基于机器学习的雷达辐射源识别研究综述

李　蒙，朱卫纲，陈维高

(中国人民解放军装备学院　a.研究生管理大队； b.光电装备系，北京　101416)



【基础理论与应用研究】

基于机器学习的雷达辐射源识别研究综述

李蒙a，朱卫纲b，陈维高a

(中国人民解放军装备学院a.研究生管理大队；b.光电装备系，北京101416)

回顾和介绍了复杂雷达信号环境下辐射源智能化识别的相关机器学习理论的发展历程；对近年来基于机器学习理论的雷达辐射源识别技术研究状况进行了综述；在已有研究的基础上，着眼于提高小样本学习能力和新型雷达识别能力的发展需要，提出了基于机器学习理论的雷达辐射源识别技术的主要研究方向和难点问题，并对相应的解决方法进行了讨论。

机器学习；辐射源识别；小样本；新型雷达

雷达辐射源识别作为雷达侦察中的关键环节，在雷达对抗中具有十分重要的作用。其任务是基于雷达数据库中样本对侦察得到的雷达信号进行分析，从而确定该辐射源的体制、状态、用途、型号、威胁等级等信息[1]。

传统的参数匹配法直接将测量得到的特征参数构成模式矢量，通过与雷达数据库进行匹配识别出辐射源的属性。这种方法简单、易于实现，但采用的均为外部特征参数，对复杂脉内调制信号难以识别，且不具备依据先验知识进行学习、容错和模糊辨识的能力。

近年来，研究人员开始探索信号在变换域的特征(时频特征、小波特征、高阶统计量特征等)。机器学习(MachineLearning)作为一种智能的数据分析工具，可以模拟人类学习行为，使计算机程序随着经验的积累不断提高自身性能，受到辐射源识别领域学者的广泛关注。基于机器学习的雷达辐射源识别可以通过学习数据库中的样本对侦收的雷达信号进行分类预测，具有一定的鲁棒性和泛化能力，且适用于高维、非线性特征参数分类问题(变换域参数一般是高维的)。尽管如此，在实际电子战场上依然面临诸如所需标记样本较多，泛化能力弱等挑战。

本文全面回顾和介绍了当前基于机器学习的雷达辐射源识别研究与发展现状，在此基础上提出了未来需要重点解决的问题，并探讨了若干可行方案。

1　基于机器学习的雷达辐射源识别原理

作为人工智能技术的重要方向，机器学习从训练数据(数据库样本)中学习规律，利用这些规律对新数据进行预测。基于机器学习的雷达辐射源识别原理如图1所示。

图1　雷达辐射源识别原理框图

基于机器学习的辐射源分类器本质上是一个映射c′:X→Y，c′(x)是对未知的真实映射c(x)的一个估计[2]。用于训练分类器的样本形式为(x,c(x))，其中x∈X为雷达数据库中已知样本，而c(x)为该样本所属的真实类别。机器学习的目的在于构造一个函数c′，以使它尽可能的逼近c，从而尽可能准确的预测待识别辐射源的属性信息。

设X={x1,x2,…,xn}是雷达数据库中样本集合，T=(t1,t2,…,tk)为样本包含的k个特征参数组成的特征向量，Y={C1,C2,…,Cq}是一个基数很小的由类别标签构成的有限集。把已知的数据样本xi∈X及对应标签Cj∈Y输入到分类器中进行训练，将待识别信号特征输入到训练好的分类器中，即可得到对应的信号类别及辐射源信息。

2　国内外研究发展现状

从引入人工智能开始，研究人员陆续将各种机器学习方法用于雷达辐射源识别研究。图2展示了近年来国内外研究应用的机器学习方法。

2.1基于传统机器学习的辐射源识别方法

传统的机器学习方法包括基于概率模型的贝叶斯算法[3]、基于距离模型的最近邻算法[4]、基于树模型的决策树算法[5]等。文献[6]应用贝叶斯分类以解决不确定性问题并识别了辐射源信号；文献[7]应用最近邻算法替代匹配算法对辐射源进行了分频段识别，有效解决了机载RWR设备计算能力有限的问题；文献[8]根据重要程度来确定各属性信息量的相对大小，建立决策树优化雷达辐射源识别问题，有效降低了外界环境和各种干扰的影响。

