告别人工看图：用Python+STFT实现雷达信号自动分类（附LFM/相位编码等6种信号代码）

用Python+STFT实现雷达信号自动分类：从仿真到工程落地的全流程指南

雷达信号分析一直是电子侦察领域的核心技术难点。传统方法依赖工程师人工观察时频图进行判断，不仅效率低下，还容易因主观因素导致误判。本文将带你用Python构建一个完整的雷达信号自动分类系统，涵盖信号生成、STFT时频分析、特征提取到分类器实现的完整链路。

1. 雷达信号仿真：构建六种典型脉内调制信号

在开始分类之前，我们需要先模拟出各种雷达信号。雷达信号的脉内调制方式决定了其抗干扰能力和探测性能。以下是六种最常见的类型：

import numpy as np import matplotlib.pyplot as plt from scipy import signal def generate_lfm(fs, pulse_width, bw, f0): """生成线性调频(LFM)信号""" t = np.linspace(0, pulse_width, int(fs*pulse_width)) freq_slope = bw / pulse_width phase = 2*np.pi*(f0*t + 0.5*freq_slope*t**2) return np.exp(1j*phase) def generate_bpsk(fs, pulse_width, code): """生成二相编码(BPSK)信号""" chips = np.array([int(c) for c in code]) chip_len = int(fs * pulse_width / len(code)) phase = np.repeat(np.pi*(chips-0.5), chip_len) return np.exp(1j*phase)

表：六种雷达信号类型及关键参数

2. STFT时频分析：从理论到Python实现

短时傅里叶变换(STFT)是分析非平稳信号的利器。与FFT不同，STFT通过加窗分段的方式，既能保留时间信息又能获取频率成分。

STFT的核心参数选择：

• 窗函数：Hamming窗在旁瓣抑制和主瓣宽度间取得平衡
• 窗长：太短导致频率分辨率不足，太长则时间分辨率下降
• 重叠率：通常50-75%，平衡计算量和时频连续性

from scipy.signal import stft def compute_stft(signal, fs, nperseg=256): f, t, Zxx = stft(signal, fs, nperseg=nperseg, window='hamming', noverlap=nperseg//2) return f, t, np.abs(Zxx) # 可视化示例 f, t, Zxx = compute_stft(lfm_signal, fs=1e6) plt.pcolormesh(t, f, 20*np.log10(Zxx), shading='gouraud') plt.ylabel('Frequency [Hz]') plt.xlabel('Time [sec]') plt.colorbar(label='Intensity [dB]')

提示：实际工程中，建议对STFT结果进行对数变换(20*log10)以增强弱信号的可视化效果，这与雷达中常用的dB尺度一致。

3. 特征工程：从时频图中提取判别性特征

人工分类时依赖的经验特征，我们需要将其量化为算法可处理的数值特征。基于瞬时频率直方图的特征提取方法具有物理意义明确、计算简单的优点。

关键特征提取流程：

1. 对STFT矩阵进行峰值检测，获取瞬时频率曲线
2. 统计瞬时频率的直方图分布
3. 计算各类统计特征量

def extract_features(Zxx, f): # 获取瞬时频率曲线 instantaneous_freq = f[np.argmax(Zxx, axis=0)] # 计算直方图统计特征 hist, bin_edges = np.histogram(instantaneous_freq, bins=20) features = { 'mean': np.mean(instantaneous_freq), 'std': np.std(instantaneous_freq), 'skewness': stats.skew(instantaneous_freq), 'kurtosis': stats.kurtosis(instantaneous_freq), 'entropy': stats.entropy(hist) } return features

表：六类信号的典型特征对比

4. 分类器设计与系统集成

有了高质量特征后，我们需要选择合适的分类算法。考虑到雷达信号特征具有明确的物理意义，决策树类算法往往比深度网络更合适。

from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split # 特征数据集准备 X = [extract_features(*compute_stft(s)) for s in signals] y = [0,1,2,3,4,5] # 对应六种信号类型 # 划分训练测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3) # 训练随机森林分类器 clf = RandomForestClassifier(n_estimators=100) clf.fit(X_train, y_train) # 评估性能 accuracy = clf.score(X_test, y_test) print(f"分类准确率: {accuracy:.2%}")

工程实现中的注意事项：

1. 实际环境中需要考虑噪声影响，建议训练时添加不同SNR的噪声样本
2. 对于实时性要求高的场景，可以优化STFT计算，采用重叠保留法等加速技术
3. 系统部署时建议加入置信度检测，对低置信度样本触发人工复核机制

5. 性能优化与工程实践技巧

在真实项目中，我们还需要考虑算法的实时性和鲁棒性。以下是几个经过实战验证的优化技巧：

1. 计算加速：使用numba加速特征提取环节，对于固定参数信号可以预计算STFT窗函数
2. 抗噪处理：在特征提取前加入维纳滤波或小波去噪预处理
3. 增量学习：对于新出现的信号类型，采用在线学习机制更新分类器

from numba import jit @jit(nopython=True) def fast_instantaneous_freq(Zxx, f): """使用numba加速的瞬时频率计算""" return f[np.argmax(Zxx, axis=0)] # 实时处理流水线示例 def realtime_processing(signal_frame): f, t, Zxx = compute_stft(signal_frame, fs) features = extract_features(Zxx, f) return clf.predict([features])[0]

注意：在嵌入式设备部署时，可以考虑将STFT替换为更轻量的时频分析方法，如WVD或SPWVD，但需注意交叉项干扰问题。

6. 扩展应用与前沿方向

基于时频特征的分类方法不仅适用于雷达信号，还可扩展到以下领域：

• 通信信号识别：5G/NR中的不同调制方式识别
• 机械故障诊断：轴承振动信号的故障特征提取
• 生物医学工程：EEG信号中的异常波形检测

当前最前沿的研究方向包括：

• 结合时频分析与深度学习的端到端分类架构
• 基于注意力机制的时频特征重要性加权
• 小样本学习在新型雷达信号识别中的应用

# 深度学习结合示例 from tensorflow.keras import layers, models def build_hybrid_model(input_shape): """构建时频特征+深度学习的混合模型""" inputs = layers.Input(shape=input_shape) # 传统特征分支 feat_branch = layers.Dense(64, activation='relu')(inputs) # 时频图分支 stft_branch = layers.Conv2D(32, (3,3), activation='relu')(inputs) stft_branch = layers.GlobalAvgPool2D()(stft_branch) # 特征融合 merged = layers.concatenate([feat_branch, stft_branch]) outputs = layers.Dense(6, activation='softmax')(merged) return models.Model(inputs, outputs)

在实际雷达侦察系统中，信号分类只是整个处理链的一环。一个完整的系统还需要考虑信号检测、参数估计、分选关联等后续处理步骤。本文介绍的方法可以无缝集成到更大的处理框架中，为电子支援措施(ESM)和电子情报(ELINT)系统提供核心分类能力。