摘 要：針對(duì)具有時(shí)頻特性的雷達(dá)信號(hào)，傳統(tǒng)的雷達(dá)信號(hào)識(shí)別方法已經(jīng)無法滿足對(duì)信號(hào)類型精準(zhǔn)識(shí)別的需求，因此需要通過采集并分析雷達(dá)信號(hào)脈內(nèi)的時(shí)頻特征實(shí)現(xiàn)對(duì)目標(biāo)雷達(dá)的具體信息進(jìn)行有效評(píng)估。設(shè)計(jì)了一種卷積－雙向長短時(shí)記憶（Ｃｏｎｖｏｌｕｔｉｏｎ-Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｌｏｎｇ Ｓｈｏｒｔ-Ｔｅｒｍ Ｍｅｍｏｒｙ，ＣＮＮ-ＢｉＬＳＴＭ） 混合神經(jīng)網(wǎng)絡(luò)模型，主要通過ＢｉＬＳＴＭ 的時(shí)序記憶特性深度挖掘雷達(dá)信號(hào)的時(shí)域特征，結(jié)合權(quán)值共享特性和ＣＮＮ 層捕獲雷達(dá)信號(hào)的時(shí)頻特征，再利用二者信號(hào)特征聯(lián)合完成對(duì)雷達(dá)信號(hào)調(diào)制方式的識(shí)別。通過對(duì)比實(shí)驗(yàn)驗(yàn)證，所提方法對(duì)若干種雷達(dá)信號(hào)的識(shí)別具有較高的準(zhǔn)確度，平均值達(dá)到９５． ３４９％ ；優(yōu)于只使用單一特征的網(wǎng)絡(luò)和傳統(tǒng)算法，具有良好的抗噪聲能力。

關(guān)鍵詞：深度學(xué)習(xí)；卷積－雙向長短時(shí)記憶混合神經(jīng)網(wǎng)絡(luò)；雷達(dá)信號(hào)調(diào)制識(shí)別

中圖分類號(hào)：ＴＮ９７１． １ 文獻(xiàn)標(biāo)志碼：Ａ 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（ＯＳＩＤ）：

文章編號(hào)：１００３－３１０６（２０２４）０６－１４４０－０６

０ 引言

雷達(dá)信號(hào)調(diào)制方式識(shí)別技術(shù)作為情報(bào)偵察系統(tǒng)［１－２］和現(xiàn)代電子對(duì)抗［３－４］的關(guān)鍵部分，其功能是對(duì)觀測截獲的雷達(dá)信號(hào)進(jìn)行定位、分析和識(shí)別處理［５］，以獲取對(duì)方的戰(zhàn)術(shù)電子情報(bào)和雷偵手段，從而為作戰(zhàn)指揮員提供戰(zhàn)場態(tài)勢(shì)信息和戰(zhàn)術(shù)決策行動(dòng)［６－７］。因此，研究一種能適應(yīng)復(fù)雜電磁環(huán)境并識(shí)別多種雷達(dá)信號(hào)調(diào)制方式的方法，對(duì)于提升國防電子偵察能力具有十分重要的意義。

