摘 要：針對強噪聲環(huán)境下雷達有源干擾識別準確率不高的問題，提出了一種基于一維復合特征的 ＥＲ?Ｃ?Ｌ（Ｅｘｔｅｎｄｅｄ ＲｅｓＮｅｔ?ＣＮＮ?ＬＳＴＭ）網絡模型算法。 首先將幅度、瞬時頻率和功率譜瞬時包絡及其復合特征作為網絡輸入，比較其在 ＲｅｓＮｅｔ?ＣＮＮ 模型上的識別準確率，選取檢測概率高且數據量小的幅度與功率譜瞬時包絡復合特征為最優(yōu)特征。 然后將該復合特征輸入 ＥＲ?Ｃ?Ｌ 網絡對六種新型有源干擾進行識別，仿真結果表明，在干噪比（ＪａｍｍｉｎｇＮｏｉｓｅ Ｒａｔｉｏ，ＪＮＲ）－１０ ｄＢ 的強噪聲環(huán)境下，識別準確率為 ９８. ５％，與 ＣＮＮ、ＲｅｓＮｅｔ?ＣＮＮ、擴展 ＲｅｓＮｅｔ?ＣＮＮ 和 ＬＳＴＭ 等其他深度學習算法相比，具有更高的干擾識別準確率。

關鍵詞：有源干擾識別； 卷積神經網絡； 復合特征

中圖分類號：ＴＮ ９７４

文獻標志碼：Ａ

ＤＯＩ：１０．３９６９／ ｊ．ｉｓｓｎ．１６７３?３８１９．２０２４．０４．０１７

Ａｎ ａｃｔｉｖｅ ｊａｍｍｉｎｇ ｒｅｃｏｇｎｉｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ＥＲ?Ｃ?Ｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌＺＨＡＯ Ｚｈｏｎｇｃｈｅｎ， ＬＩＵ Ｌｉｍｉｎ， ＸＩＥ Ｈｕｉ， ＨＡＮ Ｚｈｕａｎｇｚｈｉ， ＪＩＮＧ Ｈｅ

（Ｓｈｉｊｉａｚｈｕａｎｇ ｃａｍｐｕｓ， Ａｒｍｙ Ｅｎｇｉｎｅｅｒｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ ＰＬＡ， Ｓｈｉｊｉａｚｈｕａｎｇ ０５０００３， Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ： Ｔｏ ｓｏｌｖｅ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｌｏｗ ｒｅｃｏｇｎｉｔｉｏｎ ａｃｃｕｒａｃｙ ｏｆ ｒａｄａｒ ａｃｔｉｖｅ ｊａｍｍｉｎｇ ｉｎ ｓｔｒｏｎｇ ｎｏｉｓｅ ｅｎｖｉｒｏｎｍｅｎｔ， ａｎａｌｇｏｒｉｔｈｍ ｆｏｒ ＥＲ?Ｃ?Ｌ（Ｅｘｔｅｎｄｅｄ ＲｅｓＮｅｔ?ＣＮＮ?ＬＳＴＭ） ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｏｎｅ?ｄｉｍｅｎｓｉｏｎａｌ ｃｏｍｐｏｓｉｔｅ ｆｅａｔｕｒｅｓ ｉｓ ｐｒｏ?ｐｏｓｅｄ． Ｆｉｒｓｔｌｙ， ｔｈｅ ａｍｐｌｉｔｕｄｅ， ｉｎｓｔａｎｔａｎｅｏｕｓ ｆｒｅｑｕｅｎｃｙ， ｉｎｓｔａｎｔａｎｅｏｕｓ ｅｎｖｅｌｏｐｅ ｏｆ ｐｏｗｅｒ ｓｐｅｃｔｒｕｍ ａｎｄ ｔｈｅｉｒ ｃｏｍｐｏｓｉｔｅ ｆｅａ?ｔｕｒｅｓ ａｒｅ ｔａｋｅｎ ａｓ ｎｅｔｗｏｒｋ ｉｎｐｕｔ ｔｏ ｃｏｍｐａｒｅ ｔｈｅｉｒ ｒｅｃｏｇｎｉｔｉｏｎ ａｃｃｕｒａｃｙ ｉｎ ＲｅｓＮｅｔ?ＣＮＮ ｍｏｄｅｌ． Ｔｈｅ ｃｏｍｐｏｓｉｔｅ ｆｅａｔｕｒｅｓ ｏｆ ａｍ?ｐｌｉｔｕｄｅ ａｎｄ ｉｎｓｔａｎｔａｎｅｏｕｓ ｅｎｖｅｌｏｐｅ ｏｆ ｐｏｗｅｒ ｓｐｅｃｔｒｕｍ ｗｉｔｈ ｈｉｇｈ ｄｅｔｅｃｔｉｏｎ ｐｒｏｂａｂｉｌｉｔｙ ａｎｄ ｓｍａｌｌ ｄａｔａ ｖｏｌｕｍｅ ａｒｅ ｓｅｌｅｃｔｅｄ ａｓｔｈｅ ｏｐｔｉｍａｌ ｆｅａｔｕｒｅｓ． Ｔｈｅｎ， ｔｈｅ ｃｏｍｐｌｅｘ ｆｅａｔｕｒｅｓ ａｒｅ ｉｎｊａｍｍｅｄ ｉｎｔｏ ｔｈｅ ＥＲ?Ｃ?Ｌ ｎｅｔｗｏｒｋ ｔｏ ｉｄｅｎｔｉｆｙ ｓｉｘ ｎｅｗ ａｃｔｉｖｅ ｊａｍｍｉｎｇｍｏｄｅｌｓ． Ｓｉｍｕｌａｔｉｏｎ ｅｘｐｅｒｉｍｅｎｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ａｃｃｕｒａｃｙ ｏｆ ｊａｍｍｉｎｇ ｉｓ ９８. ５％ ｉｎ ｓｔｒｏｎｇ ｎｏｉｓｅ ｅｎｖｉｒｏｎｍｅｎｔ ｗｉｔｈｉｎｔｈｅ ＪＮＲ ｏｆ －１０ ｄＢ． Ｃｏｍｐａｒｅｄ ｗｉｔｈ ｏｔｈｅｒ ｄｅｅｐ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍｓ ｓｕｃｈ ａｓ ＣＮＮ， ＲｅｓＮｅｔ?ＣＮＮ， ｅｘｔｅｎｄｅｄ ＲｅｓＮｅｔ?ＣＮＮ ａｎｄＬＳＴＭ， ｉｔ ｈａｓ ｈｉｇｈｅｒ ｉｎｔｅｒｆｅｒｅｎｃｅ ｒｅｃｏｇｎｉｔｉｏｎ ａｃｃｕｒａｃｙ．

