基于SAE-GA-SVM模型的雷達(dá)新型干擾識(shí)別

羅彬珅,劉利民,董 健,劉璟麒

(陸軍工程大學(xué) 電子與光學(xué)工程系,石家莊 050003)

0 概述

隨著軍事科技的不斷發(fā)展,在信息化戰(zhàn)爭(zhēng)中,電子戰(zhàn)(Electronic Warfare,EW)[1]已經(jīng)成為引人注目“第四維戰(zhàn)場(chǎng)”,是現(xiàn)代化戰(zhàn)爭(zhēng)中一種特殊的作戰(zhàn)方式,也是一種重要的作戰(zhàn)手段[2]。作為電子對(duì)抗中的一個(gè)關(guān)鍵組成部分,雷達(dá)對(duì)抗也因電子技術(shù)的快速發(fā)展而日漸激烈。干擾與抗干擾技術(shù)相互制約和互相發(fā)展,循環(huán)往復(fù),具備在復(fù)雜電磁環(huán)境下的生存作戰(zhàn)能力已成為未來(lái)電子裝備發(fā)展的主要方向之一,干擾識(shí)別是雷達(dá)對(duì)抗過(guò)程中重要一步。近年來(lái),數(shù)字射頻存儲(chǔ)(Digital Radio Frequency Memory,DRFM)[3]技術(shù)發(fā)展不斷成熟,使得有源欺騙干擾成為當(dāng)代電子干擾的主要手段。

雷達(dá)的有源干擾識(shí)別主要有信號(hào)接收、預(yù)處理、特征提取與降維以及分類識(shí)別,最關(guān)鍵的步驟是特征提取和分類識(shí)別。從信號(hào)級(jí)層面,利用數(shù)字信號(hào)處理方法根據(jù)信號(hào)統(tǒng)計(jì)特性找出具有表征信號(hào)間差異性的特征。文獻(xiàn)[4]針對(duì)頻譜彌散(Smeared Spectrum,SMSP)干擾和切片組合(Chopping and Interleaving,C& I)干擾類型的識(shí)別問(wèn)題,提出了基于雙譜分析和分形維數(shù)[5]的干擾識(shí)別方法,在一定的干噪比條件下,通過(guò)支持向量機(jī)(SVM)分類器能夠較為穩(wěn)定地識(shí)別不同干擾類型。文獻(xiàn)[6]針對(duì)距離拖引干擾(RGPO)、速度拖引干擾和距離-速度同步拖引干擾的識(shí)別問(wèn)題,提出了基于棧式稀疏自編碼器(Stacked Sparse Autoencoder,SSAE)的有源欺騙干擾識(shí)別算法。文獻(xiàn)[7]建立了欺騙式干擾和目標(biāo)回波數(shù)學(xué)模型并進(jìn)行分析和仿真,構(gòu)建了抗欺騙式干擾特征參數(shù)集,通過(guò)仿真和外場(chǎng)試驗(yàn)對(duì)提取的部分特征進(jìn)行了驗(yàn)證。文獻(xiàn)[8]針對(duì)多種新型干擾的識(shí)別問(wèn)題,采用多域聯(lián)合的特征提取方法進(jìn)行干擾類型識(shí)別,但未考慮對(duì)高維數(shù)據(jù)進(jìn)行降維處理。文獻(xiàn)[9]針對(duì)多種類型的拖引干擾的識(shí)別,采用基于Fisher準(zhǔn)則的特征選擇方法進(jìn)行降維處理,實(shí)現(xiàn)了較優(yōu)的特征子集組合。文獻(xiàn)[10]研究了混合主成分分析(Principal Component Analysis,PCA)與遺傳算法(Genetic Algorithm,GA)的特征降維方法,利用PCA-GA-SVM檢測(cè)模型進(jìn)行雷達(dá)輻射源信號(hào)識(shí)別。

