CN102279390A - 一种低信噪比雷达辐射源信号脉内调制识别方法 - Google Patents

Abstract

本发明公开了一种低信噪比雷达辐射源信号脉内调制识别方法，其步骤包括电子侦察接收机接收雷达辐射源脉冲信号，经由射频到中频的降频和A/D采样处理后，得到待识别的具有不同脉内调制方式的雷达辐射源信号S(t)，再在信号处理模块中对信号S(t)进行处理，识别出雷达辐射源信号的脉内调制方式并输出。本发明方法能在信噪比低至-6dB时正确识别多种雷达辐射源信号脉内调制方式，比现有的雷达辐射源信号脉内调制方式识别方法具有更好的噪声抑制能力，且比现有的多种雷达辐射源信号识别方法的计算复杂性O(n²)或O(n³)低很多。

Description

一种低信噪比雷达辐射源信号脉内调制识别方法

所属技术领域

本发明涉及雷达辐射源信号识别技术领域，尤其是雷达辐射源信号脉内调制识别技术领域。

背景技术

雷达辐射源信号识别是电子情报侦察、电子支援侦察和威胁告警***中的关键处理过程，其识别水平直接关系到雷达对抗设备的技术先进程度。随着现代电子战的激烈对抗，新型复杂体制雷达不断投入使用并逐渐占居主导地位，电磁威胁环境的信号密度高达每秒120万个脉冲以上，雷达工作频率覆盖范围达到了0.1～20GHz，并正在向0.05～140GHz扩展，雷达信号波形在时频等多个域中同时变化，隐身和抗干扰能力大大增强。传统五参数(载频、脉冲到达时间、脉冲幅度、脉冲宽度和脉冲到达方向)识别方法难以适应这样密集、复杂和多变的信号环境，雷达辐射源信号识别面临着前所未有的挑战。近年来关于雷达辐射源信号识别的大量研究成果表明，脉内调制识别将有望在新型复杂体制雷达辐射源信号识别技术与装备方面获得重要突破。现有的雷达辐射源信号脉内调制识别方法主要有小波及小波包变换法、小波脊线法、相像系数法、经验模式分解法、相对无模糊相位重构法、熵特征法、围线积分双谱法、复杂度特征法、分数傅里叶-包络法、分形维数法、模糊函数主脊切面法、瞬时频率派生特征法和模糊函数主脊切面特征法等。这些方法或者没有考虑噪声的影响，或者只在信噪比较高时才有效，如相对无模糊相位重构法在信噪比为8dB以上时能有效识别线性调频和相位编码雷达辐射源信号；分数傅里叶-包络法在信噪比大于3dB时能有效识别不同类别的雷达辐射源信号脉内调制；瞬时频率派生特征法在信噪比大于12dB时能获得90％以上的正确识别率；模糊函数主脊切面特征法在信噪比为2dB以上时能实现不同雷达辐射源信号脉内调制的有效识别；相像系数法、熵特征法、复杂度特征法、分形维数法、经验模式分解法、围线积分双谱法等在信噪比大于5dB时能有效识别不同种类的脉内调制方式。在实际情况中，由于受传播过程中大量噪声的干扰和截获过程中接收机内部噪声的影响，雷达辐射源信号中常常含有大量噪声，信噪比较低，致使有用信号淹没在噪声中，大大增加了识别的难度，而现有的方法在信噪比小于0dB时无法实现雷达辐射源信号脉内调制的有效识别。因此，发明一种适用于低信噪比条件下雷达辐射源信号脉内调制识别方法具有重要的实际应用价值。

发明内容

鉴于现有技术的以上缺点，本发明的目的是提供一种低信噪比雷达辐射源信号脉内调制识别方法。该方法的突出优势是，在信噪比低至-6dB条件下仍能正确无误地识别多种雷达辐射源信号脉内调制方式，且计算复杂性低，可用于各种电子情报侦察、电子支援侦察和威胁告警***中。

本发明为解决其技术问题，所采用的技术方案为：

一种低信噪比雷达辐射源信号脉内调制识别方法，其步骤包括电子侦察接收机接收雷达辐射源脉冲信号，经由射频到中频的降频和A/D采样处理后，得到待识别的具有不同脉内调制方式的雷达辐射源信号S(t)，再在信号处理模块中对信号S(t)进行处理，识别出雷达辐射源信号的脉内调制方式并输出，其特征在于：所述对雷达辐射源信号S(t)进行处理的具体作法为一下A和B两个步骤