Ｋｅｙ ｗｏｒｄｓ： ａｃｔｉｖｅ ｊａｍｍｉｎｇ ｒｅｃｏｇｎｉｔｉｏｎ； ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ； ｃｏｍｐｏｕｎｄ ｆｅａｔｕｒｅ

現代戰(zhàn)爭中，雷達是奪取制電磁權的重要手段，要完成諸多作戰(zhàn)任務。 雷達在檢測目標回波信號時，會受到其他信號的干擾，這將嚴重降低雷達的作戰(zhàn)性能，導致其無法發(fā)揮搜索、追蹤敵方目標的實戰(zhàn)功能。 數字 射 頻 存 儲 ［１?２］ （ Ｄｉｇｉｔａｌ Ｒａｄｉｏ Ｆｒｅｑｕｅｎｃｙ Ｍｅｍｏｒｙ，ＤＲＦＭ）技術發(fā)展不斷成熟，使得雷達有源干擾可以根據不同環(huán)境設置不同的干擾參數，配置不同的干擾設施，具有很強的目的性、靈活性和針對性，只有準確識別干擾類型，雷達才能選用最優(yōu)抗干擾策略予以應對。

科研人員在雷達干擾分類識別方面進行了一些研究。 蔡瀟 ［３］ 提取 ４ 種有源壓制干擾信號時域、頻域、變換域特征，采用相關向量機（Ｒｅｌｅｖａｎｔ Ｖｅｃｔｏｒ ＭａｃｈｉｎｅＲＶＭ）進行分類識別；蔣瑩 ［４］ 將分形理論應用于干擾信號與目標回波信號頻譜上，取得較高的識別概率。 卷積神經網絡 ［５?８］ （Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ，ＣＮＮ）可以自動提取最優(yōu)特征并進行深度學習，近年來在雷達及干擾信號的分類識別中得到應用。 呂勤哲 ［２］ 研究了一種基于多通道特征融合的集成卷積神經網絡分類方法；王超等 ［９］ 研究了各類雷達信號的時頻域特性，并運用卷積神經網絡對其進行分類研究；唐陳 ［１０］ 采用改進的 ＲｅｓＮｅｔ?ＣＮＮ 網絡模型實現了對雷達回波中干擾的分類與識別。

以上方法多是通過時頻分析獲取關聯的二維時頻特征進行分類識別，在低干噪比下，其識別效果要高于一維特征。 但時頻分析存在數據量大，運算復雜，耗時較長的問題，而一維特征數據量和訓練時間要遠小于二維特征，更貼近實戰(zhàn)應用，因此，研究強噪聲環(huán)境下利用一維特征實現對干擾的分類識別具有重要的現實意義。

針對上述情況，本文在前人研究的基礎上，構建ＥＲ?Ｃ?Ｌ 網絡模型，利用一維復合特征實現了對干擾信

１. ３ 卷積神經網絡模型

ＣＮＮ 被廣泛用于二維數據分類問題，其由輸入層、隱含層、輸出層構成。

輸入 層 用 于 將 歸 一 化 處 理 后 的 學 習 數 據 輸入 ＣＮＮ。

隱含層主要由卷積層、池化層和全連接層等組成。卷積層是 ＣＮＮ 的核心層，由多個卷積核堆疊形成的濾波器組成，其通過對輸入數據做卷積運算提取特征信息。 池化層可進行特征選擇和信息過濾，在選取最優(yōu)特征的同時降低數據量，分為均值池化和極大值池化。

全連接層將提取的特征進行壓平，降低其維度，然后輸入 Ｓｏｆｔｍａｘ 層確定信號類別。傳統(tǒng)的 ＣＮＮ 網絡要想獲得較好的學習效果需要增加網絡的深度，這樣容易導致梯度消失和爆炸，正則化通過對網絡權重做正則限制過擬合，可以解決梯度爆炸問題，但會引起性能退化。 事實上，梯度消失更容易出現，解決梯度消失問題的方法有很多，如采用 ｒｅｌｕ激活函數、殘差網絡等，其中，結構簡單的 ＲｅｓＮｅｔ?ＣＮＮ效果最為顯著 ［２４］ 。