總體來(lái)看,雷達(dá)有源干擾識(shí)別技術(shù)還有待進(jìn)一步完善。目前針對(duì)單一干擾類型的識(shí)別技術(shù)不斷涌現(xiàn),但是關(guān)于新型干擾、多種干擾相結(jié)合的復(fù)合干擾研究還不全面[11]。多數(shù)文獻(xiàn)僅是單純地針對(duì)雷達(dá)干擾類型的識(shí)別研究,而未考慮加入回波信號(hào)后的識(shí)別情形,不符合現(xiàn)實(shí)中的雷達(dá)對(duì)抗需求,且主要集中在選取有效的干擾信號(hào)特征。此外,多數(shù)文獻(xiàn)不采用或直接采用傳統(tǒng)的降維處理方法,這樣通過(guò)線性映射只能學(xué)習(xí)到數(shù)據(jù)的低維結(jié)構(gòu),不能完全表征其本質(zhì)特征。

本文對(duì)頻譜彌散干擾、切片干擾、靈巧噪聲干擾、噪聲調(diào)幅-距離欺騙加性復(fù)合干擾與噪聲調(diào)頻-距離欺騙加性復(fù)合干擾共5種干擾類型,加入回波信號(hào)進(jìn)行識(shí)別檢測(cè)。通過(guò)建立目標(biāo)回波與干擾信號(hào)的數(shù)學(xué)模型,結(jié)合分形理論與信息熵的思想,在時(shí)域、頻域、小波域、雙譜域上采用基于多域聯(lián)合的方法提取信號(hào)特征,并通過(guò)堆疊自編碼器(Stacked Autoencoder,SAE)對(duì)多維特征實(shí)現(xiàn)非線性的降維處理。采用遺傳算法對(duì)支持向量機(jī)進(jìn)行參數(shù)優(yōu)化和調(diào)整,構(gòu)建基于SAE-GA-SVM的雷達(dá)有源干擾信號(hào)的檢測(cè)模型。

1 信號(hào)建模

根據(jù)雷達(dá)是否受到干擾以及受到干擾的類型,雷達(dá)信號(hào)的檢測(cè)模型為:

(1)

其中,H0表示未受干擾,H1～H5表示檢測(cè)到干擾信號(hào),w(t)表示接收到的信號(hào),Sr(t)表示雷達(dá)回波信號(hào),n(t)表示高斯白噪聲,JSMSP(t)表示頻譜彌散干擾,JC& I(t)表示切片組合干擾,JSN(t)表示靈巧噪聲干擾,JAM-RD(t)表示噪聲調(diào)幅-距離欺騙干擾,JFM-RD(t)表示噪聲調(diào)頻-距離欺騙干擾。

2 堆疊自編碼網(wǎng)絡(luò)模型

2.1 自編碼器

自編碼器(Autoencoder,AE)是由HINTON[12]于2006年提出的一種用于學(xué)習(xí)高效編碼的人工神經(jīng)網(wǎng)絡(luò),主要包括編碼部分和解碼部分[13]。

1)編碼階段

首先將輸入進(jìn)行經(jīng)過(guò)標(biāo)準(zhǔn)化處理,可以提高運(yùn)算精度,加快求解速度。設(shè)標(biāo)準(zhǔn)化后的特征輸入向量為x=(x1,x2,…,xn),xi∈[0,1],經(jīng)過(guò)式(2)加權(quán)后的到隱藏層的值為h=(h1,h2,…,hm)。

h=f(Wx+b)

(2)

2)解碼階段

(3)

(4)

式(4)稱為均方誤差(Mean Squared Error,MSE),通常會(huì)在代價(jià)函數(shù)中增加一個(gè)權(quán)重衰減項(xiàng),目的是解決AE中的過(guò)擬合問(wèn)題,最后得到的表達(dá)式如下:

(5)

其中,λ為權(quán)重衰減項(xiàng)的比重,nl為AE的層數(shù),sl為每層神經(jīng)元的個(gè)數(shù)。確定自編碼器目標(biāo)函數(shù)后,通過(guò)梯度下降算法進(jìn)行參數(shù)θ={W,b}修正:

