论文部分内容阅读
雷达辐射源识别是电子对抗中关键的一环,随着雷达技术与电子战技术的不断发展,电磁环境愈趋复杂,现有的基于常规特征的辐射源识别方法已经不能适应当前复杂的电磁环境。针对这一问题,本文通过对比生物基因,引入了信号基因特征,探索性的研究了信号基因特征的提取方法,结合VGG的堆叠和ResNet的残差特性,提出了利用VGG-ResNet网络结合基因特征增强对雷达辐射源进行识别的方法。本文研究内容可以分为三个部分:雷达信号外在差异成因分析、雷达信号基因特征提取和雷达辐射源识别。具体工作如下:1.对雷达辐射源信号生成机理进行了分析,以主振放大式雷达发射机为研究对象,研究发射机内部模块参数对信号的影响。以经过不同模块的信号会发生何种变化为研究对象进行理论分析,结合亚德诺半导体公司提供的实际芯片参数,对信号经过实际芯片时发生的变化进行分析,利用S参数模型构建出一个完整的主振式雷达发射机,并对各模块参数变化对信号产生的影响进行分析。2.研究了雷达信号基因特征提取模型。研究了生物基因的表征模型,结合生物基因表征的确定性模型,对雷达发射机中主要模块的20个元器件参数进行分析,选取其中5个对信号波形影响最明显的参数作为基因特征。以5个基因特征推导出雷达信号的基因特征表征模型,通过Weierstrass逼近定理求解表征模型的传输系数矩阵和系数矩阵,得到雷达信号基因特征的模型。实验结果表明:5个基因特征能够对信号波形差异产生较大影响。3.基于提取的基因特征,提出了基于VGG-ResNet的辐射源个体识别方法。利用前述雷达信号基因特征模型,对不同雷达辐射源分别产生4种不同信号进行基因特征提取。利用VGG-ResNet深度学习网络对辐射源进行个体识别。该方法可以在不增加参数复杂度的前提下提高深度学习网络的准确率。实验结果表明:三种深度学习网络均能够对辐射源进行正确识别,且VGG-ResNet的性能优于VGG和ResNet。此外,利用VGG-ResNet网络对雷达辐射识别,采用特征增强比未采用特征增强识别性能平均提升近2d B。