王亮，肖易寒

哈尔滨工程大学 信息与通信工程学院，黑龙江 哈尔滨 150001

雷达是战争环境下的重要信息来源，可以获得千里之外的战争情报，因此如何获得敌方雷达信息，并且针对敌方雷达进行有效地识别与干扰则显得尤为重要。雷达辐射源识别工作实际上是对不同的雷达辐射源产生的信号进行特征提取，然后进行识别，由于信号特征来自辐射源个体的硬件部分，因此又称辐射源识别。目前对于雷达辐射源个体的识别工作主要可以分为2 个过程，先进行特征提取，再进行分类，从而完成辐射源的识别[1]。目前，将深度学习应用到雷达辐射源个体识别工作的研究越来越多，但是本质上仍然是从信号的脉内特征或个体特征等方面进行识别[2]。卷积神经网络是应用最为广泛的一类深度学习方法，但是在将数据送入网络之前一般会对原始数据提取初步特征，如双谱特征[3]。但是卷积神经网络容易产生梯度问题，因此可以引入残差网络进行优化[4]。除此之外，其他深度学习方法如强化学习[5]、InfoGAN 网络[6]等也可以用于特定辐射源信号特征提取与识别。

然而上述深度学习方法在进行辐射源识别时存在一些问题：一方面雷达辐射源信号的单脉冲时域信号前后具有强相关性，上述方法对于这种特性的关注度不够；另一方面单脉冲信号的数据量较大，采用不同数据量的识别效果不同。为了解决上述问题，本文采用将Transformer 网络应用于雷达辐射源识别工作，并探究不同因素对于识别效果的影响。……