ＲｅｓＮｅｔ?ＣＮＮ 的關鍵結構如圖 １ 所示，通常一個ＲｅｓＮｅｔ?ＣＮＮ 由多個關鍵結構串聯組成。

１. ４ 長短期記憶網絡

長短期記憶 ［６，２５］ （Ｌｏｎｇ Ｓｈｏｒｔ?Ｔｅｒｍ Ｍｅｍｏｒｙ， ＬＳＴＭ）網絡與一般的前饋神經網絡（Ｆｅｅｄｆｏｒｗａｒｄ Ｎｅｕｒａｌ Ｎｅｔ?ｗｏｒｋｓ， ＦＮＮ）不同，其可以利用時間序列對輸入進行分析，是一種特殊的遞歸神經網絡（Ｒｅｃｕｒｓｉｖｅ Ｎｅｕｒａｌ Ｎｅｔ?ｗｏｒｋ， ＲＮＮ）。 其單元基本結構如圖 ２ 所示。

２ ＥＲ?Ｃ?Ｌ 網絡模型及輸入特征

２. １ ＥＲ?Ｃ?Ｌ 網絡模型

為提高干擾信號檢測概率，同時避免出現梯度問題，本文對 ＲｅｓＮｅｔ?ＣＮＮ 進行優(yōu)化擴展，擴展的 ＲｅｓＮｅｔ?ＣＮＮ 由 ４ 個如圖 ３ 所示的結構單元組成。 其中，殘差模塊由 ２ 個 ５×１ 的卷積層、２ 個歸一化層和 １ 個激活層構成，在殘差模塊的基礎上并聯由 １ 個 ３×１ 卷積層、１個歸一化層和 １ 個激活層構成的卷積神經網絡支路。

殘差模塊選擇 ５×１ 卷積核，可以增大感受野，抽取更具全局性的特征用于判別；卷積神經網絡支路采用３×１ 卷積核，可以獲取更多局部的細微特征。 擴展ＲｅｓＮｅｔ?ＣＮＮ 輸出數據既保留了傳統(tǒng) ＣＮＮ 輸入信息的特性，又增加了許多細微特征，既避免出現梯度消失或爆炸的問題，又減少訓練參數，縮減訓練預測時長。

ＬＳＴＭ 網絡引入了遺忘門、輸入門、輸出門單元，以其特殊的結構解決了 ＲＮＮ 只有短時記憶的弊端，更適合學習時域／ 頻域具有一定連續(xù)性特征的干擾信號。

將擴展 ＲｅｓＮｅｔ?ＣＮＮ 與 ＬＳＴＭ 網絡串聯起來可以發(fā)揮二者的優(yōu)點，提高干擾信號識別的效果。

ＥＲ?Ｃ?Ｌ 網絡結構如圖 ４ 所示，模型共有 ４２ 層，其工作過程為：將干擾信號時域／ 頻域數據通過四次擴展殘差塊進行降維，經過 ＬＳＴＭ 層提取時序信息，再由全連接層將數據壓平，利用 Ｓｏｆｔｍａｘ 輸出概率值確定信號類別。 其參數如表 １ 所示。

２. ２ 輸入特征

干擾信號識別的核心是利用分類器篩選信號間彼此不同的特征信息，將特征相似的歸為一類。 特征主要包括時域、頻域、時頻域、波形域和其他維度特征。本文選用易于提取、可分性強的幅度、瞬時頻率和功率譜瞬時包絡作為輸入特征，前期實驗時仿真對比了輸入樣本序列數為 ６４／１２８／２５６ 所用時間和檢測效果，結果表明，輸入序列數為 １２８ 時，能夠兼顧較高檢測概率和實時性。 詳細提取過程如下：

幅度特征：每個樣本在時域等間隔選取 １２８ 個點對應的幅度進行歸一化處理，即構成 １×１２８ 的幅度特征矩陣，每種干擾信號產生 ８００ 個樣本，隨機抽取其中８０％構成 １×（６４０?１２８） 的訓練幅度特征矩陣，剩余２０％構成 １×（１６０?１２８）的測試幅度特征矩陣，將 ６ 種干擾信號的訓練／ 測試幅度特征矩陣按序拼接，構成 １×（６?６４０／１６０?１２８）特征矩陣。

瞬時頻率特征：對每個樣本 ｘ（ｎ）進行希爾伯特變換，得到以 ２π 為周期的瞬時相位 ?（ｎ），再進行去相位卷疊得到真實相位 ? Ｎ （ｎ），進而求得干擾瞬時頻率。將瞬時頻率等間隔選取 １２８ 個點進行歸一化處理，即得到單樣本 １?１２８ 的瞬時頻率特征矩陣，訓練／ 測試瞬時頻率特征矩陣構成方式與幅度特征一致。

功率譜瞬時包絡特征：對每個樣本 ｘ（ｎ）進行 ＦＦＴ變換，得到其功率譜，再對功率譜進行希爾伯特變換，得到功率譜瞬時包絡。 將功率譜瞬時包絡等間隔選?。保玻?個點進行歸一化處理即得到單樣本 １?１２８ 的功率譜瞬時包絡特征矩陣，訓練／ 測試功率譜瞬時包絡特征矩陣構成方式與幅度特征一致。

復合特征：將 １×（６?６４０／１６０?１２８）的單特征矩陣按行組合，得到 ｉ×（６?６４０／１６０?１２８）的復合特征矩陣，其中 ｉ＝２，３。

在 ＪＮＲ＝１０ ｄＢ 時，６ 種干擾信號的特征分布如圖５所示，其中，ＩＳ 干擾采樣脈寬為 １０ μｓ，采樣數為 ４；ＳＭＳＰ 干擾時鐘頻率為調頻斜率的 ２００ 倍；Ｃ＆Ｉ 干擾采樣數為 ５０，重構數為 ４；ＣＯＭＢ 干擾梳齒頻點為中頻的１０ 倍；ＮＰ 干擾和 ＮＣ 干擾噪聲功率為 ２ ｄＢ。

