【最新成果】基于权重归一化奇异值分解的辐射源信号识别研究

近年来，互联网、大数据和云计算等新一代信息技术的发展带动了人工智能技术的快速提升，机器学习、深度学习、强化学习、群体智能和自主技术等人工智能技术被广泛地应用。武器装备的智能化，不但可以实现高效的信息收集和处理，还能提供辅助决策，有效扩展武器装备功能，增强战斗力，是当前各国武器装备发展趋势。

电子对抗侦察可在和平、危机与战争等多个时期，在远离一个国家数千千米之外自由地实施侦察与监视，是电子对抗的组成部分，具有重要的战略和战术意义。而辐射源信号识别是电子对抗侦察中重要的环节，如何将机器学习等人工智能技术应用在辐射源识别上是目前的一个研究热点。

针对此问题，中国科学院计算技术研究所姚萍副研究员团队提出一种利用机器学习技术提取辐射源信号特征的方法。该方法从信号能量出发，基于权重归一化奇异值分解方法提取辐射源信号特征，在保留信号主要能量基础上，进行信号噪声滤除、特征提取及特征选择，实现不同信号间特征差异极大化，完成信号的正确识别与分离。

该工作已发表在《雷达学报》网络优先出版的“基于权重归一化奇异值分解的辐射源信号识别研究”（苑霸，姚萍，郑天垚）。

图1 辐射源信号示意图

该文主要针对辐射源信号识别中的调制类型识别问题，从数据能量角度出发，在奇异值分解（SVD）基础上进行优化，提出基于权重归一化奇异值分解特征提取算法，并从奇异值分解的滤波效果、数据矩阵行数对分解结果的影响及不同分类模型识别效果等方面进行分析。实验结果表明该算法对常用雷达信号有较好滤波和识别效果，在–20dB条件下滤波重构信号与原始信号余弦相似度值仍保持在0.94左右，在判别置信度为0.65条件下识别正确率仍维持在97%以上。此外实验还表明相对于传统PCA算法，基于权重归一化奇异值分解特征提取算法具有更好的鲁棒性。

图2 奇异值分解滤波重构信号及加噪信号与原始信号的余弦相似度随信噪比变化示意图

图3 信号基于权重归一化奇异值分解特征提取方法在不同判别参数条件下准确率分布图

了解详细信息请点击下面阅读原文。