基于改进DenseNet的LPI雷达特征提取算法

doi:10.12305/j.issn.1001-506X.2026.10.09

系统工程与电子技术 ›› 2026, Vol. 48 ›› Issue (10): 3363-3371.doi: 10.12305/j.issn.1001-506X.2026.10.09

• 传感器与信号处理 • 上一篇

基于改进DenseNet的LPI雷达特征提取算法

杜赟¹(), 刘松涛²(), 彭锐晖¹(), 白雪涛¹(), 郭宇¹()

1. 哈尔滨工程大学信息与通信工程学院，黑龙江哈尔滨 150001
2. 海军大连舰艇学院信息系统系，辽宁大连 116018

收稿日期:2025-05-29 接受日期:2026-01-16 出版日期:2026-10-25 发布日期:2026-09-30
通讯作者: 刘松涛 E-mail:dy3318883623@163.com;navylst@163.com;pengruihui@hrbeu.edu.cn;seadesert@heru.edu.cn;2647086116@qq.com
作者简介:杜　赟（2000—），男，硕士研究生，主要研究方向为电子对抗技术及应用
彭锐晖（1979—），男，教授，博士，主要研究方向为多源融合探测、雷达抗干扰与目标特性技术
白雪涛（2000—），男，硕士研究生，主要研究方向为脑电信号处理、分类与识别技术
郭　宇（2001—），男，硕士研究生，主要研究方向为电子对抗技术及应用

LPI radar feature extraction algorithm based on improved DenseNet

Yun Du¹(), Songtao Liu²(), Ruihui Peng¹(), Xuetao Bai¹(), Yu Guo¹()

1. School of Information and Communication Engineering，Harbin Engineering University，Harbin 150001，China
2. Department of Information System，Dalian Naval Academy，Dalian 116018，China

Received:2025-05-29 Accepted:2026-01-16 Online:2026-10-25 Published:2026-09-30
Contact: Songtao Liu E-mail:dy3318883623@163.com;navylst@163.com;pengruihui@hrbeu.edu.cn;seadesert@heru.edu.cn;2647086116@qq.com

摘要/Abstract

摘要：

为提升低截获概率(low probability of intercept，LPI)雷达多分量信号背景下的特征提取能力，提出一种基于改进稠密神经网络(densely connected convolution networks，DenseNet)的特征提取算法。所提算法以DenseNet169为主干网络，结合优化的卷积块注意力模块，并将传统空间注意力机制和通道注意力机制的串行结构改进为并行结构。同时，对信号二维时频图像进行降噪滤波处理，以增强模型对关键信息的表征能力。实验结果表明，对比7种传统网络结构，改进DenseNet算法在模拟真实信道环境的背景下可以实现更好的识别效果，在SNR=−8 dB时对常见的13类LPI雷达信号识别的精确率、召回率以及F1-Score均超过了97%，在−8 dB≤SNR≤10 dB的背景下平均准确率达到了99.22%。所提算法在LPI雷达信号深度时频特征提取与识别方面具有有效性。

关键词: 低截获概率雷达, 特征提取, 稠密神经网络, 注意力机制

Abstract:

To enhance feature extraction capabilities in multi-component signal backgrounds of low probability of intercept （LPI） radars, a feature extraction algorithm based on improved densely connected convolutional network （DenseNet） is proposed. The proposed algorithm utilizes DenseNet169 as the backbone network, incorporating an optimized convolutional block attention module （CBAM）. The serial structure of traditional spatial attention mechanism （SAM） and channel attention mechanism （CAM） are transformed into a parallel architecture. Additionally, denoising filtering is applied to the two-dimensional time-frequency images of the signals to enhance the model’s representation capability of critical information. Experimental results demonstrate that the improved DenseNet algorithm achieves superior recognition performance compared to seven traditional network architectures under simulated real-channel conditions. At SNR=−8 dB, it achieves accuracy, recall, and F1-Score exceeding 97% for 13 common LPI radar signal classes. In −8 dB≤SNR≤10 dB range, the average accuracy reaches 99.22%. The proposed algorithm demonstrates effectiveness in the extraction and recognition of deep time-frequency for LPI radar signals.