上述算法原理简单、理论成熟，在工程中也已经得到了广泛的应用。但这些方法使用条件苛刻，在特定数据集下表现较好，往往只适合一些十分具体的问题，难以推广应用。

图2　基于机器学习的辐射源识别方法

2.2基于神经网络的辐射源识别方法

人工神经网络(ArtificialNeuralNetworks，ANNs)也简称为神经网络，是模仿生物神经连接产生特征向量与身份分类之间映射的非线性变换技术[9]，通过调整内部节点之间相互连接的关系达到处理信息的目的。ANNs具有强大的记忆能力、容错能力和泛函逼近能力，可以将输入的特征参数通过非线性关系映射到辐射源信息，实现雷达辐射源的识别。神经网络结构如图3所示。

图3　神经网络示意图

20世纪80年代中期，英国海军就将人工神经网络引入了辐射源识别[10]。文献[11-12]采用载频(CF)、脉宽(PW)和重复间隔(PRI)3个参数作为神经网络的输入，取得了大大优于传统方法的识别效果；文献[13]用脉幅(PA)、脉宽(PW)、载频(CF)、重复间隔(PRI)和到达角(DOA)组成脉冲描述字(PDW)来识别不同的辐射源信号。九十年代开始，国内学者也将神经网络技术用于辐射源识别研究。文献[14]将常规参数作为特征输入量,用BP神经网络模型对辐射源进行识别；文献[15]把载频(CF)、脉宽(PW)和脉冲重频(PRF)作为特征向量对4种舰载雷达辐射源信号进行分类识别；文献[16]用实际获得的雷达信号参数对神经网络进行训练，对未知雷达的工作状态进行了预测，分析了其威胁程度。

随着机器学习理论的发展，国内外学者对识别算法进行了不同程度的改进，神经网络的应用更加广泛、灵活。文献[17]将免疫算法引入到RBF神经网络中，提取天线扫描周期、波束宽度和极化方式等参数构成特征向量对7种雷达信号进行了识别。文献[18]利用小波包可对信号进行多维多分辨率分析的特点，对辐射源信号进行特征提取，然后将其作为神经网络的训练样本，进行辐射源类型的识别，克服了传统方法识别效率低的弊端，并有效解决了未知雷达信号无法识别的问题。文献[19]将量子态叠加思想引入BP网络，保留了神经网络的固有优势并且增加了对雷达辐射源分类的自由度，明显改善了低信噪比下的识别性能。文献[20]融合了神经网络自学习和模糊模式识别的优点，将神经网络技术应用于雷达信号模糊模式识别，有效解决了电子战中普遍存在的信号模糊性识别问题。文献[21]通过对代价函数进行修正提出矢量神经网络(VNN)，将区间类型的特征参数(如RF、PRI等)作为输入矢量，通过网络非线性变换得到区间类型的型号输出。文献[22]考虑训练样本本身的可靠性对网络输出误差进行修正，利用修正后的输出误差对权值矩阵进行迭代优化，提出一种加权矢量神经网络(WVNN)，在区间类辐射源识别中取得了更好的识别能力和噪声适应性。文献[23]采用竞争函数作为输出传递函数设计了径向基概率神经网络(RBPNN)，缩短了辐射源识别的时间并提高了识别准确率。文献[24]将多元属性融合算法和D-S证据理论与概率神经网络结合起来，进一步提高了雷达型号识别的可靠性和抗噪性。

2.3基于支持向量机的辐射源识别方法

支持向量机(SupportVectorMachine，SVM)是Vapnik等人提出的一种建立在统计学习理论、VC维理论和结构风险最小化原理基础上的机器学习方法[25]，为解决有限样本学习问题提供了一个统一的方案。SVM通过事先选择的非线性映射(核函数)将输入向量映射到一个高维特征空间，在高维空间对非线性问题进行分类[26]。支持向量机结构如图4所示。

图4　支持向量机示意图

文献[27]首次将SVM应用于雷达辐射源信号识别中，并得到了较高的识别率，证明SVM分类适用于雷达辐射源识别领域。文献[28]同时提取常规参数和脉内参数，并结合离散跳跃、波束展宽参数，选择多项式核函数的支持向量机对相控阵雷达信号进行了识别，取得了优于神经网络的识别效果。文献[29-30]基于小波包变换、时频图像分析以及高阶累积量等信号分析方法，采用支持向量机作为分类器，在抗噪声和提高识别率方面取得了不错的效果。文献[31]采用相像系数法提取雷达辐射源信号特征，利用SVM分类器结构简单、泛化能力强、可获得全局最优的特点完成信号自动分类识别，在大信噪比范围内(5～20dB)将错误识别率降低2.68%。

