基于机器学习的雷达辐射源识别研究综述

针对目前雷达辐射源识别技术难以对新出现的雷达信号进行有效识别的问题，将迁移学习理论引入识别系统，提出一种基于迁移成分分析的雷达辐射源识别方法。通过设置统一的核函数将不同样本集映射到同一隐藏空间，在隐藏空间对支持向量机进行训练并对测试样本进行识别。仿真实验表明，该方法能够对新的雷达辐射源信号的工作模式进行有效识别，并且在一定测量误差下保持较高识别率。

针对传统使用脉间参数难以识别低信噪比条件下的复杂体制雷达信号问题，提出了一种利用深度学习模型辅助训练并对雷达辐射源进行识别的方法。首先利用时频分析的方法产生雷达信号的时频图像作为训练集1。接着利用深度卷积生成对抗网络的样本学习能力在训练集1的基础上二次生成时频图像作为训练集2，训练集2相对于1拥有着去噪和数据增强的效果。最后利用训练集2辅助视觉几何组在训练集1上的训练进行雷达辐射源识别。对5种常见的雷达信号进行了仿真实验，实验结果验证了该方法的有效性。

针对雷达辐射源个体识别中特征提取困难和低信噪比下识别率低的问题，从图像角度出发提出了一种基于变分自编码器的雷达辐射源个体识别算法。基于信号时频分析，利用变分自编码器(variational auto-encoder, VAE )提取时频图像的深层特征，并采用核主成分分析(kernel principal component analysis,KPCA)获取特征中的主成分，最后将特征送入支持向量机进行分类识别。仿真结果表明：文中所提算法在识别效率和抗噪声性能等方面均优于其他传统算法。当信噪比(signal-to-noise ratio,SNR)为0 dB时针对6个辐射源进行识别，可获得93%以上的识别率。该算法特征提取简单、系统实时性高，具有较高的工程应用价值。