本文首先介绍了雷达辐射源信号分选识别技术的背景，结合当前的电子环境,明确了信号分选技术的要点问题:特征提取与特征表示，通过对现有特征提取方法的总结，提出了借助时间序列作为桥梁，使用复杂网络理论进行网络域特征提取的研究思路。

第一章引言

第二节雷达辐射源信号分选识别国内外研究现状

在辐射源信号分选识别领域，美英法等先进国家在70年代已经开展了有关的工作，除了使用单参数和多参数分选[2]之外，研究人员还用了脉冲参数关键字（PDW）的匹配方法[3]对辐射源信号进行识别。匹配法分选的本质就是将五参数进行变换、拓展、组合后构建为矢量模型，然后作为特征对雷达信号序列进行分选识别。我国对于电子对抗技术的研究始于80年代初，最开始主要是发展辐射源信号的模式识别技术；90年代以来，随着互联网与人工智能的发展，越来越多的新技术被引入辐射源信号的分选识别中来，如人工神经网络（ANN）、专家系统（ES）、进化计算（EC）等。近几十年来，辐射源信号分选识别技术取得了较大的进步，从特征提取的角度来说，主要有基于脉间参数的分选识别与基于脉内参数分选识别。

基于脉间参数的雷达辐射源信号分选技术，通常是利用测量到的多个特征参数来对其进行建模和分析，比如：基于模糊模式分选的方法[4]，基于神经网络[5]以及深度学习[6,7]的方法等。雷达脉冲重复间隔（PRI）是一种非常关键的信号特征量，其调制方式的差异会影响到雷达的工作方式、应用范围和威胁程度，因而，如何有效的辨识PRI的调制方式，是当前电子战侦察中亟待解决的问题。在国外以PRI为基础的分选识别的相关研究中，大部分都是对原来的分选识别模型进行的改良和完善，比如，Ahmad建议[8]利用平滑的瞬时功率来对进入雷达发射机信号的PRI参数进行估算，并将这种方式所获得的第一、第二和第三PRI值放入基于规则的分类器中进行分类试验，最后发现，在信噪比（SNR）不小于3dB时，其分类精度可以达到100%。Amin[9]给出了一种根据PRI统计和顺序分析的PRI调制检测方法，经模拟试验验证了其具有对抗电磁噪声的能力，并且具有较高的分类精度。Ahmed[10]给出了一种简便、容易实现的以脉冲描述字（PDW）为基础的分类算法，该算法可以将6种已知PRI类型中的不同脉冲信号进行分类，而且还可以在出现脉冲丢失和随机抖动时，维持分类的鲁棒性。

第三章基于LPVG复杂网络的雷达辐射源信号脉间特征提取

第一节子网络平均度特征

利用网络的平均度特征来描述复杂网络特性的方法会导致网络在空间上的局部信息被抹除，如图3.1所示，两个样例网络拥有相同的节点规模，将网络种的节点进行编号，使用公式（3-1）求得（a）,（b）两个网络平均度特征均为2.34，但是从图中可以看出，对于（a）网络而言，4号节点拥有最大的度值，是网络中的核心节点，若在信息流网络中，这类节点是确保网络整体信息顺畅传递的关键。而在（b）网络中则不存在这样的节点。因此，使用网络平均度来描述一个网络的特征存在着一定的局限性。

若选取子网络平均度特征来描述以上两个网络模型，就能够反映出这两个样例网络之间的差异。将（a）,（b）两个网络模型按照节点顺序划分为两个子网络，其中编号为1、2、3的节点构成子网络（1），编号为4、5、6的节点构成子网络（2），在子网络分解时保证节点的连边，分别求出两个网络模的子网络平均度，将得到的两个子网络平均度合并为二维向量表示为：[2.0,2.67],[2.34,2.34]；可以看出，子网络平均度特征能够反应出相同规模、相同平均度的两个网络在拓扑结构上的差异，相比于平均度特征能够反映出网络在空间上的局部微观特性，包含了更加丰富的信息，更有利于发现雷达辐射源脉冲序列的拓扑结构差异。

第五章基于复杂网络社团分析的雷达辐射源信号分选识别

第一节复杂网络社团发现原理

为了能够最大限度地对网络中的社团进行最优化的分割，学者们陆续地提出了各种方法来进行对网络结构布局的研究，常用的社团分割方法包括：谱平分法、分裂方法和凝聚算法，以下将对这些经典的社团分割算法进行介绍。

分裂方法是指在已有的网络结构中，不断的删除特定连边，使网络逐渐退化成多个小社团，Girvan-Newman算法是典型的分裂算法，它使用网络的边介数作为度量，确定要删除的连边，该算法的基本流程为：

（1）计算网络中所有边的介数。

（2）找到介数最高的边将其移除。

（3）不断重复（2），直至网络退化至理想的社团规模。此外Radicchi等人参照在Girvan-Newman算法提出了快速分裂算法，这种方法用边聚类系数代替Girvan-Newman算法中的边介数，作为来衡量删除连边的指标。

第二节雷达辐射源信号复杂网络社团划分实现

在这一部分的实验中，先使用120个选取的样本数据，构建出一个复杂网络模型，通过混合信号网络的社团特性来验证本文所提取的网络特征对信号数据表征的可靠性。采用第四章介绍的基于相空间重构复杂网络建网方法对网络节点、连边进行计算，网络连边构建的阈值选取也用相同的方法。

在本节中，将应用上述算法对雷达辐射源信号网络结构进行社团划分实验，并对实验结果进行详细分析。Newman-fast算法应用于雷达辐射源信号分选的具体流程如图5.2所示。通过对混合特征信号网络进行社团划分，在实现对不同类型辐射源信号分选的同时也验证了上文所提取特征的的有效性。

第六章总结与展望

第二节未来展望

本文的研究方法在理论证明与实验分析中，仍有以下几个方面的内容需要进一步探索：

（1）对于第三章有限穿越可视图网络的信号特征提取，本文只是通过子网络平均度这一个量化值来对信号序列进行描述，实验取得的结果证实了这种方法提取特征的有效性，但是在实际应用的复杂环境中，仍需要探索更多元的网络特征表示手段，如子网络平均聚类系数等。

（2）除了本文使用的两种复杂网络构建方法，还有一种基于符号化的粒复杂网络模型也被证实能够达到将数据信息有效表征至网络域。该方法因为对原始数据的粗粒化表示能够实现天然的降噪效果，对数据特征的提取效果也十分客观，是值得继续深入探究的问题。

（3）本文对于网络的社团结构分析仅仅只是从社团划分结果与相关社团特征度量进行了简要的说明，对划分结果的网络模型预测、社团拓扑结构中的信息流分析等方面仍然需要进一步的研究。

参考文献（略）

（本文摘自网络）