由于雷達(dá)信號(hào)調(diào)制方式與雷達(dá)的用途和功能息息相關(guān)，但隨著戰(zhàn)場電磁環(huán)境日益多元化，新型復(fù)雜體制雷達(dá)地不斷涌現(xiàn)，傳統(tǒng)的基于脈間五大參數(shù)［８］的雷達(dá)信號(hào)識(shí)別方法已經(jīng)無法滿足對(duì)信號(hào)類型精準(zhǔn)識(shí)別的需求，因此需要通過采集并分析雷達(dá)信號(hào)脈內(nèi)的時(shí)頻特征實(shí)現(xiàn)對(duì)目標(biāo)雷達(dá)的具體信息進(jìn)行有效評(píng)估［９］。在此情形下，亟需一種能夠在雷達(dá)信號(hào)中提取出更為精細(xì)和穩(wěn)定的時(shí)頻特征的措施，從而達(dá)到對(duì)雷達(dá)信號(hào)調(diào)制方式高準(zhǔn)確度識(shí)別的要求。近年來，依靠著電子信息技術(shù)和深度學(xué)習(xí)技術(shù)的快速發(fā)展與結(jié)合，神經(jīng)網(wǎng)絡(luò)憑借著良好的特征學(xué)習(xí)能力被廣泛地應(yīng)用于雷達(dá)信號(hào)調(diào)制方式識(shí)別領(lǐng)域［１０］，主要通過對(duì)雷達(dá)信號(hào)脈內(nèi)信息進(jìn)行時(shí)頻分析［１１］，從而深度挖掘提取信號(hào)頻率隨時(shí)間變化的規(guī)律。本文設(shè)計(jì)了一種基于卷積－雙向長短時(shí)記憶（Ｃｏｎｖｏｌｕｔｉｏｎ-Ｂｉｄｉ-ｒｅｃｔｉｏｎａｌ Ｌｏｎｇ Ｓｈｏｒｔ-Ｔｅｒｍ Ｍｅｍｏｒｙ，ＣＮＮ-ＢｉＬＳＴＭ）混合神經(jīng)網(wǎng)絡(luò)的雷達(dá)信號(hào)聯(lián)合特征提取方法，實(shí)現(xiàn)了對(duì)雷達(dá)信號(hào)調(diào)制方式較為準(zhǔn)確的識(shí)別。首先通過ＢｉＬ-ＳＴＭ 網(wǎng)絡(luò)［１２］提取雷達(dá)信號(hào)的時(shí)域特征，再對(duì)信號(hào)進(jìn)行時(shí)頻變換［１３］，得到信號(hào)的時(shí)頻特征，利用ＣＮＮ 層網(wǎng)絡(luò)［１４］對(duì)信號(hào)的時(shí)頻特征進(jìn)行分析，最終將二者組合成信號(hào)的聯(lián)合特征［１５－１６］進(jìn)行識(shí)別。通過對(duì)比實(shí)驗(yàn)證明：相較于單一特征的傳統(tǒng)識(shí)別方法，本方法提升了雷達(dá)信號(hào)調(diào)制方式識(shí)別的準(zhǔn)確率，并具有較強(qiáng)的魯棒性。

１ 模型框架

ＣＮＮ-ＢｉＬＳＴＭ 混合神經(jīng)網(wǎng)絡(luò)模型如圖１ 所示，其中包含了輸入層、ＢｉＬＳＴＭ 層、全連接層、ＣＮＮ 層、Ｄｒｏｐｏｕｔ 層和輸出層。該網(wǎng)絡(luò)模型進(jìn)行雷達(dá)信號(hào)的特征提取和聯(lián)合識(shí)別的過程如下：首先輸入雷達(dá)信號(hào)數(shù)據(jù)集，通過ＢｉＬＳＴＭ 神經(jīng)網(wǎng)絡(luò)進(jìn)行雙向傳播對(duì)雷達(dá)信號(hào)的時(shí)序特征進(jìn)行選擇性篩選；然后傳入全連接層后利用時(shí)頻變換獲得一個(gè)新的雷達(dá)信號(hào)時(shí)頻矩陣，當(dāng)時(shí)頻矩陣經(jīng)過由多個(gè)卷積層與最大池化層交替堆疊組成的ＣＮＮ 層后，對(duì)雷達(dá)信號(hào)進(jìn)行深層特征提取，得到多組時(shí)頻特征向量后經(jīng)Ｄｒｏｐｏｕｔ 層進(jìn)行隨機(jī)丟棄，繼而提高模型識(shí)別效果的穩(wěn)定性；最后完成雷達(dá)信號(hào)特征的聯(lián)合并識(shí)別。

２ ＣＮＮ-ＢｉＬＳＴＭ 混合神經(jīng)網(wǎng)絡(luò)

２． １ 時(shí)域特征處理模塊（ＢｉＬＳＴＭ 層）

ＣＮＮ-ＢｉＬＳＴＭ 混合神經(jīng)網(wǎng)絡(luò)中的時(shí)域特征處理模塊主要提取的是雷達(dá)信號(hào)中的時(shí)域相關(guān)性，其核心是利用記憶塊對(duì)輸入的雷達(dá)信號(hào)脈沖進(jìn)行長期或短期的記憶，通過門機(jī)制進(jìn)行管理行成一種多層次的特征選擇方法［１７］。時(shí)域特征處理模塊由ＢｉＬＳＴＭ層完成，ＢｉＬＳＴＭ 層以Ｃ（ｔ）為長記憶時(shí)間軸，ｈ（ｔ）為短記憶時(shí)間軸，通過長短時(shí)記憶功能將時(shí)序雷達(dá)信號(hào)脈沖信息進(jìn)行選擇性的遺忘，從而保留有效特征，剔除無效或重復(fù)信息。相較于ＬＳＴＭ，ＢｉＬＳＴＭ 網(wǎng)絡(luò)具有前向傳播和后向傳播的結(jié)構(gòu)特性，在雙向結(jié)構(gòu)處理時(shí)序雷達(dá)信號(hào)的基礎(chǔ)上提高了網(wǎng)絡(luò)的穩(wěn)定性［１８］，ＢｉＬＳＴＭ 層的模型如圖２ 所示。