３ 仿真驗證

３. １ 實驗流程

干擾信號仿真與識別流程如圖 ６ 所示。 通過改變干擾的采樣周期與轉發(fā)間隔、時鐘頻率、頻點、噪聲功率等參數來確保 ＥＲ?Ｃ?Ｌ 網絡模型的動態(tài)穩(wěn)定性。 干擾信號以雷達信號為基礎，通過對雷達信號的整個脈寬進行調制得到 ６ 種干擾信號。 雷達基本參數和干擾變化參數分別如表 ２ 和表 ３ 所示。 在強噪聲環(huán)境下，干擾信號會被噪聲淹沒，因此，需要驗證識別算法在低ＪＮＲ 條件下的穩(wěn)健性，本文設定在高斯白噪聲環(huán)境下，研究的 ＪＮＲ 變化范圍為－１０～１０ ｄＢ。

３. ２ 仿真模擬

實驗設置的迭代次數為 ３００ 次，學習率為 ０. ００１，選取幅度、瞬時頻率和功率譜瞬時包絡及其復合信息作為輸入特征，通過 ＲｅｓＮｅｔ?ＣＮＮ 模型選取最優(yōu)特征用于網絡模型間的比較。 ＲｅｓＮｅｔ?ＣＮＮ 網絡仿真結果如圖 ７ 所示。

由圖 ７ 可以知，幅度特征可以很好地篩選出 ＣＯＭＢ干擾，檢測概率達到 ９８％ 以上，ＩＳ 干擾、ＮＣ 干擾與ＳＭＳＰ 干擾檢測概率較低。

瞬時頻率特征可以很好地篩選出 ＮＣ 干擾，檢測概率達到 ９９％以上，除 Ｃ＆Ｉ 干擾和 ＣＯＭＢ 干擾外，其余干擾檢測概率較低。 功率譜瞬時包絡特征可以很好地篩選出 ＳＭＳＰ 干擾、Ｃ＆Ｉ 干擾、ＩＳ 干擾、ＮＰ 干擾、ＮＣ 干擾，整體效果優(yōu)于瞬時頻率特征。 幅度與瞬時頻率復合特征可以很好地篩選出 ＣＯＭＢ 干擾、ＮＣ 干擾，檢測概率達到 ９９％以上。 幅度與功率譜瞬時包絡復合特征可以很好地篩選出 Ｃ＆Ｉ 干擾、ＣＯＭＢ 干擾、ＮＰ 干擾、ＮＣ 干擾，其中，Ｃ＆Ｉ 干擾、ＣＯＭＢ 干擾、ＮＣ 干擾全域檢測概率達到 ９７％以上，其整體效果優(yōu)于幅值與瞬時頻率復合特征。 瞬時頻率與功率譜瞬時包絡復合特征可以很好地篩選出 ＩＳ 干擾、Ｃ＆Ｉ 干擾、ＣＯＭＢ 干擾、ＮＰ 干擾、ＮＣ干擾，其中，Ｃ＆Ｉ 干擾、ＮＣ 干擾全域檢測概率達到 ９５％以上。 幅度、瞬時頻率與功率譜瞬時包絡復合特征可以很好地篩選出所有干擾，ＪＮＲ 為 １０ ｄＢ 時 ６ 種干擾檢測概率達到 ９８％。

綜合比較，復合特征檢測概率遠大于單特征檢測概率，功率譜瞬時包絡特征優(yōu)于瞬時頻率特征，其中，幅度與功率譜瞬時包絡復合特征與幅值、瞬時頻率與功率譜瞬時包絡復合特征檢測效果相近，使用數據量更小的幅度與功率譜瞬時包絡復合特征更符合實戰(zhàn)需要。

３. ３ 實驗結果與分析

為驗證本文所提算法的有效性和優(yōu)越性，選取區(qū)分度高、數據量小的“幅度與功率譜瞬時包絡復合特征”作為最優(yōu)特征，分別輸入所提出 ＥＲ?Ｃ?Ｌ 網絡算法、經典 ＬＳＴＭ 網絡、經典 ＣＮＮ 網絡、ＲｅｓＮｅｔ?ＣＮＮ 和擴展ＲｅｓＮｅｔ?ＣＮＮ 等 ５ 種網絡模型進行了比較，其中，ＬＳＴＭ、ＣＮＮ、ＲｅｓＮｅｔ?ＣＮＮ 和擴展 ＲｅｓＮｅｔ?ＣＮＮ 的網絡結構分別如圖 ８ａ）至 ８ｄ）所示，各網絡參數與表 １ 中相應參數一致。

ＬＳＴＭ、ＣＮＮ、ＲｅｓＮｅｔ?ＣＮＮ、擴展 ＲｅｓＮｅｔ?ＣＮＮ 與本文提出的 ＥＲ?Ｃ?Ｌ 網絡模型在幅度與功率譜瞬時包絡復合特征條件下的檢測結果如圖 ９ 所示，圖 ９ａ）為各網絡模型檢測概率對比曲線，圖９ｂ）至圖９ｆ）為５ 種網絡模型在ＪＮＲ 為－１０ ｄＢ 時混淆矩陣，１ 至 ６ 分別為 ＩＳ 干擾、ＳＭＳＰ干擾、Ｃ＆Ｉ 干擾、ＣＯＭＢ 干擾、ＮＰ 干擾和 ＮＣ 干擾。 由圖９ 可知本文所提 ＥＲ?Ｃ?Ｌ 網絡識別性能最優(yōu)。