A.雷达辐射源脉冲信号时频原子特征提取

包括时域时频原子特征和频域时频原子特征两部分。时域时频原子特征是指直接在时间域中提取出的信号S(t)时频原子特征。频域时频原子特征是指在信号S(t)经过傅里叶变换获得的频域中提取出的时频原子特征。后者仅比前者多了傅里叶变换，其余特征提取过程完全相同。下面先描述本发明采用的时频原子，再给出特征提取的详细步骤。

本发明采用公式(1)所描述的具有最佳时频分辨率的实Gabor原子g_γ(t)作为雷达辐射源信号脉内调制识别的时频原子，即

式中，q为能量归一化系数，

为原子参数集，其中，s为原子伸缩尺度，u为原子平移尺度，ω为原子角频率，

为原子初始相位，g(·)为高斯函数，即

$g\left(t\right)=e^{-{\mathrm{\πt}}^2}---\left(2\right)$

本发明采用差分进化算法实现雷达辐射源信号S(t)的时频原子特征提取，流程图如图1所示，具体步骤为：

(1)初始化算法参数；

(2)分解次数h的初始值设置为1；

(3)确定待分解的信号R_h，若本次分解为第一次分解，即h＝1，则R_h＝S(t)(注：频域第一次分解时R_h＝S′(t)，其中，S′(t)为S(t)的傅里叶变换)；若不是第一次分解，则R_h由公式(3)确定；

R_h＝R_h-1-|＜R_h-1，g_h-1＞|·R_h-1    (3)

式中，R_h-1和g_h-1分别为第h-1次分解时的信号和最佳时频原子；

(4)采用差分进化算法搜索时频原子，包括：

(i)初始化差分进化算法的种群P(k)，

其中N为种群大小，

为第i个个体且

k表示差分进化算法的迭代次数，这里k＝1，

分别表示公式(1)中的4个变量s，u，ω，

并采用公式(4)所示方式进行初始化，即

$x_{i,j}^k=a_j+\mathrm{rand}\left(\mathrm{0,1}\right)(b_j-a_j)---\left(4\right)$

式中，rand(0，1)为0和1之间的随机数，a_j和b_j分别为

的下界和上界；

(ii)对每个个体i＝1，2，L，N，根据公式(5)进行变异操作，构造变异个体

，即

$V_i^k=X_{r1}^k+F\·(X_{r2}^k-X_{r3}^k)---\left(5\right)$

式中：和

分别为种群中随机选择的三个个体，满足r1≠r2≠r3且r1，r2，r3∈{1，2，L，N}，F为常数，称为变异概率。若产生的变异个体的某一分量超过该分量的可行域，则采用公式(4)对该分量重新进行初始化；

(iii)对每个个体

i＝1，2，L，N，根据公式(6)进行交叉操作，构造试验个体

即

式中，

为试验个体

的第j个分量，C为常数，称为交叉概率，rand(0，1)为0与1之间的随机数，K为0到4之间的一个整数，由随机方式确定；

(iv)根据公式(7)进行选择操作，选择具有最佳适应度函数值的个体进入下一代种群，即

式中，i＝1，2，L，N，H(X)为个体X的适应度函数值，由公式(8)计算得到

H(X)＝|＜R_h，g_X＞|    (8)

式中，＜，＞为内积运算符，g_X为个体X根据公式(1)构造的时频原子；

(v)若循环次数k≥T，则当前分解过程中最佳原子搜索结束，同时保存当前分解过程中最佳时频原子的适应度函数值λ_T(h)(为了便于区分，频域最佳时频原子的适应度函数值记为λ_F(h))，否则循环次数k增加1，算法跳转到第(5)步继续运行；

(5)若分解次数h＝H，则分解结束，否则，h＝h+1，然后跳转到第(3)步继续运行；

(6)重复步骤(2)-步骤(9)，提取频域最佳时频原子并保存相应的适应度函数值λ_F(h)；

(7)根据公式(9)构造第h组时频原子特征向量ψ(h)，h＝1，2，L，H-1，即

ψ(h)＝[ψ_T(h)ψ_F(h)]    (9)

