基于機器學習的雷達輻射源識別研究綜述

李　蒙，朱衛(wèi)綱，陳維高

(中國人民解放軍裝備學院　a.研究生管理大隊； b.光電裝備系，北京　101416)

?

【基礎(chǔ)理論與應用研究】

基于機器學習的雷達輻射源識別研究綜述

李蒙a，朱衛(wèi)綱b，陳維高a

(中國人民解放軍裝備學院a.研究生管理大隊；b.光電裝備系，北京101416)

回顧和介紹了復雜雷達信號環(huán)境下輻射源智能化識別的相關(guān)機器學習理論的發(fā)展歷程；對近年來基于機器學習理論的雷達輻射源識別技術(shù)研究狀況進行了綜述；在已有研究的基礎(chǔ)上，著眼于提高小樣本學習能力和新型雷達識別能力的發(fā)展需要，提出了基于機器學習理論的雷達輻射源識別技術(shù)的主要研究方向和難點問題，并對相應的解決方法進行了討論。

機器學習；輻射源識別；小樣本；新型雷達

雷達輻射源識別作為雷達偵察中的關(guān)鍵環(huán)節(jié)，在雷達對抗中具有十分重要的作用。其任務是基于雷達數(shù)據(jù)庫中樣本對偵察得到的雷達信號進行分析，從而確定該輻射源的體制、狀態(tài)、用途、型號、威脅等級等信息[1]。

傳統(tǒng)的參數(shù)匹配法直接將測量得到的特征參數(shù)構(gòu)成模式矢量，通過與雷達數(shù)據(jù)庫進行匹配識別出輻射源的屬性。這種方法簡單、易于實現(xiàn)，但采用的均為外部特征參數(shù)，對復雜脈內(nèi)調(diào)制信號難以識別，且不具備依據(jù)先驗知識進行學習、容錯和模糊辨識的能力。

近年來，研究人員開始探索信號在變換域的特征(時頻特征、小波特征、高階統(tǒng)計量特征等)。機器學習(MachineLearning)作為一種智能的數(shù)據(jù)分析工具，可以模擬人類學習行為，使計算機程序隨著經(jīng)驗的積累不斷提高自身性能，受到輻射源識別領(lǐng)域?qū)W者的廣泛關(guān)注。基于機器學習的雷達輻射源識別可以通過學習數(shù)據(jù)庫中的樣本對偵收的雷達信號進行分類預測，具有一定的魯棒性和泛化能力，且適用于高維、非線性特征參數(shù)分類問題(變換域參數(shù)一般是高維的)。盡管如此，在實際電子戰(zhàn)場上依然面臨諸如所需標記樣本較多，泛化能力弱等挑戰(zhàn)。

本文全面回顧和介紹了當前基于機器學習的雷達輻射源識別研究與發(fā)展現(xiàn)狀，在此基礎(chǔ)上提出了未來需要重點解決的問題，并探討了若干可行方案。

1　基于機器學習的雷達輻射源識別原理

作為人工智能技術(shù)的重要方向，機器學習從訓練數(shù)據(jù)(數(shù)據(jù)庫樣本)中學習規(guī)律，利用這些規(guī)律對新數(shù)據(jù)進行預測?；跈C器學習的雷達輻射源識別原理如圖1所示。

圖1　雷達輻射源識別原理框圖

基于機器學習的輻射源分類器本質(zhì)上是一個映射c′:X→Y，c′(x)是對未知的真實映射c(x)的一個估計[2]。用于訓練分類器的樣本形式為(x,c(x))，其中x∈X為雷達數(shù)據(jù)庫中已知樣本，而c(x)為該樣本所屬的真實類別。機器學習的目的在于構(gòu)造一個函數(shù)c′，以使它盡可能的逼近c，從而盡可能準確的預測待識別輻射源的屬性信息。

設(shè)X={x1,x2,…,xn}是雷達數(shù)據(jù)庫中樣本集合，T=(t1,t2,…,tk)為樣本包含的k個特征參數(shù)組成的特征向量，Y={C1,C2,…,Cq}是一個基數(shù)很小的由類別標簽構(gòu)成的有限集。把已知的數(shù)據(jù)樣本xi∈X及對應標簽Cj∈Y輸入到分類器中進行訓練，將待識別信號特征輸入到訓練好的分類器中，即可得到對應的信號類別及輻射源信息。

