陈 琳， 唐 骏， 余 跃， 张旭洋

(厦门理工学院，福建 厦门 361000)

0 引言

随着雷达技术的发展，新体制雷达开始取代传统的常规脉冲雷达，使雷达所处电磁环境愈加复杂，同时也提高了雷达信号识别难度[1]。基于传统五参数脉冲描述字的雷达信号识别方法无法满足新的军事可靠性要求。脉内分析方法可以获取图像脉内特征信息[2]。文献[3]提出了基于脉内瞬时频率特征的雷达信号调制识别方法，在信噪比为-5～5 dB的条件下，实现对4种不同调制类型信号的识别；文献[4]采用Choi-Williams时频分布，提出了改进的半监督朴素贝叶斯学习算法。

然而，在实际环境中，雷达信号容易受到噪声干扰，从而导致脉内特征丢失，以致识别准确率下降[5]。

近年来，深度学习技术在信号、图像识别等领域取得了优异成果。因此，国内外众多学者将深度学习运用于雷达信号识别领域。文献[6]提出了一种基于集成深度学习模型的信号分选方法，通过堆叠不同类型深度信念网络，进一步提高信号识别率，但此类方法网络结构复杂，导致训练耗时长；文献[7]提出了基于雷达信号脉内特征和卷积神经网络的识别方法，引入新的Cohen类时频分析核函数，可以提高低信噪比条件下雷达信号的识别率；文献[8]利用卷积核与匹配滤波器具有相似性的特性，提出了一种基于卷积神经网络的雷达信号检测方法，但此方法只对4种信号进行了识别。

本文提出一种基于扩张残差网络的识别方法，对扩张残差网络……