Key words: low probability of intercept (LPI) radar, feature extraction, densely connected convolution network, attention mechanism

中图分类号:

TN 973

杜赟, 刘松涛, 彭锐晖, 白雪涛, 郭宇. 基于改进DenseNet的LPI雷达特征提取算法[J]. 系统工程与电子技术, 2026, 48(10): 3363-3371.

Yun Du, Songtao Liu, Ruihui Peng, Xuetao Bai, Yu Guo. LPI radar feature extraction algorithm based on improved DenseNet[J]. Systems Engineering and Electronics, 2026, 48(10): 3363-3371.

图/表 14

图1

图2

图3

图4

图5

表1

表2

图6

图7

图8

图9

表3

图10

表4

参考文献 30

1	刘松涛, 雷震烁, 温镇铭, 等. 认知电子战研究进展[J]. 探测与控制学报, 2020, 42 (5): 1.
2	Stimson G W. Introduction to airborne radar[M]. Mendham: SciTech Publishing, 1998.
3	王海英, 张群英, 成文海, 等. LPI雷达信号调制识别及参数估计研究进展[J]. 系统工程与电子技术, 2024, 46 (6): 1908.
4	Linh M H, Minjun K, Seung K. Automatic recognition of general LPI radar waveform using SSD and supplementary classifier[J]. IEEE Trans. on Signal Processing, 2019, 67 (13): 3516. doi: 10.1109/TSP.2019.2918983
5	何肖阳, 陈小龙, 杜晓林, 等. 基于CBAM-Swin-Transformer迁移学习的海上微动目标分类方法[J]. 系统工程与电子技术, 2025, 47 (4): 1155. doi: 10.12305/j.issn.1001-506X.2025.04.12
6	杨德贵, 许道峰. 基于时频域特征融合的IR-UWB穿墙雷达人体行为识别方法[J]. 系统工程与电子技术, 2024, 46 (3): 849. doi: 10.12305/j.issn.1001-506X.2024.03.10
7	徐桂光, 王旭东, 汪飞, 等. 基于SE-ResNeXt网络的低信噪比LPI雷达辐射源信号识别[J]. 系统工程与电子技术, 2022, 44 (12): 3676. doi: 10.12305/j.issn.1001-506X.2022.12.11
8	Li S Y, Du X L, Cui G L, et al. A multiscale dual attention sparse dual network for time-frequency image denoising of radar signal[J]. IEEE Sensors Journal, 2024, 24 (14): 22588. doi: 10.1109/JSEN.2024.3403856
9	Wan J, Yu X, Guo Q. LPI radar waveform recognition based on CNN and TPOT[J]. Symmetry, 2019, 11 (5): 725. doi: 10.3390/sym11050725
10	Wu D M, Shi J P, Li Z H, et al. Contrastive semi-supervised learning with pseudo-label for radar signal automatic modulation recognition[J]. IEEE Sensors Journal, 2024, 24 (19): 30399. doi: 10.1109/JSEN.2024.3439704
11	Huynh-The T, Doan V S, Hua C H, et al. Accurate LPI radar waveform recognition with CWD-TFA for deep convolutional network[J]. IEEE Wireless Communications Letters, 2021, 10 (8): 1638. doi: 10.1109/LWC.2021.3075880
12	赵帅, 刘松涛, 汪慧阳. 基于PSO-CNN的LPI雷达波形识别算法[J]. 系统工程与电子技术, 2021, 43 (12): 3552. doi: 10.12305/j.issn.1001-506X.2021.12.17
13	叶文强, 俞志富, 张奎. 基于DAE+CNN辐射源信号识别算法[J]. 计算机应用研究, 2019, 36 (12): 3815. doi: 10.19734/j.issn.1001-3695.2018.07.0409
14	蒋伊琳, 尹子茹. 基于卷积神经网络的低截获概率雷达信号检测算法[J]. 电子与信息学报, 2022, 44 (2): 718. doi: 10.11999/JEIT210132
