刘国满，聂旭娜 (北京理工大学 信息与电子学院，北京 100081)

随着现代战争的信息化发展，雷达的地位变得更加不可替代，而基于数字射频存储器 (DRFM) 的欺骗干扰技术的出现，使得雷达的正常工作遭到了前所未有的威胁[1].作为现代战争之眼，如何在复杂的电磁环境下采取恰当的抗干扰措施是至关重要的，而抗干扰的前提是能够正确识别这些干扰.

目前，基于机器学习的干扰识别方法主要关注点在于信号的特征参数提取[2-4]，它着重分析不同干扰信号在各个变换域特点，从中提取不同的特征参数，设计不同的分类器对有源干扰类型进行识别.如梁金弟等[3]、李娜[4]在提取了干扰信号时域、频域、时频域等多维特征后，分别选择支持向量机和BP神经网络实现雷达干扰信号识别；郝万兵等[5]提取了干扰信号时频图像矩阵的奇异值，采用支持向量机进行识别；魏煜宁等[6]则将模糊C均值聚类融入到决策树中，设计出一种自动的决策树识别方法.这些方法都基于干扰的特征参数，只是用到的分类器有所区别，但是由于特征参数只是在小样本情况下信号分布规律的总结，人工特征选择又有可能引入实验者主观因素，得到的结果不一定符合整体规律，导致模型泛化能力较差.但利用特征训练分类器是值得肯定的，理论上，只要提取的特征足够强，识别效果就会相对较好，因此，目前最大的困难是解决特征问题.

当然，也有一些学者选择了卷积神……