基于隨機(jī)森林的雷達(dá)信號(hào)脈內(nèi)調(diào)制識(shí)別

劉歌，張國(guó)毅，于巖

（空軍航空大學(xué)信息對(duì)抗系，吉林 長(zhǎng)春 130022）

基于隨機(jī)森林的雷達(dá)信號(hào)脈內(nèi)調(diào)制識(shí)別

劉歌，張國(guó)毅，于巖

（空軍航空大學(xué)信息對(duì)抗系，吉林 長(zhǎng)春 130022）

針對(duì)雷達(dá)信號(hào)脈內(nèi)調(diào)制識(shí)別算法存在著準(zhǔn)確率低的問題，提出一種新的雷達(dá)脈內(nèi)調(diào)制類型自動(dòng)識(shí)別方法，該方法首先提取雷達(dá)信號(hào)時(shí)頻圖像的形狀特征和紋理特征構(gòu)成融合特征，然后將融合特征輸入隨機(jī)森林分類器，實(shí)現(xiàn)信號(hào)的分類識(shí)別。仿真實(shí)驗(yàn)中對(duì)8種常見的不同調(diào)制類型的雷達(dá)信號(hào)進(jìn)行識(shí)別，提出的算法在信噪比為-2 dB時(shí)識(shí)別準(zhǔn)確率可以達(dá)到90%以上，驗(yàn)證了該方法的有效性。

雷達(dá)信號(hào)識(shí)別；時(shí)頻圖像；融合特征；隨機(jī)森林

1 引言

電子偵察是現(xiàn)代電子戰(zhàn)勝利的關(guān)鍵因素，而雷達(dá)信號(hào)的識(shí)別是電子情報(bào)偵察的關(guān)鍵過程。其中，雷達(dá)信號(hào)的特征提取和分類器的選擇是影響雷達(dá)脈內(nèi)信號(hào)識(shí)別精度的兩個(gè)重要因素。

隨著電磁環(huán)境的日趨復(fù)雜，直接將信號(hào)的五大參數(shù)作為識(shí)別特征傳統(tǒng)方法已經(jīng)失效。因此，對(duì)雷達(dá)信號(hào)的脈內(nèi)特征的研究變得越來越多，參考文獻(xiàn)［1-4］提出了時(shí)域自相關(guān)法、調(diào)制域分析法、倒譜分析法、譜相關(guān)法等脈內(nèi)特征提取法。但這些方法可行性較差，在低信噪比下性能嚴(yán)重下降。之后，以信號(hào)的時(shí)頻圖像特征作為分類依據(jù)的方法逐漸發(fā)展起來。例如，白航通過分別提取二值圖像偽Zernike矩［5］以及 Reyni熵［6］特征與支持向量機(jī) （support vector machine，SVM）結(jié)合實(shí)現(xiàn)對(duì)信號(hào)的識(shí)別，但是沒有充分利用圖像的其他特征，不具有全面性。在分類器的選取上，常用的貝葉斯分類器需要大樣本訓(xùn)練；神經(jīng)網(wǎng)絡(luò)（neural network，NN）分類器預(yù)測(cè)準(zhǔn)確，但是需要大量的參數(shù)，學(xué)習(xí)時(shí)間過長(zhǎng)，甚至可能達(dá)不到學(xué)習(xí)的目的；SVM雖然對(duì)小樣本、高維、非線樣本具有較好的分類效果，但是對(duì)非線性問題 沒有通用解決方案［7］。

針對(duì)以上問題，為了能夠有效實(shí)現(xiàn)雷達(dá)信號(hào)的自動(dòng)識(shí)別，從反映信號(hào)本質(zhì)特征的時(shí)頻圖像入手，提取時(shí)頻圖像的紋理特征與形狀特征，構(gòu)成融合特征，作為識(shí)別雷達(dá)信號(hào)的特征。對(duì)于分類器的選取，本文選擇組合分類器——隨機(jī)森林（random forest，RF），它包含多個(gè)決策樹，具有在不增加運(yùn)算量的基礎(chǔ)上達(dá)到較高的預(yù)測(cè)精度、處理高維數(shù)據(jù)、較好的容噪能力等優(yōu)點(diǎn)。仿真實(shí)驗(yàn)中，提取了8種常見的雷達(dá)信號(hào)的時(shí)頻圖像的融合特征，并采用RF分類器進(jìn)行分類識(shí)別。實(shí)驗(yàn)結(jié)果表明，提出的特征提取方法效果優(yōu)于傳統(tǒng)的特征提取方法，RF分類器的性能也明顯優(yōu)于SVM與NN，且該方法在低信噪比下能夠獲得較高的準(zhǔn)確率。

