小样本雷达辐射源识别的深度学习方法综述

doi:10.11896/jsjkx.210600138

摘要/摘要

摘要：面对复杂多变的电磁环境与新体制雷达系统,传统的雷达辐射源识别方法已无法满足需求。深度学习模型可有效提取雷达信号的脉内特征,快速准确地对低信噪比、未经分选的雷达辐射源信号进行脉内调制类型识别、型号识别与个体识别。但真实环境中雷达辐射源信号难以收集,无法满足传统的深度学习训练需要,因此小样本雷达辐射源识别是目前研究的热点与难点。文中首先对近年来将基于监督学习的多种经典深度学习方法应用于小样本雷达辐射源识别的研究进行了回顾;其次,介绍了小样本学习在雷达辐射源识别领域的研究进展;最后,基于小样本雷达辐射源识别的研究现状,总结面临的挑战,提出了对未来研究方向的展望。

关键词: 雷达辐射源识别, 脉内特征, 深度学习, 小样本

摘要：传统的雷达辐射源识别方法已不能满足复杂多变的电磁环境中识别新体制雷达辐射源的需要。深度学习方法可以有效地提取未排序雷达辐射源信号的脉内特征，快速准确地识别低信噪比等复杂环境下的雷达脉内调制类型、模型类型和辐射源个体。然而，在现实中，雷达辐射源信号难以采集，无法满足传统深度学习模型的训练需求。因此，小样本雷达辐射源识别是当前研究的热点和难点问题之一。本文首先回顾了近年来基于监督学习的各种深度学习方法在小样本雷达辐射源识别中的研究进展和应用。其次，介绍了小样本学习在雷达辐射源识别中的研究进展。最后，根据当前雷达辐射源识别研究的现状，提出了未来研究的挑战和展望。

关键词： 深度学习，脉冲内特征，雷达辐射源识别，小样本

中图分类号:

TP181型

苏丹宁, 曹桂涛, 王燕楠, 王宏, 任赫.小样本雷达辐射源识别的深度学习方法综述[J] ●●●●。计算机科学, 2022, 49(7): 226-235. https://doi.org/10.11896/jsjkx.210600138

苏丹宁、曹桂涛、王延南、王红、任和。基于小样本的雷达辐射源识别深度学习研究综述[J] ●●●●。计算机科学，2022，49（7）：226-235。https://doi.org/10.11896/jsjkx.210600138

