赵 帅，刘松涛，汪慧阳

(海军大连舰艇学院信息系统系，辽宁 大连 116018)

0 引言

雷达辐射源识别(emitter identification，EID)是认知电子战系统的重要功能模块之一[1]，其在提取分选信号核心特征的基础上识别信号类型，为判断威胁等级、构建战场态势、推理战术意图提供重要参考。在现代战场电磁环境的复杂度及交战双方电子攻防激烈程度不断提高的背景下，低截获概率(low probability of intercept，LPI)雷达得到广泛应用，其通过脉冲压缩技术实现强抗干扰能力及低截获特性,大大提高了雷达对抗一方的信号捕获及识别难度。因此，自动有效识别LPI雷达信号对提高电子对抗能力具有重要的研究意义。

当前，已有学者对LPI雷达辐射源识别问题进行了初步研究。文献[2—3]分别使用多层感知机(multi-layer perceptron，MLP)和Elman 神经网络(elman neural network，ENN)学习大量人工设计选择的信号特征，实现了较好的LPI雷达信号识别效果，但算法受载频估计准确性的影响很大且依赖人工设计提取特征。文献[4]直接使用多种(wigner-ville distribution，WVD)图像分别作为多CNN分支网络输入，避免了人工提取特征的过程，并通过特征融合强化识别效果，但网络结构较为复杂。文献[5]则在LPI雷达信号(choi-william distribution，CWD)的基础上，进行了单CNN网络识别信号类型的研究。近年来，基于目标检测的LPI雷达信号分类算法被提出并展现出独特的优势，其不仅可以确定信号类型，还可以定位图像中的目标信号区域，很好地解决了非目标脉冲信号的干扰问题。文献[6]使用原始SSD模型[7]进行了相关方面的初步研究，但并未考虑模型实时性这一关键属性。……