important part of the modern warfare combat system， the radar system analyzes the received radar radiation source signal to obtain the combat status and threat level of the enemy’s weapons and equipment， which is an important basis for subsequent combat decisions. The radar radiation source signal identification is important The direction of modern warfare is of great significance. This research focuses on the radar radiator signal， analyzes the radar radiator signal based on the deep learning algorithm， and identifies the type and working status of the enemy’s equipment.

摘要：電子偵察作為電子戰(zhàn)的重要分支之一，通過分析從敵方電子設(shè)備發(fā)出的信號(hào)，獲得敵方設(shè)備的技術(shù)參數(shù)、類型，可以使己方更準(zhǔn)確的把握戰(zhàn)場態(tài)勢，做出最優(yōu)決策。雷達(dá)系統(tǒng)作為現(xiàn)代戰(zhàn)爭作戰(zhàn)系統(tǒng)中最重要的部分，對(duì)接收到的雷達(dá)輻射源信號(hào)進(jìn)行分析，獲取敵方武器設(shè)備的戰(zhàn)斗狀態(tài)和威脅等級(jí)，是之后戰(zhàn)斗決策的重要依據(jù)，雷達(dá)輻射源信號(hào)識(shí)別對(duì)于現(xiàn)代戰(zhàn)爭的走向意義重大。本研究針對(duì)雷達(dá)輻射源信號(hào)進(jìn)行研究，基于深度學(xué)習(xí)算法對(duì)雷達(dá)輻射源信號(hào)進(jìn)行分析，識(shí)別敵方設(shè)備的類型和工作狀態(tài)[1]。

1.雷達(dá)輻射源信號(hào)分析

雷達(dá)系統(tǒng)設(shè)計(jì)中，為了提高雷達(dá)系統(tǒng)的抗干擾能力和傳輸隱蔽性，會(huì)在信號(hào)發(fā)射前加入有意調(diào)制信號(hào)，之后在接收機(jī)中做相應(yīng)的處理識(shí)別出該信號(hào)，現(xiàn)階段的輻射源識(shí)別也是基于有意特征調(diào)制信號(hào)進(jìn)行識(shí)別。由于同一雷達(dá)廠商的多個(gè)平臺(tái)會(huì)共用一種或者多種有意調(diào)制信號(hào)，這就導(dǎo)致通過有意調(diào)制識(shí)別無法將同一雷達(dá)廠商的不同雷達(dá)設(shè)備進(jìn)行有效識(shí)別，無法滿足現(xiàn)代電子戰(zhàn)環(huán)境的要求。

除了有意特征調(diào)制，雷達(dá)系統(tǒng)由于發(fā)射機(jī)個(gè)體中振蕩器、射頻放大鏈路、電源等器件之間的耦合導(dǎo)致在產(chǎn)生信號(hào)時(shí)出現(xiàn)的一些非人為控制的調(diào)制特征，這種特征是無意加入的，因此稱為無意調(diào)制，又因?yàn)檫@種特征是每個(gè)雷達(dá)個(gè)體獨(dú)立存在的具有唯一性，所以又形象的稱為指紋特征或個(gè)體特征。

2雷達(dá)輻射源信號(hào)建模

雷達(dá)輻射源信號(hào)由有意特征和無意特征組成。有意特征主要體現(xiàn)在頻率、幅度、相位以及他們之間的混合調(diào)制，主要脈沖調(diào)制、線性調(diào)頻、非線性調(diào)頻、頻率編碼、相位編碼以及他們之間的組合調(diào)制等。無意特征作為雷達(dá)系統(tǒng)的特征，表現(xiàn)在雷達(dá)信號(hào)時(shí)域和頻域，時(shí)域體現(xiàn)在信號(hào)的脈沖包絡(luò)上，參數(shù)特征主要有上升沿時(shí)間、下降沿時(shí)間和頂部波紋，如圖1;頻域主要為體現(xiàn)在信號(hào)的相位噪聲特征上，表現(xiàn)在本應(yīng)該為直線狀的信號(hào)載頻譜線，會(huì)出現(xiàn)寄生在載頻譜線附近的裙?fàn)铑l譜，如圖2。.

將無意特征中脈沖包絡(luò)特征和相位噪聲特征共同建模，將有意特征和無意特征結(jié)合（有意調(diào)制特征以線性調(diào)頻為例），對(duì)雷達(dá)輻射源信號(hào)建模，信號(hào)如圖3。

3基于深度學(xué)習(xí)的雷達(dá)輻射源信號(hào)識(shí)別

由于傳統(tǒng)算法對(duì)雷達(dá)輻射源信號(hào)中的無意特征提取困難、識(shí)別效果差，深度學(xué)習(xí)模擬人腦的抽象結(jié)構(gòu)，從大規(guī)模的數(shù)據(jù)樣本中提取特征，相比于傳統(tǒng)算法魯棒性好和識(shí)別速度以及正確率高?；诖?，本文采用深度學(xué)習(xí)算法對(duì)雷達(dá)輻射源信號(hào)進(jìn)行識(shí)別，首先采用改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)I_1D_CNN識(shí)別無意特征，然后采用transformer網(wǎng)絡(luò)對(duì)其有意特征進(jìn)行識(shí)別，識(shí)別流程如圖4。