如果在ｔ 時(shí)刻ＢｉＬＳＴＭ 前向傳播輸出的隱藏狀態(tài)為ａ，而反向的輸出隱藏狀態(tài)為ｂ，則ＢｉＬＳＴＭ 總輸出的隱藏狀態(tài)如式（１）所示，輸出是前向網(wǎng)絡(luò)與后向網(wǎng)絡(luò)在每個(gè)時(shí)刻的綜合輸出。

ｈｔ ＝ ｈａ + ｈｂ ， （１）

式中：+為全連接操作。

２． ２ 時(shí)頻特征處理模塊（ＣＮＮ 層）

在ＣＮＮ 層提取雷達(dá)信號(hào)的時(shí)頻特征時(shí)［１９］，通過ＣＷＤ 變換獲得雷達(dá)信號(hào)時(shí)頻特征矩陣Ｆ，其中包含具有時(shí)頻特征的雷達(dá)信號(hào)數(shù)組Ｘ｛ｘ１ ，ｘ２ ，…，ｘｍ ｝和每組所對(duì)應(yīng)的特征標(biāo)簽Ｙ｛ｙ１ ，ｙ２ ，…，ｙｍ ｝，雷達(dá)信號(hào)數(shù)組ｘｉ 由ｎ 個(gè)雷達(dá)信號(hào)脈沖元素組成，在此表示為｛ｘｉ１ ，ｘｉ２ ，…，ｘｉｎ｝，目標(biāo)函數(shù)如下：

Ｐ（Ｙ｜ Ｘ） ＝ ａｒｇｍａｘ ｆ（Ｙ｜ Ｘ；θ）。（２）

當(dāng)單通道雷達(dá)信號(hào)時(shí)頻矩陣作為輸入時(shí)，具有時(shí)頻特征的雷達(dá)信號(hào)數(shù)組里元素向量為ｘｉ，ｘｉ ∈Ｒｎ×ｄ，其中ｎ 是雷達(dá)信號(hào)元素?cái)?shù)量，ｄ 是矢量維度。通過設(shè)置的過濾器提取輸入雷達(dá)信號(hào)的時(shí)頻特征，計(jì)算如下：

Ｊｉ ＝ ｆ（ω × ｘｉ：ｉ＋ｇ －１ ＋ ｂ）， （３）

式中：ω 為卷積核，ｇ 為卷積核的大小，ｘｉ：ｉ＋ｇ－１ 為由ｉ ～ ｉ＋ｇ－１ 個(gè)雷達(dá)信號(hào)脈沖元素組成的數(shù)組向量，ｂ為偏差項(xiàng)。

在經(jīng)過卷積層處理后，特征矩陣Ｊ 可由式（４）表示：

Ｊ ＝ ［ｃ１ ｃ２ … ｃｎ －ｇ ＋１ ］。（４）

將其通過池化層對(duì)雷達(dá)信號(hào)的局部特征矩陣Ｃ進(jìn)行下采樣處理，生成局部值的最佳解。此處使用最大池化技術(shù)，如式（５）所示：

Ｍ ＝ ｍａｘ（ｃ１ ，ｃ２ ，…，ｃｎ －ｇ ＋１ ） ＝ ｍａｘ｛Ｊ｝。（５）

經(jīng)過池化操作后，每個(gè)卷積核提取的特征向量在一定程度上有所減少，但仍保留了雷達(dá)信號(hào)核心的時(shí)頻特征相關(guān)信息。

２． ３ Ｄｒｏｐｏｕｔ 運(yùn)算

由于ＣＮＮ-ＢｉＬＳＴＭ 混合神經(jīng)網(wǎng)絡(luò)從雷達(dá)信號(hào)時(shí)頻矩陣中獲取時(shí)頻特征時(shí)，ＣＮＮ 層的輸出結(jié)果易出現(xiàn)過擬合，在ＣＮＮ 層后增加Ｄｒｏｐｏｕｔ 運(yùn)算［２０］，從每個(gè)訓(xùn)練批次中隨機(jī)忽略少部分的特征神經(jīng)元，可以減少其中產(chǎn)生的相互作用，使得混合神經(jīng)網(wǎng)絡(luò)不會(huì)形成依賴狀況，最終有效地降低網(wǎng)絡(luò)識(shí)別結(jié)果的過擬合現(xiàn)象，提高網(wǎng)絡(luò)模型的泛化能力。標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)與包含Ｄｒｏｐｏｕｔ 運(yùn)算的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)的對(duì)比如圖３ 所示。

