[發(fā)明專利]一種基于稠密卷積神經(jīng)網(wǎng)絡(luò)的LPI雷達(dá)信號(hào)分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010461186.6
• 申請(qǐng)日: 2020-05-27
• 公開（公告）號(hào): CN111582236B
• 公開（公告）日: 2022-08-02
• 發(fā)明（設(shè)計(jì)）人: 司偉建;萬(wàn)晨霞;曲志昱;張春杰;侯長(zhǎng)波
• 申請(qǐng)（專利權(quán)）人: 哈爾濱工程大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種基于稠密卷積神經(jīng)網(wǎng)絡(luò)的LPI雷達(dá)信號(hào)分類方法，其特征在于：步驟如下：

步驟一：數(shù)據(jù)預(yù)處理，制作LPI雷達(dá)信號(hào)數(shù)據(jù)集；

首先獲取8種LPI雷達(dá)信號(hào)，包括2FSK，4FSK，BPSK，EQFM，F(xiàn)rank，LFM，NS和SFM信號(hào)，利用CWD時(shí)頻轉(zhuǎn)換將信號(hào)轉(zhuǎn)換為時(shí)頻圖像，對(duì)圖像進(jìn)行歸一化和二值化處理，制作LPI雷達(dá)信號(hào)數(shù)據(jù)集；

步驟二：構(gòu)建基于稠密卷積神經(jīng)網(wǎng)絡(luò)的LPI雷達(dá)信號(hào)分類網(wǎng)絡(luò)模型，將制作的LPI雷達(dá)信號(hào)數(shù)據(jù)集輸入到構(gòu)建的網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練和測(cè)試；

構(gòu)建的稠密卷積神經(jīng)網(wǎng)絡(luò)包括5個(gè)稠密塊dense-1、dense-2、dense-3、dense-4、dense-5和4個(gè)轉(zhuǎn)換塊transition-1、transition-2、transition-3、transition-4；首先將訓(xùn)練數(shù)據(jù)集輸入到卷積核大小為7×7的卷積層，進(jìn)行特征提取；將提取的特征圖輸入到核大小為3×3的最大池化層，用于縮小特征映射的維數(shù)；然后，分別輸入到dense-1模塊，其中，dense-1包括6個(gè)核大小分別為1×1和3×3的卷積層；得到的特征圖輸入到transition-1中，該transition-1包括一個(gè)batch歸一化層、一個(gè)核大小為1×1的卷積層和一個(gè)核大小為2×2的平均池化層，用來(lái)匹配特征圖的大小，后面的4個(gè)稠密塊和轉(zhuǎn)換模塊的作用機(jī)理分別與dense-1和transition-1相似，最后，將從dense-5中提取的最終特征圖輸入到分類層，該分類層包括一個(gè)核大小為7×7的全局平均池化層、一個(gè)1000-d的全連接層和一個(gè)SoftMax分類器；

步驟三：采用遷移學(xué)習(xí)對(duì)網(wǎng)絡(luò)模型進(jìn)行預(yù)訓(xùn)練；

步驟四：采用Adam算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化訓(xùn)練；

步驟五：采用SoftMax分類器準(zhǔn)確獲得LPI雷達(dá)信號(hào)分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于稠密卷積神經(jīng)網(wǎng)絡(luò)的LPI雷達(dá)信號(hào)分類方法，其特征在于：所述步驟四包括：

(1)給出ε等于0，時(shí)間步長(zhǎng)t和參數(shù)空間的有效下降步長(zhǎng)為：

其中，α為步長(zhǎng)參數(shù)，m_t表示更新梯度的指數(shù)移動(dòng)均值，表示m_t的估計(jì)，v_t表示指數(shù)移動(dòng)均值，表示v_t的估計(jì)；

(2)求得隨機(jī)目標(biāo)函數(shù)f的梯度，然后采用平方梯度的指數(shù)移動(dòng)均值和衰減率β₂來(lái)估計(jì)它的二階原始矩；時(shí)間步長(zhǎng)序列中的梯度分別定義為g₁,···,g_T，其中，每個(gè)梯度都服從一個(gè)潛在的梯度分布g_t p(g_t)；初始化后的指數(shù)移動(dòng)均v₀等于零向量，而更新后的第t步指數(shù)移動(dòng)均值為：

v_t＝β₂·v_t-1+(1-β₂)·g_t²

其中，β₂表示衰減率，v_t-1為第t-1步的指數(shù)移動(dòng)均值，表示積g_t⊙g_t，即對(duì)應(yīng)元素之間的乘積；將上式改寫為在只包含梯度和衰減率的函數(shù)為：

對(duì)上式求期望，得到：

其中，ζ表示修飾初始化偏差，如果真實(shí)二階矩為靜態(tài)的，則ζ為0。