基于sSAE的LPI雷达信号识别算法研究.docx

基于sSAE的LPI雷达信号识别算法研究
基于sSAE的LPI雷达信号识别算法研究
摘要：
随着雷达技术的不断发展，低概率截获（LPI）雷达信号的识别越来越具有挑战性。为了提高雷达系统的抗干扰能力和敌人识别能力，本论文研究了基于StackedSparseAutoencoder（sSAE）的LPI雷达信号识别算法。首先，我们对雷达信号进行预处理，包括波形重构和信号归一化。然后，我们提出了一种基于sSAE的特征提取方法，利用sSAE自动学习输入信号的稀疏表示。最后，我们使用支持向量机（SVM）分类器对提取的特征进行分类。实验结果表明，该算法在LPI雷达信号识别方面具有较好的性能。
关键词：低概率截获雷达、信号识别、StackedSparseAutoencoder、特征提取、支持向量机
1.引言
低概率截获雷达（LowProbabilityofInterceptRadar，LPI雷达）是一种具有隐身性能的雷达系统。由于其发射功率和接收信号的选择运用了各种技术手段，使得LPI雷达可以在远程地区对目标隐蔽进行探测和跟踪。然而，与传统雷达相比，LPI雷达信号的识别更具挑战性。因此，研究LPI雷达信号识别算法对于提高雷达系统的抗干扰能力和敌人识别能力具有重要意义。
2.相关工作
目前，关于LPI雷达信号识别算法的研究主要有以下几个方向。一种方法是基于波形特征的识别算法，通过对接收到的雷达信号进行频谱分析和特征提取，识别出LPI雷达信号的特征。然而，由于信号的复杂性，直接利用波形特征进行识别往往效果不佳。另一种方法是基于模型的识别算法，通过建立信号的数学模型，利用模型参数进行信号识别。然而，这种方法需要预先知道LPI雷达信号的模型，而且模型的建立也具有一定的困难。
3.算法设计
本论文提出了一种基于StackedSparseAutoencoder（sSAE）的LPI雷达信号识别算法。sSAE是一种无监督学习算法，可以自动学习输入信号的稀疏表示。算法的主要步骤如下：
（1）预处理：对接收到的雷达信号进行波形重构和信号归一化，以便后续的处理。
（2）特征提取：利用sSAE对预处理后的信号进行特征提取。sSAE通过多个隐层的堆叠来逐级学习输入信号的稀疏表示，其中每个隐层都是一个稀疏自编码器。
（3）特征分类：使用支持向量机（SVM）分类器对提取的特征进行分类。
4.实验结果
我们在自采集的LPI雷达信号数据集上进行了实验，并与其他几种常用的LPI雷达信号识别算法进行了比较。实验结果表明，该算法在LPI雷达信号的识别准确率和鲁棒性方面都取得了较好的性能。
5.结论和展望
本论文研究了基于sSAE的LPI雷达信号识别算法，并对该算法在实验中的性能进行了评估。实验结果表明，该算法在LPI雷达信号的识别方面具有较好的性能。未来的研究可以进一步探索如何提高算法的效率和准确性，并将其应用于实际的LPI雷达系统中。
参考文献：
[1]Zhang,Y.,Zhou,Z.,&Wang,B.(2017).LowProbabilityofInterceptRadarSignalRecognitionBasedonDeepBeliefNetwork.InternationalJournalofDistributedSensorNetworks,13(5),1550147717706632.
[2]Liu,S.,Xie,X.,&Zhang,Y.(2018).ANovelFeatureExtractionMethodforLowProbabilityofInterceptRadarSignalBasedonNonnegativeMatrixFactorization.IEEEAccess,6,77053-77060.
[3]Wei,Y.,Huang,Z.,&Xu,J.(2019).CodeapproachforlowprobabilityofinterceptradarbasedonTchebichefmomentsandabove-averagedetectionscheme.IETRadar,Sonar&Navigation,13(9),1453-1460.