徐 晶 张译方 邱光辉 张生杰 徐才进

(西南电子设备研究所 成都 610036)

0 引言

雷达辐射源识别是电子侦察的重要环节，在信号分选基础上，对侦收的雷达参数进行分析，完成对雷达型号甚至个体的准确判识，为作战筹划、战术决策等提供重要的情报支撑[1]。

近年来，随着雷达技术体制不断升级更新，现代作战空间呈现电磁信号数量繁多、密级重叠、动态交叠、样式变化快的特点。大数据人工智能技术的发展，为雷达辐射源识别带来了新的思路：基于大量侦收数据，通过机器学习训练方法，自动完成对雷达特征的提取及识别空间的构建，以此解决对新体制、多功能雷达的准确判识。常见的智能化雷达辐射源识别有基于机器学习的识别方法[1]及基于神经网络的识别方法[3-4]。另一方面，受实战环境、战术使用及技术条件的限制，雷达辐射源识别所面临的信号是一种“小样本空间”[5]，对应的数据存在完备性不足、连续性差、类别不均衡的缺点，基于数据驱动的人工智能识别方法存在对训练数据过拟合、泛化能力差、鲁棒性不足的问题，造成人工智能技术无法良好适应于电子战系统和装备的应用。

为解决上述问题，本文提出针对侦察低截获雷达的型号识别技术，具体地，提出基于K-means和组合采样的样本扩展技术，实现对小样本类别数据的扩展，达到不同类别数据的样本均衡，以此解决基于机器学习的雷达型号识别技术对大样本数据过拟合的问题，提高模型的泛化能力，提升对侦察低截获雷达的型号识别准确度。……