李 蒙，朱卫纲

(装备学院 a.研究生管理大队;b光电装备系，北京 101416)



数据库样本缺失下的雷达辐射源识别*

李 蒙**a，朱卫纲b

(装备学院 a.研究生管理大队;b光电装备系，北京 101416)

目前，基于机器学习的雷达辐射源识别技术大多以训练集和测试集同分布为假设，当雷达数据库样本不足导致与信号真实分布存在偏差时，传统的分类方法效果不佳。为此，将迁移学习理论引入识别系统，设计了一种基于结构发现与再平衡的雷达辐射源信号识别方法。通过对数据库和待识别辐射源信号样本进行聚类分析发现数据结构信息，通过重采样处理修正其分布差异。将新采样数据输入支持向量机进行训练并对侦收样本进行识别。仿真实验表明，在新训练样本集上学习的模型对测试集的分类性能有了很大的提升。

雷达辐射源识别；迁移学习；结构发现；再平衡；支持向量机

1 引 言

雷达辐射源识别作为雷达侦察中的关键环节，在雷达对抗中具有十分重要的作用。其任务是基于雷达数据库中样本对侦察得到的雷达信号进行分析，从而确定该辐射源的体制、状态、用途、型号、威胁等级等信息[1]。

雷达辐射源识别问题可以归结为模式分类问题，即根据提取的特征参数结合雷达数据库信息的一个分类过程。机器学习(Machine Learning)作为一种智能的数据分析工具，可以模拟人类学习行为，使计算机程序随着经验的积累不断提高自身性能，受到了辐射源识别领域学者的广泛关注。……