2 時(shí)頻圖像特征融合

雷達(dá)信號(hào)的特征提取方法直接影響著分類器分類識(shí)別結(jié)果的準(zhǔn)確性。經(jīng)過對(duì)不同調(diào)制類型的雷達(dá)信號(hào)時(shí)頻圖像的仔細(xì)分析與對(duì)比，發(fā)現(xiàn)它們具有明顯不同的圖像特征。通過對(duì)圖像特征的了解，它大致分為視覺特征、統(tǒng)計(jì)特征、變換系數(shù)特征、代數(shù)特征［8］等，通常僅用單一的局部特征很難準(zhǔn)確地反映出不同圖像之間的差異性，因此提出將多種特征進(jìn)行融合，即將圖像的紋理特征和形狀特征相結(jié)合，這樣圖像像素的特點(diǎn)能夠較全面地表述出來，作為不同調(diào)制類型雷達(dá)信號(hào)的識(shí)別特征，能夠反映不同調(diào)制類型信號(hào)之間的差異性，獲得更好的提取結(jié)果。

2.1 雷達(dá)信號(hào)時(shí)頻變換

本文采用改進(jìn)的B分布（modified B distribution，MBD）對(duì)雷達(dá)信號(hào)進(jìn)行時(shí)頻變換。MBD是由Boashash和Hussainn兩人對(duì)B分布進(jìn)行改進(jìn)而來。

B分布的定義如下：

MBD分布對(duì)B分布的核函數(shù)進(jìn)行了修改，修改后的核函數(shù)為：

2.2 時(shí)頻圖像預(yù)處理

將MBD時(shí)頻圖像進(jìn)行灰度化處理，得到時(shí)頻灰度圖像。由于灰度圖像依然能夠反映整幅圖像的整體和局部的特點(diǎn)，且可以降低后續(xù)相應(yīng)圖像分析和處理的計(jì)算量，因此在圖像處理中應(yīng)用廣泛。

圖像的灰度化處理是指將彩色圖像轉(zhuǎn)化為灰度圖像的過程。圖像的灰度化處理一般采用以下兩種方法來實(shí)現(xiàn)。

（1）將每個(gè)像素點(diǎn)的R、G、B 3個(gè)分量的平均值，作為灰度圖像中這個(gè)像素的3個(gè)分量。

（2）根據(jù)像素點(diǎn)的亮度等級(jí)以及RGB和YUV顏色空間的變化關(guān)系，可建立亮度Y與R、G、B 3個(gè)顏色分量的對(duì)應(yīng)：Y=0.3R+0.59G+0.11B，以這個(gè)亮度值表達(dá)圖像的灰度值。

本文采用第一種方法對(duì)時(shí)頻圖像進(jìn)行灰度化處理。

選擇8種常見的雷達(dá)脈內(nèi)調(diào)制信號(hào)，將其MBD時(shí)頻圖像轉(zhuǎn)化為灰度圖像，如圖1所示，這8種信號(hào)包括常規(guī)雷達(dá)信 號(hào) （normal signal，NS）、 線 性 調(diào) 頻 （linear frequency modulation， LFM）信號(hào)、非線性調(diào)頻（non-linear frequency modulation，NLFM）信號(hào)、頻率編碼（2FSK）信號(hào)、二相編碼（BPSK）信號(hào)、四相編碼（QPSK）信號(hào)、多相編碼（MPSK）信號(hào)和線性調(diào)頻連續(xù)波 （linear frequency modulation continuous wave，LFMCW）信號(hào)。