４ 結束語

針對強噪聲環(huán)境下雷達有源干擾識別準確率不高的問題，本文提出了一種基于一維復合特征的 ＥＲ?Ｃ?Ｌ網絡模型。 比對分析幅度、瞬時頻率和功率譜瞬時包絡及其復合特征在 ＲｅｓＮｅｔ?ＣＮＮ 模型中的干擾識別率，選取檢測概率高且數據量小的幅度與功率譜瞬時包絡復合特征作為最優(yōu)特征輸入 ＥＲ?Ｃ?Ｌ 網絡，并與 ＬＳＴＭ、ＣＮＮ、ＲｅｓＮｅｔ?ＣＮＮ、擴展 ＲｅｓＮｅｔ?ＣＮＮ 等進行比較，通過仿真驗證了該算法的有效性，仿真結果表明：在干噪比－１０ ｄＢ 的強噪聲環(huán)境下，對六種有源干擾的識別率為 ９８. ５％。

參考文獻：

［１］ ＲＯＯＭＥ Ｓ Ｊ． Ｄｉｇｉｔａｌ ｒａｄｉｏ ｆｒｅｑｕｅｎｃｙ ｍｅｍｏｒｙ［Ｊ］． Ｅｌｅｃ?ｔｒｏｎｉｃｓ ＆ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｅｎｇｉｎｅｅｒｉｎｇ Ｊｏｕｒｎａｌ， １９９０， ２（４）： １４７．

［２］ 呂勤哲， 全英匯， 沙明輝， 等． 基于集成深度學習的有源干擾智能分類［Ｊ］． 系統(tǒng)工程與電子技術， ２０２２， ４４（１２）： ３ ５９５?３ ６０２．ＬＹＵ Ｑ Ｚ， ＱＵＡＮ Ｙ Ｈ， ＳＨＡ Ｍ Ｈ， ｅｔ ａｌ． Ｅｎｓｅｍｂｌｅ ｄｅｅｐｌｅａｒｎｉｎｇ?ｂａｓｅｄ ｉｎｔｅｌｌｉｇｅｎｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ａｃｔｉｖｅ ｊａｍｍｉｎｇ［Ｊ］． Ｓｙｓｔｅｍｓ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ， ２０２２， ４４（１２）： ３ ５９５?３ ６０２．

［３］ 蔡瀟， 李大超， 翁永祥， 等． 基于多域特征提取和ＲＶＭ 的有源壓制干擾識別方法［Ｊ］． 艦船電子對抗，２０２１， ４４（２）： ２３?２７， ４７．ＣＡＩ Ｘ， ＬＩ Ｄ Ｃ， ＷＥＮＧ Ｙ Ｘ， ｅｔ ａｌ． Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄｏｆ ａｃｔｉｖｅ ｂｌａｎｋｅｔ ｊａｍｍｉｎｇ ｂａｓｅｄ ｏｎ ｍｕｌｔｉ?ｄｏｍａｉｎ ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ ａｎｄ ＲＶＭ［Ｊ］． Ｓｈｉｐｂｏａｒｄ Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｕｎｔｅｒ?ｍｅａｓｕｒｅ， ２０２１， ４４（２）： ２３?２７， ４７．

［４］ 蔣瑩， 何明浩， 郁春來， 等． 基于盒維數的間歇采樣轉發(fā)干擾識別方法［Ｊ］． 現代防御技術， ２０１６， ４４（２）：１５７?１６４．ＪＩＡＮＧ Ｙ， ＨＥ Ｍ Ｈ， ＹＵ Ｃ Ｌ， ｅｔ ａｌ． Ｍｅｔｈｏｄ ｏｆｉｎｔｅｒｒｕｐｔｅｄ?ｓａｍｐｌｉｎｇ ｒｅｐｅａｔｅｒ ｊａｍｍｉｎｇ ｒｅｃｏｇｎｉｔｉｏｎ ｂａｓｅｄｏｎ ｂｏｘ ｄｉｍｅｎｓｉｏｎ ［ Ｊ］． Ｍｏｄｅｒｎ Ｄｅｆｅｎｃｅ Ｔｅｃｈｎｏｌｏｇｙ，２０１６， ４４（２）： １５７?１６４．

［５］ 許顥礫， 王大慶， 時玥， 等． 基于卷積神經網絡的東海島嶼地下水分布遙感預測［Ｊ］． 陸軍工程大學學報，２０２２， １（４）： ８２?８６．ＸＵ Ｈ Ｌ， ＷＡＮＧ Ｄ Ｑ， ＳＨＩ Ｙ， ｅｔ ａｌ． Ｐｒｅｄｉｃｔｉｏｎ ｏｆｇｒｏｕｎｄｗａｔｅｒ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｉｓｌａｎｄｓ ｉｎ Ｅａｓｔ Ｃｈｉｎａ Ｓｅａｂａｓｅｄ ｏｎ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｂｙ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ａｒｍｙ Ｅｎｇｉｎｅｅｒｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ ＰＬＡ，２０２２， １（４）： ８２?８６．