Ｄｒｏｐｏｕｔ 運(yùn)算使得當(dāng)前層的神經(jīng)元不必遍歷下一層所有的神經(jīng)元即可構(gòu)成連接，形成一種局部連接的結(jié)構(gòu)，降低了網(wǎng)絡(luò)的復(fù)雜度，因此Ｄｒｏｐｏｕｔ 運(yùn)算不僅解決了識(shí)別結(jié)果的過擬合現(xiàn)象，而且大幅減少了網(wǎng)絡(luò)運(yùn)算的時(shí)間。在考慮ＣＮＮ-ＢｉＬＳＴＭ 混合神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)與深度后，使用Ｄｒｏｐｏｕｔ 運(yùn)算忽略的特征神經(jīng)元比例設(shè)置為２０％ 左右時(shí)，網(wǎng)絡(luò)運(yùn)算效果達(dá)到最優(yōu)。

３ 實(shí)驗(yàn)與討論

本次實(shí)驗(yàn)采用長度為５１２ 的調(diào)制雷達(dá)信號(hào)作為數(shù)據(jù)集，時(shí)頻矩陣的架構(gòu)設(shè)定為５１２×５１２，循環(huán)層數(shù)為１６ 層，以交叉熵?fù)p失函數(shù)作為分類計(jì)算方法，實(shí)驗(yàn)設(shè)計(jì)的ＢｉＬＳＴＭ 網(wǎng)絡(luò)、ＣＮＮ 網(wǎng)絡(luò)與分類網(wǎng)絡(luò)結(jié)構(gòu)如表１ ～ 表３ 所示。

本次實(shí)驗(yàn)使用的雷達(dá)信號(hào)調(diào)制方式包含７ 種，分別為單載頻、線性調(diào)頻、非線性調(diào)頻、二相編碼、四相編碼、二頻編碼和四頻編碼［２１］。調(diào)制雷達(dá)信號(hào)采用歸一化處理后的頻率和帶寬表示，包含５１２ 個(gè)采樣點(diǎn)。在－１０ ～ １０ ｄＢ 信噪比變化范圍內(nèi)，對(duì)于每一種調(diào)制類型的雷達(dá)信號(hào)以２ ｄＢ 為間隔生成５ ０００ 個(gè)樣本，并賦予特征類型的標(biāo)簽［２２］，調(diào)制的雷達(dá)信號(hào)數(shù)據(jù)集以７ ∶ ２ ∶ １ 的比例隨機(jī)分配為訓(xùn)練集、驗(yàn)證集與測試集。網(wǎng)絡(luò)訓(xùn)練設(shè)置的參數(shù)如下：迭代次數(shù)為１００，其中每一次迭代包含３２ 個(gè)調(diào)制雷達(dá)信號(hào)，學(xué)習(xí)率為０． ００１，采用的優(yōu)化器為ＳＧＤ［２３］。在訓(xùn)練過程中ＣＮＮ-ＢｉＬＳＴＭ 混合神經(jīng)網(wǎng)絡(luò)的損失值和識(shí)別率的變化情況如圖４ 和圖５ 所示。

從圖４ 與圖５ 的變化情況可以看出，隨著訓(xùn)練輪次的疊加，ＣＮＮ-ＢｉＬＳＴＭ 混合神經(jīng)網(wǎng)絡(luò)的損失值逐漸降低，而識(shí)別率則會(huì)逐漸提高；當(dāng)訓(xùn)練輪次達(dá)到３０后，損失值與識(shí)別率均會(huì)臨近于一個(gè)穩(wěn)定值，而后繼續(xù)增加訓(xùn)練輪次對(duì)２ 個(gè)指標(biāo)的影響逐漸減小，網(wǎng)絡(luò)運(yùn)行速度下降；當(dāng)訓(xùn)練輪次達(dá)到１００ 時(shí)，ＣＮＮ-ＢｉＬＳＴＭ 混合神經(jīng)網(wǎng)絡(luò)的損失值為０． １１８，識(shí)別率為９５． ３４９ １％ 。從訓(xùn)練集與驗(yàn)證集的對(duì)比情況可以看出，本模型的擬合情況良好，避免了出現(xiàn)過擬合現(xiàn)象。

