全文总字数：5193字

1. 研究目的与意义（文献综述）

1.1目的及意义

随着我国信息技术的发展、经济实力的提高，现代雷达技术逐渐渗透于人们的日常生活中。面对复杂多变的战场电磁环境与日益革新的雷达技术，传统雷达信号识别技术由于灵活性差、对先验知识依赖严重等问题受到严峻挑战，主要原因是雷达以及各种电子装备的大规模使用，造成了战场上各种信号在时域和频域上的分布变得愈发拥挤、密集，增加了雷达信号识别难度；另外信号调制类型的改变，给雷达信号识别带来了更多的困难以及信号的畸变、噪声的污染以及干扰源的混叠等都增加了信号的不确定性。脉冲描述字的雷达辐射源识别技术的精度已经无法满足要求，因此，提取有效、明显的脉内调制特性来进行雷达信号识别成为了一个重要的发展方向。随着人工智能技术的进步，人工智能逐渐具备了强大的自主学习能力和模式识别能力，并且在图片分类、语音识别等诸多领域取得了良好的成果。因此将人工智能的方法应用到雷达信号识别技术中,对于提高在复杂的电磁环境下新体制雷达识别的准确率是一种新发展趋势。为了在复杂多变的战场电磁环境中，准确快速地对雷达信号进行感知，除了提高接收机的灵敏度和截获概率外，可大力加强接收机侦察模块的自主接收能力，比对电磁环境态势感知与应对能力和信号特征的自适应处理能力。为了提高特征提取效率，减少信号处理复杂度，提高低信噪比下雷达信号识别的准确率，现有的雷达信号识别方法都是先通过有导师训练，将训练规则应用于雷达信号识别，这对于已知类型和用途的雷达信号识别是有效的，如何用无导师训练的方法进行识别成为新的研究方向，将深度学习方法与时频分析方法相结合应用于雷达信号识别技术研究成为新的发展方向。

1.2国内外发展状况

传统的雷达辐射源信号识别技术，主要是依靠提取雷达辐射源信号中的一些常规参数、脉内调制特征，与已有的雷达辐射源信号参数进行比较，从而完成对于信号的分类识别。上世纪七、八十年代，研究人员主要采用参数匹配法利用脉冲描述字对于雷达辐射源信号进行识别；上世纪八十年代末，对信号脉内特征进行研究分析，成为了雷达辐射源识别技术发展的主流方向。Ray P S对于雷达辐射源信号进行自相关变换，用自相关函数的实部和虚部构成特征向量进行雷达辐射源识别，对线性调频信号具有良好的识别效果。梁百川将小波变换引入脉内特征分析，对四种常见的信号(LFM、BPSK、 QPSK、 2FSK)进行了定性的分析。而T.O.Gulum等人利用Wigner- Ville分析方法分析了信号的时频特征。二十世纪八十年代，研究人员开始将人工智能应用于雷达辐射源识别技术中，将人工智能算法与提取到的信号特征参数相结合对雷达辐射源信号进行识别，英国的研究人员开始将人工神经网络应用于雷达辐射源识别中，将从雷达辐射源信号中提取到的脉冲描述字、脉冲重复周期等常规参数，作为人工神经网络(ANN)的输入参数，结合通过已积累的雷达辐射源信号建立的识别数据库，建立了一种雷达辐射源识别系统，其识别效果远远超出了传统的雷达辐射源识别方法中。随着人工智能技术的发展,研究人员逐步将K最近邻算法(KNN)、神经网络(NN),支持向量机(SVM)、自编码器(AE)、深度置信网络(DBN)、卷积神经网络(CNN)等在机器学习中取得良好效果的算法应用于雷达辐射源识别技术的研究当中。现阶段雷达辐射源识别技术一般需要将得到的雷达辐射源信号经过预处理后提取明显的、类间分离度高的信号特征，输入由人工智能算法搭建的分类器对信号进行分类识别，从而完成对于雷达辐射源信号的识别。陈昌孝等人从辐射源信号中提取双谱进行Walsh变换作为特征向量，输入基于K最近邻算法的分类器，完成识别功能。Yun Lin等人，通过小波变换提取小波功率谱，定义小波功率谱作为信号特征向量，通过支持向量机完成对雷达辐射源信号的识别。张国柱等人选择载频、脉宽、重频三种参数构造雷达辐射源信号的特征向量，结合RBF神经网络完成了对信号的识别任务。赵敏以Margenau-Hill时频分布(MH)和平滑伪Wigner- Ville分布(SPWVD)作为信号特征，使用AE、DBN、CNN三种深度学习模型构造分类器对雷达辐射源识别技术进行了研究。九十年代开始，国内学者也将神经网络技术应用到辐射源识别研究中。随着深度学习理论的发展，国内外学者对识别算法进行了不同程度的改进，神经网络的应用更加灵活、广泛。深度学习的引入使雷达辐射源识别在时间复杂度和识别准确度上有了大幅提高，以支持向量机为代表的分类识别算法得到了广泛的应用。传统的特征提取需要有专业背景的人员进行操作，而且耗时耗力。采用近年来在图像识别、语音识别和自然语言识别等领域广泛应用的深度学习模型对雷达辐射源信号进行自动特征提取可以省去人工提取的时间。综合这些优点，基于深度学习的雷达信号智能感知的研究具有很高的价值和潜力。

2. 研究的基本内容与方案

2.1研究设计的基本内容及目标：

（1）了解雷达信号，对雷达辐射源调制方式进行介绍，并且对几种常见的信号模型在时域和频域进行简单的仿真和分析。

（2）对深度学习的背景、思想和常见的几种深度学习模型进行简单介绍。详细描述了卷积神经网络的主要特点、训练方法以及一些优化技术。

（3）基于时频分析和卷积神经网络对雷达辐射源信号进行分类识别。

3. 研究计划与安排

3.进度安排

第1-2周	参考文献查阅，包括著作、期刊、会议论文、网络资源等；
第3周	完成外文参考文献翻译；
第4周	完成论文开题报告，论文提纲；完成总体架构设计和元器件选型;
第5周	完成雷达信号的仿真；
第6-7周	完成深度学习相关内容的代码实现，以及阶段性报告的撰写；
第8-10周	使用神经网络对时频图像进行训练，完成分类识别任务；
第11-14周	完成论文初稿的写作以及答辩材料的准备；
第15周	完成论文定稿以及论文答辩；

4. 参考文献（12篇以上）

[1]孙德海.国外电子战发展综述及对我国电子战研究的思考[j].舰船电子对抗, 2003, 26(1):1-6.

[2]金秋,王宏艳,延淼.基于深度卷积网络的雷达辐射源信号识别[j].现代防御技术.2019, 47(2):155-160.

[3] 李昆,朱卫纲. 基于机器学习的雷达辐射源识别综述.电子测量技术,2019,42(18):69-75.