式中，ψ_T(h)和ψ_F(h)分别为第h个时域时频原子特征和第h个频域时频原子特征，其定义分别由公式(10)和公式(11)描述：

${\mathrm{\ψ}}_T\left(i\right)=\frac{{\mathrm{\λ}}_T\left(i\right)}{{\mathrm{\λ}}_T(i+1)}---\left(10\right)$

${\mathrm{\ψ}}_F\left(i\right)=\frac{{\mathrm{\λ}}_F\left(i\right)}{{\mathrm{\λ}}_F(i+1)}---\left(11\right)$

B.采用有向无环图支持向量机分类器(Directed Acyclic Graph Support VectorMachine，DAGSVM)识别雷达辐射源信号脉内调制方式。

支持向量机是一种基于结构风险最小化的分类方法，通过核函数的非线性变换，将待分类样本从样本空间映射到高维特征空间，然后在特征空间中最大化分类间隔，确定最优分类超平面。最早提出的SVM只适用于二类分类问题，当处理多类分类问题时，需要构造合适的多类分类器。DAGSVM是一种容错性强和分类精度高的多类分类器。因此，本发明采用DAGSVM实现多种雷达辐射源信号脉内调制方式识别，其具体步骤如下：

(a)设计DAGSVM分类器。

对于n类雷达辐射源信号脉内调制方式识别问题，选择任意两类设计1个二分类SVM，这样，总共可设计n(n-1)/2个二分类SVM；然后将这n(n-1)/2个二分类SVM构成一个有向无循环图，如图2所示，该图有n(n-1)/2个非叶子节点和n个叶子节点，每个非叶子节点表示一个二类SVM分类器，并与下一层的两个节点相连，每个叶子节点表示一个输出。

(b)训练DAGSVM分类器。

从每两种待识别的雷达辐射源信号特征中抽取一定数量的样本，输入到对应的二分类SVM分类器中，通过计算，获得该SVM的参数值，如此反复，获得全部n(n-1)/2个二分类SVM分类器的参数，通过此过程，完成DAGSVM分类器的训练过程。

识别雷达辐射源信号脉内调制方式并输出。在对未知雷达辐射源信号进行分类识别时，先将其特征样本输入到DAGSVM的根节点SVM，根据根节点SVM的分类结果，采用下一层的左节点SVM或右节点SVM继续分类，直到达到底层某个叶节点SVM为止，该叶节点所表示的类别即为未知雷达辐射源信号的类别，即获得输出结果。

与现有技术相比，本发明的有益效果是：

1.能正确识别信噪比低至-6dB时的多种雷达辐射源信号脉内调制方式。本发明采用过完备冗余时频原子代替Wigner-Ville、Cohen类、Wavelet等传统变换中的正交基函数，利用原子库的冗余特性捕捉雷达辐射源信号的自然特征，通过差分进化算法寻优获得的各最佳时频原子能有效反映不同雷达辐射源信号的局部关键信息，再通过计算相邻时频原子与各自匹配信号的相像系数比(如公式(10)和(11)所示)，以最大程度地抑制了噪声对所提取特征的影响，使不同的低信噪比雷达辐射源信号在特征空间中也呈现出较好的可分性，如图3所示。而且，本发明采用当前机器学习领域中具有强容错性和高分类精度的DAGSVM分类器，保证了分类识别的正确率。因此，本发明比现有的雷达辐射源信号脉内调制方式识别方法具有更好的噪声抑制能力。

2.计算复杂性低。本发明中的时域和频域时频原子特征均只需要两个时频原子，即只需要两次迭代计算，其计算复杂性为O(1)；差分进化算法采用实数编码，其计算复杂性与雷达辐射源信号长度呈线性增长关系，即计算复杂性为O(n)；DAGSVM分类器与雷达辐射源信号长度无关，其计算复杂性为O(1)；由此，可分析得出本发明的计算复杂性为O(n)。这比现有的多种雷达辐射源信号识别方法的计算复杂性O(n²)或O(n³)低很多。