從ＣＮＮ-ＢｉＬＳＴＭ 混合神經(jīng)網(wǎng)絡(luò)對(duì)測試集的訓(xùn)練過程中分析，提取７ 種雷達(dá)信號(hào)調(diào)制方式的識(shí)別度結(jié)果如表４ 所示?？梢钥闯觯茫危?ＢｉＬＳＴＭ 混合神經(jīng)網(wǎng)絡(luò)對(duì)于形式簡單的雷達(dá)信號(hào)調(diào)制方式（例如單載頻、線性調(diào)頻和非線性調(diào)頻）在網(wǎng)絡(luò)訓(xùn)練穩(wěn)定后識(shí)別結(jié)果十分理想，在訓(xùn)練２０ 次后即達(dá)到了９５％ 左右的識(shí)別率，在訓(xùn)練１００ 次時(shí)達(dá)到了９９％ 左右的識(shí)別率。而對(duì)于時(shí)頻特性相對(duì)復(fù)雜的相位編碼和頻率編碼，在網(wǎng)絡(luò)訓(xùn)練次數(shù)較少時(shí)很難達(dá)到合格的識(shí)別率，但當(dāng)網(wǎng)絡(luò)訓(xùn)練后趨近于穩(wěn)定時(shí)，識(shí)別率也有較大的提升；當(dāng)訓(xùn)練次數(shù)達(dá)到１００ 時(shí)，識(shí)別率提高到了９０％ 以上。其中由于加入了Ｄｒｏｐｏｕｔ 運(yùn)算，使得網(wǎng)絡(luò)在訓(xùn)練３０ 次左右時(shí)就達(dá)到較為穩(wěn)定的狀態(tài)，但由于部分神經(jīng)元的隨機(jī)性丟失，網(wǎng)絡(luò)對(duì)識(shí)別率在４０ ～７０ 次有輕微的波動(dòng)。當(dāng)網(wǎng)絡(luò)穩(wěn)定后由平均值可見，ＣＮＮ-ＢｉＬＳＴＭ 混合神經(jīng)網(wǎng)絡(luò)對(duì)于若干種雷達(dá)信號(hào)調(diào)制方式的識(shí)別率在訓(xùn)練１００ 次后提高至９５． ３４９１％ ，已經(jīng)基本滿足了對(duì)雷達(dá)信號(hào)調(diào)制方式的識(shí)別要求。

將ＣＮＮ-ＢｉＬＳＴＭ 混合神經(jīng)網(wǎng)絡(luò)與使用單一特征的網(wǎng)絡(luò)進(jìn)行對(duì)比，在使用同樣的雷達(dá)信號(hào)數(shù)據(jù)集和設(shè)置同等參數(shù)的情況下，分別對(duì)ＣＮＮ 模型、ＬＳＴＭ 模型和ＢｉＬＳＴＭ 模型進(jìn)行訓(xùn)練并測試，比較４ 種模型在不同信噪比下的識(shí)別準(zhǔn)確率與運(yùn)行時(shí)間，對(duì)比結(jié)果如圖６ 和表５ 所示。

由圖６ 可知，在－ １０ ～ １０ ｄＢ 信噪比范圍內(nèi)，ＣＮＮ-ＢｉＬＳＴＭ 混合神經(jīng)網(wǎng)絡(luò)模型對(duì)于雷達(dá)信號(hào)調(diào)制識(shí)別的準(zhǔn)確率高于ＢｉＬＳＴＭ 網(wǎng)絡(luò)、ＬＳＴＭ 網(wǎng)絡(luò)和ＣＮＮ網(wǎng)絡(luò)。而因信噪對(duì)于雷達(dá)信號(hào)的頻域特征影響要小于時(shí)域特征，導(dǎo)致在信噪比較高的情況下，捕獲更多時(shí)域特征的ＢｉＬＳＴＭ 模型識(shí)別準(zhǔn)確率高于ＣＮＮ 模型；相反在信噪比較低的情況下，捕獲更多頻域特征的ＣＮＮ 模型識(shí)別準(zhǔn)確率要高于ＢｉＬＳＴＭ 模型。再者，由于ＢｉＬＳＴＭ 模型具有雙向結(jié)構(gòu)的穩(wěn)定性，在整個(gè)信噪比范圍內(nèi)對(duì)于信號(hào)識(shí)別的準(zhǔn)確率均高于ＬＳＴＭ 模型。由表５ 可知，ＣＮＮ-ＢｉＬＳＴＭ 模型在４ 種模型中的結(jié)構(gòu)最為復(fù)雜，運(yùn)算時(shí)間最長。

