基于AE-VMD和ECAResNet的雷达辐射源个体识别

来源：信号处理杂志 2025年第10期北京时间：

作者：骆丽萍, 余思雨, 黄洁, 黄东华

摘要：雷达辐射源个体识别是电子支援措施和战场态势感知的核心技术之一。现有的基于希尔伯特黄变换（Hilbert-Huang Transform， HHT）和深度学习的雷达辐射源个体识别方法中，存在模态分解参数优化不足及个体识别准确率不高的问题，针对此问题，将智能优化算法与信号处理相结合提出基于变分模态分解（Variational Mode Decomposition， VMD）参数优化和高效通道注意力残差神经网络（Efficient Channel Attention-Residual Neural Network， ECAResNet）的雷达辐射源个体识别方法。首先，通过Alpha进化（Alpha evolution， AE）优化算法结合VMD将信号分解为多个最优模态分量，实现参数自适应最优分解；其次，对分解后的模态分量进行HHT，构建希尔伯特谱图作为网络输入；最后，用改进后的ECAResNet提取希尔伯特谱的全局和局部特征，实现高效的个体识别。实验采用自采的USRP数据集对所提方法进行性能测试，实验结果表明，所提方法在高信噪比下对6类雷达辐射源个体的识别准确率接近100%；相较于现有的基于VMD的辐射源个体识别方法，所提方法在高信噪比下识别率分别提升了5.41和7.93个百分点，且在低信噪比下（0 dB）识别率分别提升了14.58和26.88个百分点，体现出更好的抗噪性能；同时设计了消融实验验证参数优化对识别性能的影响；与不同识别网络相比，ECAResNet在网络参数和运算量相差不大的条件下，所有信噪比下的识别准确率分别提升了1和6.9个百分点。实验结果验证了所提方法在识别精度和抗噪性能方面的有效性。

关键词：雷达辐射源个体识别, 智能优化算法, 变分模态分解, 注意力机制, 希尔伯特谱