通過對(duì)比圖1中8種信號(hào)的時(shí)頻圖像可知，不同信號(hào)的時(shí)頻圖像存在著明顯的差異性。因此，通過提取反映圖像本質(zhì)的特征可以作為不同調(diào)制類型雷達(dá)信號(hào)的識(shí)別特征，從而識(shí)別出不同調(diào)制類型的雷達(dá)信號(hào)。

噪聲的存在會(huì)導(dǎo)致時(shí)頻圖像質(zhì)量下降，從而影響圖像特征提取的準(zhǔn)確性，有必要在提取圖像特征之前，對(duì)時(shí)頻圖像進(jìn)行相關(guān)的預(yù)處理，減小噪聲的影響，提高圖像質(zhì)量，保證特征提取的有效性。因此，采用自適應(yīng)維納濾波器［10］來濾除噪聲在時(shí)頻圖像上對(duì)信號(hào)自分量的影響。

圖1 8種常見雷達(dá)脈內(nèi)調(diào)制信號(hào)的時(shí)頻灰度

2.3 時(shí)頻圖像特征提取

對(duì)時(shí)頻圖像提取的特征，需要滿足兩個(gè)條件：一是在特征空間中各特征的類間距離大，而類內(nèi)距離??；二是提取的特征受環(huán)境條件影響較小，具有較好的抗噪性能。

為了更全面地反映不同調(diào)制類型的雷達(dá)信號(hào)時(shí)頻圖像的差異性，將時(shí)頻圖像的細(xì)微特征與整體特征相結(jié)合，提取時(shí)頻圖像的紋理特征與形狀特征，構(gòu)成雷達(dá)信號(hào)的識(shí)別特征。

（1）紋理特征

紋理特征的本質(zhì)是對(duì)圖像相鄰像素點(diǎn)灰度空間分布情況進(jìn)行研究，反映的是圖像的細(xì)微特征。而對(duì)灰度共生矩陣的統(tǒng)計(jì)特征則是紋理特征的典型方法。為保證參數(shù)的旋轉(zhuǎn)不變性，取 0°、45°、90°和 135°這 4個(gè)方向參數(shù)的均值作為灰度共生矩陣的值［11］。選取紋理特征中的灰度共生矩陣的 5 個(gè)特征，分別記作 f1～f5。其中，G（i，j）表示灰度共生矩陣各元素，i，j=1，2，…，n。

①對(duì)比度，記作f1

f1又稱慣性矩，用來反映圖像紋理的清晰程度。f1越大，圖像就越清晰；反之，圖像越模糊。

②角二階矩，記作f2

f2又稱為能量，用來反映圖像灰度分布均勻的程度以及紋理的粗細(xì)程度。f2越大，紋理越粗糙；反之，則紋理越細(xì)致。

③熵，記作f3

f3是對(duì)圖像信息量大小的度量。若灰度共生矩陣值分布較均勻，則熵值較大；反之熵值較小。

④相關(guān)，記作f4

其中：

f4用來表示圖像局部灰度相關(guān)性。若矩陣各元素值相差較小時(shí)，f4較大；反之，f4較小。

⑤逆差距，記作f5

f5反映圖像紋理的局部變化大小。f5的值較大則說明圖像紋理局部比較均勻。

（2）形狀特征

形狀特征是一種對(duì)圖像的輪廓以及輪廓包圍區(qū)域的整體性描述的特征。而矩函數(shù)是形狀特征中一種非常有效的描述子，能夠提供圖像豐富的全局信息［12］。主要選取了矩函數(shù)中常用的中心矩和偽Zernike矩。

①中心矩特征：設(shè)大小為M×N的二值圖像可以表示 為 ：f（x，y）∈｛1，0｝，則 圖 像 的 （p+q）階 原 點(diǎn) 矩 可 以 定義為：

圖像的p+q階中心矩可以定義為：

［5］可知，不同的中心距有不同的物理意義，為了避免特征之間相關(guān)性太強(qiáng)，因此選用 u11、u02、u12、u21、u03，分別記作f6～f10，作為中心距特征。