附图说明

图1是本发明时频原子特征提取流程图。

图2是本发明实施例中识别四种雷达辐射源信号脉内调制方式时采用的DAGSVM分类器示意图。

图3是本发明实施例中四种雷达辐射源信号的特征分布图，信噪比从4dB变化至-6dB。

图4是本发明实施例中四种雷达辐射源信号脉内调制方式识别的正确率随信噪比变化的曲线图。

在图2中，标有1、2、3和4的叶节点分别表示常规雷达辐射源信号(CON)、线性调频雷达辐射源信号(LFM)、二相编码雷达辐射源信号(BPSK)和二相频率编码雷达辐射源信号(BFSK)，标有1～4、2～4、3～4、1～3、2～3和1～2的节点分别表示划分CON和BFSK、LFM和BFSK、BPSK和BFSK、CON和BPSK、LFM和BPSK、CON和LFM的二分类SVM。在图3中，横坐标为时域时频原子特征，纵坐标为频域时频原子特征，都无单位，标记“○”为CON的特征样本，标记“+”为LFM的特征样本，标记“●”为BPSK的特征样本，标记“◇”为BFSK的特征样本。在图4中，横坐标为信噪比，单位为分贝(dB)，纵坐标为正确识别率，无单位。

具体实施方式

下面结合具体实施方式对本发明作进一步详细描述。

实施例

一种低信噪比雷达辐射源信号脉内调制识别方法，其步骤包括电子侦察接收机接收雷达辐射源脉冲信号，经由射频到中频的降频和A/D采样处理后，得到待识别的雷达辐射源信号S(t)，本实施例考虑4种调制方式，即CON、LFM、BPSK和BFSK，信噪比从4dB变化至-10dB，各雷达辐射源信号的参数设置为：脉冲宽度为4us，采样频率为500MHz，CON的载频为150MHz，LFM的频率变化范围为50至200MHz，BPSK的载频为150MHz，采用13位Barker码，BFSK的两个载频分别为50MHz和200MHz，也采用13位Barker码；再在信号处理模块中对信号S(t)进行处理，识别出雷达辐射源信号的脉内调制方式并输出，其特征在于：所述对雷达辐射源信号S(t)进行处理的具体作法为：

1.雷达辐射源脉冲信号时频原子特征提取，包括时域时频原子特征和频域时频原子特征，其详细步骤为：

Step 1：初始化算法参数如下：N＝50，H＝2，F＝0.6，C＝0.2，T＝800；

Step 2：分解次数h的初始值设置为1；

Step 3：若h＝1，则R₁＝S(t)；若h＝2，则R₂＝R₁-|＜R₁，g₁＞|·R₁，其中g₁为第一次分解时匹配的最佳时频原子；

Step 4：采用差分进化算法搜索时频原子，包括：

(i)采用式(3)所示方式初始化种群

k＝1，其中

i＝1，2，L，50，

分别代表公式(1)中的4个变量s，u，ω，

其可行域分别为s∈(0，N]，u∈[0，N)，ω∈(-π，π]，

$x_{i,j}^k=a_j+\mathrm{rand}\left(\mathrm{0,1}\right)(b_j-a_j)$

式中，rand(0，1)为0和1之间的随机数，a_j和b_j分别为

的下界和上界；

(ii)对每个个体

i＝1，2，L，50，根据公式(5)构造变异个体

，即

$V_i^k=X_{r1}^k+0.6\·(X_{r2}^k-X_{r3}^k)$

式中，

和

分别为种群中随机选择的三个个体，满足r1≠r2≠r3且r1，r2，r3∈{1，2，...，50}。若产生的变异个体

的某一分量超过该分量的可行域，则采用公式(4)对该分量重新进行初始化；

(iii)对每个个体

i＝1，2，L，50，根据公式(6)构造试验个体

即

式中，

为试验个体

的第j个分量，rand(0，1)为0与1之间的随机数，K为0到4之间的一个整数，由随机方式确定；

(iv)根据公式(7)选择具有最佳适应度值的个体进入下一代种群，即

式中，i＝1，2，L，50，H(X)为公式(8)所定义的个体X的适应度函数值，即

H(X)＝|＜R_h，g_X＞|

式中，＜，＞为内积运算符，g_X为个体X根据公式(1)构造的时频原子；

(v)若循环次数k≥800，则当前分解过程中最佳原子搜索结束，同时保存当前分解过程中最佳时频原子的适应度函数值λ_T(h)，否则循环次数k增加1，算法跳转到第(5)步继续运行；

Step 5：若分解次数h＝2，则分解结束，否则跳转到第(3)步；

Step 6：重复步骤(2)-步骤(9)，提取频域最佳时频原子并保存相应的适应度函数值λ_F(h)；

Step 7：根据公式(9)构造一组二维时频原子特征向量ψ＝[ψ_T ψ_F]，其中ψ_T和ψ_F分别为时域时频原子特征和频域时频原子特征，其定义分别由公式(10)和公式(11)描述：

