第１期 雷达科学与技术 Ｖｏ

ｌ．１９Ｎｏ．
１
２０２１ 年 ２ 月 Ｒａｄａｒ　
Ｓｃｉ
ｅｎｃｅ　
ａｎｄ　
Ｔｅｃｈｎｏ
ｌｏｇｙ Ｆｅｂ
ｒｕａ
ｒ ２０２１
ｙ　

ＤＯＩ： ３９６９／
１０． ｊ．ｉ
ｓ １６７２－２３３７．
ｓｎ． ２０２１．
０１．
０１４

基于神经网络与时域校验的信号分选方法
＊

刘峻臣，胡 　 进
（中国船舶重工集团公司第七二四研究所，江苏南京 ２１１１０６）

　　 摘 　 要：针对现有雷达信号预分选方法对参数捷变雷达信号分选准确率不高的技术难题 ，提出了一种
基于深度学习算法的全连接神经网络与时域校验的雷达信号预分选方法。该方法 首 先 提 取 雷 达 数 据 库 中
已知雷达信号的载频、脉宽和脉内调制信息作为单脉冲分选特征，使用全连接神经网络完成单脉冲的识别。
为了避免神经网络将未在雷达数据库中的信号（未知雷达信号）识别为已知雷达信号，在神经网络的输出层
中加入置信度神经元生成置信指数，将置信指数低于阈值的判定为未知雷达信号进行剔除。最后根据分选
结果调用雷达数据库中对应的时域信息（脉冲重复 间 隔），进行 时域 校 验，完 成 雷 达 信 号 预 分 选。仿 真 结 果
表明，该方法在不同信噪比环 境 下 对 参 数 捷 变 雷 达 信 号 有 较 高 的 分 选 准 确 率，并 且 能 有 效 剔 除 未 知 雷 达
信号。
关键词：信号分选；参数捷变；全连接神经网络；置信指数；时域校验

中图分类号：
ＴＮ９７１　　 文献标志码：
Ａ　　 文章编号：
１６７２－２３３７（
２０２１）
０１－００８６－０６

Ａ　
Ｍｅｔ
ｈｏｄ　
ｏｆ　
Ｒａｄａｒ　Ｓｉ
ｇｎａ
ｌ　Ｓｏ
ｒｔｉｎｇ　Ｂａｓｅｄ　
ｏｎ　Ｎｅｕｒ
ａｌ　
Ｎｅｔｗｏ
ｒｋ
ａｎｄ　Ｔｉｍｅ　
Ｄｏｍａ ｉ
ｎ　 Ｖｅｒ
ｉｆｉｃａ
ｔｉｏｎ
Ｊｕｎｃｈｅｎ，ＨＵ　
ＬＩＵ　 Ｊｉｎ
（
Ｔｈｅ　 ｔ
７２４ｈ　
Ｒｅｓ
ｅａｒ
ｃｈ　
Ｉｎｓ
ｔｉｔ
ｕｔｅ　
ｏｆ　
Ｃｈｉ
ｎａ　
Ｓｈｉｐｂｕ
ｉｌｄｉ
ｎｇ　
Ｉｎｄｕｓ
ｔｒｙ　
Ｃｏｒｐｏ
ｒａｔ
ｉｏｎ，Ｎａｎｊ
ｉｎｇ ２１１１０６，Ｃｈ
ｉｎａ）