(6)

(7)

其中,α為學(xué)習(xí)率。通過(guò)迭代運(yùn)算不斷更新權(quán)值矩陣W和偏置矩陣b,完成網(wǎng)絡(luò)訓(xùn)練。

2.2 堆疊自編碼器

堆疊自編碼器包含多個(gè)隱藏層,能夠?qū)W到更復(fù)雜的高維數(shù)據(jù)。通過(guò)逐層訓(xùn)練的方式,將前一層的輸出作為下一層的輸入。深度自編碼器的每?jī)蓪泳W(wǎng)絡(luò)稱為一個(gè)限制玻爾茲曼機(jī)(Restricted Boltzmann Machine,RBM)[14]。主要包含預(yù)訓(xùn)練過(guò)程、展開過(guò)程、微調(diào)過(guò)程3個(gè)步驟。

1)預(yù)訓(xùn)練過(guò)程

設(shè)置網(wǎng)絡(luò)結(jié)構(gòu)N1-N2-N3-N2-N1,其中,Ni代表每層數(shù)據(jù)的維度。利用梯度下降算法根據(jù)輸入數(shù)據(jù)訓(xùn)練每層的RBM,最后得到每層的權(quán)值矩陣W。

2)展開過(guò)程

根據(jù)預(yù)訓(xùn)練的結(jié)果,將預(yù)訓(xùn)練后的RBM連接起來(lái)并對(duì)稱展開得到堆疊自編碼器,將每層的訓(xùn)練的權(quán)值W作為堆疊自編碼的網(wǎng)絡(luò)的初始值,解碼器每層的權(quán)值為對(duì)應(yīng)編碼器層數(shù)權(quán)值的轉(zhuǎn)置。

3)微調(diào)過(guò)程

基于重構(gòu)的誤差函數(shù)最小化原則,利用反向傳播(Back Propagation,BP)算法,通過(guò)最小化交叉熵函數(shù)[15],對(duì)初始值W與偏差進(jìn)行權(quán)值微調(diào),交叉熵值越小說(shuō)明由約簡(jiǎn)后的屬性重構(gòu)原指標(biāo)數(shù)據(jù)的誤差越小,最終得到最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù),數(shù)據(jù)由N1維有效降維到N3維。

(8)

3 GA-SVM算法的雷達(dá)有源干擾分類

3.1 支持向量機(jī)

支持向量機(jī)(SVM)是文獻(xiàn)[16]提出的一種基于統(tǒng)計(jì)學(xué)習(xí)理論的分類方法,其基本思想是在空間中尋求最優(yōu)分類面w′x+b=0,使線性樣本(xi,yi)正確分離且間隔最大,從而轉(zhuǎn)換為對(duì)一個(gè)凸二次規(guī)劃問(wèn)題的求解。通常樣本往往是非線性且不可分的,需引入懲罰因子C與松弛因子ξi,得到式(9):

(9)

使用Lagrange函數(shù)及對(duì)偶問(wèn)題,得到最優(yōu)超平面為:

(10)

進(jìn)一步引入核函數(shù),使得非線性、不可分的樣本最終能夠成功分離。徑向基核函數(shù)(Radial Basis Function,RBF)相比于線性核能夠處理分類標(biāo)注和屬性的非線性關(guān)系,相比于多項(xiàng)式核有更少的參數(shù),同時(shí)具有簡(jiǎn)單實(shí)用、普適性好的優(yōu)點(diǎn)[17]。本文選取RBF來(lái)建立SVM模型,最終得到優(yōu)化模型如下:

(11)