${\mathrm{\ψ}}_T=\frac{{\mathrm{\λ}}_T\left(1\right)}{{\mathrm{\λ}}_T\left(2\right)}$

${\mathrm{\ψ}}_F=\frac{{\mathrm{\λ}}_F\left(1\right)}{{\mathrm{\λ}}_F\left(2\right)}$

本发明采用上述步骤对4种雷达辐射源信号分别进行特征提取，对于每种信号，信噪比间隔为1dB，在15种不同信噪比条件下均提取出50个样本，因此，对于每种信噪比情况，4种雷达辐射源信号共有200个特征样本，从而，4种雷达辐射源信号在所有信噪比条件下总共有3000个样本。图3给出了信噪比从4dB变化到-6dB时的4种雷达辐射源信号特征分布图，共有2200特征样本。

2.采用DAGSVM分类器识别雷达辐射源信号脉内调制方式，其具体步骤如下：

Step 1：设计DAGSVM分类器。本实施例为4类雷达辐射源信号脉内调制方式识别问题，选择任意两类设计1个二分类SVM，这样，总共可设计6个二分类SVM；然后将这6个二分类SVM构成一个有向无循环图，如图2所示，该图有6个非叶子节点和4个叶子节点，每个非叶子节点表示一个二类SVM分类器，并与下一层的两个节点相连，每个叶子节点表示一个输出，即一种雷达辐射源信号。

Step 2：训练DAGSVM分类器。从每两种待识别的雷达辐射源信号特征中各抽取120个样本(在信噪比从-1dB变化至-6dB的6种情况中各抽取20个样本)，输入到对应的二分类SVM分类器中，通过计算，获得该SVM的参数值，如此反复，获得全部6个二分类SVM分类器的参数，通过此过程，完成DAGSVM分类器的训练过程。

识别雷达辐射源信号脉内调制方式。在对未知雷达辐射源信号进行分类识别时，先将其特征样本输入到如图2所示的DAGSVM根节点SVM，根据根节点SVM的分类结果，采用下一层的左节点SVM或右节点SVM继续分类，直到达到底层某个叶节点SVM为止，该叶节点所表示的类别即为未知雷达辐射源信号的类别，即获得输出结果。本实施例在每一种信噪比条件下对4种雷达辐射源信号的200个样本进行了分类识别，这4种雷达辐射源信号的平均正确识别率随信噪比变化的曲线如图4所示。

由图4可知，本发明在信噪比从4dB降低至-6dB时，平均正确识别率保持在100％，在信噪比为-7dB时，平均正确识别率为90％，充分表明本发明在信噪比低至-6dB时仍能正确无误地识别4种雷达辐射源信号脉内调制方式。

Claims (2)

1.一种低信噪比雷达辐射源信号脉内调制识别方法，其步骤包括电子侦察接收机接收雷达辐射源脉冲信号，经由射频到中频的降频和A/D采样处理后，得到待识别的具有不同脉内调制方式的雷达辐射源信号S(t)，再在信号处理模块中对信号S(t)进行处理，识别出雷达辐射源信号的脉内调制方式并输出，所述对雷达辐射源信号S(t)进行处理的具体作法为：

A)雷达辐射源脉冲信号时频原子特征提取，获取时域时频原子特征和频域时频原子特征：

采用公式(1)所描述的具有最佳时频分辨率的实Gabor原子g_γ(t)作为雷达辐射源信号脉内调制识别的时频原子，即

用差分进化算法实现雷达辐射源信号S(t)的时频原子特征提取，具体步骤为：

(1)初始化算法参数；

(2)分解次数h的初始值设置为1；

(3)确定待分解的信号R_h，若本次分解为第一次分解，即h＝1，则R_h＝S(t)(注：频域第一次分解时R_h＝S′(t)，其中，S′(t)为S(t)的傅里叶变换)；若不是第一次分解，则R_h由公式(2)确定；

R_h＝R_h-1-|＜R_h-1，g_h-1＞|·R_h-1    (2)