　　Ａｂ ｓｔｒ
ａｃ ｔ： Ａｉｍｉ ｎｇ　ａｔ
　ｔｈｅ　ｔ
ｅｃｈｎｉｃａ
ｌ　ｄ
ｉｆｆ
ｉｃｕ
ｌｔｙ　ｔ
ｈａ ｔｔ
　ｈｅｅｘ
　 ｉｓｔ
ｉｎｇ　ｒ
ａｄａｒ ｓ
　ｉｇｎａ
ｌ　ｐｒｅ－ｓｏｒ
ｔｉｎｇ　ｍｅｔｈｏｄ　ｈａｓ
　ｌｏｗ　ａｃｃｕｒａ－
ｃｙ　ｏｆ　ｐａｒ
ａｍｅ ｔ
ｅｒ　ａｇｉ
ｌｅ　ｒａｄａｒ　ｓ
ｉｇｎａｌｓ
　ｏｒｔ
ｉｎｇ，ａ　ｆ
ｕｌｌ ｃ
ｙ　 ｏｎｎｅｃ
ｔｅｄ　ｎｅｕｒａ
ｌ　ｎｅｔｗｏ ｒｋ　
ｂａｓｅｄ　ｏｎ　ｄｅｅｐ
　ｌｅａ
ｒ ｎ
ｉｎｇ　ａｌｇｏｒｉ
ｔｈｍ　ａｎｄ
ｔｉｍｅ－ｄｏｍａ ｉｎ　ｖｅｒｉ
ｆｉｃ
ａｔｉｏｎ　ｒａｄａｒ　ｓ
ｉｇｎａｌ
　ｐｒｅ－ｓ
ｏｒｔ
ｉｎｇ　 ｍｅｔｈｏｄ　ｉ
ｓ　ｐｒｏｐｏｓｅｄ．Ｆ ｉｒｓｔ
ｌｙ，ｔ ｈｉｓ　ｍｅｔｈｏｄ　ｅｘｔｒａｃ
ｔｓ　ｔｈｅ　ｃ
ａ ｒ
ｒｉｅｒ
ｆｒｅｑｕｅｎｃｙ，ｐｕ ｌ
ｓｅ　ｗｉｄｔｈ　ａｎｄ　ｉｎｔ
ｒａ－ｐｕｌ
ｓｅ　ｍｏｄｕｌａ
ｔｉｏｎ　ｉｎｆ
ｏｒｍａｔｉｏｎ　ｏ
ｆ　ｔｈｅ　ｋｎｏｗｎ　ｒａｄａｒ　ｓ
ｉｇｎａｌｉ
　ｎｔ
　ｈｅ　ｒａｄａｒ　ｄａｔ
ａｂａｓｅ　ａｓ
ｔ
ｈｅｓ
　ｉｎｇｌ
ｅ　ｐｕ
ｌｓｅ
　ｓｏ
ｒｔｉ
ｎｇ　ｆｅ
ａｔｕｒｅｓ，ａｎｄ　ｕｓ
ｅｓ　ｔｈｅ
　ｆｕｌ
ｌ ｃ
ｙ　ｏｎｎｅｃ
ｔｅｄ　ｎｅｕｒａ
ｌ　ｎｅｔｗｏｒｋｔ
　ｏ　
ｃｏｍｐ ｌ
ｅｔｅ
　ｔｈｅ
　ｉｄｅｎｔ
ｉｆ
ｉｃａｔ
ｉｏｎ　
ｏｆｔ
　 ｈｅ
ｓ
ｉｎｇ
ｌｅ　ｐｕｌ
ｓ ，
ｅ．Ｔｈｅｎ ｉｎ　
ｏｒｄｅｒ
　ｔｏ　ａｖｏ
ｉｄｔ
　ｈａｔｔ
　ｈｅ　ｎｅｕ
ｒａｌｎｅ
　 ｔｗｏｒｋ　
ｒｅｃｏｇｎｉ
ｚ ｅ
ｓ　ｔｈｅ
　ｓｉ
ｇｎａｌ （
ｓ ｕｎｋｎｏｗｎ　ｒａｄａ
ｒ　ｓ
ｉｇｎａｌ ）
ｓｔ ｈａｔ
ａｒｅ　
ｎｏｔｉ
　ｎ　ｔｈｅ
　ｒａｄａｒ　ｄａｔ
ａｂａｓｅａ
　ｓｔ
　ｈｅ　
ｋｎｏｗｎ　ｒａｄａ
ｒ　ｓ
ｉｇｎａｓ，ａ
ｌ 　ｃｏｎ
ｆｉｄｅｎｃｅ　
ｎｅｕｒｏｎｉ
　ｓａｄｄｅｄ
　 ｔ
　ｏ　ｔ
ｈｅ　ｏｕｔｐｕｔ
　ｌａｙｅ
ｒ　ｏｆ
　ｔｈｅ
ｎｅｕｒａ
ｌ　ｎｅｔｗｏｒｋ　ｔｏ　ｇｅｎｅｒａ
ｔｅ　ａ
　ｃｏｎｆ
ｉｄｅｎｃ
ｅ ｎｄｅｘ，ｒ
　ｉ ｅｅ
ｊｃｔ
ｉｎｇ
　ｔｈｅ　ｄｅｃｉ
ｓｉｏｎ　ｔ
ｈａｔ　ｔｈｅ
　ｃｏｎｆ
ｉｄｅｎｃｅ
　ｉｎｄｅｘ　ｉ
ｓ　ｂｅｌｏｗ　ｔｈｅ
ｔ
ｈｒｅ
ｓｈｏｌｄ　
ａｓ　ａｎ　ｕｎｋｎｏｗｎ　ｒ
ａｄａｒｓ
　ｉｇｎａ
ｌ．Ｆ ｉ
ｎａｌ
ｌｙ，ａｃｃｏ
ｒｄｉｎｇ
　ｔｏｔ
　ｈｅ
　ｓｏｒｔ
ｅｄｒ
　ｅｓｕｔ，ｔ
ｌ ｈｅ　ｃ
ｏｒｒｅｓｐｏｎｄ
ｉｎｇ
　ｔｉｍｅ　
ｄｏｍａｉｎｉ
　ｎ－
ｆ
ｏｒｍａｔ
ｉｏｎ （ｐｕｌｓ
ｅ ｒ
　ｅｐｅｔ
ｉｔ
ｉｏｎｉ
　ｎｔ
ｅｒｖａｌ）ｉｎ
　ｔｈｅｒ
　ａｄａ
ｒ　ｄａｔ
ａｂａｓｅ
　ｉｓ
　ｃａ
ｌｌｅｄ
　ｔ ｐｅ
ｏ　 ｒｆ
ｏｒｍ　ｔ
ｉｍｅ　ｄｏｍａｉｎ　
ｖｅｒ
ｉｆｉ
ｃａｔ
ｉｏｎｔ
　ｏ　
ｃｏｍ－
ｐｌ
ｅｔｅｔ
　ｈｅ　ｒ
ａｄａｒｓ
　ｉｇｎａ
ｌ　ｐｒｅ－ｓ
ｏｒｔ
ｉｎｇ．Ｔｈｅ　ｓｉｍｕｌ
ａｔｉｏｎ　ｒｅｓｕｌ
ｔｓ　ｓｈｏｗ　ｔｈａ
ｔ　ｔｈｅ　
ｍｅｔ
ｈｏｄ　ｈａｓ　ｈ
ｉｇｈｅｒｓ
　ｏｒ
ｔｉｎｇ　
ａｃｃｕｒ
ａｃｙｆ
　ｏｒ
ｐａｒ
ａｍｅ ｔ
ｅｒ－ａｇ
ｉｌｅ
　ｒａｄａ
ｒ　ｓ
ｉｇｎａｌｓ　
ｕｎｄｅ
ｒ　ｄ
ｉｆｆ
ｅｒｅｎｔ
　ｓｉ
ｇｎａ ｌ
－ｔｏ－ｎｏｉ
ｓｅ　ｒａｔ
ｉｏ　
ｅｎｖｉｒ
ｏｎｍｅｎｔ
ｓ　ａｎｄ　
ｃａｎ　
ｅｌｉｍｉ
ｎａｔｅ
　ｔｈｅ　
ｕｎｋｎｏｗｎ　
ｒａ－
ｄａ
ｒ　ｓ
ｉｇｎａｌ
ｓ　ｅ
ｆｆｅｃ
ｔｉｖｅ
ｌｙ．
Ｋｅ
ｙ　ｗｏｒｄｓ：ｓ ｏ
ｒｔｉ
ｎｇ　
ｓｉｇｎａ
ｌｓ；ｐａ
ｒａｍｅ
ｔｅｒ
　ａｇ
ｉｌｉ
ｔｙ；ｆ
ｕｌｌ
ｙ　ｃ
ｏｎｎｅ
ｃｔｅｄ　
ｎｅｕ
ｒａｌ
　ｎｅ
ｔｗｏ
ｒｋ；ｃ
ｏｎｆ
ｉｄｅｎｃ
ｅ　ｎｄｅｘ；ｔ
ｉ ｉｍｅ　
ｄｏ－
ｍａ
ｉｎ　
ｖｅｒ
ｉｆｉ
ｃａｔ
ｉｏｎ

０　 引 言
随 着 电 子 信 息 技 术 的 逐 渐 发 展，当 今 电 子 侦
察设备面 临 的 电 磁 环 境 越 来 越 复 杂，一 方 面 体 现
在脉冲流 密 度 急 剧 增 加，另 一 方 面 体 现 在 雷 达 信
号的调 制 方 式 越 来 越 复 杂 多 变 ［１－２］。 如 果 能 利 用
雷达数据库中的信 息 对 脉 冲 流 中 的 已 知 信 号 进 行
预分选，将大大提高 雷 达 信 号 分 选 的 效 率，实 现 对
雷达脉冲 流 的 稀 释，降 低 后 续 对 未 知 雷 达 信 号 进
行分选的复杂度 ［３］。
传统的模板匹配 法 使 用 雷 达 数 据 库 先 验 信 息

