基于雷达脉冲压缩信号的辐射源个体识别技术

基于雷达脉冲压缩信号的辐射源个体识别技术

作者：陆泽橼王凯程超才贺芃朱子平

来源：《电脑知识与技术》2019年第06期

摘要：信号辐射源识别在雷达对抗和设备状态检测中起到重要作用。本文采用Hammerstein模型对雷达辐射源建模，采用AR模型对雷达辐射源线性记忆特性建模。然后基于AR模型从脉冲压缩后的回波信号中提取特征，并采用概率神经网络对不同辐射源个体开展模式识别。并通过雷达信号处理相参处理，进一步提高对信号源个体识别的准确率。基于不同信噪比和两种特征集，仿真结果表明本文提出的方法能够在不增加硬件成本和的条件下，以极低的信号处理开销，有效识别雷达辐射源个体。

关键词：辐射源个体识别；脉冲压缩；概率神经元网络

中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2019）06-0173-05

Radar Emitters Identification Technology Based on Pulse Compression Signal

LU Ze-yuan， WANG Kai， CHENG Chao-cai， HE Peng， ZHU Zi-ping

（The No.38 Research Institute of CETC，Hefei 230000， China）

Abstract： Signal emitters identification technology can play an important role in radar countermeasure and radar equipment state detection. In this paper， Hammerstein model is used to describe the radar emitter and AR model is used to describe the linear memory characteristics of the radar emitter. Then， based on AR model， features are extracted from the echo signals after pulse compression， and probabilistic neural networks are used to identify individual radiation sources. Through the radar signal processing coherent method， the accuracy of individual signal source identification is further improved. The results show that the proposed method can effectively identify radar emitter individuals with very low signal processing overhead without extra hardware costs.

Keywords： Signal emitters identification； Pulse compression； Probabilistic neural network

目前對信号辐射源特征差异的定量机理研究不足。文献主要基于现代信号处理方法提取辐射源特征信息。这些研究工作中的个体特征提取方法中经验成分偏大，目前的研究工作倾向于根据信号观测来归纳差异。

从特征提取方法看，现有的信号辐射源个体识别技术主要分为三种：第一种针对信号参数的统计特征；第二种聚焦信号变换域的统计特征；第三种基于发射机非线性的统计特征。这些现有方法主要针对的是通信信号而非雷达信号。

Williams等人针对通信信号暂态段、导频段，提取瞬时幅度、瞬时相位、瞬时频率的统计参数作辐射源个体特征[1-3]。通信辐射源识别研究可利用导频信号，导频信号是一种稳态信号，然而在LFM波形的雷达信号属于非平稳信号，但本文不是直接对雷达回波做分析，而是以脉冲压缩后信号做输入，特征提取方法采用自回归方法处理暂态信号。

Brik从解调星座图畸变角度提取辐射源个体特征向量，并在对130多个发射机的识别实验取得了超过80%的正确识别率[4]。基于时域和频域统计参数特征的个体识别方法研究较为深入，然而这些特征受噪声影响大，且对非高斯、非平稳信号分析能力弱。

时频分析在辐射源特征识别得到广泛应用[5]。Reising使用Gabor-Wigner变换，采用归一化幅度系数序列的统计量做辐射源特征，但其通信收发实验是在办公室环境中开展。

Polak通过谱分析方法[6]，通过带内畸变失真、非线性参数估计的讨论鉴别无线设备独特的特征。变换域方法计算量大，在雷达实时解算系统中可能会加重系统计算负荷。

Wang在特征建模中分析了信道对特征[7]的影响，因为通信信号在传播过程中会受到信道影响，雷达信号不考虑多径影响。Wang基于信息论和无线设备物理层特征[8]，讨论了通信容限和辐射源个数问题，同样雷达辐射源辨识容限也需要辐射源特征识别研究。

Zhang和Liu以无记忆模型建模了不同辐射源功放非线性特征[9]，功放非线性在模型中得到考虑，但实际存在的功放记忆效却未在建模中体现。本文对雷达辐射源建模中既考虑到非线性，又考虑到了记忆效应。

2016年，Huang提出了发射机系统输出信号归一化置换熵特征，对辐射源个体识别率高达95% [10]，但该方法训练样本量大，泛化能力尚需进一步研究。本文采用小样本提取辐射源特征，有助于提高雷达对复杂多目标[11]检测性能。

1模型描述

1.1辐射源系统仿真

实际信号产生过程是由多个非线性器件配合完成的，建模描述的是辐射源系统的整体的非线性行为，提取的辐射源个体特征极的后续研究提供数据源。

实际发射过程中受随机相位波动影响，频率源信号输出在频域不再是单一谱线，而包含了许多谐波。发射过程中未完全被预失真技术补偿的部分就是辐射源非线性特征来源。对功放非