2　國內(nèi)外研究發(fā)展現(xiàn)狀

從引入人工智能開始，研究人員陸續(xù)將各種機器學習方法用于雷達輻射源識別研究。圖2展示了近年來國內(nèi)外研究應用的機器學習方法。

2.1基于傳統(tǒng)機器學習的輻射源識別方法

傳統(tǒng)的機器學習方法包括基于概率模型的貝葉斯算法[3]、基于距離模型的最近鄰算法[4]、基于樹模型的決策樹算法[5]等。文獻[6]應用貝葉斯分類以解決不確定性問題并識別了輻射源信號；文獻[7]應用最近鄰算法替代匹配算法對輻射源進行了分頻段識別，有效解決了機載RWR設(shè)備計算能力有限的問題；文獻[8]根據(jù)重要程度來確定各屬性信息量的相對大小，建立決策樹優(yōu)化雷達輻射源識別問題，有效降低了外界環(huán)境和各種干擾的影響。

上述算法原理簡單、理論成熟，在工程中也已經(jīng)得到了廣泛的應用。但這些方法使用條件苛刻，在特定數(shù)據(jù)集下表現(xiàn)較好，往往只適合一些十分具體的問題，難以推廣應用。

圖2　基于機器學習的輻射源識別方法

2.2基于神經(jīng)網(wǎng)絡的輻射源識別方法

人工神經(jīng)網(wǎng)絡(ArtificialNeuralNetworks，ANNs)也簡稱為神經(jīng)網(wǎng)絡，是模仿生物神經(jīng)連接產(chǎn)生特征向量與身份分類之間映射的非線性變換技術(shù)[9]，通過調(diào)整內(nèi)部節(jié)點之間相互連接的關(guān)系達到處理信息的目的。ANNs具有強大的記憶能力、容錯能力和泛函逼近能力，可以將輸入的特征參數(shù)通過非線性關(guān)系映射到輻射源信息，實現(xiàn)雷達輻射源的識別。神經(jīng)網(wǎng)絡結(jié)構(gòu)如圖3所示。

圖3　神經(jīng)網(wǎng)絡示意圖

20世紀80年代中期，英國海軍就將人工神經(jīng)網(wǎng)絡引入了輻射源識別[10]。文獻[11-12]采用載頻(CF)、脈寬(PW)和重復間隔(PRI)3個參數(shù)作為神經(jīng)網(wǎng)絡的輸入，取得了大大優(yōu)于傳統(tǒng)方法的識別效果；文獻[13]用脈幅(PA)、脈寬(PW)、載頻(CF)、重復間隔(PRI)和到達角(DOA)組成脈沖描述字(PDW)來識別不同的輻射源信號。九十年代開始，國內(nèi)學者也將神經(jīng)網(wǎng)絡技術(shù)用于輻射源識別研究。文獻[14]將常規(guī)參數(shù)作為特征輸入量,用BP神經(jīng)網(wǎng)絡模型對輻射源進行識別；文獻[15]把載頻(CF)、脈寬(PW)和脈沖重頻(PRF)作為特征向量對4種艦載雷達輻射源信號進行分類識別；文獻[16]用實際獲得的雷達信號參數(shù)對神經(jīng)網(wǎng)絡進行訓練，對未知雷達的工作狀態(tài)進行了預測，分析了其威脅程度。

