泛读：基于机器学习的雷达辐射源识别方法综述

基本思路

雷达辐射源识别是通过分析处理截获的敌方雷达信号，获取敌方雷达的工作参数和信号特征参数，通过与已知雷达数据库进行对比，判断雷达的型号、工作模式、位置。以前多用参数匹配法直接利用测量获得的信号特征参数与已知的雷达数据库进行匹配，识别雷达辐射源的属性信息；另一种是专家系统法，根据专家提供的雷达属性知识，构建雷达信号识别的推理规则，对雷达辐射源数据进行推理和识别。

下面是基于机器学习的方法：

思路详细

重点

1.文献5：基于粗糙集理论和ＲBF神经网络的雷达辐射源识别方法，首先基于粗糙集对雷达辐射源信号进行属性约简，提取决策规则; 然后采用粗糙k均值聚类方法对ＲBF神经网络的聚类中心进行增益，利用信息表提取的决策规则构建ＲBF神经网络。

2.文献25：首先利用粗糙k均值分类器对训练样本进行聚类，之后利用粗糙边界内的样本训练SVM，再用SVM对不确定区域内的样本进行识别，从而提高了分类精度，并且时间复杂度更低。

3.文献30：针对低截获概率雷达波形识别问题，提出利用深度卷积网络迁移学习的识别方法，首先利用 Choi-Williams 分布将信号转化为二维时频图像并进行预处理，预处理后输入到 CNN 预训练模型进行特征提取，CNN 网络选择 Inception-v3 或 ＲesNet-152，最后用 SVM 分类器进行识别。

4.文献31：降维压缩。

5.文献34：比较了 CNN、ＲNN、 LSTM 三种深度神经网络模型，并以雷达辐射源信号包络前 沿为识别特征，将模型应用于雷达辐射源个体识别。

6.文献35：包络前沿特征+强化学习。

7.文献36：DBN。

8.文献37：将强化学习与 DBN 结合构建 ＲDBN 模型，利用输入特征训练模型，实现对雷达 辐射源的识别分类。

9.文献38：以辐射源时域波形数据作为训 练样本，利用训练样本对使用 ＲBM 和 DBN 相结合的模型进 行训练，采用 KNN、随机森林、SVM 三类分类器进行识别。

10.文献39：通过 STFT 将时域雷达信号转换为时频图像并降维 处理，利用 SAE 自动提取特征并进行训练，使用 Softmax 函数 进行分类识别，并仿真验证了算法的有效性。

11.文献41：提取雷达信号的双谱特征，采用分层极限学习机 ( hierarchical extreme learning machine，H-ELM) 中的 SAE 进行 特征学习，通过仿真验证了方法的有效性。

总结

文中雷达源识别的方法更加全面，利用生成式对抗网络( GAN) 进行数据增强，GAN 广泛应用于图像生成，当提取雷达信号的二维图像特征后，使用 GAN 扩充样本库，再对 CNN、DBN、SAE 等 模型进行训练的方法可供参考。