②偽Zernike矩是一種正交復(fù)數(shù)矩，階數(shù)為p，重復(fù)度為q的偽Zernike矩的定義為：

其中，p 為正整數(shù)或零，q 為整數(shù) ，且|q|≤p，f（x，y）為圖像函數(shù)。）在極坐標(biāo)中表示為：

為了獲得旋轉(zhuǎn)不變性及減少偽Zernike矩的動(dòng)態(tài)范圍，取

由于上述特征存在數(shù)量級(jí)不同的問題，如果直接采用原始數(shù)據(jù)作為識(shí)別特征，這種數(shù)值上的差距會(huì)影響最后的識(shí)別結(jié)果。因此采用參考文獻(xiàn)［13］中的標(biāo)準(zhǔn)差規(guī)格化法對(duì)提取的特征進(jìn)行標(biāo)準(zhǔn)化處理。

3 基于RF分類器的雷達(dá)脈內(nèi)調(diào)制類型識(shí)別

3.1 基于CART算法的RF分類器

RF是在2001年由Breiman和Cutler提出的具有良好分類性能的組合分類器算法。RF算法自提出以來，被廣泛地應(yīng)用于科學(xué)研究的眾多領(lǐng)域。參考文獻(xiàn)［14］通過大量的實(shí)驗(yàn)證明，隨機(jī)森林算法是機(jī)器學(xué)習(xí)中性能最好的算法之一。

RF 是一個(gè)個(gè)決策樹分類器｛h（x，θk），k=1，2，…，ntree｝的集合。其中，元分類器 h（x，θk）是充分生長(zhǎng)、沒有剪枝的決策樹，k表示RF中決策樹的個(gè)數(shù)，x是輸入向量，θk是服從獨(dú)立同分布的隨機(jī)向量，決定了單棵樹的生長(zhǎng)過程，RF的最終輸出結(jié)果是通過投票決定的。

本文RF中的決策樹是利用CART分類算法生成的，節(jié)點(diǎn)分裂時(shí)的分裂規(guī)則是Gini指標(biāo)最小原則［15］。Gini系數(shù)的計(jì)算過程如下。

（1）樣本的 Gini系數(shù)

其中，Pi代表類別Ci在樣本集S中出現(xiàn)的概率。

（2）每個(gè)劃分的 Gini系數(shù)

如果S被分隔成兩個(gè)子集S1和S2，則此次劃分的Gini系數(shù)為：

在CART算法進(jìn)行節(jié)點(diǎn)分裂的過程中，利用式（18）計(jì)算樣本劃分時(shí)的Gini指標(biāo)，Gini指標(biāo)的值越小，則說明這種劃分越合理。

部編版初中語(yǔ)文教材的課文選擇大都是文質(zhì)兼美、富有文化內(nèi)涵和時(shí)代精神的精華篇，小到字詞句段，大到謀篇布局，有不少可供學(xué)生進(jìn)行語(yǔ)言實(shí)踐的范例。課堂上，教師如果能經(jīng)常引導(dǎo)學(xué)生體會(huì)作者謀篇布局的獨(dú)到之處，并在實(shí)踐中遷移，就可以較好地提高語(yǔ)言習(xí)得的效率。

RF的具體算法步驟如下。

（1）從原始的訓(xùn)練數(shù)據(jù)集中，用Bagging方法有放回地抽取n個(gè)樣品形成樣本集。

（2）每個(gè)樣本集可生成一棵不剪枝的決策樹：設(shè)樣本共有M個(gè)特征，在每個(gè)決策樹的每個(gè)內(nèi)部節(jié)點(diǎn)處，從M個(gè)特征中隨機(jī)抽出mtry個(gè)特征作為該分裂節(jié)點(diǎn)的候選特征，其中，mtry滿足mtry＜＜M，且mtry的值在整個(gè)過程中不變，利用CART算法計(jì)算各候選特征每一種可能劃分方式的Gini指標(biāo)，選出具有最小Gini指標(biāo)的劃分方式作為該候選特征的最佳劃分方式，然后再對(duì)所有候選特征的最佳劃分方式的Gini指標(biāo)進(jìn)行比較，選出Gini指標(biāo)最小的特征作為該節(jié)點(diǎn)的分裂特征，重復(fù)上述過程，直到達(dá)到預(yù)先設(shè)定的停止準(zhǔn)則為止。每棵決策樹生長(zhǎng)的過程中不進(jìn)行剪枝。