隨著機器學習理論的發(fā)展，國內(nèi)外學者對識別算法進行了不同程度的改進，神經(jīng)網(wǎng)絡的應用更加廣泛、靈活。文獻[17]將免疫算法引入到RBF神經(jīng)網(wǎng)絡中，提取天線掃描周期、波束寬度和極化方式等參數(shù)構(gòu)成特征向量對7種雷達信號進行了識別。文獻[18]利用小波包可對信號進行多維多分辨率分析的特點，對輻射源信號進行特征提取，然后將其作為神經(jīng)網(wǎng)絡的訓練樣本，進行輻射源類型的識別，克服了傳統(tǒng)方法識別效率低的弊端，并有效解決了未知雷達信號無法識別的問題。文獻[19]將量子態(tài)疊加思想引入BP網(wǎng)絡，保留了神經(jīng)網(wǎng)絡的固有優(yōu)勢并且增加了對雷達輻射源分類的自由度，明顯改善了低信噪比下的識別性能。文獻[20]融合了神經(jīng)網(wǎng)絡自學習和模糊模式識別的優(yōu)點，將神經(jīng)網(wǎng)絡技術(shù)應用于雷達信號模糊模式識別，有效解決了電子戰(zhàn)中普遍存在的信號模糊性識別問題。文獻[21]通過對代價函數(shù)進行修正提出矢量神經(jīng)網(wǎng)絡(VNN)，將區(qū)間類型的特征參數(shù)(如RF、PRI等)作為輸入矢量，通過網(wǎng)絡非線性變換得到區(qū)間類型的型號輸出。文獻[22]考慮訓練樣本本身的可靠性對網(wǎng)絡輸出誤差進行修正，利用修正后的輸出誤差對權(quán)值矩陣進行迭代優(yōu)化，提出一種加權(quán)矢量神經(jīng)網(wǎng)絡(WVNN)，在區(qū)間類輻射源識別中取得了更好的識別能力和噪聲適應性。文獻[23]采用競爭函數(shù)作為輸出傳遞函數(shù)設(shè)計了徑向基概率神經(jīng)網(wǎng)絡(RBPNN)，縮短了輻射源識別的時間并提高了識別準確率。文獻[24]將多元屬性融合算法和D-S證據(jù)理論與概率神經(jīng)網(wǎng)絡結(jié)合起來，進一步提高了雷達型號識別的可靠性和抗噪性。

2.3基于支持向量機的輻射源識別方法

支持向量機(SupportVectorMachine，SVM)是Vapnik等人提出的一種建立在統(tǒng)計學習理論、VC維理論和結(jié)構(gòu)風險最小化原理基礎(chǔ)上的機器學習方法[25]，為解決有限樣本學習問題提供了一個統(tǒng)一的方案。SVM通過事先選擇的非線性映射(核函數(shù))將輸入向量映射到一個高維特征空間，在高維空間對非線性問題進行分類[26]。支持向量機結(jié)構(gòu)如圖4所示。

圖4　支持向量機示意圖

文獻[27]首次將SVM應用于雷達輻射源信號識別中，并得到了較高的識別率，證明SVM分類適用于雷達輻射源識別領(lǐng)域。文獻[28]同時提取常規(guī)參數(shù)和脈內(nèi)參數(shù)，并結(jié)合離散跳躍、波束展寬參數(shù)，選擇多項式核函數(shù)的支持向量機對相控陣雷達信號進行了識別，取得了優(yōu)于神經(jīng)網(wǎng)絡的識別效果。文獻[29-30]基于小波包變換、時頻圖像分析以及高階累積量等信號分析方法，采用支持向量機作為分類器，在抗噪聲和提高識別率方面取得了不錯的效果。文獻[31]采用相像系數(shù)法提取雷達輻射源信號特征，利用SVM分類器結(jié)構(gòu)簡單、泛化能力強、可獲得全局最優(yōu)的特點完成信號自動分類識別，在大信噪比范圍內(nèi)(5～20dB)將錯誤識別率降低2.68%。

文獻[32]針對常用的多分類分類器的不足，提出一種復合支持向量機(CSVM)分類器，將特征樣本通過預處理分為線性可分和線性不可分的類別，采用線性分類器對線性可分的類別進行識別，采用SVM對線性不可分的類別進行識別。文獻[33]提出加權(quán)AVA-SVM方法，對小樣本數(shù)據(jù)分類效果顯著并且收斂速度很快。文獻[34]提出一種模糊支持向量機(FSVM)分類器，減少了訓練樣本的數(shù)量，提高了支持向量機的分類能力。文獻[35]將增量支持向量機(ISVM)應用到雷達信號識別中，并以常規(guī)增量支持向量機為基礎(chǔ)，研究了訓練時間短、復雜度低、容錯性好、識別精度高和具有拒判能力的增量模糊支持向量機識別算法。文獻[36]應用遺傳算法、蟻群算法和粒子群算法對SVM模型參數(shù)進行尋優(yōu)，為對雷達輻射源信號進行更好的識別提供了依據(jù)。

2.4基于集成學習的輻射源識別方法

集成學習(EnsembleLearning)是一種組合多個分類器解決同一問題，從而獲得比單個分類器更好學習效果的機器學習方法，主要包括Bagging和Boosting兩種方法。本質(zhì)上，集成方法都是從訓練數(shù)據(jù)的改版(重加權(quán)、重采樣等)中構(gòu)造多個不同的預測模型，然后按照某種方式(求平均、帶加權(quán)的投票等)來整合這些模型的預測結(jié)果。