＊
收稿日期：２０２０－０７－０９；修回日期：２０２０－０８－２０
２０２１ 年第 １ 期 刘峻臣：基于神经网络与时域校验的信号分选方法 ８７

进行匹配分选 ［４］，分 选 速 度 较 快，但 无 法 适 用 于 参 双谱是最简单 的 高 阶 谱，运 用 双 谱 分 析，可 以
数捷变的雷达信 号。 聚 类 方 法 将 相 似 度 高 的 雷 达 达 到 有 效 抑 制 高 斯 噪 声 的 目 的。 若 随 机 序 列
信号划分 为 一 类 ［
５－６］
，有 较 强 的 自 适 应 能 力，但 是 ｓ（
｛ ｎ），
ｓ（ｎ＋τ１），…，
ｓ（ｎ＋τｋ－１）｝的 ｋ 阶 累 积 量
没有充分利用雷达 数 据 库 的 先 验 信 息 进 行 准 确 识 满足
别。传统的 神 经 网 络 层 数 较 少，将 其 应 用 于 雷 达 ∞ ∞
… ｃｋｓ （
τ１ ，…，
τｋ－１） ＜ ∞ （
２）
信 号 预 分 选 时 ［７］，存 在 学 习 速 度 慢、拟 合 精 度 不 ∑
τ１＝ －∞ τｋ－１＝ －∞
∑
高、易陷入局部极小 值，无 法 正 确 剔 除 未 知 雷 达 信 则其 ｋ 阶谱分布为ｋ 阶 累 积 量 的（
ｋ－１）维 离
号等问题。 针 对 以 上 问 题，本 文 同 时 将 脉 间 和 脉 散傅里叶变换，信号的双谱即三阶谱，定义为
内参数 ［
作 为 信 号 分 选 特 征，使 用 基 于 深 度 学 习
８］ ∞ ∞
（ ）
Ｂｓ（
ｗ１ ，
ｗ２）＝ ∑ ∑ｃ ｓ
３ （
τ１ ， ｅ－ｊｗ１τ１＋ｗ２τ２
τ２）
算法实现的全连接 神 经 网 络 作 为 分 类 器 实 现 对 已 τ１＝－∞ τ２＝ －∞

知雷达信 号 的 分 选，并 且 在 全 连 接 神 经 网 络 中 引 （
３）
入了置信度神经元 ［
９］
来感知未知雷达信号并进行 对变换后的信号沿 时 间 频 率 对 角 面 对 空 间 Ｘ
剔除。最后利用雷达 数 据 库 中 信 号 的 脉 冲 重 复 间 进行子空间划分为 Ｘ１ ， Ｘ Ｎ ，则 变 换 后 的 信
Ｘ２ ，…，
ＰＲＩ）信息进行时域校验，进 一 步 剔 除 未 知 雷 达
隔（ 号 Ｓ 在特征子 空 间 Ｘｉ 下 的 子 空 间 分 布 概 率 可 表
信号，进而提高分选准确率。 示为

∑Ｅ（Ｓ）
Ｘｉ

１　 改进的全连接神经网络 ＰＸｉ ＝ ，
ｉ＝１，
２，…，
Ｎ （
４）
∑Ｅ（Ｓ）
Ｘ
基于深度学习算 法 实 现 的 全 连 接 神 经 网 络 是
根 据 信 息 熵 的 定 义，可 以 得 到 子 空 间 分 布 概
一种非线 性 数 据 建 模 工 具，常 用 来 对 输 入 与 输 出
率下信号的信息熵：
间复杂的 关 系 进 行 建 模，具 有 独 特 的 分 布 并 行 处 Ｎ

理、非线性 映 射 和 自 适 应 学 习 能 力 等 特 征 ［
１０］
。该 Ｈｘ （
ｓ）＝－ ∑Ｐｘｉｌ
ｎＰｘｉ （
５）
ｉ＝１
网络结构包含多个 隐 藏 层，能 以 更 少 模 型 参 数、更 对信号的 维 格 纳 分 布 和 双 谱 分 布 进 行 式 （
４）
快收敛速度和更高拟合精度来逼近现实 ［
。全 连
１１］
与式 （
５）的 计 算 可 以 得 到 信 号 的 维 格 纳 熵 与 双
接神经网络的训练 分 为 前 向 传 播 和 反 向 传 播 两 个 谱熵。
过程，在前向传播过 程 中，通 过 输 入 特 征 得 到 分 类
结果。反向传播利用 梯 度 下 降 法 对 损 失 函 数 进 行 ２　 改进的全连接神经网络结构
１．
优化，使损失函数减 小，从 而 实 现 对 神 经 网 络 参 数 本文使用的全连接神经网络结构如图 １ 所示。
的调整，不断提高神经网络的分类能力。

１　 全连接神经网络输入特征
１．
全连接神经网络 的 输 入 分 别 为 雷 达 脉 冲 信 号
的载频、脉宽，以及文 献 ［
１２］中 提 出 的 用 以 区 分 雷
达脉内调制模式的维格纳熵和双谱熵。
维 格 纳 分 布 是 时 频 分 析 中 常 采 用 的 方 法，是
一种典型的 Ｃｏｈｅｎ 类时 频 分 析 方 法。 维 格 纳 分 布
定义为信 号 的 中 心 协 方 差 函 数 的 傅 里 叶 变 换，能 图 １　 全连接神经网络结构图
充分体 现 信 号 在 能 量 空 间 的 瞬 时 功 率 谱 密 度 特
全 连 接 神 经 网 络 由 输 入 层、隐 藏 层 和 输 出 层
征。信号ｓ（
ｔ）的维格纳分布定义为 组成。输入层有 ４ 个神经元，输入雷达脉冲的 ４ 种
１ １ １
∫ （ ）（ ）
∞
Ｗｓ（
ｔ，
ｆ）＝ ｔ＋ τｓ＊ ｔ－ τ ｅ－ｊ２πｆτｄ
ｓ　 τ 特征，分别为 雷 达 脉 冲 信 号 的 载 频、脉 宽、维 格 纳
２π －∞ ２ ２
熵和双谱熵。
（１）
隐藏层一 共 有 ４ 层，分 别 包 含 ３２、 １２８ 和
１２８、
 　　　　
８８ 雷达科学与技术 第 １９ 卷第 １ 期

３２ 个神经元，每 一 层 神 经 元 将 上 一 层 输 出 数 据 作 入了一个置信度神经元。
为输 入，乘 以 权 重 Ｗ ，再 加 上 偏 置 ｂ，最 后 通 过 置 信 度 神 经 元 连 接 前 一 层 隐 藏 层，在 神 经 元
ＲｅＬＵ 激活 函 数 得 到 下 一 层 神 经 元 的 输 入，公 式 内使 用 Ｓ
ｉｇｍｏ
ｉｄ 激 活 函 数 生 成 置 信 指 数 ｃ。 改 进
如下： 后的全连接神经网络的输出概率为
ａ ＝ＲｅＬＵ（
１
Ｗ ａ ＋ｂ ） 烌
１　 ０ １
Ｐ′
ｊ＝ｃ·Ｐｊ ＋ （
１－ｃ）
ｙｊ （
８）
ａ ＝ＲｅＬＵ（
２
Ｗ ２ａ
　 １
＋ｂ２） 式中，
Ｐｊ 为 Ｓｏ
ｆｔｍａｘ 层 输 出 概 率，
ｙｊ 为 训 练 样 本
烍 （
６）
ａ３ ＝ＲｅＬＵ（
Ｗ ３ａ
　 ２
＋ｂ３） 原始标签。当ｃ 较大（置信度高）时，神经网络的预
ａ ＝ＲｅＬＵ（
４
Ｗ ａ ＋ｂ ）烎
４　 ３ ４
测结果主 要 取 决 于 Ｓｏ
ｆｔｍａｘ 层 的 预 测 概 率，当 ｃ
式中，ａ 为输入层数据，
０
Ｗ １ ∈Ｒ４×３２ ，
Ｗ ２ ∈Ｒ３２×１２８ ， 较小（置 信 度 低 ）时，神 经 网 络 的 预 测 结 果 主 要 取
３
Ｗ ∈Ｒ ，Ｗ ∈Ｒ
１２８×１２８ ４ １２８×３２
，
ｂ ∈Ｒ ，
１ ３２
ｂ ∈Ｒ ２ １２８
， 决于样本原始标签的类型。
３
ｂ ∈Ｒ １２８
，
ｂ ∈Ｒ３２ 。
４