15	Huang G, Liu Z, Laurens V D M, et al. Densely connected convolutional networks[C]//IEEE Conference on Computer Vision and Pattern Recognition, 2017: 2261.
16	Woo S, Park J, Lee J Y, et al. CBAM: convolutional block attention module[C]//European Conference on Computer Vision, 2018: 3.
17	Yang Z G, Liu Y M, Gao Z H, et al. Attention enhancement with parallel groups for remote sensing object detection[C]//IEEE International Conference on Image Processing, 2024: 1032.
18	张天骐, 杨凯, 赵亮, 等. 多径衰落信道下MC-CDMA信号扩频序列周期盲估计[J]. 系统工程与电子技术, 2017, 39 (12): 2803.
19	Loffe S, Szegedy C. Batch normalization: accelerating deep network trainingby reducing internal covariate shift[C]//International Conference on Machine Learning, 2015: 448.
20	Han S, Mao H, Dally W J. Deep compression: compressing deep neural networks with pruning, trained quantization and huffman coding[J]. Fiber, 2015, 56 (4): 3.
21	谭诗利, 雷虎民, 王鹏飞. 基于正切Sigmoid函数的跟踪微分器[J]. 系统工程与电子技术, 2019, 41 (7): 1590. doi: 10.3969/j.issn.1001‐506X.2019.07.21
22	Kalra M, Kumar S, DAS B. Target detection using smooth pseudo Wigner-Ville distribution[C]//IEEE Intelligent Computational Systems, 2018: 6.
23	黄庆东, 李晓瑞, 曹艺苑, 等. 基于高斯混合概率假设密度的运动参数估计组合平滑滤波算法[J]. 电子与信息学报, 2022, 44 (7): 2488. doi: 10.11999/JEIT210439
24	Guo J, Esedoḡlu S. Median filters for anisotropic wetting/dewetting problems[J]. SIAM Journal on Scientific Computing, 2025, 47 (3): 2012.
25	Paszke A, Gross S, Massa F, et al. Pytorch: an imperative style, high performance deep learning library[J]. Advances in Neural Information Processing Systems, 2019, 32, 8026.
26	张本辉, 刘松涛, 晁玉龙. 基于DBO-DAOD的未知雷达调制方式识别算法[J]. 系统工程与电子技术, 2025, 47 (6): 1833. doi: 10.12305/j.issn.1001-506X.2025.06.12
27	Lauren V D M, Hinton G. Visualizing data using t-SNE[J]. Journal of Machine Learning Research, 2008, 9, 2579.
28	Krizhevsky A, Sutskever I, Hinton G. ImageNet classification with deep convolutional neural networks[J]. Advances Inneural Information Processing Systems, 2012, 25, 1097. doi: 10.1145/3065386
29	Tong S, Li S K. Design of VGG structured U-Net model for remote sensing green space information extraction[J]. Journal of Geovisualization and Spatial Analysis, 2025, 9 (1): 1.
30	He K M, Zhang X Y, Ren S Q, et al. Deep residual learning for image recognition[C]//IEEE Conference on Computer Vision and Pattern Recognition, 2016: 770.