文獻[37]用AdaBoost算法提升神經(jīng)網(wǎng)絡，克服了雷達信號交疊帶來的識別難度。文獻[38]將遺傳算法和AdaBoost算法相結(jié)合，對10種輻射源型號進行識別，提高了輻射源識別精度。文獻[39]采用并行Boosting算法減少學習時間復雜度，大大縮短了數(shù)據(jù)訓練時間。文獻[40]將基于Bagging算法的RBF神經(jīng)網(wǎng)絡集成方法用于雷達型號識別，取得了優(yōu)于RBF網(wǎng)絡的效果。文獻[41]針對數(shù)據(jù)集識別難度分布不均勻提出了基于粗糙K-means和AdaBoost的雷達輻射源快速識別算法，在保持了較高識別精度和泛化能力的同時，降低了計算復雜度，縮短了耗時。

3　存在問題及發(fā)展方向

縱觀電子戰(zhàn)爭發(fā)展史，電子戰(zhàn)裝備智能化是現(xiàn)代戰(zhàn)爭發(fā)展必然趨勢。機器學習算法的引入使雷達輻射源識別在時間復雜度和識別準確性方面都有了大幅提高，以支持向量機為代表的分類識別算法得到了廣泛應用。但輻射源識別仍然需要從以下幾個方面進行改進和完善。

1) 現(xiàn)有的識別算法為了獲得較好的泛化能力，需要有足夠多的帶標記樣本來建立訓練集。但樣本的標記往往需要大量的人力和時間，不但影響了機器學習的效率，也使得在實驗室測試良好的分類算法在實戰(zhàn)中的效果大打折扣。應著眼于減少標記樣本數(shù)量、降低標記成本，尋找最有效利用樣本的途徑，通過盡量少的查詢樣本獲得最大限度的有用信息，提高學習效率、改善分類器性能，研究更具實戰(zhàn)意義的算法。

2) 由于樣本的采集代價和時間等因素，一次性獲得全部雷達樣本十分困難，雷達數(shù)據(jù)的獲取一般都是少量多次的。傳統(tǒng)算法是在多次收集后對信號樣本進行批量學習，但實際中輻射源識別不允許等收集到全部樣本后再進行機器學習。把傳統(tǒng)的批量學習方式轉(zhuǎn)變?yōu)樵诰€模式是輻射源識別領(lǐng)域極具現(xiàn)實意義的一項課題。

3) 現(xiàn)有算法在有限樣本識別上較傳統(tǒng)的匹配方法有了大幅提高，但當新型雷達難以獲得足夠多的訓練樣本時，依然不能訓練出分類精度高的分類模型。如何充分利用已有的知識和數(shù)據(jù)，輔助訓練目標分類模型，提高對樣本較少的新型雷達輻射源的識別能力，也是實戰(zhàn)需求中要繼續(xù)研究的方面。

4) 盡管神經(jīng)網(wǎng)絡具有較好的非線性映射和學習能力，但是這種基于無窮樣本推導的經(jīng)驗風險最小化方法在應對雷達輻射源識別問題時，存在局部極值和過(欠)學習等難以克服的缺點，在理論上一直沒有取得突破性進展。與神經(jīng)網(wǎng)絡相比，SVM理論的數(shù)學推理嚴格，不存在局部最優(yōu)等問題，具有結(jié)構(gòu)簡單、全局最優(yōu)、泛化能力強等優(yōu)勢，但仍然存在核函數(shù)選擇和參數(shù)確定問題以及對多分類問題處理能力不足等缺點。集成分類是機器學習中最強大的一類技術(shù)，但卻以增加算法和模型的復雜度為代價。尋找一種性能更加優(yōu)良、更適于工程實現(xiàn)的分類器，可以將特征的作用發(fā)揮到最大。

4　結(jié)束語

機器學習作為人工智能應用的重要研究，已經(jīng)廣泛應用于數(shù)據(jù)挖掘、自然語言處理、語音和手寫識別等領(lǐng)域，是當前數(shù)據(jù)分析的熱點內(nèi)容。將機器學習引入雷達輻射源識別，推動了雷達偵察向智能化發(fā)展的進程，取得了令人矚目的成果。同時，越來越復雜的電磁環(huán)境和迅速發(fā)展的雷達技術(shù)給輻射源識別提出了更高的要求。本文綜述了基于機器學習的雷達輻射源識別技術(shù)，指出了亟需解決的問題，為進一步研究打下了基礎(chǔ)。

[1]游屈波,吳耀云,哈章.輻射源識別系統(tǒng)中分類器設(shè)計及其應用[J].電子信息對抗技術(shù),2011(3):20-24.