［６］ 邵正途， 許登榮， 徐文利， 等． 基于 ＬＳＴＭ 和殘差網絡的雷達有源干擾識別［Ｊ］． 系統(tǒng)工程與電子技術，２０２３， ４５（２）： ４１６?４２３．ＳＨＡＯ Ｚ Ｔ， ＸＵ Ｄ Ｒ， ＸＵ Ｗ Ｌ， ｅｔ ａｌ． Ｒａｄａｒ ａｃｔｉｖｅ ｊａｍ?ｍｉｎｇ ｒｅｃｏｇｎｉｔｉｏｎ ｂａｓｅｄ ｏｎ ＬＳＴＭ ａｎｄ ｒｅｓｉｄｕａｌ ｎｅｔｗｏｒｋ［Ｊ］．Ｓｙｓｔｅｍｓ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ， ２０２３， ４５ （ ２）：４１６?４２３．

［７］ 郭治銳， 魯軍， 劉磊， 等． 基于 ＡｌｅｘＮｅｔ 的雷達干擾識別方法研究［Ｊ］． 電光與控制， ２０２１， ２８（９）： ４９?５３．ＧＵＯ Ｚ Ｒ， ＬＵ Ｊ， ＬＩＵ Ｌ， ｅｔ ａｌ． Ｒｅｓｅａｒｃｈ ｏｎ ｒａｄａｒ ｉｎｔｅｒ?ｆｅｒｅｎｃｅ ｒｅｃｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ＡｌｅｘＮｅｔ［Ｊ］． Ｅｌｅｃ?ｔｒｏｎｉｃｓ Ｏｐｔｉｃｓ ＆ Ｃｏｎｔｒｏｌ， ２０２１， ２８（９）： ４９?５３．

［８］ 董張玉， 許道禮， 張晉， 等． 基于雙分支多尺度殘差融合嵌套的 ＳＡＲ 和多光譜圖像融合架構與實驗［Ｊ］． 地理與地理信息科學， ２０２３， ３９（１）： ２３?３０．ＤＯＮＧ Ｚ Ｙ， ＸＵ Ｄ Ｌ， ＺＨＡＮＧ Ｊ， ｅｔ ａｌ． Ａｒｃｈｉｔｅｃｔｕｒｅ ａｎｄｅｘｐｅｒｉｍｅｎｔｓ ｏｆ ＳＡＲ ａｎｄ ｍｕｌｔｉｓｐｅｃｔｒａｌ ｉｍａｇｅ ｆｕｓｉｏｎ ｂａｓｅｄｏｎ ｄｏｕｂｌｅ?ｂｒａｎｃｈ ｍｕｌｔｉｓｃａｌｅ ｒｅｓｉｄｕａｌ?ｆｕｓｉｏｎ ｎｅｓｔｉｎｇ［Ｊ］．Ｇｅｏｇｒａｐｈｙ ａｎｄ Ｇｅｏ?Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ， ２０２３， ３９（１）：２３?３０．

［９］ ＷＡＮＧ Ｃ， ＷＡＮＧ Ｊ， ＺＨＡＮＧ Ｘ Ｄ． Ａｕｔｏｍａｔｉｃ ｒａｄａｒｗａｖｅｆｏｒｍ ｒｅｃｏｇｎｉｔｉｏｎ ｂａｓｅｄ ｏｎ ｔｉｍｅ?ｆｒｅｑｕｅｎｃｙ ａｎａｌｙｓｉｓ ａｎｄｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ［ Ｃ］． Ｎｅｗ Ｏｒｌｅａｎｓ： ２０１７ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｃｏｕｓｔｉｃｓ， Ｓｐｅｅｃｈ ａｎｄＳｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ （ＩＣＡＳＳＰ）． Ｍａｒｃｈ ５?９，２０１７．

［１０］ 唐陳， 王峰． 基于卷積神經網絡的雷達干擾識別技術研究［Ｊ］． 中國電子科學研究院學報， ２０２２， １７（１）：６３?７０．ＴＡＮＧ Ｃ， ＷＡＮＧ Ｆ． Ｒｅｓｅａｒｃｈ ｏｎ ｒａｄａｒ ｊａｍｍｉｎｇｒｅｃｏｇｎｉｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ｂａｓｅｄ ｏｎ ｃｏｎｖｏｌｕｔｉｏｎ ｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ＣＡＥＩＴ， ２０２２， １７（１）： ６３?７０．

［１１］ 周紅平， 王子偉， 郭忠義． 雷達有源干擾識別算法綜述［Ｊ］． 數據采集與處理， ２０２２， ３７（１）： １?２０．ＺＨＯＵ Ｈ Ｐ， ＷＡＮＧ Ｚ Ｗ， ＧＵＯ Ｚ Ｙ． Ｏｖｅｒｖｉｅｗ ｏｎ ｒｅｃｏｇ?ｎｉｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ ｏｆ ｒａｄａｒ ａｃｔｉｖｅ ｊａｍｍｉｎｇ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆＤａｔａ Ａｃｑｕｉｓｉｔｉｏｎ ａｎｄ Ｐｒｏｃｅｓｓｉｎｇ， ２０２２， ３７（１）： １?２０．

［１２］ 周勝文， 沙明輝， 胡小春． 基于梳狀譜調制和間歇采樣重復轉發(fā)的復合干擾［Ｊ］． 系統(tǒng)工程與電子技術，２０２１， ４３（１２）： ３ ４９５?３ ５０１．ＺＨＯＵ Ｓ Ｗ， ＳＨＡ Ｍ Ｈ， ＨＵ Ｘ Ｃ． Ｃｏｍｐｏｓｉｔｅ ｊａｍｍｉｎｇｂａｓｅｄ ｏｎ ｃｏｍｂ ｓｐｅｃｔｒｕｍ ｍｏｄｕｌａｔｉｏｎ ａｎｄ ｉｎｔｅｒｒｕｐｔｅｄ ｓａｍ?ｐｌｉｎｇ ｒｅｐｅｔｉｔｉｖｅ ｒｅｐｅａｔｅｒ［Ｊ］． Ｓｙｓｔｅｍｓ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｅ?ｌｅｃｔｒｏｎｉｃｓ， ２０２１， ４３（１２）： ３ ４９５?３ ５０１．