文献[32]针对常用的多分类分类器的不足，提出一种复合支持向量机(CSVM)分类器，将特征样本通过预处理分为线性可分和线性不可分的类别，采用线性分类器对线性可分的类别进行识别，采用SVM对线性不可分的类别进行识别。文献[33]提出加权AVA-SVM方法，对小样本数据分类效果显著并且收敛速度很快。文献[34]提出一种模糊支持向量机(FSVM)分类器，减少了训练样本的数量，提高了支持向量机的分类能力。文献[35]将增量支持向量机(ISVM)应用到雷达信号识别中，并以常规增量支持向量机为基础，研究了训练时间短、复杂度低、容错性好、识别精度高和具有拒判能力的增量模糊支持向量机识别算法。文献[36]应用遗传算法、蚁群算法和粒子群算法对SVM模型参数进行寻优，为对雷达辐射源信号进行更好的识别提供了依据。

2.4基于集成学习的辐射源识别方法

集成学习(EnsembleLearning)是一种组合多个分类器解决同一问题，从而获得比单个分类器更好学习效果的机器学习方法，主要包括Bagging和Boosting两种方法。本质上，集成方法都是从训练数据的改版(重加权、重采样等)中构造多个不同的预测模型，然后按照某种方式(求平均、带加权的投票等)来整合这些模型的预测结果。

文献[37]用AdaBoost算法提升神经网络，克服了雷达信号交叠带来的识别难度。文献[38]将遗传算法和AdaBoost算法相结合，对10种辐射源型号进行识别，提高了辐射源识别精度。文献[39]采用并行Boosting算法减少学习时间复杂度，大大缩短了数据训练时间。文献[40]将基于Bagging算法的RBF神经网络集成方法用于雷达型号识别，取得了优于RBF网络的效果。文献[41]针对数据集识别难度分布不均匀提出了基于粗糙K-means和AdaBoost的雷达辐射源快速识别算法，在保持了较高识别精度和泛化能力的同时，降低了计算复杂度，缩短了耗时。

3　存在问题及发展方向

纵观电子战争发展史，电子战装备智能化是现代战争发展必然趋势。机器学习算法的引入使雷达辐射源识别在时间复杂度和识别准确性方面都有了大幅提高，以支持向量机为代表的分类识别算法得到了广泛应用。但辐射源识别仍然需要从以下几个方面进行改进和完善。

1) 现有的识别算法为了获得较好的泛化能力，需要有足够多的带标记样本来建立训练集。但样本的标记往往需要大量的人力和时间，不但影响了机器学习的效率，也使得在实验室测试良好的分类算法在实战中的效果大打折扣。应着眼于减少标记样本数量、降低标记成本，寻找最有效利用样本的途径，通过尽量少的查询样本获得最大限度的有用信息，提高学习效率、改善分类器性能，研究更具实战意义的算法。

2) 由于样本的采集代价和时间等因素，一次性获得全部雷达样本十分困难，雷达数据的获取一般都是少量多次的。传统算法是在多次收集后对信号样本进行批量学习，但实际中辐射源识别不允许等收集到全部样本后再进行机器学习。把传统的批量学习方式转变为在线模式是辐射源识别领域极具现实意义的一项课题。

3) 现有算法在有限样本识别上较传统的匹配方法有了大幅提高，但当新型雷达难以获得足够多的训练样本时，依然不能训练出分类精度高的分类模型。如何充分利用已有的知识和数据，辅助训练目标分类模型，提高对样本较少的新型雷达辐射源的识别能力，也是实战需求中要继续研究的方面。

4) 尽管神经网络具有较好的非线性映射和学习能力，但是这种基于无穷样本推导的经验风险最小化方法在应对雷达辐射源识别问题时，存在局部极值和过(欠)学习等难以克服的缺点，在理论上一直没有取得突破性进展。与神经网络相比，SVM理论的数学推理严格，不存在局部最优等问题，具有结构简单、全局最优、泛化能力强等优势，但仍然存在核函数选择和参数确定问题以及对多分类问题处理能力不足等缺点。集成分类是机器学习中最强大的一类技术，但却以增加算法和模型的复杂度为代价。寻找一种性能更加优良、更适于工程实现的分类器，可以将特征的作用发挥到最大。

