摘 要：针对干扰信号识别时卷积神经网络模型体积大、训练周期长、对硬件存储和计算要求高等问题，本 文提出了一种基于改进轻量级网络模型 SqueezeNet 的干扰信号智能识别算法。该方法首先利用距离多普勒 （Range‑Doppler，RD）处理获得目标及干扰信号的RD图像，接着采用滑窗变换、归一化等技术对RD图像进行重 塑；然后采用基于 RD 信息尺寸的隐层和通道剪枝措施对 SqueezeNet 网络进行改进，缩小了模型尺寸和存储空 间；最后利用不同参数的测试样本拓展网络模型的泛化性能。仿真实验表明，在参数量减少到原网络1/30的情 况下，改进的SqueezeNet网络对每种干扰的识别正确率可达到95%以上，且训练时间大大减少。
关键词：干扰识别；距离多普勒图像；轻量化网络；参数压缩
0 引 言
随着雷达对抗技术的不断发展，雷达系统面 对干扰的多样化、干扰信号参数变化范围大和干 扰功率不断增强等挑战。因此，迫切需要提升现 代雷达系统的抗干扰能力［1］ 。干扰信号的识别是 雷达系统抗干扰的前提和基础，干扰识别算法是 当前雷达抗干扰领域的研究热点和基本问题。 目前，国内外从机器学习和人工智能的角度 对有源干扰的特征提取和识别开展了很多研究。 文献［2］利用 BP 神经网络对建模合理的复合干扰信号进行识别&#x