中文引用格式： 荊賀，肖健，齊恂，等. 基于多域特征的雷達有源干擾信號智能識別[J]. 電子技術應用，2025，51(11)：141-145.
英文引用格式： Jing He，Xiao Jian，Qi Xun，et al. Recognition of radar active jamming signals based on multi-domain features[J]. Application of Electronic Technique，2025，51(11)：141-145.
引言
隨著現代電子戰環境的日益復雜，雷達系統面臨的干擾信號呈現多樣化、動態化的特點。干擾信號不僅包括傳統的噪聲干擾、欺騙干擾，還涵蓋了頻率捷變干擾、數字射頻存儲干擾等新型形式。這些干擾信號時變特性強、調制方式復雜，對雷達系統的抗干擾能力提出了嚴峻挑戰。因此，研究高效、準確的雷達干擾信號識別方法，對提升雷達系統作戰效能具有重要意義。
目前，雷達干擾信號識別的研究主要集中在信號差異性特征提取和機器學習分類器設計兩個方面。基于差異性特征提取的方法通常依賴于人工設計特征參數，并對差異性特征進行直接分類。基于機器學習分類器設計的方法則利用深度神經網絡在自動特征提取與分類上的優勢，對干擾信號進行智能分類識別。例如，文獻[1-2]利用時頻分析獲取干擾信號的差異性特征，結合卷積神經網絡進行分類。文獻[3-4]設計高階統計量作為特征參數，利用簡單分類器進行分類。文獻[5]設計一組關聯的特征參數，改進卷積神經網絡進行智能分類，實現了較高的識別精度。文獻[6-7]設計多域特征，提出一種機器學習方法，有效區分典型干擾信號。文獻[8-10]利用新的神經網絡模型對典型雷達干擾進行分類識別。然而，這些方法在面對復雜多變的干擾場景時，往往因為特征設計的局限性、機器學習方法的泛化能力差等問題，導致識別性能嚴重下降。
據此，本文提出了一種基于多域特征的雷達有源干擾信號智能識別方法。首先設計出多域特征參數，綜合表征雷達有源干擾在時域、頻域和變換域的特征；然后，利用主成分分析（Principal Component Analysis，PCA）方法在消除特征冗余、降維上的優勢，篩選出最具代表性和區分性的特征集；最后，構建隨機森林分類器對干擾信號進行分類識別，有效處理干擾中的噪聲和不確定性，適用于復雜的雷達干擾環境。
本文詳細內容請下載：
http://www.tom3567.com/resource/share/2000006853
作者信息：
荊賀，肖健，齊恂，程耀坤，李明杰
（陸軍工程大學石家莊校區 電子與光學工程系，河北 石家莊 05003）