参考文献

[1] LANGLEY L E.特定辐射源识别（SEI）和经典参数融合技术[C]//WESCON’93会议录。IEEE，2002。
[2] 张国忠。雷达辐射源识别技术研究[D]。长沙：国防科技大学，2005年。
[3] MARK A R.雷达信号处理基础（第2版）[M]//美国：McGraw-Hill Education，2014:213-215。
[4] JORDANOV I，PETROV N.数据不完整和缺失的集合－NN雷达信号分类[C]//国际神经网络联合会议（IJCNN）。中国北京，2014:218-224。
[5] HINTON G E，OSINDERO S，TEH Y W.深度信念网络的快速学习算法[J]。神经计算，2014,18（7）：1527-1554。
[6] RUSSAKOVSKY O，DENG J，SU H，等.Imagenet大规模视觉识别挑战[J]。国际计算机视觉杂志，2015115（3）：211-252。
[7] 徐海清，刘刚。雷达辐射源识别综述[J]。装运电子工程，2010，30（4）：25-27。
[8] 李明，朱伟庚，陈伟庚.基于机器学习的雷达辐射源识别研究[J]。兵器装备工程杂志，2016,37（9）：171-175。
[9] 郭S，WHITE R E，LOW M。基于信号瞬态的雷达发射机识别比较研究[C]//2018 IEEE雷达会议（RadarConf18）。IEEE，2018年。
[10] 金秋，王海燕，马福芳.雷达辐射源分类与识别方法综述[J]。电信技术，2019,59（3）：360-368。
[11] 孟力，QU W，CAI K，等.基于机器学习的雷达辐射源识别综述[J]。军械设备工程杂志，2020,41（10）：16-21。
[12] 张国忠，黄克思，蒋伟力，等.基于信号包络的辐射源特征提取方法[J]。系统工程与电子技术，2006（6）：795-797936。
[13] CHOI H I，WILLIAM S.使用指数核改进多分量信号的时频表示[J]。声学、语音和信号处理，IEEE汇刊，1989年，37（6）：862-871。
[14] KAWALEC A，OWCZAREK R.使用脉冲内数据识别特定辐射源[C]//第一届欧洲雷达会议论文集。荷兰阿姆斯特丹，2004:249-252。
[15] D’AGOSTINO S，FOGLIA G，PISTOIA D。特定辐射源识别：对真实雷达信号数据的分析[C]//第六届欧洲雷达会议的进程。意大利罗马，2009:242-245。
[16] CONNING M，POTGIETER F.特定辐射源识别测量雷达数据分析[C]//IEEE雷达会议论文集。美国弗吉尼亚州阿灵顿，2010:35-38。
[17] 叶海海，刘志，姜伟力，等.考虑多普勒效应的脉冲特征非故意调制的比较[J]。电子与信息杂志，2012,34（11）：2654-2659。
[18] 冯泽，梁梅，CHU F.机械故障诊断时频分析方法的最新进展：应用实例综述[J]。机械系统与信号处理，2013,38（1）：165-205。
[19] COHEN L.时频分布——综述[J]。IEEE学报，1989，77（7）：941-981。
[20] 张欣。关于高阶统计分析，调制解调器信号处理[M]。北京：清华大学出版社，2015:217-228。
[21]蔡振伟，李俊德.基于双谱的通信辐射源个体识别[J]。通讯杂志，2007（2）：75-79。
[22]程春霞，何敏华，朱永清，等.基于双谱分析的雷达辐射源个体特征提取[J]。系统工程与电子技术，2008（6）：1046-1049。
[23]王C，王J，张X.基于时频分析和卷积神经网络的雷达波形自动识别[C]//IEEE国际声学、语音和信号处理会议（ICASSP）.2017:2437-2441。
[24]魏斯，QU Q，SU H，等.基于CLDN网络的脉间调制雷达信号识别[J]。IET雷达，声纳与导航，2020,14（6）：803-810。
[25]朱克夫，王晓光，刘永杰.小样本条件下基于数据增强和WACGAN的雷达目标识别算法[J]。电子学杂志，2020,48（6）：1124-1131。
[26]SAINATH T N，VINYALS O，SENIOR A，et al.卷积，长-短期记忆，全连接深神经网络[C]//IEEE国际声学会议。IEEE，2015年。
[27]HOCHREITER S，SCHMIDHUBER J.长短期记忆[J]。神经计算，1997,9（8）：1735-1780。
[28]BAGWE R，KACHHIA J，ERDOGAN A，et al.基于深度学习的雷达信号自动分析[C]//2020第十届年度计算与通信研讨会与会议（CCWC）。IEEE，2020年。
[29]郑毅，沈永杰，周永生.基于多层双向LSTM的雷达信号脉内调制识别[J]。遥测和遥控，2019,40（1）：37-45。
[30]秦X，黄J，王建堂，等.基于非故意相位调制特性的单个雷达辐射源识别[J]。通讯杂志，2020,41（5）：104-111。
