摘要：针对传统雷达信号识别方法无法有效进行识别类型扩展问题,该文提出一种基于知识蒸馏与注意力图的雷达信号识别方法。首先将雷达信号的平滑伪Wigner-Ville分布(SPWVD)作为输入;然后设计了基于残差网络的增量学习网络结构,利用基于知识蒸馏与注意力图的损失函数,缓解类别增量过程中的灾难性遗忘;最后采用基于样本特征均值距离的方法对数据集进行管理,有效降低存储资源占用空间。实验表明,该方法能在存储资源有限的情况下,对扩展分类的信号快速完成训练,且对原有分类和扩展分类信号均有良好的识别准确率。

摘要：本文既介绍了典型的FMCW雷达结构,还分析出了每种信号在进行信息系统进行了各种研究方案的设计从而进行了很好地优化和避开了不足,也为FMCW雷达在选型和设计发展中打下了坚实的设计基础。

摘要：鉴于有监督的Kohonen神经网络在雷达信号识别方面的不足,将S-Kohonen神经网络和最小风险贝叶斯决策相结合,提出了一种加强的S-Kohonen-Bayes方法对雷达信号进行分类,并利用Adaboost强分类器设计对识别结果进行修正.人工仿真实验结果表明,错误率平均降低了36%,改进方法具有良好的识别能力,使用最小风险贝叶斯决策进行修正是有效和必要的.

摘要：本文提出了基于免疫算法设计的径向基函数(RBF)网络阵列实现对雷达信号体制和用途的分类识别。同单个神经网络相比,这种方法克服了识别类型较多时存在的扩充、修改、维护等难点。在RBF子网络的训练中,采用结合记忆机制的递阶免疫算法确定RBF网络的隐层参数,有效折衷了系统性能和运算量之间的矛盾。实验结果表明,采用这种方法设计的雷达信号识别系统达到了很高的性能。

摘要：针对复杂电磁环境下的雷达信号分选识别困难的问题,本文提出了一种高效的雷达辐射源信号调制识别方法。首先,对高速中频采样数据进行高效信道化检测;其次,对获取的脉冲信号进行频域、频谱信息熵、相位信息等特征提取;最后,对于提取的特征,设计了一种基于二叉树形结构的分类器。经仿真验证,该方法具有运算量小、实时性高、对噪声稳健的优点,通过仿真实验,验证了所提方法的有效性。

摘要：针对近些年雷达脉内信号识别方式由传统的特征提取不断地向着深度学习方向发展,且雷达信号侦察设备的需求在深度学习的基础上逐渐地向便携、低功耗方向发展,而对于一些特定的研究往往对嵌入式平台又具有一定要求。基于此,研究了基于嵌入式图形处理器(GPU)平台的雷达信号分析识别系统的设计。将近些年提出的轻量级网络MobileNet V3移植到嵌入式GPU平台,采用基于SPWVD时频分析结合MobileNet V3网络,实现了低信噪比下对雷达信号的侦测识别,且与传统卷积神经网络在训练效率和训练准确率方面进行比较,最后完成了信号分析的图形用户界面(GUI)软件设计,为深度学习雷达信号识别在嵌入式平台的应用提供了基础。