（3）重復(fù)步驟（1）和步驟（2），直到生成 ntree棵決策樹（ntree足夠大）。

（4）多棵決策樹構(gòu)成森林，然后就可以對(duì)未知類別的樣本進(jìn)行分類，最后的輸出結(jié)果由森林中各決策樹的多數(shù)投票決定，即：

其中，I（·）為指示函數(shù)。

從以上步驟中可以看出，隨機(jī)森林通過兩種方式保證其分類性能，一是在Bagging的基礎(chǔ)上引入隨機(jī)選擇屬性，有利于降低樹之間的相關(guān)性；二是建立每棵決策樹不剪枝，從而保證偏差較低［16］。

3.2 基于RF分類器的雷達(dá)脈內(nèi)調(diào)制類型識(shí)別

綜上所述，RF分類器的雷達(dá)信號(hào)識(shí)別方法的步驟如下。

（1）對(duì)輸入的信號(hào)進(jìn)行MBD時(shí)頻分析，并將得到的時(shí)頻矩陣轉(zhuǎn)化為時(shí)頻灰度圖像，然后采用圖像處理的方法對(duì)圖像進(jìn)行去噪處理。

（2）采用融合特征提取方法雷達(dá)信號(hào)時(shí)頻圖像的f1～f17特征，得到特征空間V。

（3）利用特征空間V生成一個(gè)由100棵決策樹組成的RF。

（4）將需要進(jìn)行識(shí)別的未知樣本輸入已經(jīng)構(gòu)建好的RF中，根據(jù)RF中各決策樹分類器投票結(jié)果的簡(jiǎn)單多數(shù)投票法來決定最終的識(shí)別結(jié)果。

具體流程如圖2所示。

4 仿真實(shí)驗(yàn)

為了驗(yàn)證上述方法的有效性，選擇8種典型雷達(dá)信號(hào)在MATLAB 2013b環(huán)境中進(jìn)行仿真實(shí)驗(yàn)，這8種雷達(dá)信號(hào)分別為：常規(guī)雷達(dá)信號(hào)（NS）、線性調(diào)頻（LFM）信號(hào)、非線性調(diào)頻 （NLFM）信號(hào)、頻率編碼 （2FSK）信號(hào)、二相編碼（BPSK）信號(hào)、四相編碼（QPSK）信號(hào)、多相編碼（MPSK）信號(hào)和線性調(diào)頻連續(xù)波（LFMCW）信號(hào)。信號(hào)載頻為700 MHz，采樣頻率為 2 GHz，脈寬為 12.8 μs，LFM的頻偏為 50 MHz，BPSK和QPSK采用31位偽隨機(jī)碼，頻率編碼采用7位巴克碼，MPSK采用P3碼。

圖2 基于RF分類器的雷達(dá)脈內(nèi)調(diào)制類型識(shí)別流程

在信噪比為-10～10 dB的范圍內(nèi)，每隔2 dB提取每類信號(hào)的100個(gè)特征樣本，因此每個(gè)信噪比下識(shí)別特征共1 100個(gè)樣本，作為訓(xùn)練樣本。另外分別從每一類信號(hào)的不同信噪比點(diǎn)上提取50個(gè)特征，每種特征共550個(gè)特征樣本，作為測(cè)試樣本。

4.1 特征提取方法與分類器的性能檢測(cè)

（1）檢驗(yàn)融合特征的性能

以下進(jìn)行的是灰度共生矩陣特征、中心矩特征、偽Zernike矩特征、融合特征的4種特征提取方法的性能比較。實(shí)驗(yàn)中采用上述訓(xùn)練樣本構(gòu)建一個(gè)由100棵決策樹組成的RF分類器，然后將待測(cè)樣本輸入分類器，統(tǒng)計(jì)每種特征提取方法中8種信號(hào)識(shí)別準(zhǔn)確率的平均值，作為這4種特征提取方法的最終識(shí)別結(jié)果，做出曲線如圖3所示。