输出层使 用 Ｓｏ
ｆｔｍａｘ 函 数 进 行 分 类，分 别 输 ４　 损失函数
１．
出各个类别的 可 能 性 （
０． ０），最 后 选 择 可 能
０～１． 由 于 雷 达 信 号 分 选 属 于 分 类 问 题，所 以 本 文
性得分最 高 的 类 别 作 为 预 测 的 类 别。Ｓｏ
ｆｔｍａｘ 层 采用了 Ｓｏ
ｆｔｍａｘ　 ｓ函数用以计算当前迭代中的
Ｌｏｓ
的输出概率为 分类损失，损失函数如下：
ｙｉ Ｎ
ｅ　
Ｐｉ ＝ Ｋ
（
７） ｏｇ（
Ｌｓ ＝－ ∑ｙｊｌ Ｐ′ｊ ） （
９）
ｙｉ
∑ ｉ＝１
ｅ　 ｊ＝１

式中 ｙｉ 为原始输出层第ｉ 个神经元的输出值。 为 全 连 接 神 经 网 络 的 训 练 过 程，会 不 断 将 损 失

了实现全 连 接 神 经 网 络 对 未 知 雷 达 信 号 的 剔 除， 函数最小化，加入置 信 度 神 经 元 后，如 果 直 接 对 式

在原始输出层的 Ｋ 个神经元的基础上增加了一个 ９）进行优化，则 神 经 网 络 会 倾 向 于 将 置 信 指 数 ｃ

（

置信度神 经 元，并 设 置 一 个 阈 值 判 断 层 将 置 信 度 训练 为 ０，以 此 来 最 小 化 损 失 函 数，所 以 在 原 有 的

小于阈值的雷达信号判定为未知雷达信号。 损失函 数 上 需 要 加 上 置 信 指 数 ｃ 的 损 失，定 义

如下：
３　 置信度神经元设定
１． ｏｇ（
Ｌｃ ＝－ｌ ｃ） （
１０）
在 雷 达 信 号 预 分 选 问 题 中，假 设 雷 达 数 据 库 最终 得 到 改 进 的 全 连 接 神 经 网 络 的 损 失 函
中包含 Ｋ 部已 知 雷 达。 我 们 使 用 Ｋ 部 已 知 雷 达 数为
信号样本 对 神 经 网 络 进 行 训 练 后，希 望 神 经 网 络 Ｌ ＝Ｌｓ＋λＬｃ （
１１）
在准确识 别 已 知 雷 达 信 号 的 同 时，对 未 训 练 过 的 在全连接神 经 网 络 的 训 练 过 程 中，当 λ 设 置
雷达信号 具 备 感 知 能 力，将 其 判 断 为 未 知 雷 达 信 为固定值时，如果 Ｌｓ 远远小 于 Ｌｃ 时，神 经 网 络 会
号。对未知 雷 达 信 号 的 判 定，在 本 质 上 是 开 集 分 倾向于让置信指数ｃ 一直输出 １，以此来减 小 损 失
类问题 ［
１３］
。对于 传 统 的 全 连 接 神 经 网 络 而 言，使 函数，这样 置 信 度 神 经 元 将 失 去 判 别 未 知 雷 达 信
用已知雷 达 信 号 样 本 进 行 训 练，神 经 网 络 只 能 分 号的能力。 所 以 在 实 际 训 练 中，需 要 设 置 动 态 的
选出学习 过 的 已 知 雷 达 信 号，对 于 未 知 的 雷 达 信 λ，用来 平 衡 训 练 时 的 Ｌｃ 和 Ｌｓ，当 Ｌｓ ≥Ｌｃ 时，减
号，会按照相似度分 选 为 与 其 最 相 似 的 类 别，这 样 小λ，用来减小 Ｌｃ 所占比例，优先提高准确率。 当
会造成严重的分选错误。 Ｌｓ＜Ｌｃ ，增大λ，用以增大 Ｌｃ 所占比例，从而增加
在全连接神经网络中， Ｓｏｆｔｍａｘ 层输出的预测 已知信号的置信指数。
概率 和 置 信 度 的 关 联 程 度 比 较 低 ［１４］，并 且 由 于 本 这种方法在实际 训 练 过 程 中 还 会 导 致 强 烈 的
文使用了 ＲｅＬＵ 激 活 函 数，会 使 得 神 经 网 络 对 未 正则化，在处理边界 数 据 时，会 将 其 置 信 度 设 置 得
训练 过 的 雷 达 信 号 也 输 出 较 高 的 预 测 值 ［
１５］
，如 果 很大，从而影响对边 界 区 域 未 知 雷 达 信 号 的 判 别。
直接对 Ｓｏ
ｆｔｍａｘ 层的输 出 结 果 设 置 阈 值 来 判 定 是 为了解决 这 个 问 题，在 实 际 神 经 网 络 的 训 练 过 程
否为已知 雷 达 信 号，会 造 成 严 重 的 判 别 错 误。 因 中对一半 数 据 使 用 新 的 损 失 函 数，另 外 一 半 数 据
９］中 的 方 法，在 原 始 输 出 层 中 加
此本文参考文献［ 使用原始的损失函数。
２０２１ 年第 １ 期 刘峻臣：基于神经网络与时域校验的信号分选方法 ８９