4　结束语

机器学习作为人工智能应用的重要研究，已经广泛应用于数据挖掘、自然语言处理、语音和手写识别等领域，是当前数据分析的热点内容。将机器学习引入雷达辐射源识别，推动了雷达侦察向智能化发展的进程，取得了令人瞩目的成果。同时，越来越复杂的电磁环境和迅速发展的雷达技术给辐射源识别提出了更高的要求。本文综述了基于机器学习的雷达辐射源识别技术，指出了亟需解决的问题，为进一步研究打下了基础。

[1]游屈波,吴耀云,哈章.辐射源识别系统中分类器设计及其应用[J].电子信息对抗技术,2011(3):20-24.

[2]PETERF.MachineLearning:TheArtandScienceofAlgorithmsthatMakeSenseofData[M].Cambridge:CambridgeUniversityPress,2012.

[3]段晶.朴素贝叶斯分类及其应用研究[D]. 大连：大连海事大学,2011.

[4]钟智,朱曼龙,张晨.最近邻分类方法的研究[J].计算机科学与探索,2011(5):467-473.

[5]季桂树,陈沛玲,宋航.决策树分类算法研究综述[J].科技广场,2007(1):9-12.

[6]郭小宾,王壮,胡卫东.基于贝叶斯网络分类器的雷达辐射源识别方法[J].火力与指挥控制,2006,31(2):36-39

[7]王睿甲,王星,程嗣怡.机载RWR/ESM中改进最近邻算法的分频段辐射源识别[J]. 火力与指挥控制,2014(8):65-69.

[8]胡可,王宏远.基于粗糙集的决策树雷达辐射源识别方法[J].计算机仿真,2011(8):29-32.

[9]SIMONH.NeuralNetworksandLearningMachines[M].StateofNewJersey:PrenticeHall,2008.

[10]ROEJ,PUDNERA.TheReal-timeImplementationofEmitterIdentificationforESM[J].ProceedingsofIEEColloquiumonSignalProcessinginElectronicWarfare. 1994(7):1-6.

[11]ANDERSONJA,GATELYMT,PENZPA,etal.RadarSignalCategorizationUsingaNeuralNetwork[J].ProceedingsoftheIEEE,1990,78(10):1646-1657.

[12]SHIEHCS,LINCT.AVectorNetworkforEmitterIdentification[J].IEEETransactiononAntennasandPropagation, 2002,50(8): 1120-1127.

[13]GRANGERE,RUBINMA,GROSSBERG,etal.AWhat-andWhereFusionNeuralNetworkforRecognitionandTrackingofMultipleRadarEmitters[J].NeuralNetworks, 2001，14(3): 325-344.

[14]梁百川.神经元网络用于辐射源分选、识别[J]. 航天电子对抗,1994(2):34-40.

[15]王建华,赵莉萍,虞平良. 模糊神经网络的舰载雷达辐射源识别方法[J]. 哈尔滨理工大学学报,1999(2):67-69，73.

[16]刘凯,王杰贵. 基于神经网络的未知雷达辐射源智能识别技术[J].电子信息对抗技术,2013(6):18-22.

[17]唐斌,胡光锐.基于免疫RBF网络的雷达信号分类识别[J].数据采集与处理，2002, 17(4): 371-375.

[18]牛海,马颖.小波-神经网络在辐射源识别中的应用研究[J].系统工程与电子技术,2002(5):55-57.

[19]张中山,贾可新.基于量子神经网络的辐射源识别方法[J].航天电子对抗,2013(3):26-28，31.

[20]陈婷,罗景青.一种基于神经网络技术的雷达信号模糊模式识别方法[J].航天电子对抗,2006(1):55-57.

[21]SHIEHC,LINC.AVectorNeuralNetworkforEmitterIdentification[J].IEEETransactionsonAntennasandPropagation,2002，50(8):1120-1127.

[22]王文,谢芳.基于加权矢量神经网络的辐射源识别方法[J].舰船电子工程,2010(11):59-61，109.