[31]SCHMIDHUBE R，JüRGE N.神经网络深度学习：综述[J]。神经网络，2015年，61:85-117。
[32]BENGIO Y，LAMBLIN P，POPOVICI D，et al.深度网络贪婪分层训练[C]//神经信息处理系统进展19，第二十届神经信息处理体系年会论文集。温哥华。加拿大不列颠哥伦比亚省，2006年。
[33]文森特·P，拉罗谢尔·H，贝吉奥·Y，等.用去噪自动编码器提取和合成鲁棒特征[C]//机器学习，第二十五届国际会议论文集（ICML 2008）。芬兰赫尔辛基，2008年。
[34]MASCI J，MEIER U，CIRESAN D，等.用于分层特征提取的堆叠卷积自动编码器[J]。SpringerVerlag，2011（6791）：52-59。
[35]周志伟，黄国明，高杰，等.一种深度学习的雷达辐射源识别算法[J]。西电大学学报（自然科学版），2017,44（3）：83-88。
[36]郭隆明，孔义赫，陈涛，等.基于堆叠稀疏自编码器的低信噪比下低截获概率雷达信号调制类型识别[J]。电子与信息杂志，2018,40（4）：875-881。
[37]张M，王H，周凯，等.基于标桩自动编码器和SVM的低截获概率雷达信号识别[C]//2018年第十届无线通信与信号处理国际会议（WCSP）.2018。
[38]GAO P C，焦晓华.基于变分自动编码器的雷达辐射源个体识别[J]。应用技术，2020,47（4）：59-65。
[39]周毅，王X，陈毅，等.基于双谱Radon变换和混合深部模型的特定辐射源识别[J]。工程数学问题，20202020（1）：1-17。
[40]KONG G，JUNG M，KOIVUNEN V.使用自动编码器和带傅里叶同步压缩变换的CNN进行多径衰落中的波形识别[C]//IEEE国际雷达会议（Radar）。IEEE，2020:612-617。
[41]KRIZHEVSKY A，SUTSKEVER I，HINTON G.基于深度卷积神经网络的图像网络分类[C]//NIPS。Curran Associates Inc.2012年。
[42]ZEILER M D，FERGUS R.卷积网络的可视化和理解[C]//欧洲计算机视觉会议。施普林格国际出版公司，2013年。
[43]SIMONYAN K，ZISSERMAN A.用于大尺度图像识别的超深卷积网络[J/OL]。https://ar-Siv.org/abs/1409.1556。
[44]SZEGEDY C，LIU W，JIA Y，等.卷积深入研究[C]//2015 IEEE计算机视觉与模式识别会议（CVPR）.2015:1-9。
[45]何凯，张X，任S，等.图像识别的深度剩余学习[C]//2016 IEEE计算机视觉与模式识别会议（CVPR）.2016:770-778。
[46]刘Z，石毅，曾毅，等.基于时频图像处理和卷积神经网络的雷达辐射源信号检测[C]//2019 IEEE第十一届先进信息通信技术国际会议（ICAIT）。IEEE，2019年。
[47]LI K.基于改进卷积神经网络的雷达辐射源识别[C]//IEEE第三届高级信息管理、通信、电子和自动化控制会议（IMCEC）。IEEE，2019年。
[48]王国明，陈世伟，黄杰，等.基于转移深度学习的雷达信号分选与识别[J]。计算机科学与应用，2019,9（9）：18。
[49]史乐明，杨振中，吴海川.基于深度剩余网络和三重损失的雷达信号识别方法[J]。系统工程与电子技术，2020,42（11）：2506-2512。
[50]SI W，WAN C，ZHANG C.基于密集CNN的精确雷达波形识别算法研究[J]。多媒体工具和应用，2021（80）：1779-1792。
[51]蔡俊杰，李聪，张海燕.基于改进CNN模型的雷达信号调制识别[C]//2019 IEEE第七届国际计算机科学与网络技术会议（ICCSNT）.2019:304-308。
[52]胡J，沈L，孙G.挤压与激励网络[C]//2018 IEEE/CVF计算机视觉与模式识别会议论文集。美国盐湖城，2018:7132-7141。
[53]QU Q，WEI S，SU H，等.基于压电激励网络的雷达信号识别[C]//2019 IEEE信号、信息和数据处理国际会议（ICSIDP）.2019:1-5。
[54]WEI S，QU Q，WANG M，等.基于多支路ACSE网络的雷达信号自动调制识别[J]。IEEE接入，2020,8:94923-94935。
[55]王X，黄G，马C，等.基于脉冲波形图像的卷积神经网络在特定辐射源识别中的应用[J]。IET雷达、声纳与导航，2020,14（5）：728-735。
[56]AKYON F C，ALP Y K，GOK G，等.基于特征融合的卷积神经网络对雷达信号脉内调制的分类[C]//2018第26届欧洲信号处理会议（EUSIPCO）.2018:2290-2294。