冲作为基准脉冲，向 后 匹 配 窗 口 参 数，若 有 脉 冲 出
现在窗口内，则将第 一 个 脉 冲 抽 取 出，并 且 将 出 现
２　 时域校验 在窗口内的脉冲作为下一个基准脉冲，若连续３ 个
改进的全连接神 经 网 络 利 用 阈 值 判 断 层 虽 然 脉冲没有出现在窗 口 内，则 丢 弃 第 一 个 脉 冲，并 且
在一定程 度 上 剔 除 了 未 知 雷 达 信 号，但 是 当 出 现 将第二个脉冲作为 基 准 脉 冲，继 续 进 行 窗 口 校 验，
的信号和 已 知 类 信 号 非 常 相 似 时，全 连 接 神 经 网 直至脉冲抽取完 成。 抽 取 出 来 的 脉 冲 判 定 为 该 已
络仍然有一定概率 将 其 划 分 到 与 之 最 相 似 的 已 知 知类型雷达信号，剩余脉冲判定为未知雷达信号。
雷达信号 的 类 别 中 去，这 样 就 会 影 响 后 续 对 未 知
雷达信号的分选工作。
为 了 进 一 步 剔 除 未 知 雷 达 信 号，本 文 利 用 雷
３　 方法设计
达数据库里的时域 信 息（脉 冲 重 复 间 隔）对 全 连 接 本文设计的基于 全 连 接 神 经 网 络 与 时 域 检 验
神经网络的分选结果进行时域校验。 的 方 法 （Ｆｕ
ｌｌｙ　Ｃｏｎｎｅｃｔ
ｅｄ　Ｎｅｕｒ
ａｌ　Ｎｅ
ｔｗｏｒｋ　ａｎｄ
对于不同 ＰＲＩ调制类 型 的 信 号 采 用 不 同 的 窗 Ｄｏｍａ
Ｔｉｍｅ　 ｉｎ　Ｉ
ｎｓｐｅｃ
ｔｉｏｎ ＦＮＮＴＩ 首 先 将 雷 达 数
， ）
口校验方式，对时域校验窗口的定义如表 １ 所示。 据库已知 雷 达 信 号 的 单 脉 冲 参 数 （脉 宽、载 频、维
对 雷 达 信 号 进 行 时 域 校 验 时，选 择 第 一 个 脉 格纳熵、双 谱 熵 ）作 为 全 连 接 神 经 网 络 的 输 入 特
　　　表 １　 不同 ＰＲＩ调制类型时域校验窗口参数 征，雷达型号作为标 签，对 改 进 的 全 连 接 神 经 网 络

调制类型 窗口类型 窗口中心值 窗口大小

进行训练。 分 选 测 试 时，将 待 分 选 的 雷 达 信 号 单
固定 ＰＲＩ容差
脉冲参数 输 入 训 练 后 的 全 连 接 神 经 网 络，得 到 置
抖动 单一固定 ＰＲＩ中心值 ＰＲＩ抖动范围 信指数ｃ 和分类预测结果，置信指数ｃ 小于阈值的
滑变 窗口 及其整倍数 ＰＲＩ滑变范围 雷达信号 判 为 未 知 雷 达 信 号，对 大 于 阈 值 的 雷 达
正弦调制 ＰＲＩ调制范围 信号进行 时 域 校 验，时 域 检 验 成 功 的 判 定 为 雷 达
组变 多个固定 每个 ＰＲＩ中心值 数据库中 已 知 信 号，否 则 判 为 未 知 雷 达 信 号。 分
ＰＲＩ容差
参差 窗口 及其整倍数
选方法流程如图 ２ 所示。

图 ２　ＦＮＮＴＩ方法流程图

１　 神经网络训练与测试
４．
４　 雷达信号预分选实验 为了验证本文方 法 对 参 数 捷 变 的 雷 达 信 号 的
本文 设 计 的 实 验 仿 真 环 境：Ｗｉ
ｎｄｏｗ１０，
Ｉｎｔ
ｅｌ 分选效果，设定 ７ 部参数存在混叠并且有一定捷变
ＣＰＵ　７－４７１０ＨＱ，
ｉ ８ＧＢ 内存，显卡为 ＮＶＩＤＩＡ　 Ｇｅ－ 的雷达信 号 作 为 雷 达 数 据 库 中 已 知 信 号，对 神 经
Ｆｏｒ
ｃｅ　ＧＴＸ　８６０ Ｍ。 编 程 工 具 为：Ｍａ
ｔｌａｂ２０１４ｂ， 网络进行训练。雷达 数 据 库 已 知 雷 达 信 号 参 数 如
Ｐｙ
ｔｈｏｎ３．
７．４，
Ｔｅｎｓｏ
ｒｆｌ
ｏｗ－ｇｐｕ　
１． ０。
１４． 表 ２ 所示。
　　　　
９０ 雷达科学与技术 第 １９ 卷第 １ 期

表 ２　 雷达数据库参数

载频／ＭＨｚ 采样率／ 脉宽／ ／μｓ

ＰＲＩ
雷达序号 脉内调制类型 编码类型
及调制类型 ＭＨｚ μｓ 及调制类型
已知 １ 常规调制（
ＣＷ） ［
２０， ２４］，载频捷变
２２， 无 ６０　 ２０　 １５０，固定
已知 ２ 线性调频（
ＬＦＭ） ２０，调频带宽 ２，载频固定 无 ６０　 １０　 １００，抖动量 １％
已知 ３ 非线性调频（
ＮＬＦＭ） ２０，调频带宽 ４，载频固定 无 ６０　 １０ ［
１１０， １３０］，参差
１２０，
已知 ４ 二相编码（
ＢＰＳＫ） ［ ２１］，载频组变，每组 １０ 个
１８， ［
１，１，
０，１，
１，０，
１，０，
１，１］ ６０　 ２０ １６０～１８０］，滑变
［
［
２００， ４００］，组变
３００，
已知 ５ 四相编码（
ＱＰＳＫ） ２０，载频固定 弗兰克编码方式 ６０　 １０
每组 ２０ 个
已知 ６ 频率编码（
ＦＳＫ） ［ ２５］，载频固定
１０， ［
１，１，
１，１，
１，０，
０，１，
１，０，
１，０，
１］ ６０　 ４０　 ２５０，抖动量 １％
线性调频 －二相编码
已知 ７ ２５，调频带宽 ２，载频固定 ［
１，１，
１，０，
０，１，
１］ ６０　 ２１　 ２５０，固定
（
ＬＦＭ＋ＢＰＳＫ）

　　 根据数据库中７ 部雷达信号的参数信息，使用
Ｍａ
ｔｌａｂ 对每种信号在信噪 比 ５， １５ 和 ２０ｄＢ 的
１０，
条件下分别生成５００ 个仿真脉冲，即每种雷达信号
生成 ２　
０００ 个脉冲，
７ 种雷达信号合计 １４　
０００ 个 脉
冲，以雷达型号作为类别标签。
对 全 连 接 神 经 网 络 进 行 训 练 时，分 别 从 每 种
信号的 ５， １５ 和 ２０ｄＢ 脉 冲 中 随 机 取 ４５０ 个 脉
１０，
冲，划分为训练集，合计 １２　
６００ 个脉冲。 将 剩 余 脉
冲划分为验证集，合计 １　
４００ 个脉冲。将训 练 集 中
（
ｂ）准确率随迭代次数变化曲线
脉冲的载频、脉宽、维 格 纳 熵 和 双 谱 熵 作 为 输 入 特
图 ３　 改进的全连接神经网络训练效果图
征，使用 指 数 衰 减 型 学 习 率，初 始 学 习 率 设 置 为
２，学习 衰 减 率 为 ０．
０． ９９，迭 代 次 数 为 ７　
０００ 次， 无量纲值，其 数 值 大 小 用 来 衡 量 预 测 值 与 真 实 值
λ
初始值设定为 １． ０，迭代 ７　０００ 次之后，全连接神经 的差异大小。