雷达调制波型	参数	取值范围
LFM+BPSK	$\begin{gathered} {f}_{c} /\text{Hz}\\ B /\text{Hz}\\ N \\ {L}_{BPSK} \end{gathered}$	$\begin{gathered} \text{U}({f}_{s}/6,{f}_{s}/5) \\ \text{U}({f}_{s}/20,{f}_{s}/16) \\ \text{U}[500{,}1~920] \\ \left\{13{,}31{,}63\right\} \end{gathered}$
LFM FMCW	$\begin{gathered} {f}_{c} /\text{Hz}\\ B /\text{Hz}\\ N \end{gathered}$	$\begin{gathered} \text{U}({f}_{s}/6,{f}_{s}/5) \\ \text{U}({f}_{s}/20,{f}_{s}/16) \\ \text{U}[500{,}1~920] \end{gathered}$
Barker	$\begin{gathered} {L}_{Bc} \\ {f}_{c} /\text{Hz}\\ {N}_{cc} \end{gathered}$	$\begin{gathered} \left\{7{,}11{,}13\right\} \\ \text{U}({f}_{s}/6,{f}_{s}/5) \\ \text{U}[11{,}14] \end{gathered}$
Frank P1	$\begin{gathered} {f}_{c} /\text{Hz}\\ {N}_{cc} \\ M \end{gathered}$	$\begin{gathered} \text{U}({f}_{s}/6,{f}_{s}/5) \\ \left\{4{,}5,6\right\} \\ \left\{6{,}7,8\right\} \end{gathered}$
P2	$\begin{gathered} {f}_{c} /\text{Hz}\\ {N}_{cc} \\ M \end{gathered}$	$\begin{gathered} \text{U}({f}_{s}/6,{f}_{s}/5) \\ \left\{4{,}5,6\right\} \\ \left\{6{,}8\right\} \end{gathered}$
P3 P4 PX Zadoff-Chu	$\begin{gathered} {f}_{c} /\text{Hz}\\ {N}_{cc} \\ m \end{gathered}$	$\begin{gathered} \text{U}({f}_{s}/6,{f}_{s}/5) \\ \left\{4{,}5,6\right\} \\ \left\{39{,}49{,}64\right\} \end{gathered}$
DSSS	$\begin{gathered} {f}_{c} /\text{Hz}\\ N \\ {L}_{{\mathrm{chip}}} \\ {L}_{pn} \end{gathered}$	$\begin{gathered} \text{U}({f}_{s}/6,{f}_{s}/5) \\ \text{U}[500{,}1~920] \\ \left\{4{,}8,16{,}32\right\} \\ \left\{31{,}63{,}127\right\} \end{gathered}$
MFSK	$\begin{gathered} {f}_{c} /\text{Hz}\\ B /\text{Hz}\\ {L}_{Bc} \\ N \end{gathered}$	$\begin{gathered} \text{U}({f}_{s}/6,{f}_{s}/5) \\ \text{U}({f}_{s}/20,{f}_{s}/16) \\ \left\{6{,}10{,}12\right\} \\ {\mathrm{U}}[500{,}1~920] \end{gathered}$

信道参数	取值
采样频率/MHz	$ {F}_{s}=100 $
多径衰减/s	$ \left\{0.1{,}1.8{,}3.4\right\}/{F}_{s} $
平均路径增益/dB	$ \left\{0,-2,-10\right\} $
K-factor	4
最大多普勒频移/Hz	4
AWGN/dB	$ \mathrm{SNR}=[-8\colon 2\colon 10] $

信号类型	精确率	召回率	F1-Score
Barker	1.0000	0.9900	0.9950
DSSS	0.8922	0.9100	0.9010
FMCW	0.9959	0.9600	0.9777
Frank	0.9921	1.0000	0.9960
LFM	0.9879	0.9800	0.9839
MFSK	0.8812	0.8900	0.8856
P1	1.0000	1.0000	1.0000
P2	0.9771	0.9800	0.9785
P3	0.9899	0.9800	0.9849
P4	1.0000	1.0000	1.0000
PX	0.9931	1.0000	0.9965
LFM+BPSK	0.9796	0.9600	0.9697
Zadoff-Chu	1.0000	1.0000	1.0000
平均值	0.9764	0.9754	0.9759