［１３］ 劉一兵， 李金梁， 趙洋， 等． 基于小波系數相關性的間歇采樣轉發(fā)干擾識別［Ｊ］． 電子信息對抗技術， ２０２３，３８（１）： １０?１６．ＬＩＵ Ｙ Ｂ， ＬＩ Ｊ Ｌ， ＺＨＡＯ Ｙ， ｅｔ ａｌ． Ｉｎｔｅｒｒｕｐｔｅｄ?ｓａｍｐｌｉｎｇａｎｄ ｒｅｐｅａｔｅｒ ｊａｍｍｉｎｇ ｒｅｃｏｇｎｉｔｉｏｎ ｂａｓｅｄ ｏｎ ｗａｖｅｌｅｔ ｃｏｅｆｆｉ?ｃｉｅｎｔ ｃｏｒｒｅｌａｔｉｏｎ［Ｊ］． Ｅｌｅｃｔｒｏｎｉｃ Ｉｎｆｏｒｍａｔｉｏｎ Ｗａｒｆａｒｅ Ｔｅｃｈ?ｎｏｌｏｇｙ， ２０２３， ３８（１）： １０?１６．

［１４］ 楊少奇， 田波． 頻譜彌散和切片組合欺騙式干擾的識別算法［Ｊ］． 探測與控制學報， ２０１６， ３８（６）： ６２?６７．ＹＡＮＧ Ｓ Ｑ， ＴＩＡＮ Ｂ． Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ ｏｆ ＳＭＳＰａｎｄ Ｃ ＆ Ｉ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｄｅｔｅｃｔｉｏｎ ＆ Ｃｏｎｔｒｏｌ， ２０１６， ３８（６）： ６２?６７．

［１５］ 楊少奇， 田波， 周瑞釗． 應用雙譜分析和分形維數的雷達欺騙干擾識別［Ｊ］． 西安交通大學學報， ２０１６， ５０（１２）： １２８?１３５．ＹＡＮＧ Ｓ Ｑ， ＴＩＡＮ Ｂ， ＺＨＯＵ Ｒ Ｚ． Ａ ｊａｍｍｉｎｇｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄ ａｇａｉｎｓｔ ｒａｄａｒ ｄｅｃｅｐｔｉｏｎ ｂａｓｅｄ ｏｎ ｂｉｓ?ｐｅｃｔｒｕｍ ａｎａｌｙｓｉｓ ａｎｄ ｆｒａｃｔａｌ ｄｉｍｅｎｓｉｏｎ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆＸｉ’ａｎ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ， ２０１６， ５０（１２）： １２８?１３５．

［１６］ 楊興宇， 阮懷林． 基于棧式稀疏自編碼器的新型干擾識別［Ｊ］． 現代雷達， ２０１８， ４０（５）： ２１?２７．ＹＡＮＧ Ｘ Ｙ， ＲＵＡＮ Ｈ Ｌ． Ｊａｍｍｉｎｇ ｉｄｅｎｔｉｆｉｃａｔｉｏｎａｌｇｏｒｉｔｈｍｓ ｏｆ ａｄｖａｎｃｅｄ ｊａｍｍｉｎｇ ｂａｓｅｄ ｏｎ ｓｔａｃｋｅｄ ｓｐａｒｓｅａｕｔｏｅｎｃｏｄｅｒ［Ｊ］． Ｍｏｄｅｒｎ Ｒａｄａｒ， ２０１８， ４０（５）： ２１?２７．

［１７］ 姜正云， 舒汀， 何勁， 等． 基于并聯深度學習網絡的雷達有源干擾智能識別方法［Ｊ］． 現代雷達， ２０２１， ４３（１０）： ９?１４．ＪＩＡＮＧ Ｚ Ｙ， ＳＨＵ Ｔ， ＨＥ Ｊ， ｅｔ ａｌ． Ｉｎｔｅｌｌｉｇｅｎｔ ｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄ ｏｆ ｒａｄａｒ ａｃｔｉｖｅ ｊａｍｍｉｎｇ ｂａｓｅｄ ｏｎ ｐａｒａｌｌｅｌ ｄｅｅｐｌｅａｒｎｉｎｇ ｎｅｔｗｏｒｋ ［Ｊ］． Ｍｏｄｅｒｎ Ｒａｄａｒ， ２０２１， ４３ （１０）：９?１４．

［１８］ 周義建， 張劍云， 賀平． 一種雷達干擾技術———靈巧噪聲干擾［Ｊ］． 雷達與對抗， ２００２， （１）： １２?１６．ＺＨＯＵ Ｙ Ｊ， ＺＨＡＮＧ Ｊ Ｙ， ＨＥ Ｐ． Ａ ｋｉｎｄ ｏｆ ｒａｄａｒｊａｍｍｉｎｇ?ｓｍａｒｔ ｎｏｉｓｅ ｊａｍｍｉｎｇ［Ｊ］． Ｒａｄａｒ ＆ Ｅｃｍ， ２００２，（１）： １２?１６．第 ４ 期 指揮控制與仿真 １３３

