引言
随着现代电子战环境的日益复杂，雷达系统面临的干扰信号呈现多样化、动态化的特点。干扰信号不仅包括传统的噪声干扰、欺骗干扰，还涵盖了频率捷变干扰、数字射频存储干扰等新型形式。这些干扰信号时变特性强、调制方式复杂，对雷达系统的抗干扰能力提出了严峻挑战。因此，研究高效、准确的雷达干扰信号识别方法，对提升雷达系统作战效能具有重要意义。
目前，雷达干扰信号识别的研究主要集中在信号差异性特征提取和机器学习分类器设计两个方面。基于差异性特征提取的方法通常依赖于人工设计特征参数，并对差异性特征进行直接分类。基于机器学习分类器设计的方法则利用深度神经网络在自动特征提取与分类上的优势，对干扰信号进行智能分类识别。例如，文献[1-2]利用时频分析获取干扰信号的差异性特征，结合卷积神经网络进行分类。文献[3-4]设计高阶统计量作为特征参数，利用简单分类器进行分类。文献[5]设计一组关联的特征参数，改进卷积神经网络进行智能分类，实现了较高的识别精度。文献[6-7]设计多域特征，提出一种机器学习方法，有效区分典型干扰信号。文献[8-10]利用新的神经网络模型对典型雷达干扰进行分类识别。然而，这些方法在面对复杂多变的干扰场景时，往往因为特征设计的局限性、机器学习方法的泛化能力差等问题，导致识别性能严重下降。
据此，本文提出了一种基于多域特征的雷达有源干扰信号智能识别方法。首先设计出多域特征参数，综合表征雷达有源干扰在时域、频域和变换域的特征；然后，利用主成分分析（Principal Component Analysis，PCA）方法在消除特征冗余、降维上的优势，筛选出最具代表性和区分性的特征集；最后，构建随机森林分类器对干扰信号进行分类识别，有效处理干扰中的噪声和不确定性，适用于复杂的雷达干扰环境。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006853
作者信息：
荆贺，肖健，齐恂，程耀坤，李明杰
（陆军工程大学石家庄校区 电子与光学工程系，河北 石家庄 05003）
