雷达辐射源识别综述

雷达辐射源识别综述笔记

按时间分类

1970~1980：脉冲描述字：特征参数匹配法

1985：脉冲描述字：专家系统、人工神经网络、遗传算法、模糊逻辑

1989：脉内分析：时频分析、时域自相关法、调制域分析、数字中频分析、复倒谱分析、相干检波技术和小波变换等脉内特征分析；个体特征：小波包络

2000：多传感器数据融合

2000：机器学习

统计学习（频率派）：K近邻、决策树、支持矢量机

神经网络

迁移学习

集成学习：Boosting、Bagging、随机森林:优势

聚类：K-means、模糊C-均值聚类算法

按处理数据类型分类

脉间特征 (PDW)

特征参数匹配法

(Liangliang 等, 2010)该文提出了一种基于脉冲匹配模板序列的雷达发射机识别方法，并给出了该方法的结构和算法。通过计算机仿真，该方法可以快速有效地识别雷达发射机的类别。

“Templatematching” (“Radar classification using a neural network”, p. 202)

“基于灰关联分析的雷达辐射源识别方法研究” (赵, 2023, p. 61)

“基于云模型和改进灰关联算法雷达辐射源识别” (赵, 2023, p. 61)

“探讨一种新的雷达信号描述方式和识别技术” (赵, 2023, p. 61)

“基于自提取样本图的雷达辐射源识别新方法” (赵, 2023, p. 61)

“基于脉冲样本图和 vague 集的雷达辐射源识别” (赵, 2023, p. 61)

“通过对数据库或者知 识库进行 比较查询来进行 雷达属性识别 。 优 点是实现简单，识别速 度快 。 缺点是对先验知识的依 赖性非常强 ，缺少推理 ，灵活性差，特别是对于参数不全、 参数畸变及许多新体制和新用途的雷达无 能为力。” (汪 等, 2006, p. 1)

“过分依赖现有数据库，不具备推理能力，并且没有考虑五 种参数在时域、空域和频域上的相关性” (赵, 2023, p. 7)

“这类方法的特点是 实现相对简单，识别速度快。” (周 和 姜, 2007, p. 36)

“雷达辐射源数据库比对识别就是将截获到的雷达 信号与数据库中存放的已知雷达信号进行比对[3]，经 算法判断识别雷达类别及型号等。” (周 和 姜, 2007, p. 36)

(周