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》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：密级：ＵＤＣ：编号：工学硕士学位论文基于sSAE的LPI雷达信号识别算法研究硕士研究生：寇韵涵指导教师：郭立民副教授学科、专业：信息与通信工程论文主审人：陈涛教授哈尔滨工程大学2018年03月分类号：密级：ＵＤＣ：编号：工学硕士学位论文基于sSAE的LPI雷达信号识别算法研究硕士研究生：寇韵涵指导教师：郭立民副教授学位级别：工学硕士学科、专业：信息与通信工程所在单位：信息与通信工程学院论文提交日期：2017年12月论文答辩日期：2018年03月学位授予单位：哈尔滨工程大学ClassifiedIndex:U

2、.D.C:ADissertationfortheDegreeofM.EngResearchonLowProbabilityofInterceptRadarSingnalRecongnitionAlgorithmBasedonstackedSparseAutoEndocerCandidate:KouYunhanSupervisor:A.Prof.GuoLiminAcademicDegreeAppliedfor:MasterofEngineeringSpecialty:InformationandCommunicat

3、ionEngineeringDateofSubmission:Dec.2017DateofOralExamination:Mar.2018University:HarbinInstituteofTechnology哈尔滨工程大学学位论文原创性声明本人郑重声明：本论文的所有工作，是在导师的指导下，由作者本人独立完成的。有关观点、方法、数据和文献的引用已在文中指出，并与参考文献相对应。除文中已注明引用的内容外，本论文不包含任何其他个人或集体已经公开发表的作品成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确

4、方式标明。本人完全意识到本声明的法律结果由本人承担。作者（签字）：日期：年月日哈尔滨工程大学学位论文授权使用声明本人完全了解学校保护知识产权的有关规定，即研究生在校攻读学位期间论文工作的知识产权属于哈尔滨工程大学。哈尔滨工程大学有权保留并向国家有关部门或机构送交论文的复印件。本人允许哈尔滨工程大学将论文的部分或全部内容编入有关数据库进行检索，可采用影印、缩印或扫描等复制手段保存和汇编本学位论文，可以公布论文的全部内容。同时本人保证毕业后结合学位论文研究课题再撰写的论文一律注明作者第一署名单位为哈尔滨工程大学。涉密

5、学位论文待解密后适用本声明。本论文（□在授予学位后即可□在授予学位12个月后□解密后）由哈尔滨工程大学送交有关部门进行保存、汇编等。作者（签字）：导师（签字）：日期：年月日年月日摘要由于低截获概率（LPI）雷达等复杂体制雷达的出现，常规的雷达信号识别方法已经失效，因此近年来如何对LPI雷达信号进行有效识别成为非合作雷达信号处理研究的重点。2006年以来，基于深度学习的人工智能技术得到了突飞猛进的发展，已经在图像识别领域取得了显著地成果。栈式稀疏自编码器(sSAE)是深度学习的常用模型之一，相对于传统的雷达信号识别

6、算法，基于sSAE的自动识别算法能够利用信号数据本身，自动学习并提取信号时频图像中的特征，不仅减少了人工提取特征时的巨大工作量，提高了特征提取的效率，而且在低信噪比条件下显著提高了LPI雷达信号的识别效率。论文的创新工作及成果如下：首先，研究了基于CWD时频图像的图像预处理方法，通过预处理操作，不同信号之间的时频图像差异显著性增强，不仅去除了相关信息之间的冗余，而且降低了特征维度，在减少信号噪声影响的同时，又能比较完整的保留雷达信号时频图像中的特征，并且还可以简化识别部分的运算。其次，针对LPI雷达信号识别率低且

7、特征提取困难的问题，本文研究了一种基于CWD和sSAE的自动分类识别系统。该系统从反映信号本质特征的时频图像入手，首先对LPI雷达信号进行CWD时频变换，把一维时间信号转换成二维时频图像。然后对得到的时频原始图像进行一系列预处理，并把预处理后的图像送入多层稀疏自编码器(SAE)进行离线训练。最后把经多层SAE训练后自动提取的特征输入softmax分类器，进行雷达信号的在线分类识别。仿真结果表明，在低信噪比条件下明显优于人工设计提取信号特征的识别方法。最后，针对随机森林（RF）分类器的优势和存在的问题，本文基于sS

8、AE和RF分类器研究了改进的sSAE-RF算法。RF训练可以高度并行化，在大训练数据量和高特征维度时显示出明显的速度优势。但在信噪比较低时RF模型易陷入过拟合，造成分类效果较差，而且RF模型训练时间较长。然而，sSAE可以自动学习并提取信号的特征，在低信噪比条件下具有优异的分类识别结果。仿真结果表明，改进的sSAE-RF算法与RF相比，不仅提高了RF的模型训练速度，而且改