3.2 遺傳算法參數(shù)優(yōu)化

遺傳算法是由HOLLAND等人[18]于1975年提出的一種基于生物遺傳和進(jìn)化機(jī)制的自適應(yīng)全局優(yōu)化搜索方法。該方法具有搜索過(guò)程簡(jiǎn)單、不易陷入局部最優(yōu)解、尋優(yōu)效率高等優(yōu)點(diǎn)。利用遺傳算法對(duì)SVM參數(shù)(懲罰因子C和核函數(shù)參數(shù)g)進(jìn)行優(yōu)化,首先進(jìn)行參數(shù)編碼,然后以平均識(shí)別率為適應(yīng)度函數(shù),通過(guò)選擇、交叉和變異3個(gè)基本運(yùn)算尋找最優(yōu)值,最后得到優(yōu)化后的參數(shù)模型?；赟AE-GA-SVM的雷達(dá)有源干擾的識(shí)別流程如圖1所示。

圖1 基于SAE-GA-SVM的雷達(dá)有源干擾識(shí)別流程

4 仿真結(jié)果與分析

4.1 仿真實(shí)驗(yàn)設(shè)置

仿真實(shí)驗(yàn)中計(jì)算機(jī)配置為CPU i3-3227,內(nèi)存為2 GB,在Windows 7 操作系統(tǒng)下使用MATLAB 2015b進(jìn)行編碼,SVM分類器算法設(shè)計(jì)采用LIBSVM庫(kù)[19]。

4.1.1 干擾信號(hào)參數(shù)設(shè)置

設(shè)置雷達(dá)回波信號(hào)調(diào)制類型為L(zhǎng)FM,電壓幅值為1 V,真實(shí)目標(biāo)距離為20 km,假目標(biāo)距離為25 km,頻率帶寬為10 MHz,中心頻率為1 MHz,脈寬為5 μs,脈沖時(shí)間間隔為50 μs,采樣頻率為33 MHz。SMSP干擾分為5段;C& I干擾分為5段,每段2個(gè)時(shí)隙;靈巧干擾中的卷積噪聲功率為-15 dBw;噪聲調(diào)幅-距離復(fù)合干擾噪聲功率為23 dB,中心頻率為6 MHz;噪聲調(diào)頻-距離復(fù)合干擾噪聲功率為15 dBw,調(diào)頻指數(shù)為0.6,中心頻率為6 MHz。

結(jié)合信息熵與分形理論的思想,采用基于時(shí)域、頻域、小波域、雙譜域的多維特征提取方法,提取特征T={t1,t2,…,t47}共47維,具體如表1所示。

表1 多域聯(lián)合提取的特征類別

4.1.2 數(shù)據(jù)預(yù)處理

本文首先對(duì)數(shù)據(jù)采用標(biāo)準(zhǔn)化處理,使得各屬性特征處于同一數(shù)量級(jí),有利于加快計(jì)算速度,得到更準(zhǔn)確的分類識(shí)別效果。根據(jù)式(12)將采樣數(shù)據(jù)線性映射到[0,1]范圍[22]。

(12)

4.2 仿真實(shí)驗(yàn)

4.2.1 基于多維特征提取的雷達(dá)干擾類型識(shí)別

針對(duì)以上提出的6種雷達(dá)信號(hào),分別提取如表1所示的47維特征T={t1,t2,…,t47}。設(shè)置干噪比(JNR)的范圍為-12 dB,-10 dB,…,6 dB,干噪比間隔為2 dB。通過(guò)蒙特卡洛仿真每個(gè)干噪比下產(chǎn)生600個(gè)訓(xùn)練樣本,取其中的200個(gè)樣本用于測(cè)試,并通過(guò)基于RBF的SVM分類器,重復(fù)進(jìn)行仿真實(shí)驗(yàn)100次,取其均值作為仿真實(shí)驗(yàn)結(jié)果,識(shí)別結(jié)果如表2所示。由表2可以看出,各類干擾信號(hào)的識(shí)別率隨JNR增大而呈現(xiàn)上升趨勢(shì)。其中,復(fù)合噪聲類干擾的識(shí)別率較高,能夠接近100%的準(zhǔn)確率。當(dāng)JNR小于-8 dB時(shí),切片重構(gòu)干擾和目標(biāo)回波信號(hào)的識(shí)別率明顯下降,主要是因?yàn)楦咚拱自肼暪β蔬^(guò)大,從而導(dǎo)致切片重構(gòu)干擾信號(hào)和目標(biāo)回波間的特征參數(shù)差異性變小,影響了對(duì)這兩種信號(hào)類型的識(shí)別。當(dāng)JNR大于-6 dB時(shí),各類干擾有90%以上的識(shí)別率。

