基于深度学习的雷达信号分选方法研究.pdfVIP

基于深度学习的雷达信号分选方法研究

摘要

在电子侦察系统的架构中，雷达信号分选起着至关重要的作用。针对海战场复杂电

子环境对雷达信号分选的挑战，本文致力于研究如何利用深度学习技术实现雷达信号的

高效分选，以提升电子战接收机的实时信号处理能力和对抗复杂雷达信号的能力。本文

介绍了基于传统方法和机器学习方法的雷达信号分选方法的研究背景及研究现状，还介

绍了雷达侦察系统的结构、雷达信号分选参数与方法以及图像语义分割等深度学习相关

理论基础，为基于深度学习的雷达信号分选提供了坚实的理论支撑。因此，本文开展了

基于深度学习的雷达信号分选方法的研究工作，主要从以下两个方面进行研究：

一方面是基于ILSTM的雷达脉冲分选，在基于ILSTM的分选方法中，本文研究并

设计了一种基于编码器与解码器结合的结构，将雷达信号的脉冲到达时间TOA序列转

化为二进制形式，利用改进的长短期记忆网络ILSTM，捕捉TOA序列的复杂长期依赖

关系，实现雷达信号的分选。通过与其他算法分选的对比实验，证明了改进后的ILSTM

网络对于海战场仿真的雷达数据有较好的分选效果。

另一方面是基于AttentionU-Net的雷达脉冲分选。本文提出基于AttentionU-Net的

PDWTOAPW

雷达脉冲分选方法，通过将脉冲描述字参数（包括到达时间、脉冲宽度、

CF

载频等）映射为图像，并利用自注意力机制增强网络对信号关键特征的关注度，提

高分选准确率。通过对实验结果进行分析，改进后的AttentionU-Net网络在雷达信号分

选方面表现出优越的性能。

本文提出的基于ILSTM的雷达脉冲分选与基于AttentionU-Net的雷达脉冲分选均

能显著提高雷达信号分选的精度和效率。在ILSTM的分选方法中，通过设计一个编码

器与解码器结合的结构提高了雷达信号分选的准确率，在AttentionU-Net的分选方法中，

通过引入自注意力机制模块提高了网络的特征信息提取能力，在以上两种方法中均取得

了较为不错的分选结果。综上，针对海战场复杂电子环境对雷达信号分选的挑战，本文

通过全面探讨基于深度学习的雷达信号分选方法，不仅丰富了电子战领域的理论研究，

而且为实际雷达侦察系统的升级改造提供了切实可行的技术路径，对提升现代电子战系

统的智能化水平和作战效能具有重要意义。

关键词：深度学习；雷达信号分选；脉冲描述字；图像语义分割；注意力机制

基于深度学习的雷达信号分选方法研究

Abstract

Inthearchitectureofelectronicreconnaissancesystem,radarsignalsortingplaysan

importantrole.Aimingatthechallengeofradarsignalsortinginthecomplexelectronic

environmentofnavalbattlefield,thispaperfocusesonhowtousedeeplearningtechnologyto

achieveefficientsortingofradarsignals,soastoimprovethereal-timesignalprocessingability

ofelectronicwarfarereceiverandtheabilitytocountercomplexradarsignals.Thispaper

introducestheresearchbackgroundandcurrentsituationofradarsignalsortingmethodsbased

ontraditio