[23]韩俊，何明浩，朱元清．一种新的雷达辐射源识别方法[J]．电子信息对抗技术，2008，23(5):9-12．

[24]吴振强,张国毅,常硕.基于神经网络与信息融合的雷达辐射源识别[J].电子信息对抗技术,2015(6):1-4，82.

[25]VAPNIKVN.EstimationofDependenciesBasedonEmpiricalData[M].Berlin:Springer-Verlag, 1982[26]CHERKASSKYV,MULIERF.LearningfromData:Concepts,TheoryandMethods[M].NewYork:JohnViley,

1997.[27]ZHANGGE-XIANG,JINWEI-DONG,HULAI-ZHAO.RadarEmitterSignalRecognitionBasedonSupportVectorMachines[C] //The8thInternationalConferenceonControl，Automation，RoboticsandVision.2004:826-831.

[28]樊亚春,王岩,才迎光.基于支持向量机的相控阵雷达信号识别方法[J].电子信息对抗技术,2014(5):44-48.

[29]王玲霞,袁佳,张效义.基于小波包变换的辐射源信号特征提取和识别[J].通信技术,2009(3):215-217.

[30]白航,赵拥军,徐永刚.一种低信噪比下雷达辐射源识别方法[J].电子信息对抗技术,2012(1):11-15.

[31]张葛祥,荣海娜,金炜东.支持向量机在雷达辐射源信号识别中的应用[J].西南交通大学学报,2006(1):25-30.

[32]张葛祥.雷达辐射源信号智能识别方法研究[D].成都：西南交通大学,2005.

[33]张国柱,黄可生,周一宇,姜文利.基于加权AVA的SVM辐射源识别算法研究[J].信号处理,2006(3):357-360.

[34]任明秋,朱元清,沈同云.基于FSVMs的雷达辐射源信号分类识别[J].系统仿真学报,2009(4):1043-1046.

[35]余志斌.基于脉内特征的雷达辐射源信号识别研究[D].成都：西南交通大学,2010.

[36]徐璟,何明浩,冒燕.基于优化算法的雷达辐射源信号识别方法及性能[J].现代雷达,2014(10):33-37，42.

[37]陈卫,周晓,叶菲.AdaBoost-NN在雷达信号识别中的应用[J].电子对抗技术,2005(1):29-33.

[38]方敏,王宝树.基于Boosting的模糊分类规则集成学习及应用[J].宇航学报,2005(5):640-643，675.

[39]王艳丽.基于并行Boosting算法的雷达辐射源识别系统的设计与实现[D].西安：西安电子科技大学,2008.

[40]王冰玉.集成学习算法的改进及其应用[D]. 西安：西安电子科技大学,2009.

[41]王文哲,吴华,索中英.粗糙K-means和AdaBoost结合的雷达辐射源快速识别算法[J].空军工程大学学报(自然科学版),2016(1):51-55.

(责任编辑杨继森)

StudyofRadarEmitterIdentificationBasedonMachineLearning

LIMenga，ZHUWei-gangb，CHENWei-gaoa

(a.DepartmentofGraduateManagement;b.DepartmentofOpticalandElectronicEquipment,AcademyofEquipmentofPLA,Beijing101416,China)

Machinelearningtheoryandrelateddevelopingprocessabouttheoreticaltoolforemitterintelligentidentificationundercomplexradarsignalenvironmentwerereviewedandintroduced.Anoverviewofradaremitteridentificationtechnologybasedonmachinelearningtheorywaspresented.Onthebasisofexistingresearch,focusedonimprovingthedevelopmentneedsofsmallsamplelearningabilityandnewradaridentificationability,weputforwardthemainresearchdirectionsanddifficultproblembasedradaremitteridentificationtechnologyofmachinelearningtheoryanddiscussedthecorrespondingsolutions.

machinelearning;sourceofradiationidentification；smallsample；newradar

2016-04-18；

2016-05-22

李蒙(1992—)，男，硕士研究生，主要从事军事信息处理研究。

10.11809/scbgxb2016.09.039

format:LIMeng，ZHUWei-gang，CHENWei-gao.StudyofRadarEmitterIdentificationBasedonMachineLearning[J].JournalofOrdnanceEquipmentEngineering,2016(9):171-175.

TN974

A

2096-2304(2016)09-0171-05

本文引用格式：李蒙，朱卫纲，陈维高.基于机器学习的雷达辐射源识别研究综述[J].兵器装备工程学报，2016(9):171-175.