表2 各類干擾信號(hào)的識(shí)別率

4.2.2 第1隱藏層節(jié)點(diǎn)數(shù)對(duì)SAE的影響

為提高對(duì)各干擾的識(shí)別率以及有效降低特征維度,本文針對(duì)SAE的特征降維效果做了相關(guān)的仿真及結(jié)果分析,SAE的參數(shù)結(jié)構(gòu)對(duì)分類識(shí)別效果有重要的影響。根據(jù)提取的47維特征向量,設(shè)定2層RBM進(jìn)行數(shù)據(jù)降維處理。輸入層的節(jié)點(diǎn)數(shù)為47,而第1隱藏層節(jié)點(diǎn)數(shù)選取非常關(guān)鍵,是對(duì)原始數(shù)據(jù)的首次約簡(jiǎn),決定了輸入層特征的抽取能力。一方面,節(jié)點(diǎn)數(shù)增多能夠加強(qiáng)網(wǎng)絡(luò)的學(xué)習(xí)能力;另一方面,節(jié)點(diǎn)數(shù)的增多會(huì)影響網(wǎng)絡(luò)的泛化能力,出現(xiàn)過(guò)擬合的問(wèn)題,并且也會(huì)大幅增加計(jì)算量。根據(jù)4.2.1節(jié)的仿真實(shí)驗(yàn)結(jié)果,在設(shè)置JNR=-10 dB的條件下,通過(guò)蒙特卡洛仿真實(shí)驗(yàn)對(duì)6種信號(hào)類型產(chǎn)生600個(gè)訓(xùn)練樣本,隨機(jī)抽取200個(gè)作為測(cè)試集,重復(fù)進(jìn)行100次仿真實(shí)驗(yàn),取其均值作為仿真實(shí)驗(yàn)結(jié)果,SAE-SVM模型參數(shù)設(shè)置具體如表3所示。

表3 SAE-SVM 參數(shù)設(shè)置

為測(cè)試第1隱藏層的節(jié)點(diǎn)數(shù)如何影響分類效果以及改變第1隱藏層的節(jié)點(diǎn)數(shù)。在微調(diào)過(guò)程中,SAE利用回饋網(wǎng)絡(luò)來(lái)微調(diào)網(wǎng)絡(luò)的權(quán)重,從而使降維后的數(shù)據(jù)能夠更加精準(zhǔn)。本文采用47-60-10的結(jié)構(gòu)模型,改變第1隱藏層的節(jié)點(diǎn)數(shù)。對(duì)于不同的SAE結(jié)構(gòu),微調(diào)過(guò)程的重構(gòu)均方誤差(Mean-Square Error,MSE)、信號(hào)的平均識(shí)別率以及平均訓(xùn)練時(shí)間如表4所示。從表4可以看出,隨著迭代次數(shù)的增加,均方誤差通過(guò)交叉熵函數(shù)的不斷調(diào)整而變小。迭代次數(shù)在20以內(nèi),均方誤差降低的效果最為明顯,最后在80次之后趨于穩(wěn)定。設(shè)置的7種SAE結(jié)構(gòu)在迭代次數(shù)為100時(shí)的MSE值為0.05左右,實(shí)現(xiàn)了較好的擬合效果。從信號(hào)識(shí)別率來(lái)看,先是隨節(jié)點(diǎn)數(shù)增加而升高,然后趨于降低,其中在節(jié)點(diǎn)數(shù)為60處有最高的正確識(shí)別率。從模型的訓(xùn)練時(shí)間來(lái)看,與第1隱藏層的節(jié)點(diǎn)數(shù)成正比,但從總體上看各個(gè)結(jié)構(gòu)模型的訓(xùn)練時(shí)間差異不大。通過(guò)綜合考慮,最后選擇第1隱藏層的節(jié)點(diǎn)數(shù)為60。