４ 結(jié)束語

本文設(shè)計(jì)了一種基于ＣＮＮ-ＢｉＬＳＴＭ 混合神經(jīng)網(wǎng)絡(luò)的雷達(dá)信號(hào)聯(lián)合特征提取方法，在獲取與分析雷達(dá)信號(hào)的時(shí)域特征與時(shí)頻特征的同時(shí)，形成了具有多元化信息的聯(lián)合特征，并添加Ｄｒｏｐｏｕｔ 運(yùn)算與分類網(wǎng)絡(luò)對(duì)信號(hào)進(jìn)行識(shí)別。經(jīng)過實(shí)驗(yàn)的對(duì)比研究，ＣＮＮ-ＢｉＬＳＴＭ 混合神經(jīng)網(wǎng)絡(luò)在－１０ ～ １０ ｄＢ 信噪比范圍內(nèi)（每２ ｄＢ 為一個(gè)步進(jìn)）的雷達(dá)信號(hào)識(shí)別準(zhǔn)確度上比強(qiáng)調(diào)時(shí)域特征的ＢｉＬＳＴＭ 網(wǎng)絡(luò)平均提高了１５． ９％ ，比僅有單向時(shí)域特征處理的ＬＳＴＭ 網(wǎng)絡(luò)提高了１９． ６％ ，比未進(jìn)行時(shí)域特征強(qiáng)化處理的ＣＮＮ 網(wǎng)絡(luò)提高了１３． １％ ，綜合雷達(dá)信號(hào)調(diào)制方式識(shí)別率達(dá)到９５． ３４９％ ；并且ＣＮＮ-ＢｉＬＳＴＭ 混合神經(jīng)網(wǎng)絡(luò)具有良好的抗噪聲能力，最終能夠充分并精確地識(shí)別出雷達(dá)信號(hào)的調(diào)制方式。本文對(duì)設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)設(shè)置沒有進(jìn)行過多的對(duì)比研究，在模型的最優(yōu)化選擇和提升處理數(shù)據(jù)的耗時(shí)上值得進(jìn)一步探討。

參考文獻(xiàn)

［１］ ＸＵ Ｙ Ｌ，ＺＨＡＮＧ Ｍ，ＪＩＮ Ｂ Ｙ． Ｐｕｒｓｕｉｎｇ Ｂｅｎｅｆｉｔｓ ｏｒ Ａｖｏｉｄｉｎｇ Ｔｈｒｅａｔｓ：Ｒｅａｌｉｚｉｎｇ Ｒｅｇｉｏｎａｌ Ｍｕｌｔｉｔａｒｇｅｔ ＥｌｅｃｔｒｏｎｉｃＲｅｃｏｎｎａｉｓｓａｎｃｅ ｗｉｔｈ Ｄｅｅｐ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ ［Ｊ］．ＩＥＥＥ Ａｃｃｅｓｓ，２０２３，１１：６３９７２－６３９８４．

［２］ 胡建旺，李月武，吉兵． 雷達(dá)情報(bào)質(zhì)量評(píng)價(jià)指標(biāo)體系研究［Ｊ］． 現(xiàn)代雷達(dá)，２０１９，４１（９）：２６－３０．

［３］ ＳＨＡＲＭＡ Ｐ，ＳＡＲＭＡ Ｋ Ｋ，ＭＡＳＴＯＲＡＫＩＳ Ｎ Ｅ． ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ Ａｉｄｅｄ Ｅｌｅｃｔｒｏｎｉｃ Ｗａｒｆａｒｅ ＳｙｓｔｅｍｓｒｅｃｅｎｔＴｒｅｎｄｓ ａｎｄ Ｅｖｏｌｖｉｎｇ Ａｐｐｌｉｃａｔｉｏｎｓ ［Ｊ ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２３，８：２２４７６１－２２４７８０．

［４］ ＷＡＮＧ Ｙ Ｘ，ＨＵＡＮＧ Ｇ Ｃ，ＬＩ Ｗ． Ｗａｖｅｆｏｒｍ Ｄｅｓｉｇｎ ｆｏｒＲａｄａｒ ａｎｄ Ｅｘｔｅｎｄｅｄ Ｔａｒｇｅｔ ｉｎ ｔｈｅ Ｅｎｖｉｒｏｎｍｅｎｔ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｗａｒｆａｒｅ［Ｊ］． Ｓｙｓｔｅｍｓ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ，２０１８，２９（１）：４８－５７．