算法	平均准确率	检测时间/s
P-CBAM DenseNet	0.9922	2.54
CBAM DenseNet （C→S）	0.9908	2.42
CBAM DenseNet （S→C）	0.9881	2.41
DenseNet	0.9843	2.24
PSO-CNN	0.9081	3
AlexNet	0.8624	3
ResNet	0.8815	35
VGG	0.8291	22

[1]	魏帅, 谢荣, 杨洪飞, 许述文, 刘峥. 基于多尺度加权GCN的有源干扰识别方法[J]. 系统工程与电子技术, 2026, 48(9): 2958-2968.
[2]	王彩云, 韩嘉轩, 贾一帆, 王佳宁, 李晓飞. 多核保持分析与坐标关联注意的多源融合识别[J]. 系统工程与电子技术, 2026, 48(9): 2979-2986.
[3]	雷蕾, 朱应申, 阮航, 周东平, 付亦凡, 潘黎, 郭世盛. 基于改进YOLOv5的LPI雷达信号检测识别一体化方法[J]. 系统工程与电子技术, 2026, 48(9): 3008-3018.
[4]	董健, 邹俊杰, 侯斐斐, 肖程望. 基于HRRP特征统计特性的雷达目标识别方法[J]. 系统工程与电子技术, 2026, 48(7): 2206-2217.
[5]	付卫红, 彭文洪, 刘乃安. 面向高效检测的YOLOv11轻量化SAR图像船舶检测模型[J]. 系统工程与电子技术, 2026, 48(7): 2241-2250.
[6]	韩成杰, 彭聪, 施苏牧, 王宇, 纪江南. 基于多尺度交互融合网络的作动器故障诊断[J]. 系统工程与电子技术, 2026, 48(7): 2319-2332.
[7]	黄琼丹, 刘露露, 韩洁婧, 王佳鹏, 康仕林. 基于差异特征反投影融合的图像超分辨重建[J]. 系统工程与电子技术, 2026, 48(6): 1809-1818.
[8]	罗雨泉, 何雨强, 李雅鑫, 梁松, 王俊. 基于CNN-BiLSTM-MHA时空融合框架的毫米波雷达人体姿态估计[J]. 系统工程与电子技术, 2026, 48(5): 1502-1514.
[9]	夏文杰, 张子剑, 闫循良. 基于DMD模态特征提取重构的再入滑翔目标轨迹解析预测[J]. 系统工程与电子技术, 2026, 48(5): 1682-1694.
[10]	王瑶, 胥辉旗, 曹司磊, 王磊. 基于深度学习的舰船关键部位检测算法[J]. 系统工程与电子技术, 2026, 48(2): 410-421.
[11]	张振兴, 杨任农, 李永林, 左家亮, 胡利平, 陈双艳. 基于双重注意力生成对抗网络的文本到图像生成[J]. 系统工程与电子技术, 2026, 48(1): 34-43.
[12]	余晨浩, 常雷雷, 周宇, 孙建彬. 基于反馈特征提取和因果反演辨识的自主智能系统效能评估方法[J]. 系统工程与电子技术, 2026, 48(1): 209-217.
[13]	蒋明煜, 张顺生, 肖思瑶. 面向轻量级交叉注意力卷积网络的SAR目标识别[J]. 系统工程与电子技术, 2025, 47(9): 2853-2861.
[14]	李开明, 张袁鹏, 罗迎, 代肖楠. 弹道导弹雷达目标识别研究进展[J]. 系统工程与电子技术, 2025, 47(9): 2870-2889.
[15]	付卫红, 彭文洪, 刘乃安. 混合注意力优化的SAR图像小目标检测方法[J]. 系统工程与电子技术, 2025, 47(8): 2519-2526.

基于改进DenseNet的LPI雷达特征提取算法

LPI radar feature extraction algorithm based on improved DenseNet

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 30

相关文章 15

编辑推荐

Metrics

本文评价