[57]王强，杜平，杨杰，等.基于深度学习的认知无源雷达波形识别转移[J]。信号处理，2019155（2）：259-267。
[58]KHANH N，LONG D V，DONG Q T.一种基于并行神经网络的雷达辐射源识别方案[C]//2020第十四届全球信息管理与通信国际会议（IMCOM）.2020:1-8。
[59]LI Y，SHAO G，WANG B.基于双谱和CNN的自动调制分类[C]//2019 IEEE第八届国际信息技术与人工智能联合会议（ITAIC）。IEEE，2019年。
[60]高毅，张伟斌.新型雷达辐射源识别[J]。中国图像与图形学杂志，2020，25（6）：1171-1179。
[61]ZHENG Y，CHEN Y J，ZHOU Y S.Faster r-cnn实现重叠雷达信号的调制识别和参数提取[J]。遥测和遥控，2019,40（3）：32-40。
[62]HOANG L M，KIM M J，KONG S H.LPI雷达识别的深度学习方法[C]//2019 IEEE雷达会议（RadarConf19）。IEEE，2019年。
[63]ZHU M T，LI Y J，PAN Z S，等.利用深度多标记分类器对复合信号进行自动调制识别：以雷达干扰信号为例[J/OL]。https://www.researchgate.net/publication/33739227_Automatic_Modulation_Recognition_of_Compound_Signals_using_a_Deep_Multi-Label_Classifier_a_Case_Study_with_Radar_Jamming_Signals。
[64]PAN Z，WANG S，ZHU M，et al.基于多实例多标签学习的重叠LPI雷达信号波形自动识别[J]。IEEE信号处理快报，2020,27:1275-1279。
[65]明Z，明D，李鹏G，等.安吉尔·加里多。雷达波形识别的神经网络[J/OL]。https://www.docin.com/p-2278363898.html。
[66]QU Z，WANG W，HOU C，等.基于卷积去噪自动编码器和深度卷积神经网络的雷达信号脉内调制识别[J]。IEEE接入，2019,7:112339-112347。
[67]周泽，黄刚，陈华，等.基于深度卷积去噪自动编码器的雷达波形自动识别[J]。电路系统与信号处理，2018,37:4034-4048。
[68]CUI B Y，TIAN R L，WANG D F，等.基于注意机制和改进CLDNN的雷达辐射源识别[J]。系统工程与电子技术，2021,43（5）：1224-1231。
[69]黄永科，金维德，于志斌，等.基于深度学习和集成学习的辐射源信号识别[J]。系统工程与电子技术，2018,40（11）：33-38。
[70]SILVER D，HUANG A，MADDISON C J，等.利用深度神经网络和树搜索掌握围棋游戏[J]。《自然》，2016529（7587）：484-489。
[71]高毅，陈世芳，陆霞.强化学习研究述评[J]。自动化学报，2004（1）：86-100。
[72]凌鹏飞，徐春云.雷达辐射源个体识别的深度强化学习方法[J]。《军备学报》，2018,39（12）：134-140。
[73]QU Z，HOU C，HOU C.等.基于卷积神经网络和深度Q学习网络的雷达信号脉内调制识别[J]。IEEE接入，2020,8:49125-49136。
[74]李明，朱伟光.数据库样本缺失的雷达辐射源识别[J]。电信技术，2017,57（7）：784-788。
[75]RAN X，ZHU W.基于判别联合分布自适应的雷达辐射源识别[C]//2019 IEEE第三届高级信息管理、通信、电子和自动化控制会议（IMCEC）。IEEE，2019年。
[76]肖毅，刘伟，高磊.基于传递学习和特征融合的雷达信号识别[J]。移动网络与应用，2020,25:1563-1571。
[77]REN K，YE H，GU G，等.基于稀疏自编码神经网络的脉冲分类[J]。IEEE接入，2019,7:92651-92660。
[78]朱伟，李敏，曾C.基于赫尔向量的雷达辐射源识别在线学习研究[C]//IEEE第二届网络空间数据科学国际会议。IEEE，2017年。
[79]冯Y，程Y，王G，等。迁移学习和在线学习下的雷达辐射源识别[J/OL]。https://www.researchgate.net/publication/338167669_Radar_Emitter_Identification_under_Transfer_Learning_and_Online_Learning。
[80]LI T，SU S Y，CHEN Z P，等.电子战接收机中雷达脉冲内调制的实时识别方法[J]。现代电子技术，2013,36（21）：9-14。

韵律学

已查看

全文

摘要

引用

共享

讨论