微信公众号：EW Frontier
关注可了解更多的雷达、通信、人工智能相关代码。问题或建议，请公众号留言;
如果你觉得EW Frontier对你有帮助，欢迎加入我的知识星球或面包多，更多代码等你来学
知识星球：https://wx.zsxq.com/dweb2/index/group/15552518881412
面包多：https://mbd.pub/o/author-a2mYl2tsbA==/workQQ交流群：554073254
摘要
汽车雷达在近十年来得到了广泛的应用，但也面临着各种各样的干扰。利用低截获概率雷达波形作为解决这一问题的基本途径之一，要求截获接收机具有高精度的波形识别器。传统的低截获概率雷达波形识别方法已被研究，但在信道条件恶化的情况下，它们的性能是不够的。在这封信中，通过利用深度学习（DL）来捕获固有的无线电特征，我们提出了一种卷积神经网络（CNN），即LPI-Net，用于自动雷达波形识别。特别地，首先通过使用Choi-Williams分布的时间-频率分析来分析雷达信号。随后，LPI-Net，主要由三个复杂的模块，被建立来学习时频图像的代表性特征，其中每个模块都是由先前的地图集合来构建的，以获得特征多样性和跳跃连接来保持信息的同一性。仿真结果表明，LPI-Net在0 dB SNR下实现了超过98%的13个波形识别准确率，并且比其他深度模型表现更好。
引言
由于无线电频谱被严重占用，汽车雷达传感系统迫切需要抗干扰技术[1]，这通常被部署在电子战系统中。一个基本的对策是利用低截获概率雷达波形，其中低截获概率特性是期望使雷达信号远离通常部署在雷达警告接收机旁边的拦截接收机，以可能地识别发射机并检测威胁。因此，这需要在高级拦截接收器中实现自动波形识别，以可靠地认证LPI信号。现有的低截获概率雷达波形识别方法主要包括两个过程：特征提取和波形分类。计算几个手工特征来描述一维原始波形的特征，例如，复包络的高阶矩和累积量[2]、自相关函数[3]、功率谱密度[4]和描述性统计量（例如，方差和峰度）的瞬时相位和频率[5]。此外，一些时频分析（TFA）技术，如短时傅立叶变换（STFT）[6]，分数阶傅立叶变换[7]，Wigner-Ville分布（WVD）[8]和Choi-Williams分布（CWD）[9]，通常用于同时在时域和频域描述信号特性。引入了多种变换的高级组合[10]，通过提取不同时频表示的更多相关特征来提高波形识别精度。
最近，创新的DL架构已经被利用来获得自动特征提取和有效分类器学习的端到端过程。为了估计无源系统中的雷达波形，提出了具有多个递归神经网络结构的级联自动编码器架构[11]，以无监督的方式从发射信号中学习波形模式。此外，CNN已被广泛采用，用于识别雷达波形的基础上的时频图像（TFI）所产生的上述TFA技术。值得注意的是，考虑到CNN在捕获多级特征和分析高维非结构化数据的多尺度表示信息（例如，图像和视频），已经引入了许多基于CNN的LPI波形识别框架。例如，Wang等人。[8]设计了一个具有四个卷积层的CNN架构来学习WVDTFI的视觉特征。深度模型比基于ACF的方法更精确地识别五种波形类型[3]。Kong等人。[12]部署了一个简单而直接的CNN架构来学习CWD-TFI的视觉特征，以进行12波形分类。除了由两个卷积层提取的弱区分特征外，由于在没有全局池化的情况下，全连接层中有许多可训练参数，因此网络具有极高的计算复杂度。现有的大多数工作存在两个缺点：（i）传统的方法提取手工制作的低级特征来学习传统的分类器不能获得高的识别率，以及（ii）深度具有常规CNN架构的学习（DL）框架妨碍了对固有波形特性的密集利用。
为了科普上述问题，我们提出了一种有效的基于DL的方法来自动识别各种LPI雷达波形。具体地说，我们利用CWD来分析雷达信号的时频表示。与STFT和WVD相比，CWD提供了更高的时频分辨率和抑制干扰[13]。CWD-TFA产生的TFI由深度CNN（即LPI-Net）学习，该CNN旨在有效地提取用于模式识别的高度有意义的特征。简而言之，主要贡献可归纳如下：
·提出了一种基于有效DL模型和CWD-TFA相结合的高精度LPI雷达波形识别方法。
·提出LPI-Net，一种具有多个级联处理模块的深度CNN，用于在多尺度表示中学习高度区分的特征，其中特征收集与跳过连接相关联，以丰富特征多样性并防止消失梯度问题。
·在合成通道损伤下实现13种LPI雷达波形的高识别精度，并显著优于其他现有的TFA技术和深度模型。
文章插图
结论
在这封信中，我们提出了一种基于DL的方法，大大提高了性能的LPI雷达波形识别。我们提出了一种高性能的CNN模型，即LPI-Net，以从CWD-TFI中捕获相关特征。LPI-Net中的几个核心处理模块通过深度连接的前面的特征集合和通过元素添加的跳过连接进行专门化，以提高学习效率。所提出的网络在0 dB SNR下实现了98.6%的高波形识别准确率，大大优于几种最先进的深度网络。未来的工作将集中在研究一些复杂的TFA技术（基于模糊函数的时频速率表示和时间码片速率表示[18]）来抑制交叉项干扰，并升级网络架构以提高波形识别的准确性。
限面包多购买
