呙鹏程， 吴礼洋

(1.95183部队， 湖南 邵东 422000；2.空军通信士官学校 地空导航系， 辽宁 大连 116600)

0 引言

随着雷达技术的发展，信号调制样式也逐渐变得复杂，尤其是具有大时宽带宽积、强抗干扰性能、高分辨率和低截获性特点[1-2]的低截获概率(LPI)雷达信号出现，给我方非合作截获接收机的检测制造带来巨大困难。因此，在我方电子情报分析中，如何利用截获到的少量敌方雷达信号数据进行有效处理，是LPI雷达信号识别研究的关键之一。

在利用雷达信号脉间参数识别方法逐渐失效的现实情况下，国内外学者转而对信号脉内细微特征进行研究，并提出了许多识别方法，取得了较好的效果。文献[1-2]将双谱对角切片与广义维数结合，提取到信号的脉内特征，在信噪比大于0 dB情况下，平均识别率为97.5%；文献[3]利用崔- 威廉斯分布(CWD)时频图像，从图像中提取相关特征，在信噪比为-2 dB情况下识别率能达到94.7%；文献[4]通过Gabor时频变换将时频图像进行剪裁并向量化，利用字典学习稀疏表示分类的方法，在信噪比大于1 dB情况下实现了90%以上的识别率。然而以上方法都是利用人工设计的特征进行分类，属于浅层特征，在更低的信噪比情况下识别率大大降低。

自从2006年Hinton等[5]提出深度学习方法以来，利用深度网络进行特征提取越来越普遍。而在图像识别中，卷积神经网络(CNN)对图像深层特征提取具有较强的优势，能够将原始图像通过多层抽象机制提取到丰富的高层抽象特征，因此也有学者将CNN用于雷达信号识别中。……