766,226
次編輯
變更
無編輯摘要
==主要工作==
面对复杂多变的电磁环境，传统辐射源识别方法已经无法达到战场[[环境]]对于识别性能和应用范围的指标要求。随着人工智能 <ref>[https://www.sohu.com/a/376833955_100039018 人工智能是什么？] ，搜狐，2020-03-01</ref> 的发展，利用深度学习进行辐射源识别有了新的突破和进展。因此本方案综合运用深度学习方法，从辐射源个体识别的整体方案[[设计]]、模型性能优化研究、小样本条件下的辐射源识别等方面，开展如下工作：
===1．提出了一种基于多尺度一维卷积神经网络的识别算法。===
辐射源的个体识别如今已有50余年[[历史]]，在技术的研究上国内外的发展历程比较相似，均包含以下几个阶段：
（1）基于参数对比的方法。该方法通过处理战场信号后获得载频、带宽和调制类型等参数并进一步将这些参数与己方已有的特征库对比识别，在早期信号类型单一、参数简单，因此该方法在辐射源个体识别技术的初期具有良好的识别效果，只要辐射源参数固定，则基本参数对比法能满足实际的需求。在效果上它的识别率主要取决于本地特征库的建立情况，特征库容量越大种类越齐全则识别率将有极大的保证。此类方法通过提取出的[[基础]]参数与已有的参数库对比从而进行个体识别，在一定程度上算法简易且[[效率]]和准确率都能在当时的环境下得到保证。但相应的代价就是对特征库的要求较高，若出现具有新参数的敌方信号，则不能保证识别的正确性。此外，这种基本的参数对比法不具有较高的灵活性，在后续的电子战技术发展中，电磁 <ref>[https://www.sohu.com/a/235890741_100196076 什么是电磁_电磁的由来] ，搜狐，2018-06-15</ref> 空间日益复杂多变，信号体制类型种类繁多。敌方辐射源信号不可能只具有简单的参数设置，因此需要研究更深入具有灵活性的算法。
（2）基于专家系统的方法。随着对战场信号分析的深入，各种信号分析方法逐渐发展形成体系，专家系统的方法优势在于它可以通过许多相关领域技术摸索总结出符合实际的辐射源信号参数变化情况，这些变化[[规律]]在物理意义上可以有相对合理的解释，在数学上可以有相对完备的推导，基于专家系统得到的参数结果与实际信号的表现相差无几。这种利用经验的表示可以极大的降低对于本地特征库的要求，相比于早期的参数对比法更具有灵活性，且能保证日常的识别准确度。另一方面，相比于参数匹配的方法结合专家系统能够在新参数产生后提高检测和识别率。然而此方法只是基本参数对比法的改进形式，专家系统得到的[[信号]]变化规律对于所有的新参数形式不一定具有适用性，因此基本参数对比法出现的问题它并不能完全解决。该方法若想得到相对完备的变化规律，需要用时间和运算成本来换取更好的识别率。