[2]PETERF.MachineLearning:TheArtandScienceofAlgorithmsthatMakeSenseofData[M].Cambridge:CambridgeUniversityPress,2012.

[3]段晶.樸素貝葉斯分類及其應用研究[D]. 大連：大連海事大學,2011.

[4]鐘智,朱曼龍,張晨.最近鄰分類方法的研究[J].計算機科學與探索,2011(5):467-473.

[5]季桂樹,陳沛玲,宋航.決策樹分類算法研究綜述[J].科技廣場,2007(1):9-12.

[6]郭小賓,王壯,胡衛(wèi)東.基于貝葉斯網(wǎng)絡分類器的雷達輻射源識別方法[J].火力與指揮控制,2006,31(2):36-39

[7]王睿甲,王星,程嗣怡.機載RWR/ESM中改進最近鄰算法的分頻段輻射源識別[J]. 火力與指揮控制,2014(8):65-69.

[8]胡可,王宏遠.基于粗糙集的決策樹雷達輻射源識別方法[J].計算機仿真,2011(8):29-32.

[9]SIMONH.NeuralNetworksandLearningMachines[M].StateofNewJersey:PrenticeHall,2008.

[10]ROEJ,PUDNERA.TheReal-timeImplementationofEmitterIdentificationforESM[J].ProceedingsofIEEColloquiumonSignalProcessinginElectronicWarfare. 1994(7):1-6.

[11]ANDERSONJA,GATELYMT,PENZPA,etal.RadarSignalCategorizationUsingaNeuralNetwork[J].ProceedingsoftheIEEE,1990,78(10):1646-1657.

[12]SHIEHCS,LINCT.AVectorNetworkforEmitterIdentification[J].IEEETransactiononAntennasandPropagation, 2002,50(8): 1120-1127.

[13]GRANGERE,RUBINMA,GROSSBERG,etal.AWhat-andWhereFusionNeuralNetworkforRecognitionandTrackingofMultipleRadarEmitters[J].NeuralNetworks, 2001，14(3): 325-344.

[14]梁百川.神經(jīng)元網(wǎng)絡用于輻射源分選、識別[J]. 航天電子對抗,1994(2):34-40.

[15]王建華,趙莉萍,虞平良. 模糊神經(jīng)網(wǎng)絡的艦載雷達輻射源識別方法[J]. 哈爾濱理工大學學報,1999(2):67-69，73.

[16]劉凱,王杰貴. 基于神經(jīng)網(wǎng)絡的未知雷達輻射源智能識別技術(shù)[J].電子信息對抗技術(shù),2013(6):18-22.

[17]唐斌,胡光銳.基于免疫RBF網(wǎng)絡的雷達信號分類識別[J].數(shù)據(jù)采集與處理，2002, 17(4): 371-375.

[18]牛海,馬穎.小波-神經(jīng)網(wǎng)絡在輻射源識別中的應用研究[J].系統(tǒng)工程與電子技術(shù),2002(5):55-57.

[19]張中山,賈可新.基于量子神經(jīng)網(wǎng)絡的輻射源識別方法[J].航天電子對抗,2013(3):26-28，31.

[20]陳婷,羅景青.一種基于神經(jīng)網(wǎng)絡技術(shù)的雷達信號模糊模式識別方法[J].航天電子對抗,2006(1):55-57.

[21]SHIEHC,LINC.AVectorNeuralNetworkforEmitterIdentification[J].IEEETransactionsonAntennasandPropagation,2002，50(8):1120-1127.

[22]王文,謝芳.基于加權(quán)矢量神經(jīng)網(wǎng)絡的輻射源識別方法[J].艦船電子工程,2010(11):59-61，109.

[23]韓俊，何明浩，朱元清．一種新的雷達輻射源識別方法[J]．電子信息對抗技術(shù)，2008，23(5):9-12．

[24]吳振強,張國毅,常碩.基于神經(jīng)網(wǎng)絡與信息融合的雷達輻射源識別[J].電子信息對抗技術(shù),2015(6):1-4，82.