圖3是對(duì)4種特征提取方法下提取的特征利用RF分類器進(jìn)行雷達(dá)信號(hào)識(shí)別的結(jié)果統(tǒng)計(jì)。整體來看，4種方法的識(shí)別率都隨信噪比的升高而不斷提升。當(dāng)信噪比為0 dB時(shí)，4種特征下信號(hào)的識(shí)別準(zhǔn)確率都達(dá)到80%以上，而基于融合特征的信號(hào)識(shí)別準(zhǔn)確率達(dá)到90%以上。當(dāng)信噪比達(dá)到3 dB以上時(shí)，基于融合特征的信號(hào)識(shí)別準(zhǔn)確率接近100%。從圖3以及上述分析中可以看出，基于融合特征的雷達(dá)信號(hào)識(shí)別效果要比其他幾種特征的效果好。

（2）檢驗(yàn)RF分類器的性能

以下進(jìn)行的是對(duì)支持向量機(jī)（SVM）、概率神經(jīng)網(wǎng)絡(luò)［17］（probablistic neural network，PNN）、RF 分類器 3 類分類器的性能比較實(shí)驗(yàn)，實(shí)驗(yàn)中采用的樣本仍然是上文提到的8種雷達(dá)信號(hào)（參數(shù)不變）構(gòu)成的樣本空間，通過比較本文提出的融合特征在不同分類器下對(duì)雷達(dá)信號(hào)的識(shí)別結(jié)果，檢驗(yàn)RF分類器的性能。其中，SVM采用遺傳算法對(duì)參數(shù)（c，γ）進(jìn)行尋優(yōu)，RF分類器由100棵決策樹構(gòu)成。

實(shí)驗(yàn)中采用第4.1節(jié)中的訓(xùn)練樣本以及測(cè)試樣本。表1是對(duì)各分類器對(duì)8種雷達(dá)信號(hào)識(shí)別的準(zhǔn)確率的平均值的統(tǒng)計(jì)。

圖3 4種特征下的雷達(dá)信號(hào)識(shí)別結(jié)果統(tǒng)計(jì)

表1 3種分類器的識(shí)別結(jié)果統(tǒng)計(jì)

通過表1可以看出，當(dāng)信噪比大于-6 dB時(shí)，3種分類器中，RF分類器的識(shí)別準(zhǔn)確率明顯最好，從而驗(yàn)證了上文提到的RF是性能最好的分類器。

4.2 基于融合特征的RF分類器下的雷達(dá)信號(hào)識(shí)別

根據(jù)本文第3節(jié)所述的雷達(dá)信號(hào)識(shí)別流程，對(duì)8種雷達(dá)信號(hào)進(jìn)行分類識(shí)別，結(jié)果統(tǒng)計(jì)如圖4所示。

圖4 RF分類器下基于融合特征的雷達(dá)信號(hào)誤識(shí)別率

從圖4中可以看出，8種不同調(diào)制類型的雷達(dá)信號(hào)的誤識(shí)別率都隨信噪比的升高而不斷下降。當(dāng)信噪比低于-6 dB時(shí)，由于噪聲的存在，導(dǎo)致圖像幾乎被噪聲淹沒，從而使提取的特征受到影響，識(shí)別結(jié)果不準(zhǔn)確，因此需要進(jìn)一步研究圖像處理去噪的方法，以求在低信噪比下仍能獲得高質(zhì)量的時(shí)頻圖像；當(dāng)信噪比為0 dB時(shí)，8種信號(hào)的誤識(shí)別率都能達(dá)到5%以下，當(dāng)信噪比大于2 dB，誤識(shí)別率接近0。對(duì)于時(shí)頻圖像十分接近的NS和BPSK信號(hào)、QPSK信號(hào)，也可以有效地區(qū)分開，說明本文采用的融合特征提取方法能夠反映圖像的細(xì)微特征，從而將時(shí)頻圖像相似的信號(hào)識(shí)別開。

5 結(jié)束語(yǔ)