用I_1D_CNN網(wǎng)絡(luò)對(duì)七種雷達(dá)輻射源信號(hào)（CW、LFM、NLFM、BPSK、QPSK、二頻編碼、四頻編碼）進(jìn)行識(shí)別能力測試，將實(shí)驗(yàn)結(jié)果與基于雙譜二次特征[2]（Bispectrum Cascade Feature， BCF）方法，基于時(shí)頻原子特征[3]（Time Frequency Atom Feature， TFAF）方法，采用的基于粗集理論的雷達(dá)輻射源識(shí)別方法[4]（Rough Set ，RS）的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比如圖5。分析可知信噪比較高時(shí)BCF、TFAF 、RS和I_1D_CNN的識(shí)別率都很好，但隨著信噪比的降低， TFAF 和RS算法的識(shí)別率急劇下降，而BCF和I_1D_CNN和識(shí)別則是緩慢降低，全程I_1D_CNN網(wǎng)絡(luò)識(shí)別率都優(yōu)于其他算法，即使信噪比到達(dá)-10dB，I_1D_CNN網(wǎng)絡(luò)識(shí)別率仍然可以達(dá)到90%以上。

用transformer網(wǎng)絡(luò)對(duì)九種不同個(gè)體的雷達(dá)輻射源信號(hào)進(jìn)行識(shí)別能力測試（無意特征不同，有意特征均為LFM信號(hào)），將實(shí)驗(yàn)結(jié)果傳統(tǒng)機(jī)器學(xué)習(xí)多層感知機(jī)、基于信號(hào)包絡(luò)特征提取方法， 基于信號(hào)雙譜特征提取方法和文獻(xiàn)和基于小波變換特征提取方法的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比如圖6。分析可知信噪比低于10 dB時(shí)，包絡(luò)特征方法、雙譜特征方法、小波變換方法、多層感知機(jī)的識(shí)別率均在70%以下，識(shí)別效果不好。而Transformer網(wǎng)絡(luò)的識(shí)別率在0dB時(shí)已經(jīng)達(dá)到85%以上，這是由于Transformer網(wǎng)絡(luò)中的注意力機(jī)制擁有自適應(yīng)的調(diào)節(jié)方法，經(jīng)過訓(xùn)練，網(wǎng)絡(luò)會(huì)更專注于雷達(dá)信號(hào)的無意特征，對(duì)特征的提取進(jìn)行智能分析和自適應(yīng)提取。相比于傳統(tǒng)算法，Transformer網(wǎng)絡(luò)不僅算法速度快，而且識(shí)別率高，體現(xiàn)Transformer網(wǎng)絡(luò)在雷達(dá)輻射源在無意特征識(shí)別的優(yōu)越性。

4總結(jié)和展望

為了對(duì)雷達(dá)輻射源個(gè)體進(jìn)行識(shí)別，本研究搭建深度學(xué)習(xí)網(wǎng)絡(luò)，首先采用I_1D_CNN網(wǎng)絡(luò)對(duì)雷達(dá)輻射源信號(hào)進(jìn)行有意特征識(shí)別，之后采用Transformer網(wǎng)絡(luò)對(duì)雷達(dá)信號(hào)無意特征進(jìn)行識(shí)別。

雖然仿真實(shí)驗(yàn)取得了預(yù)期的效果，可以對(duì)雷達(dá)輻射源個(gè)體進(jìn)行識(shí)別。但本研究采用的雷達(dá)輻射源信號(hào)均來自matlab仿真，與真實(shí)戰(zhàn)場中的雷達(dá)相比，無論在種類、信號(hào)參數(shù)以及噪聲環(huán)境都有很大差距，所使用的方法要應(yīng)用于真實(shí)電子戰(zhàn)環(huán)境中，仍然需要實(shí)際數(shù)據(jù)對(duì)算法進(jìn)行優(yōu)化改進(jìn)。

參考文獻(xiàn)：

[1]馬聰聰.雷達(dá)輻射源信號(hào)指紋特征智能分析和識(shí)別[D]..西安：西安電子科技大學(xué)， 2020

[2] 王世強(qiáng)， 張登福， 畢篤彥， 等.雙譜二次特征在雷達(dá)信號(hào)識(shí)別中的應(yīng)用[J]. 西安電子科技大學(xué)： 自然科學(xué)版， 2012， 39（2）： 127-132.

[3] 王希勤， 劉婧瑤， 孟華東， 等.一種基于時(shí)頻原子特征的雷達(dá)輻射源信號(hào)識(shí)別方法[J]. 紅外與 毫米波學(xué)報(bào)， 2011， 30（6）： 566-570.

[4] 張葛祥， 金煒東， 胡招來. 基于粗集理論的雷達(dá)輻射源信號(hào)識(shí)別方法[J]. 西安交通大學(xué)學(xué)報(bào)， 2005， 39（8）： 871-875.