[25]VAPNIKVN.EstimationofDependenciesBasedonEmpiricalData[M].Berlin:Springer-Verlag, 1982[26]CHERKASSKYV,MULIERF.LearningfromData:Concepts,TheoryandMethods[M].NewYork:JohnViley,

1997.[27]ZHANGGE-XIANG,JINWEI-DONG,HULAI-ZHAO.RadarEmitterSignalRecognitionBasedonSupportVectorMachines[C] //The8thInternationalConferenceonControl，Automation，RoboticsandVision.2004:826-831.

[28]樊亞春,王巖,才迎光.基于支持向量機的相控陣雷達信號識別方法[J].電子信息對抗技術(shù),2014(5):44-48.

[29]王玲霞,袁佳,張效義.基于小波包變換的輻射源信號特征提取和識別[J].通信技術(shù),2009(3):215-217.

[30]白航,趙擁軍,徐永剛.一種低信噪比下雷達輻射源識別方法[J].電子信息對抗技術(shù),2012(1):11-15.

[31]張葛祥,榮海娜,金煒東.支持向量機在雷達輻射源信號識別中的應用[J].西南交通大學學報,2006(1):25-30.

[32]張葛祥.雷達輻射源信號智能識別方法研究[D].成都：西南交通大學,2005.

[33]張國柱,黃可生,周一宇,姜文利.基于加權(quán)AVA的SVM輻射源識別算法研究[J].信號處理,2006(3):357-360.

[34]任明秋,朱元清,沈同云.基于FSVMs的雷達輻射源信號分類識別[J].系統(tǒng)仿真學報,2009(4):1043-1046.

[35]余志斌.基于脈內(nèi)特征的雷達輻射源信號識別研究[D].成都：西南交通大學,2010.

[36]徐璟,何明浩,冒燕.基于優(yōu)化算法的雷達輻射源信號識別方法及性能[J].現(xiàn)代雷達,2014(10):33-37，42.

[37]陳衛(wèi),周曉,葉菲.AdaBoost-NN在雷達信號識別中的應用[J].電子對抗技術(shù),2005(1):29-33.

[38]方敏,王寶樹.基于Boosting的模糊分類規(guī)則集成學習及應用[J].宇航學報,2005(5):640-643，675.

[39]王艷麗.基于并行Boosting算法的雷達輻射源識別系統(tǒng)的設(shè)計與實現(xiàn)[D].西安：西安電子科技大學,2008.

[40]王冰玉.集成學習算法的改進及其應用[D]. 西安：西安電子科技大學,2009.

[41]王文哲,吳華,索中英.粗糙K-means和AdaBoost結(jié)合的雷達輻射源快速識別算法[J].空軍工程大學學報(自然科學版),2016(1):51-55.

(責任編輯楊繼森)

StudyofRadarEmitterIdentificationBasedonMachineLearning

LIMenga，ZHUWei-gangb，CHENWei-gaoa

(a.DepartmentofGraduateManagement;b.DepartmentofOpticalandElectronicEquipment,AcademyofEquipmentofPLA,Beijing101416,China)

Machinelearningtheoryandrelateddevelopingprocessabouttheoreticaltoolforemitterintelligentidentificationundercomplexradarsignalenvironmentwerereviewedandintroduced.Anoverviewofradaremitteridentificationtechnologybasedonmachinelearningtheorywaspresented.Onthebasisofexistingresearch,focusedonimprovingthedevelopmentneedsofsmallsamplelearningabilityandnewradaridentificationability,weputforwardthemainresearchdirectionsanddifficultproblembasedradaremitteridentificationtechnologyofmachinelearningtheoryanddiscussedthecorrespondingsolutions.

machinelearning;sourceofradiationidentification；smallsample；newradar

2016-04-18；

2016-05-22

李蒙(1992—)，男，碩士研究生，主要從事軍事信息處理研究。

10.11809/scbgxb2016.09.039

format:LIMeng，ZHUWei-gang，CHENWei-gao.StudyofRadarEmitterIdentificationBasedonMachineLearning[J].JournalofOrdnanceEquipmentEngineering,2016(9):171-175.

TN974

A

2096-2304(2016)09-0171-05

本文引用格式：李蒙，朱衛(wèi)綱，陳維高.基于機器學習的雷達輻射源識別研究綜述[J].兵器裝備工程學報，2016(9):171-175.