６４％ ，神 经 网 络 训
网络在验证集上的准确率为 ９９． 由全连接神经网 络 的 在 验 证 集 上 的 分 选 结 果
练在验证集上的结果如图３ 所示，其中损失函数为 可以看出，全 连 接 神 经 网 络 在 雷 达 参 数 混 叠 且 参
数存在一定捷变的情况下具有很好的分选效果。
　　　　

２　 未知雷达信号判定测试
４．
为了验证分选方法在同时具有已知雷达信号和
未知雷达信号的混合脉冲流中的具体表现，设定 １１
部雷达信号，其中 ７ 部为经过神经网络训练过的雷
达数据库信号，参数如表 ２ 所示，另外 ４ 部为未知雷
达信号。未知雷达信号的脉内调制类型与雷达数据
库中已知雷达信号脉内调制类型相似，脉间参数存
（
ａ）损失值随迭代次数变化曲线
在一定混叠，未知雷达信号参数如表 ３ 所示。

表 ３　 未知雷达信号仿真参数
载频／ＭＨｚ 采样率／ 脉宽／ ／μｓ
ＰＲＩ
雷达序号 脉内调制类型 编码类型
及调制类型 ＭＨｚ μｓ 及调制类型
未知 １ 常规调制（
ＣＷ） ［
１５， １７］，组变，每组 ２０ 个
１６， 无 ６０　 １０　 ２００，抖动量 １％
未知 ２ 线性调频（
ＬＦＭ） １５，调频带宽 ６，载频固定 无 ６０　 １５ ［
２００， ２８０］，参差
２４０，
未知 ３ 二相编码（
ＢＰＳＫ） ［
８， １５］，载频捷变
１１， ［
１，０，
０，１，
１，１，
０，１，
１，０］ ６０　 １０　 ２５０，固定
未知 ４ 四相编码（
ＱＰＳＫ） １５，载频固定 弗兰克编码方式 ６０　 １０　 ３００，正弦调制，调制幅度 ４０
２０２１ 年第 １ 期 刘峻臣：基于神经网络与时域校验的信号分选方法 ９１

　　１１ 部雷 达 信 号 分 别 在 ５，
１０ 和 ２０ｄＢ 的 信 噪 表 ４　 不同信噪比环境下雷达信号分选准确率

比情况下各仿真３００ 个脉冲信号，并且进行脉冲流 分选准确率／％

信噪比／
合并，在 信 噪 比 为 ５ｄＢ 的 环 境 下 使 用 实 验 １ 中 训 ｄＢ 已知 已知 已知 已知 已知 已知 已知 未知
总体
１ ２ ３ ４ ５ ６ ７ 信号
练好的神 经 网 络 模 型 进 行 分 选，对 比 神 经 网 络 输 ５　 ９０　 １００　 １００　 １００　 １００　 １００　 １００　８３．
３３　
９６．
６７
出的最大的 Ｓｏ
ｆｔｍａｘ 预测值和置信度指数ｃ，结果 １０　 ９８．
６６　１００　 １００　９９．
６６　１００　 １００　 １００　８３．
３３　
９７．
７１
２０　 １００　 １００　 １００　 １００　 １００　 １００　 １００　８３．
７５　
９７．
９７
如图 ４ 所示。
表 ５　 不同信噪比环境下时域校验后准确率
分选准确率／％
信噪比／
已知 已知 已知 已知 已知 已知 已知 未知
ｄＢ 总体
１ ２ ３ ４ ５ ６ ７ 信号
５　 ９０　 １００　 １００　 １００　 １００　 １００　 １００　 １００　９８．
７５
１０　 ９８．
６６　１００　 １００　９９．
６６　１００　 １００　 １００　 １００　９９．
７９
２０　 １００　 １００　 １００　 １００　 １００　 １００　 １００　 １００　１００．
００

由雷达信号预分选的最终结果可以看出，时域
校验利用雷达的时域关联特性，在一定程度上能进
一步剔除未知雷达信号，提高分选准确率。
（
ａ）Ｓｏ
ｆｔｍａｘ 预测值分布直方图

５　 结束语
本文利用雷达数据库中雷达信号的脉内和脉间
特征，对加入置信度神经元的全连接神经网络进行
训练，在保证神经网络分选准确率的前提下，增加了
其对未知雷达信号的判别能力。最后对神经网络的
分选结果进行时域校验，进一步提高分选方法的准
确率。仿真实验表明，在不同的信噪比环境下，本文
提出的方法对参数捷变的雷达信号有较高的分选准
ｂ）置信指数ｃ 分布直方图
（
图 ４　５ｄＢ 信噪比下置信度分布直方图
确性，并且能很好地剔除未知雷达信号，具有一定的
参考价值。
由图 ４ 可以看出，已知雷达信号和未知雷达信
号最 大 Ｓｏ
ｆｔｍａｘ 的 预 测 值 出 现 严 重 混 叠，直 接 对 参考文献 ：
Ｓｏ
ｆｔｍａｘ预测值设置阈值无法很好地分离已知雷达
１］王杰贵，靳学明 ．现代雷达信号分选技术综述［
［ Ｊ］．雷达
信号和未知雷达信号。未知雷达信号输出的置信指
科学与技术，
２００６，４（
２）：
１０４－１０８．
数ｃ 相对较小，已知雷达信号输出的置信指数ｃ 相
２］韩俊，陈晋 汶，孙 茹 ．复 杂 体 制 雷 达 辐 射 源 信 号 识 别 新
［
对较大，两者具有一定的区分性，因此通过对置信指 方法［
Ｊ］．雷达科学与技术，
２０１６，１４（
１）：
７６－８０．
数ｃ 设置阈值能够剔除一部分未知雷达信号。 ３］刘旭波，刘敬蜀，刘斌，等 ．随 机 森 林 分 类 用 于 雷 达 信 号
［
将实验 １ 中验证 集 的 最 小 ｃ 值 作 为 置 信 指 数 预分选新算法研究［
Ｊ］．科技导报，
２０１９，
３７（
１３）：
９３－９７．
阈值，小于阈值的判 定 为 未 知 信 号，大 于 阈 值 的 使 ４］王琨鹏，颜 春 林，杨 辉 ．基 于 模 板 匹 配 的 雷 达 辐 射 源 信
［