［５］ 吳迪，徐瀅，汪倍寧，等． 深度學(xué)習(xí)雷達(dá)信號(hào)處理應(yīng)用綜述———機(jī)遇與挑戰(zhàn)［Ｊ］． 現(xiàn)代雷達(dá)，２０２２，４４（１２）：１－７．

［６］ 張懷國． 雷達(dá)信號(hào)識(shí)別關(guān)鍵技術(shù)研究［Ｊ］． 電子技術(shù)與軟件工程，２０２０（１０）：８５－８７．

［７］ 羅應(yīng)． 相控陣?yán)走_(dá)信號(hào)偵察及快速識(shí)別［Ｊ］． 艦船電子對(duì)抗，２０１０，３３（３）：４３－４６．

［８］ 屈直，黃高明，程遠(yuǎn)國，等． 基于脈內(nèi)特征參數(shù)的雷達(dá)信號(hào)調(diào)制方式識(shí)別方法［Ｊ］． 電子信息對(duì)抗技術(shù)，２０１２，２７（２）：６－９．

［９］ 董志杰，王曉峰，田潤瀾． 雷達(dá)信號(hào)脈內(nèi)調(diào)制識(shí)別新方法［Ｊ］． 航天電子對(duì)抗，２０１８，３４（２）：３３－３７．

［１０］ ＬＩＵ Ｃ，ＡＮＴＹＰＥＮＫＯ Ｒ，ＳＵＳＨＫＯ Ｉ，ｅｔ ａｌ． Ｍａｒｉｎｅ Ｄｉｓｔｒｉｂｕｔｅｄ Ｒａｄａｒ Ｓｉｇｎａｌ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｎｄ ＣｌａｓｓｉｆｉｃａｔｉｏｎＢａｓｅｄ ｏｎ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ［Ｊ］． Ｔｒａｉｔｅｍｅｎｔ ｄｕ Ｓｉｇｎａｌ，２０２１，３８（５）：１５４１－１５４８．

［１１］ ＸＩＡＯ Ｚ Ｌ，ＹＡＮ Ｚ Ｙ． Ｒａｄａｒ Ｅｍｉｔｔｅｒ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｂａｓｅｄｏｎ Ｎｏｖｅｌ Ｔｉｍｅｆｒｅｑｕｅｎｃｙ Ｓｐｅｃｔｒｕｍ ａｎｄ ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌ Ｎｅｔｗｏｒｋ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０２１，２５（８）：２６３４－２６３８．

［１２］ 鄭渝，沈永健，周云生． 基于多層雙向ＬＳＴＭ 的雷達(dá)信號(hào)脈內(nèi)調(diào)制識(shí)別［Ｊ］． 遙測遙控，２０１９，４０（１）：３３－４１．

［１３］ 胡趙成，余思雨，王建濤，等． 基于改進(jìn)時(shí)頻變換的雷達(dá)二相編碼信號(hào)脈內(nèi)特征分析方法［Ｊ］． 信息工程大學(xué)學(xué)報(bào)，２０２２，２３（６）：６５６－６６５．

［１４］ ＹＵ Ｚ Ｙ，ＴＡＮＧ Ｊ Ｌ，ＷＡＮＧ Ｚ． ＧＣＰＳ：Ａ ＣＮＮ ＰｅｒｆｏｒｍａｎｃｅＥｖａｌｕａｔｉｏｎ Ｃｒｉｔｅｒｉｏｎ ｆｏｒ Ｒａｄａｒ Ｓｉｇｎａｌ ＩｎｔｒａｐｕｌｓｅＭｏｄｕｌａｔｉｏｎ Ｒｅｃｏｇｎｉｔｉｏｎ ［Ｊ ］． ＩＥＥＥ ＣｏｍｍｕｎｉｃａｔｉｏｎｓＬｅｔｔｅｒｓ，２０２１，２５（７）：２２９０－２２９４．

［１５］ 童真，姚群，高墨韻，等． 基于短時(shí)頻譜與自相關(guān)特征的雷達(dá)脈內(nèi)調(diào)制識(shí)別［Ｊ］． 艦船電子對(duì)抗，２０２１，４４（４）：７０－７４．

