雷达辐射源信号的分类识别是电子对抗中的重要部分,随着科学技术的发展和进步,新型复杂体制雷达逐渐加入战场,电磁环境也变得更加复杂,这为电子对抗带来了前所未有的挑战,传统的雷达辐射源信号识别技术已经不能满足现代战场的需求。因此,必须寻求更先进的分类算法去解决雷达辐射源信号识别问题。近年来,深度学习已经广泛应用于各行各业,人工智能逐渐在人类社会里担任重要的角色,因此将深度学习引入雷达辐射源信号识别中,顺应了时代发展的要求,同时也使得这一问题得到有效解决。本文研究了一种基于循环神经网络的雷达辐射源分类识别算法。该算法不需要对信号进行时频变换,而是直接应用原始雷达辐射源信号,简化了信号识别流程,大大提高了信号识别效率,有广泛的应用前景。本文主要工作如下:1.通过研究循环神经网络的建模方法和常用的衍生网络,找到一种将序列模型应用到雷达信号识别任务中的方法,提出了一种基于双向长短时记忆网络的雷达辐射源分类识别算法。该方法有效解决了传统循环神经网络不能记忆长时信息的缺点,而且通过采用双向结构,充分提取输入序列的全部信息,得到了良好的分类识别效果。文中对雷达辐射源信号的不同调制方式和相同调制方式都进行了仿真实验,并且将本文提出的算法与其他深度学习算法以及传统的信号分类方法都进行了实验对比分析。结果表明,该方法能够在信噪比较低的情况下获得良好的识别效果,并且显著地提高了雷达信号分类的鲁棒性。2.针对长短时记忆网络的复杂度的问题,提出了一种基于双向门控循环单元的雷达辐射源分类识别算法模型。其构建采用双向门控循环单元搭建的层次结构提取特征,最后获得分类结果。该模型将长短时记忆网络中的遗忘门和输入门用一种更新门来替代,并且合并了隐藏状态和存储器单元状态值,使网络结构得以简化,减少了模型参数,降低模型的内存占用和过拟合风险。文中对同一雷达辐射源信号数据集进行了仿真实验,并且将本文提出的算法与其他深度学习算法以及传统的信号分类方法进行了实验对比分析。结果表明,该方法能在相同条件下获得与双向长短时记忆网络几乎相同的分类效果。该方法在继承双向长短时记忆网络的优点的同时,有效降低了模型复杂度,加快了收敛速度。