表4 第1隱藏層節(jié)點(diǎn)數(shù)對(duì)SAE性能的影響

4.2.3 輸出層節(jié)點(diǎn)數(shù)對(duì)SAE的影響

自編碼網(wǎng)絡(luò)的目的是實(shí)現(xiàn)數(shù)據(jù)的有效降維,在保證識(shí)別精度的前提下數(shù)據(jù)的維度越低,自編碼網(wǎng)絡(luò)降維的效果越好。本文研究重點(diǎn)是選擇合適的輸出層節(jié)點(diǎn)數(shù),測(cè)試輸出層的節(jié)點(diǎn)數(shù)對(duì)SAE性能的影響,本文采用47-60-10的結(jié)構(gòu)模型改變輸出層的節(jié)點(diǎn)數(shù),得到不同SAE結(jié)構(gòu)的平均識(shí)別率和平均訓(xùn)練時(shí)間,如表5所示。從表5可以看出,一方面隨著輸出層節(jié)點(diǎn)數(shù)的增加,SAE模型的平均識(shí)別率先增加再趨于降低。當(dāng)輸出層節(jié)點(diǎn)數(shù)為10時(shí),平均識(shí)別率最大值為95.50%。另一方面,表5中10種SAE結(jié)構(gòu)的平均訓(xùn)練時(shí)間大致相同。綜合考慮節(jié)點(diǎn)數(shù)與平均訓(xùn)練時(shí)間、平均識(shí)別率的關(guān)系,選取節(jié)點(diǎn)數(shù)為10的輸出層結(jié)構(gòu),最終構(gòu)建的SAE網(wǎng)絡(luò)結(jié)構(gòu)為47-60-10。

表5 輸出層節(jié)點(diǎn)數(shù)對(duì)SAE性能的影響

4.2.4 GA-SVM雷達(dá)有源干擾信號(hào)分類模型構(gòu)建

根據(jù)4.2.1節(jié)的仿真實(shí)驗(yàn)設(shè)置,SVM選用普適度較好的RBF核函數(shù)。為提高SVM的分類效果,本文采用GA算法對(duì)其進(jìn)行參數(shù)尋優(yōu)。利用LIBSVM中的gaSVMcgForClass函數(shù)來(lái)實(shí)現(xiàn)優(yōu)化SVM參數(shù)(懲罰因子C和核函數(shù)參數(shù)g)。GA的相關(guān)設(shè)置如下:最大進(jìn)化代數(shù)為200,種群數(shù)量為20,懲罰因子C的取值范圍為[0,10],核函數(shù)參數(shù)g的取值范圍為[0,10],交叉驗(yàn)證次數(shù)V=5,交叉概率為0.8。尋優(yōu)過(guò)程的適應(yīng)度曲線如圖2所示。

圖2 GA-SVM 算法參數(shù)優(yōu)化過(guò)程曲線

從圖2可以看出,隨著迭代次數(shù)的增加,GA優(yōu)化SVM模型的參數(shù)逐漸達(dá)到一個(gè)最佳適應(yīng)度值,最后穩(wěn)定在96.25%,此時(shí)的懲罰參數(shù)C與核函數(shù)參數(shù)g的組合達(dá)到SVM的性能最優(yōu),即最佳懲罰參數(shù)C=2.389,最佳核函數(shù)參數(shù)g=1.536。

