[發明專利]一種基于深度學習的雷達輻射源類別識別方法

在審

• 申請號: 201711145195.9
• 申請日: 2017-11-17
• 公開（公告）號: CN108090412A
• 公開（公告）日: 2018-05-29
• 發明（設計）人: 張治山;王增福;蘭華;潘泉
• 申請（專利權）人: 西北工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 陜西增瑞律師事務所 61219
• 代理人: 劉春

1.一種基于深度學習的雷達輻射源類別識別方法，其特征在于，利用經過預處理的輻射源信號求取其模糊函數的切片作為特征向量；將大量的打好標簽的特征向量作為訓練樣本，通過深度卷積神經網絡進行訓練，并利用獲得的卷積神經網絡分類器進行輸入特征向量的分類識別；為了實現對于未知類別的輻射源的識別，構建基于支持向量機的meta識別器來判斷卷積神經網絡分類器的分類結果是否可信，得到最終的識別結果。

2.如權利要求1所述的一種基于深度學習的雷達輻射源類別識別方法，其特征在于，具體實施方法為：

步驟1、輻射源信號預處理和特征提取優化：首先剔除輻射源信號中無用和錯誤的數據，然后對輻射源信號進行分選；再提取每個雷達的模糊函數切片向量，并將其作為特征向量；

步驟2、構建深度卷積神經網絡結構：根據輻射源模糊函數切片的特征，設計了一個深度為13層的卷積神經網絡，卷積層選擇了具有128個層的1*3的卷積核，采用長度為1*2的最大池化方法，并添加dropout參數，利用softmax作為最終的輸出層；

步驟3、訓練神經網絡模型：在傳統的梯度下降優化算法的基礎上，利用一階矩與二階矩估計對學習率進行調整；

步驟4、卷積神經網絡分類器識別：利用步驟3獲得的模型進行分類識別，得到該輻射源屬于各個類別的概率作為初步輸出；

步驟5、構建支持向量機meta分類器：以步驟4中得到的初步輸出作為該分類器的輸入，對類別進行二次判斷，確定其是否是未知分類。

3.如權利要求2所述的一種基于深度學習的雷達輻射源類別識別方法，其特征在于，所述步驟1的具體方法為：

步驟1.1、剔除輻射源信號中無用和錯誤的數據，然后對輻射源信號進行分選，分選過程主要利用同一部雷達輻射源信號參數的相關性和不同雷達信號參數的差異性，從隨機交疊的脈沖信號流中分離出各個雷達的脈沖信號并選出有用的輻射源信號；

步驟1.2、輻射源信號x(t)的瞬時自相關函數定義為：

其中，τ為時延；

雷達模糊函數的定義為：

A ( τ , v ) = ∫ - ∞ + ∞ R x ( t , τ ) e j 2 π v t d t - - - ( 2 ) , ]]>

即Rx(t，τ)關于時間t的傅里葉反變換，其中υ為頻偏，j為負數單位，π為圓周率，e為自然常數；

公式(2)可以經過變換等價于下面的公式(3)：

A ( τ , v ) = ∫ 0 τ x ( t ) x * ( t + τ ) e j 2 π v t d t - - - ( 3 ) , ]]>

對輻射源信號x(t)均勻采樣，公式(3)變為公式(4)：

A ( τ l , v m ) = A ( l , m ) = Σ n = 0 N - 1 x ( n ) x * ( n + l ) e j 2 π m n N - - - ( 4 ) , ]]>

公式(4)即為提取到的雷達的模糊函數切片向量，其中，τl為時間偏移量為l時的時延，vm為頻率偏移量為m時的頻偏，N為總頻譜周期，設fs為工作頻率，則有