普运伟， 刘涛涛， 郭江， 吴海潇

(1.昆明理工大学 信息工程与自动化学院， 云南 昆明 650500；2.昆明理工大学 计算中心， 云南 昆明 650500)

0 引言

雷达辐射源信号(RES)识别是电子侦察的重要组成部分，其技术水平和雷达对抗系统水平紧密相关。随着电子对抗中电磁环境愈加复杂以及复杂体制雷达的迅速发展，传统仅依靠常规脉冲描述字的5个特征，即到达时间(TOA)、载波频率(RF)、到达方向(DOA)、脉冲幅度(PA)和脉冲宽度(PW)的分选方法已经无法满足实际战场的需要，寻找新的分选识别特征参数已成为解决该问题的重要研究方向。另一方面，随着对辐射源信号先验信息认知的增强，利用新型学习算法对RES进行分选识别成为了一种可行的研究方案。

近年来，国内外专家学者对提取雷达信号的脉内特征进行了重点研究，如时频特征[1]、小波特征[2]等并获得了一定的分选效果。但人工提取特征存在耗时长且需要研究者具有较高的知识储备等问题，因此，基于深度学习(DL)的RES识别不失为一种可行的方案。DL广泛运用于模式识别[3]、图像处理[4]等领域，DL通过多层神经网络非线性映射的堆叠来提取数据更抽象、更深层次的特征[5]。其中，卷积神经网络(CNN)因其强大的学习能力在信号处理领域已得到成熟应用。文献[6]通过Choi-William分布(CWD)得到信号的时频特征图，将其输入到调试好的CNN模型并构造Softmax分类器[5]对其多类信号进行分类，取得了较好效果。文献[7]根据信号能量在不同分数阶傅里叶变换域角度上的明显变化对信号进行分离，并通过CNN提取第一分量的平滑伪仿射维格纳变换(SPWVD)图的深层特征，准确率得到了较大提高。……