將雷達(dá)信號(hào)時(shí)頻圖像的形狀特征與紋理特征相結(jié)合，從微觀和宏觀兩個(gè)角度全面描述雷達(dá)信號(hào)時(shí)頻圖像的特點(diǎn)，構(gòu)成識(shí)別雷達(dá)信號(hào)的融合特征。仿真實(shí)驗(yàn)證明，相較于單一的局部特征，本文提出的融合特征在RF分類器下的識(shí)別準(zhǔn)確率最高，說明該特征的性能最好。對(duì)于分類器，本文選用了性能最優(yōu)的RF分類器，在沒有增加運(yùn)算量的前提下，能夠獲得較高的識(shí)別準(zhǔn)確率。通過仿真實(shí)驗(yàn)可以看出，RF分類器識(shí)別準(zhǔn)確率最高，在信噪比為-2 dB時(shí)，能夠達(dá)到90%以上；當(dāng)信噪比為4 dB時(shí)，平均正確識(shí)別率達(dá)到100%。但是在信噪比低于-6 dB的情況下，由于噪聲的影響，導(dǎo)致識(shí)別準(zhǔn)確率下降，因此，需要研究更好的去噪方法，以獲得高質(zhì)量的時(shí)頻圖像，從而得到誤差較小的特征，提高低信噪比下的識(shí)別準(zhǔn)確率。

參考文獻(xiàn)：

［1］韓俊，何明浩，朱元清，等.雷達(dá)信號(hào)脈內(nèi)特征自動(dòng)識(shí)別的一種新方法［J］.彈箭與制導(dǎo)學(xué)報(bào)，2007，27（2）：270-272.HAN J，HE M H，ZHU Y Q，et al.A new automatic recognition method within radar pulsecharacteristics ［J］.Arrowsand Guidance，2007，27（2）：270-272.

［2］畢大平，董暉，姜秋喜.基于瞬時(shí)頻率的脈內(nèi)調(diào)制識(shí)別技術(shù)［J］.電子對(duì)抗技術(shù)，2005，20（2）：6-10.BID P，DONG H，JIANG Q X.Intra-pulsemodulation recognition technology based on the instantaneous frequency［J］.Electronic Countermeasure Technology，2005，20（2）：6-10.

［3］CIBLAT P，LOUBATON P，SERPEDIN E，et al.Asymptotic analysis of blind cyclic correlation-based symbol-rate estimators［J］.IEEE Transactionson Information Theory， 2002， 48 （7）：1922-1934.

［4］孟玲玲，李靜，韓寶如.循環(huán)譜相關(guān)方法在調(diào)制信號(hào)參數(shù)估計(jì)中的應(yīng)用［J］.燕山大學(xué)學(xué)報(bào)，2010，34（3）：252-255.MENG L L，LI J，HAN B R.Cyclic spectrum correlation method in the application of the modulation signal parameter estimation ［J］.Journal of Yanshan University，2010，34 （3）：252-255.

［5］白航，趙擁軍，胡德秀.基于Choi-Williams時(shí)頻圖像特征的雷達(dá)輻射源識(shí)別［J］.數(shù)據(jù)采集與處理，2012，27（4）：480-485.BAI H，ZHAO Y J，HU D X.Radar radiating source recognition based on Choi-Williams time-frequency image characteristics［J］.Data Acquisition and Processing，2012，27（4）：480-485.

［6］白航，趙擁軍，沈偉.基于時(shí)頻分布Reyni熵特征的雷達(dá)輻射源識(shí)別［J］.電路系統(tǒng)學(xué)報(bào)，2013，18（1）：437-442.BAIH，ZHAO Y J，SHEN W.Radarradiatingsource recognition based on the time-frequency distribution Renyi entropy characteristics［J］.Journal of Circuit System，2013，18（1）：437-442.

［7］ 范會(huì)敏，王浩.模式識(shí)別方法概述 ［J］. 電子設(shè)計(jì)工程，2012，20（19）：48-51.FAN H M，WANG H.An overview of the pattern recognition method［J］.Electronic Design Engineering，2012，20（19）：48-51.