［１６］ ＳＵＮ Ｈ，ＬＩ Ｍ，ＺＵＯ Ｌ，ｅｔ ａｌ． Ｊｏｉｎｔ Ｒａｄａｒ Ｓｃｈｅｄｕｌｉｎｇ ａｎｄＢｅａｍｐａｔｔｅｒｎ Ｄｅｓｉｇｎ ｆｏｒ Ｍｕｌｔｉｔａｒｇｅｔ Ｔｒａｃｋｉｎｇ ｉｎ Ｎｅｔｔｅｄ Ｃｏｌｏｃａｔｅｄ ＭＩＭＯ Ｒａｄａｒ Ｓｙｓｔｅｍｓ［Ｊ］． ＩＥＥＥ Ｓｉｇｎａｌ ＰｒｏｃｅｓｓｉｎｇＬｅｔｔｅｒｓ，２０２１，２８：１８６３－１８６７．

［１７］ 孟磊，曲衛(wèi)，馬爽，等． 基于ＬＳＴＭ 的雷達(dá)脈沖重復(fù)間隔調(diào)制模式識(shí)別［Ｊ］． 現(xiàn)代雷達(dá)，２０２１，４３（１）：５０－５７．

［１８］ ＷＥＩ Ｓ Ｊ，ＱＵ Ｑ Ｚ，ＺＥＮＧ Ｘ Ｆ，ｅｔ ａｌ． Ｓｅｌｆａｔｔｅｎｔｉｏｎ ＢｉＬＳＴＭ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｒａｄａｒ Ｓｉｇｎａｌ Ｍｏｄｕｌａｔｉｏｎ Ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｉｃｒｏｗａｖｅ Ｔｈｅｏｒｙ ａｎｄ Ｔｅｃｈｎｉｑｕｅｓ，２０２１，６９（１１）：５１６０－５１７２．

［１９］ 姚瑤，王戰(zhàn)紅． 基于時(shí)頻預(yù)處理下卷積網(wǎng)絡(luò)的雷達(dá)信號(hào)識(shí)別［Ｊ］． 探測與控制學(xué)報(bào)，２０１８，４０（６）：９９－１０５．

［２０］ 程俊華，曾國輝，魯敦科，等． 基于Ｄｒｏｐｏｕｔ 的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型平均方法［Ｊ］． 計(jì)算機(jī)應(yīng)用，２０１９，３９（６）：１６０１－１６０６．

［２１］ 劉魯濤，戴亮軍，陳濤． 基于頻譜復(fù)雜度的雷達(dá)信號(hào)調(diào)制方式識(shí)別［Ｊ］． 哈爾濱工程大學(xué)學(xué)報(bào)，２０１８，３９（６）：１０８１－１０８６．

［２２］ ＰＡＮ Ｚ Ｓ，ＷＡＮＧ Ｓ Ｆ，ＺＨＵ Ｍ Ｔ，ｅｔ ａｌ． Ａｕｔｏｍａｔｉｃ Ｗａｖｅｆｏｒｍ Ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ Ｏｖｅｒｌａｐｐｉｎｇ ＬＰＩ Ｒａｄａｒ Ｓｉｇｎａｌｓ Ｂａｓｅｄｏｎ Ｍｕｌｔｉｉｎｓｔａｎｃｅ Ｍｕｌｔｉｌａｂｅｌ Ｌｅａｒｎｉｎｇ ［Ｊ］． ＩＥＥＥ ＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ Ｌｅｔｔｅｒｓ，２０２０，２７：１２７５－１２７９．

［２３］ ＫＯＢＡＹＡＳＨＩ Ｔ． ＳＣＷＳＧＤ：Ｓｔｏｃｈａｓｔｉｃａｌｌｙ Ｃｏｎｆｉｄｅｎｃｅｗｅｉｇｈｔｅｄ ＳＧＤ［Ｃ］∥２０２０ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ （ＩＣＩＰ ）． Ａｂｕ Ｄｈａｂｉ：ＩＥＥＥ，２０２０：１７４６－１７５０．

作者簡介

房崇鑫 男，（１９９５—），碩士，助理工程師。主要研究方向：信息處理技術(shù)、無線傳感器網(wǎng)絡(luò)。

盛震宇 男，（１９８９—），碩士，高級(jí)工程師。主要研究方向：顯示控制、軟件框架。

夏 明 男，（１９７８—），碩士，研究員。主要研究方向：物聯(lián)網(wǎng)安全技術(shù)。

周慧成 男，（１９８９—），碩士，工程師。主要研究方向：綜合顯示與控制。