徐帅， 刘鲁涛

(哈尔滨工程大学 信息与通信工程学院，黑龙江 哈尔滨 150001)

当代雷达技术发展鼎力突进，新的雷达信号调制技术不断涌现，更多的信号类别进入信息化战场。这使得信息样本不充分的未知LPI雷达信号识别难问题日益突出。目前雷达信号识别的方法主要有2类：匹配模板方法、特征提取组合机器学习的方法[1]。此2类方法总体上实现了对全部雷达信号的有效识别，但是作为特征分析的主要手段，无论是人工分析还是机器学习，均需要建立在较大数量的标签信号样本的数据基础之上。

譬如传统方法以人工提取的信号特征参数为依据，早期文献[2]中LPI雷达信号的识别借助最大似然估计，对时域瞬时变化的某些统计特征进行分析和建模。对于PSK、FSK等经典调制方式具有可观的识别效果，但这种识别方法依赖一定数据量下的标签信号的人工分析，方才能建立出该类型信号适用的多维特征匹配模板。

文献[3]尝试将神经网络搭建引入信号调制方式识别的领域中，实现信号的自动分类识别，为往后LPI雷达信号识别开启了新思路。进入深度学习的框架领域后，国内外学者在该方向做了诸多探索。Kong等[4]通过时频分析建立LFM、Costas、BPSK等12种LPI雷达信号时频数据集，并使用CNN对该12种信号进行分类识别，低信噪比下识别率达90%。纵观近年来这一领域方法的研究，思路是将LPI雷达信号的时频域信息通过各种卷积神经网络，去自动拟合出一个高维的分类函数。……