［8］王麗亞.圖像特征提取和分類［D］.西安：西安電子科技大學(xué)，2006.WANG L Y.Image feature extraction and classification［D］.Xi’an：Xi’an University of Electronic Science and Technology，2006.

［9］劉康寧.基于時(shí)頻分析的雷達(dá)信號(hào)調(diào)制方式識(shí)別技術(shù)研究［D］.西安：西安電子科技大學(xué)，2014.LIU K N.Radar signal modulation mode recognition technology research based on the time-frequency analysis［D］.Xi’an：Xi’an University of Electronic Science and Technology，2014.

［10］GONZALEZ R C，WOODS R E，EDDINS S L.Digital image processing using MATLAB［M］.New York：Pearson Education Inc，2007：197-199.

［11］劉麗，匡綱要.圖像紋理特征提取方法綜述 ［J］.中國(guó)圖像圖形學(xué)報(bào)，2009，14（4）：622-635.LIU L，KUANG G Y.Image texture feature extraction methods review ［J］.Chinese Journal of Image and Graphics，2009，14（4）：622-635.

［12］付瑋，曾接賢.基于形狀特征的圖像檢索技術(shù)研究［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2007，17（11）：228-232.FU W，ZENG J X.Image retrieval technology research based on shape feature ［J］.Computer Technology and Development，2007，17（11）：228-232.

［13］張躍.模糊數(shù)學(xué)方法及其應(yīng)用［M］.北京：煤炭工業(yè)出版社，1992.ZHANG Y.Fuzzy mathematics method and application ［M］.Beijing：Coal Industry Press，1992.

［14］FERN NDEZ-DELGADO M，CERNADAS E，BARRO S.Do we need hundreds of classifiers to solve real world classification problems ［J］.Journal of Machine Learning Research，2014 （15）：3133-3181.

［15］李貞貴.隨機(jī)森林改進(jìn)的若干研究［D］.廈門：廈門大學(xué)，2014.LI Z G.Random forests improved several research ［D］.Xiamen：Xiamen University，2014.

［16］李欣海.隨機(jī)森林模型在分類與回歸分析中的應(yīng)用［J］.應(yīng)用昆蟲學(xué)報(bào)，2013，50（4）：1190-1197.LI X H.Random forests model application in the classification and regression analysis ［J］.Journal of Application Insects，2013，50（4）：1190-1197.

［17］蔡曲林.基于概率神經(jīng)網(wǎng)絡(luò)的模式識(shí)別 ［D］.長(zhǎng)沙：國(guó)防科技大學(xué)，2005.CAI Q L.Pattern recognition based on probabilistic neural network ［D］.Changsha： NationalUniversity ofDefense Technology，2005.

Intra-pulse modulation recognition of radar signal based on random forest

LIU Ge，ZHANG Guoyi，YU Yan
Department of Information Countermeasures，Aviation University of Air Force，Changchun 130022，China

To solve the existing problems of low recognition rate and noise problem in radar signal recognition，the fusion feature extraction method of time-frequency image and the random forest classifier is applied to the identification of radar signals.The radar signal time-frequency image was firstly extracted the shape features and texture features to anstitute fusion characteristics，into and then input fusioncharacteristics radom forest classifier recognition of the signal classification was realized.The results of simulation experiments for eight kinds of common radar signals to recognition show that recognition accuracy of the method proposed can be achieved more than 90%in SNR-2 dB，so it also verify the effectiveness of the method.

radar signal recognition，time-frequency image，fusion feature，random forest

TN971.1

A

10.11959／j.issn.1000-0801.2016151

2016-02-27；

2016-05-09

劉歌（1991-），女，空軍航空大學(xué)信息對(duì)抗系碩士生，主要研究方向?yàn)閺?fù)雜調(diào)制雷達(dá)信號(hào)處理。

張國(guó)毅（1965-），男，空軍航空大學(xué)信息對(duì)抗系教授、博士生導(dǎo)師，主要研究方向?yàn)槔走_(dá)信號(hào)處理。

于巖（1983-），男，空軍航空大學(xué)信息對(duì)抗系講師，主要研究方向?yàn)槔走_(dá)信號(hào)處理。