用 Ｓｏ
ｆｔｍａｘ 层的 预 测 结 果 进 行 类 别 判 断，得 到 结 号识别研究［
Ｊ］．舰船电子对抗，
２０１４，３７（
５）：
３１－３３．

果如表 ４ 所示。 ５］吴连慧，周秀珍，宋新超 ．基于改进 ＯＰＴＩＣＳ 聚类的雷达

［
信号预分选方法［
Ｊ］．舰船电子对抗，
２０１８，
４１（
６）：
９５－９９．
由表 ４ 可 以 看 出，使 用 改 进 的 全 连 接 神 经 网
［
６］ＳＨＥＮＧ　
Ｙ， Ｃ，Ｓ
ＨＯＵ　 Ｉ　Ｗ，ｅ
ｔ　ａ
ｌ．Ｅｘ
ｔｒａ
ｃｔ　
Ｐｕｌ
ｓｅ　
Ｃｌｕｓ－
络，在不同 信 噪 比 环 境 下 对 已 知 雷 达 信 号 都 有 很
ｔ
ｅｒｉ
ｎｇｉ
　ｎ　
Ｒａｄａ
ｒ　Ｓ
ｉｇｎａ
ｌ　Ｓｏ
ｒｔｎｇ［
ｉ Ｃ］∥２０１７Ｉ
ｎｔｅ
ｒｎａ
ｔｉｏｎａ
ｌ
好的分选 效 果，并 且 能 够 剔 除 一 部 分 未 知 雷 达 信
Ａｐｐ
ｌｉｅｄ　
Ｃｏｍｐｕ
ｔａｔ
ｉｏｎａ
ｌ　Ｅｌ
ｅｃｔ
ｒｏｍａｇｎｅ
ｔｉｃ
ｓ　Ｓｏ
ｃｉｅ
ｔ Ｓｙｍ－
ｙ　
号。对全连接神经网 络 的 分 类 结 果 进 一 步 进 行 时 ｕｍ，
ｐｏ
ｓｉ Ｉｔａ
ｌｙ：ＩＥＥＥ，
２０１７：
１－２．
域校验，得到结果如表 ５ 所示。 （下 转 第 ９８ 页）
　　　　
９８ 雷达科学与技术 第 １９ 卷第 １ 期