［１９］ 劉昊晨， 梁紅． 線性調頻信號參數估計和仿真研究［Ｊ］． 計算機仿真， ２０１１， ２８（２）： １５７?１５９， ２６３．ＬＩＵ Ｈ Ｃ， ＬＩＡＮＧ Ｈ． Ｅｓｔｉｍａｔｉｏｎ ａｎｄ ｓｉｍｕｌａｔｉｏｎ ｓｔｕｄｙ ｏｆＬＦＭ ｓｉｇｎａｌ ｐａｒａｍｅｔｅｒｓ［Ｊ］． Ｃｏｍｐｕｔｅｒ Ｓｉｍｕｌａｔｉｏｎ， ２０１１，２８（２）： １５７?１５９， ２６３．

［２０］ 劉建洋． 基于時頻域分析的電子干擾識別方法研究［Ｄ］． 成都： 電子科技大學， ２０１８．ＬＩＵ Ｊ Ｙ． Ｒｅｓｅａｒｃｈ ｏｎ ｅｌｅｃｔｒｏｎｉｃ ｊａｍｍｉｎｇ ｉｄｅｎｔｉｆｉｃａｔｉｏｎｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｔｉｍｅ ｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎ ａｎａｌｙｓｉｓ ［ Ｄ］．Ｃｈｅｎｇｄｕ： Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙｏｆ Ｃｈｉｎａ， ２０１８．

［２１］ 白倩倩． 雷達幾種新型有源干擾的識別方法研究［Ｄ］．西安： 西安電子科技大學， ２０２１．ＢＡＩ Ｑ Ｑ． Ｒｅｓｅａｒｃｈ ｏｎ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｐｐｒｏａｃｈｅｓ ｏｆ ｎｏｖｅｌａｃｔｉｖｅ ｊａｍｍｉｎｇ ｆｏｒ ｒａｄａｒ ［ Ｄ ］． Ｘｉ’ａｎ： ＸｉｄｉａｎＵｎｉｖｅｒｓｉｔｙ， ２０２１．

［２２］ 邵正途， 張路， 陳鵬， 等． 基于小波包分解和殘差網絡的雷達干擾識別［Ｊ］． 無線電工程， ２０２３，５３ （４）：７６４?７７１．ＳＨＡＯ Ｚ Ｔ， ＺＨＡＮＧ Ｌ， ＣＨＥＮ Ｐ， ｅｔ ａｌ． Ｒａｄａｒ ｊａｍｍｉｎｇｒｅｃｏｇｎｉｔｉｏｎ ｂａｓｅｄ ｏｎ ｗａｖｅｌｅｔ?ｐａｃｋｅｔ ｄｅｃｏｍｐｏｓｉｔｉｏｎ ａｎｄ ｒｅ?ｓｉｄｕａｌ ｎｅｔｗｏｒｋ ［Ｊ］． Ｒａｄｉｏ Ｅｎｇｉｎｅｅｒｉｎｇ， ２０２３，５３ （４）：７６４?７７１．

［２３］ 李思文， 張亮， 張翔宇， 等． 基于脈內特征的靈巧類干擾分組識別［Ｊ］． 艦船電子工程， ２０２１， ４１（５）： ６８?７１， １１８．ＬＩ Ｓ Ｗ， ＺＨＡＮＧ Ｌ， ＺＨＡＮＧ Ｘ Ｙ， ｅｔ ａｌ． Ｇｒｏｕｐｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｓｍａｒｔ ｎｏｉｓｅ ｊａｍｍｉｎｇ ｂａｓｅｄ ｏｎ ｐｕｌｓｅ ｉｎｔｅｒｎａｌｆｅａｔｕｒｅｓ［Ｊ］． Ｓｈｉｐ Ｅｌｅｃｔｒｏｎｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ， ２０２１， ４１（５）：６８?７１， １１８．

［２４］ 王梓楠． 干擾環(huán)境下基于深度學習的調制識別方法研究［Ｄ］． 南京： 東南大學， ２０２０．ＷＡＮＧ Ｚ Ｎ． Ｒｅｓｅａｒｃｈ ｏｎ ｍｏｄｕｌａｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄｂａｓｅｄ ｏｎ ｄｅｅｐ ｌｅａｒｎｉｎｇ ｉｎ ｊａｍｍｉｎｇ ｅｎｖｉｒｏｎｍｅｎｔ［Ｄ］． Ｎａｎ?ｊｉｎｇ： Ｓｏｕｔｈｅａｓｔ Ｕｎｉｖｅｒｓｉｔｙ， ２０２０．

［２５］ 金逸靈， 陳興蜀， 王玉龍． 基于 ＬＳＴＭ?ＣＮＮ 的容器內惡意軟件靜態(tài)檢測［Ｊ］． 計算機應用研究， ２０２０， ３７（１２）： ３ ７０４?３ ７０７， ３ ７１１．ＪＩＮ Ｙ Ｌ， ＣＨＥＮ Ｘ Ｓ， ＷＡＮＧ Ｙ Ｌ． Ｓｔａｔｉｃ ｄｅｔｅｃｔｉｏｎ ｏｆｍａｌｗａｒｅ ｉｎ ｃｏｎｔａｉｎｅｒ ｂａｓｅｄ ｏｎ ＬＳＴＭ?ＣＮＮ ［ Ｊ ］．Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｆ Ｃｏｍｐｕｔｅｒｓ， ２０２０， ３７ （ １２）：３ ７０４?３ ７０７， ３ ７１１．

（責任編輯：張培培）