式中，R_h-1和g_h-1分别为第h-1次分解时的信号和最佳时频原子；

(4)采用差分进化算法搜索时频原子，包括：

(i)初始化差分进化算法的种群P(k)，

其中N为种群大小，

为第i个个体且

k表示差分进化算法的迭代次数，这里k＝1，

分别表示公式(1)中的4个变量s，u，ω，

并采用公式(3)所示方式进行初始化，即

$x_{i,j}^k=a_j+\mathrm{rand}\left(\mathrm{0,1}\right)(b_j-a_j)---\left(3\right)$

式中，rand(0，1)为0和1之间的随机数，a_j和b_j分别为的下界和上界；

(ii)对每个个体

i＝1，2，L，N，根据公式(4)进行变异操作，构造变异个体，即

$V_i^k=X_{r1}^k+F\·(X_{r2}^k-X_{r3}^k)---\left(4\right)$

式中：

和

分别为种群中随机选择的三个个体，满足r1≠r2≠r3且r1，r2，r3∈{1，2，L，N}，F为常数，称为变异概率；若产生的变异个体

的某一分量超过该分量的可行域，则采用公式(3)对该分量重新进行初始化；

(iii)对每个个体

i＝1，2，L，N，根据公式(5)进行交叉操作，构造试验个体

即

式中，为试验个体

的第j个分量，C为常数，称为交叉概率，rand(0，1)为0与1之间的随机数，K为0到4之间的一个整数，由随机方式确定；

(iv)根据公式(6)进行选择操作，选择具有最佳适应度函数值的个体进入下一代种群，即

式中，i＝1，2，L，N，H(X)为个体X的适应度函数值，由公式(7)计算得到

H(X)＝|＜R_h，g_X＞|    (7)

式中，＜，＞为内积运算符，g_X为个体X根据公式(1)构造的时频原子；

(v)若循环次数k≥T，则当前分解过程中最佳原子搜索结束，同时保存当前分解过程中最佳时频原子的适应度函数值λ_T(h)(为了便于区分，频域最佳时频原子的适应度函数值记为λ_F(h))，否则循环次数k增加1，算法跳转到第(5)步继续运行；

(5)若分解次数h＝H，则分解结束，否则，h＝h+1，然后跳转到第(3)步继续运行；

(6)重复步骤(2)-步骤(9)，提取频域最佳时频原子并保存相应的适应度函数值λ_F(h)；

(7)根据公式(8)构造第h组时频原子特征向量ψ(h)，h＝1，2，L，H-1，即

ψ(h)＝[ψ_T(h)ψ_F(h)]    (8)

式中，ψ_T(h)和ψ_F(h)分别为第h个时域时频原子特征和第h个频域时频原子特征，其定义分别由公式(9)和公式(10)描述：

${\mathrm{\ψ}}_T\left(i\right)=\frac{{\mathrm{\λ}}_T\left(i\right)}{{\mathrm{\λ}}_T(i+1)}---\left(9\right)$

${\mathrm{\ψ}}_F\left(i\right)=\frac{{\mathrm{\λ}}_F\left(i\right)}{{\mathrm{\λ}}_F(i+1)}---\left(10\right)$

B)将A)所得时频原子特征在已建立的有向无环图支持向量机分类器DAGSVM中完成雷达辐射源信号脉内调制方式识别，所述有向无环图支持向量机分类器DAGSVM的构建方式如下：

(a)设计DAGSVM分类器

对于n类雷达辐射源信号脉内调制方式识别，选择任意两类设计1个二分类SVM，总共设计n(n-1)/2个二分类SVM；这n(n-1)/2个二分类SVM构成一个有向无循环图，有n(n-1)/2个非叶子节点和n个叶子节点，每个非叶子节点表示一个二类SVM分类器，并与下一层的两个节点相连，每个叶子节点表示一个输出；

(b)训练DAGSVM分类器

从每两种待识别的雷达辐射源信号特征中抽取一定数量的样本，输入到对应的二分类SVM分类器中计算获得该SVM的参数值，如此反复，获得全部n(n-1)/2个二分类SVM分类器的参数，通过此过程，完成DAGSVM分类器的训练过程；

所述A)所得时频原子特征输入到DAGSVM的根节点SVM，根据根节点SVM的分类结果，采用下一层的左节点SVM或右节点SVM继续分类，直到达到底层某个叶节点SVM为止，该叶节点所表示的类别即为未知雷达辐射源信号的类别，即获得输出结果。

2.根据权利要求1所述之低信噪比雷达辐射源信号脉内调制识别方法，其特征在于：所述n类雷达辐射源调制信号为四类雷达辐射源调制信号，即：CON、LFM、BPSK和BFSK

Images