１０］吴悦 ．基 于 自 适 应 捷 变 波 形 的 认 知 雷 达 干 扰 对 抗 技
［ 张劲 东 　 男，
１９８１ 年 生，江 苏 南 通 人，
Ｄ］．南京：南京航空航天大学，
术［ ２０１８． 南京航 空 航 天 大 学 副 教 授 、硕 士 生 导
１１］朱晓华 ．雷达 信 号 分 析 与 处 理 ［Ｍ］．北 京：国 防 工 业
［ 师，主要研究方 向 为 新 体 制 雷 达 、雷 达
出版社，２０１１． 信号分 析 与 处 理、高 速 数 字 信 号 处 理
［
１２］ＢＯＹＤ　
Ｓ，ＰＡＲＩＫＨ　Ｎ，ＣＨＵ　Ｅ，
ｅｔ　ａ
ｌ．Ｄｉ
ｓｔｒ
ｉｂｕ
ｔｅｄ 系统设计与实现。
Ｏｐｔｉｍｉ
ｚａｔ
ｉｏｎ　ａｎｄ　
Ｓｔａｔ
ｉｓｔ
ｉｃａ
ｌ　Ｌｅ
ａｒｎｉｎｇ　ｖ
ｉａ　ｔｈｅ　
Ａｌｔｅｒ
ｎａ－
ｔ
ｉｎｇ　Ｄｉ
ｒｅｃ
ｔｉｏｎ　Ｍｅｔｈｏｄ　ｏｆ　Ｍｕｌ
ｔｉｌ
ｐｉｅｒｓ［ Ｍ ］．Ｏ ｘ
ｆｏｒｄ：
Ｏｘ
ｆｏｒ
ｄ　Ｕｎ
ｉｖｅ
ｒｓｉ
ｔ Ｐｒ
ｙ　 ｅ
ｓｓ，２０１０．
丁 　 逊 　 男，
１９９３ 年 生，安 徽 合 肥 人，
作者简介 ： 南京航 空 航 天 大 学 硕 士 研 究 生 ，主 要
李 　 晨 　 男，
１９９６ 年 生，浙 江 衢 州 人， 研究方向为雷达 抗 干 扰 信 号 设 计 与 处
南京航 空 航 天 大 学 硕 士 研 究 生 ，主 要 理。
研究 方 向 为 雷 达 波 形 设 计 与 信 号
处理。
Ｅ－ｍａ
ｉｌ：
ｚｌ
ｊｙ＿
ｌｉ
ｃｈｅｎ＠１６３．
ｃｏｍ
　　 尚东东 　 男，
１９９４ 年 生，安 徽 蚌 埠 人，南 京 航 空 航 天 大
学硕士研究生，主要研究方向为雷达干扰智能化识别。
檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾
（上 接 第 ８５ 页） Ｆｏｕｒ
ｉｅｒ　
Ａｎａｌｓｉ
ｓ ａ
ｎｄ　Ａｐｐｌ
ｉｃａ
ｔｉ ｓ，
ｏｎ ２００３，
９（ ５）：
４３１－４５０．
ｙ 　
１５］傅祖芸 ．信息论：基础理论与应用［Ｍ］．３ 版 ．北 京：电
［ ［
２０］ＧＲＥＥＮＧＡＲＤ　 Ｌ，ＬＥＥ　 Ｊ　Ｙ．Ａｃ ｃｅｌ
ｅｒａ
ｔｉｎｇ　ｔ
ｈｅ　Ｎｏｎｕ－
子工业出版社， ２０１１． ｎｉ
ｆｏｒｍ　Ｆａｓ
ｔ　Ｆｏｕｒｉ
ｅｒ　Ｔｒ
ａｎｓｆｏｒｍ ［Ｊ］．ＳＩＡＭ　Ｒｅ ｖ ｅｗ，
ｉ
１６］李家强，蔡洪渊，陈金 立，等 ．基 于 扩 展 信 源 熵 值 的
［ ２００４，
４６（
３）：
４４３－４５４．
穿墙成像雷达墙体强 杂 波 抑 制 ［
Ｊ］．物 理 学 报，
２０１５，
６４（
１９）：３７３－３８０．
作者简介 ：
［
１７］ＥＬＢＥＬ　Ｂ，ＳＴＥＩＤＬ　 Ｇ．Ｆａ
ｓｔ　
Ｆｏｕｒｉ
ｅｒ　Ｔｒａｎｓ
ｆｏｒｍ　
ｆｏｒ 李家强 　 男，
１９７６ 年 出 生，安 徽 滁 州
Ｎｏｎｅｑｕ
ｉｓｐａｃ Ｄａ
ｅｄ　 ｔａ［
Ｊ］．Ｃｏｍｐｕｔ
ｅｒ　Ｐｈｙｓ
ｉｃｓ　Ｃｏｍｍｕ－ 人，博士，副 教 授，主 要 研 究 方 向 为 雷
ｎ
ｉｃａ
ｔｉｏｎｓ，
１９９８，
１７５（２）：
７３－７７． 达信号处理。
［
１８］ＫＥＩＮＥＲ　Ｊ，ＫＵＮＩ Ｓ，ＰＯＴＴＳ　
Ｓ　 Ｄ．Ｕｓ
ｉｎｇ　 ３：
ＮＦＦＴ　 Ａ Ｅ－ｍａ
ｉｌ：
ｌ
ｊｑ＠ｎｕ
ｉｓｔ．
ｅｄｕ．
ｃｎ
Ｓｏ
ｆｔｗａｒｅ　
Ｌｉｂ
ｒａｒ
ｙ　ｆ
ｏｒ　
Ｖａｒ
ｉｏｕｓ　
Ｎｏｎ
ｅｑｕ
ｉｓｐａｃ
ｅｄ　Ｆａｓ
ｔ　Ｆｏｕ
ｒｉｅｒ
Ｔｒ
ａｎｓｆ
ｏｒｍｓ［Ｊ］．ＡＣＭ　 Ｔ
ｒａｎ
ｓ　ｏｎ　
Ｍａｔｈｅｍａｔ
ｉｃａ
ｌ　Ｓｏ
ｆｔｗａｒｅ，
２００９，３６（
４）：１－３０．
［
１９］ＦＯＵＲＭＯＮＴ　 Ｋ．Ｎｏｎ－Ｅｑｕ ｉ
ｓｐａ
ｃｅｄ　Ｆａ
ｓｔ　
Ｆｏｕｒｉ
ｅｒ　Ｔｒ
ａｎｓ－ 陈焱博 　 女，
１９９５ 年 出 生，江 苏 启 东 人，硕 士 研 究 生，
ｆｏｒｍｓ　ｗｉ
ｔｈ　
Ａｐｐ ｌ
ｉｃａ
ｔｉｏｎ
ｓ　ｔ
ｏ　Ｔｏｍｏｇｒ
ａｐｈｙ［Ｊ］．Ｊｏｕ
ｒｎａｌｏ
　ｆ 主要研究方向为雷达信号处理。
檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾
　　　
（上 接 第 ９１ 页） ｃｅ
ｓｓｉｎｇ　Ｍｏｄｅ
ｌｓ［Ｊ］．Ｅｍｐ ｉｒ
ｉｃａ
ｌ　Ｍｅ ｔｈｏｄｓ
　ｉｎ　Ｎａ
ｔｕｒ
ａｌ
７］江涛，何明浩，翟卫俊 ．小 波 神 经 网 络 在 雷 达 信 号 分 选
［ Ｌａｎｇｕａｇｅ　
Ｐｒｏｃ
ｅｓｓ
ｉｎｇ，２０１５：
１５８７－１５９８．
中的应用［Ｊ］．雷达科学与技术，２００４，２（ ６）：３４１－３４４． ［
１５］ＨＥＩＮ　 Ｍ，ＡＮＤＲＩＵＳＨＣＨＥＮＫＯ　Ｍ，Ｂ ＩＴＴＥＲＷＯＬＦ
８］袁泽恒，田润澜，王晓峰 ．复 杂 体 制 雷 达 信 号 预 分 选 的
［ Ｊ，ｅ
ｔ　ａ
ｌ．Ｗｈｙ　ＲｅＬＵ　Ｎｅ
ｔｗｏ
ｒｋｓ　
Ｙｉｅ
ｌｄ　
Ｈｉｇｈ－Ｃｏｎ
ｆｉｄｅｎｃ
ｅ
方法［
Ｊ］．电信科学，
２０１８，３４（
９）：１０３－１１０． Ｐｒ
ｅｄｉ
ｃｔｉｏｎｓ　Ｆａｒ　Ａｗａｙ　ｆ
ｒｏｍ　ｔ
ｈｅ　Ｔｒ
ａｉｎ
ｉｎｇ　Ｄａｔａ　ａｎｄ
［
９］ＤＥＶＲＩＥＳ　
Ｔ，ＴＡＹＬＯＲ　Ｇ　Ｗ．Ｌｅ
ａｒｎ
ｉｎｇ　Ｃｏｎ
ｆｉｄｅｎｃ
ｅ Ｈｏｗ　ｔｏ　Ｍｉｔｉｇａ
ｔｅｔ
　ｈｅ　
Ｐｒｏｂｅｍ ［
ｌ Ｊ］．Ｃｏｍｐｕｔｅｒ　
Ｖｉ ｓ
ｉｏｎ
ｆ
ｏｒ　Ｏｕｔ－ｏ
ｆ－Ｄｉｓ
ｔｒｉｂｕｔ
ｉｏｎ　Ｄｅｔｅ
ｃｔｉ
ｏｎ　ｉ
ｎ　Ｎｅｕ ｒａ
ｌ　Ｎｅ
ｔｗｏ
ｒｋｓ ａｎｄ　
Ｐａｔ
ｔｅｒ
ｎ　Ｒｅ
ｃｏｇｎ
ｉｔｏｎ，２０１９（
ｉ ７）：
４１－５０．
［ ］
Ｊ ．ａ
ｒＸｉ ：
ｖ Ｍａ ｃｈｉ
ｎｅ　Ｌｅ
ａ ｒ
ｎｉ ， ：
ｎｇ ２０１８ １－１２．
１０］陈格 ．人工神 经 网 络 技 术 发 展 综 述 ［
［ Ｊ］．中 国 科 技 信 作者简介 ：
息，
２００９（
１７）：
８８－８９． 刘峻臣 　 男，
１９９６ 年 出 生，四 川 绵 阳
１１］文茜 ．基 于 神 经 网 络 的 复 杂 雷 达 信 号 分 类 方 法 研 究
［ 人，硕士研究生，主 要 研 究 方 向 为 雷 达
Ｄ］．西安：西安电子科技大学，
［ ２０１８：
４１－４２． 信号分选。
１２］梁华东，徐庆 ．熵特征在 雷 达 信 号 分 选 中 的 应 用 ［
［ Ｊ］． Ｅ－ｍａ
ｉｌ：
５７５５３３６０６＠ｑｑ．
ｃｏｍ
空军预警学院学报， ２０１５，
２９（
１）：７－１２．
１３］骆振兴，陈仕川，杨小牛 ．通信辐射源个体开 集 识 别 中
［
的二分类 ＳＶＤＤ 算法［
Ｊ］．通信对抗，
２０１７，
３６（
２）：
１－６．
［
１４］ＮＧＵＹＥＮ　
Ｋ，Ｏ’
ＣＯＮＮＯＲ　
Ｂ．Ｐｏ
ｓｔｅ
ｒｉｏ
ｒ　Ｃａ
ｌｉｂ
ｒａｔ
ｉｏｎ 　　 胡 　 进 　 男，
１９８２ 年 出 生，湖 北 天 门 人，博 士，研 究 员，
ａｎｄ　
Ｅｘｐ
ｌｏｒ
ａｔｏ
ｒ Ａｎａ
ｙ　 ｌｙｓ
ｉｓｆ
　ｏｒ　
Ｎａｔ
ｕｒａ
ｌ　Ｌａｎｇｕａｇｅ　
Ｐｒｏ－ 主要研究方向为雷达与电子侦察技术。