4.2.5 與其他算法的性能對(duì)比

堆疊自編碼器是一種無(wú)監(jiān)督的神經(jīng)網(wǎng)絡(luò)模型,對(duì)高維采樣數(shù)據(jù)既能線性變換,又能表征非線性變

換。設(shè)定JNR的范圍為-12 dB,-10 dB,…,0 dB,在干噪比間隔為2 dB的條件下,本文設(shè)置了47-SAE-10-GA-SVM、47-Fisher-SFS-20-SVM、47-PCA-10-SVM、47-PCA-47-GA-SVM、47-KPCA-10-SVM、47-SVM 6種不同的分類模型,對(duì)比各模型在不同JNR條件下的平均識(shí)別性能、平均訓(xùn)練時(shí)間與平均識(shí)別時(shí)間,具體測(cè)試的數(shù)據(jù)結(jié)果如表6所示。根據(jù)表6的仿真實(shí)驗(yàn)結(jié)果可以得出如下結(jié)論:

1)冗余的特征信息不但不能夠幫助提高對(duì)雷達(dá)有源干擾信號(hào)的平均識(shí)別率,反而會(huì)大幅增加檢測(cè)模型計(jì)算的時(shí)間和復(fù)雜度,影響檢測(cè)模型對(duì)干擾信號(hào)類型的識(shí)別判斷。

2)基于特征降維的5種檢測(cè)模型(47-SAE-10-GA-SVM、47-Fisher-SFS-20-SVM、47-PCA-10-SVM、47-PCA-10-GA-SVM、47-KPCA-10-SVM)都能夠在保證平均識(shí)別率的前提下有效地進(jìn)行特征降維,不同程度地去除了冗余信息,降低了運(yùn)算的復(fù)雜度。其中,SAE-GA-SVM的分類算法憑借自編碼網(wǎng)絡(luò)的高效性能,取得了最優(yōu)的識(shí)別率。

3)結(jié)合目前現(xiàn)代戰(zhàn)場(chǎng)復(fù)雜電磁環(huán)境的特點(diǎn),對(duì)雷達(dá)有源干擾信號(hào)識(shí)別的關(guān)鍵是進(jìn)行快速、準(zhǔn)確地識(shí)別。相較于傳統(tǒng)的干擾檢測(cè)模型,基于SAE-GA-SVM模型對(duì)有源干擾的“平均識(shí)別時(shí)間”用時(shí)是最短的。雖然相較于傳統(tǒng)的檢測(cè)模型,其存在訓(xùn)練時(shí)間較長(zhǎng)的問(wèn)題,但訓(xùn)練時(shí)間是基于戰(zhàn)前的準(zhǔn)備時(shí)間,不是關(guān)鍵因素。綜上所述,對(duì)于雷達(dá)新型有源干擾的識(shí)別,基于SAE-GA-SVM的模型是一種可行高效的干擾信號(hào)檢測(cè)模型。

5 結(jié)束語(yǔ)

本文針對(duì)雷達(dá)新型干擾的識(shí)別問(wèn)題,提出一種基于SAE-GA-SVM的干擾檢測(cè)模型。結(jié)合分形理論與信息熵的思想,采用多域聯(lián)合的方法提取信號(hào)時(shí)域、頻域、小波域、雙譜域特征,分別運(yùn)用6種分類模型進(jìn)行性能對(duì)比,SAE依據(jù)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)高維數(shù)據(jù)進(jìn)行非線性的數(shù)據(jù)降維與重構(gòu),實(shí)現(xiàn)最低的特征維度。仿真結(jié)果表明,相較于傳統(tǒng)的分類模型,SAE-GA-SVM具有較高的識(shí)別準(zhǔn)確率。由于本文未考慮多種雷達(dá)干擾信號(hào)同時(shí)進(jìn)入雷達(dá)接收機(jī)的情況以及沒有對(duì)采樣的數(shù)據(jù)進(jìn)行去噪預(yù)處理,影響了模型的識(shí)別準(zhǔn)確率,下一步將對(duì)此進(jìn)行研究。