1 西南交通大学 电气工程学院，四川 成都 610031
2 中国电子科技集团 第二十九研究所，四川 成都 610036
针对目前正交频分复用(OFDM)雷达信号识别方法存在的问题，提出了一种具有可解释性的OFDM雷达信号识别方法。该方法是通过基于树结构的流程优化(TPOT)和与模型无关的局部可理解的解释性(LIME)相结合对OFDM雷达信号进行识别。针对OFDM雷达信号特性提取了复杂度特征和基于时频图矩阵的奇异值熵，组成特征向量；通过TPOT，得到表现最佳的机器学习流程；通过“解释器”解释预测结果，对识别结果做出是否识别正确的风险评估，同时可根据OFDM雷达信号的解释性，得到哪些信号不易区分。实验表明，该方法对信噪比为0 dB时的OFDM雷达信号的识别率达91%，通过LIME给出的解释性可以判断数据集中不易区分的雷达信号类型。
OFDM雷达信号 机器学习 奇异值熵 流程优化 局部可理解的解释性 Orthogonal Frequency Division Multiplexing radar s machine learning singular value entropy Tree-based Pipeline Optimization Tool Local Interpretable Model-agnostic Explanations 太赫兹科学与电子信息学报
2020, 18(2): 228
