[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)信號分類方法

有效

• 申請?zhí)枺?/td>: 202010461186.6
• 申請日: 2020-05-27
• 公開（公告）號: CN111582236B
• 公開（公告）日: 2022-08-02
• 發(fā)明（設(shè)計）人: 司偉建;萬晨霞;曲志昱;張春杰;侯長波
• 申請（專利權(quán)）人: 哈爾濱工程大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明提供一種基于稠密卷積神經(jīng)網(wǎng)絡(luò)的LPI雷達(dá)信號分類方法，首先制作數(shù)據(jù)集，獲取幾種不同脈內(nèi)調(diào)制方式的LPI雷達(dá)信號，對雷達(dá)信號進(jìn)行時頻分布處理，得到時頻圖像；采用圖像處理技術(shù)，對時頻圖像進(jìn)行預(yù)處理。然后構(gòu)建一種基于稠密卷積神經(jīng)網(wǎng)絡(luò)的特征提取與分類方法。為了加快和優(yōu)化所提模型的學(xué)習(xí)效率，采用遷移學(xué)習(xí)對網(wǎng)絡(luò)模型進(jìn)行預(yù)訓(xùn)練，利用Adam算法對網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化訓(xùn)練。最后采用SoftMax分類器準(zhǔn)確獲得8個LPI雷達(dá)信號分類結(jié)果。本發(fā)明提出利用稠密卷積神經(jīng)網(wǎng)絡(luò)，能更充分提取雷達(dá)信號特征，加強(qiáng)特征重利用，從而提高雷達(dá)波形在低信噪比下的識別性能，可用于復(fù)雜電磁環(huán)境下的雷達(dá)信號識別。

技術(shù)領(lǐng)域

本發(fā)明涉及基于稠密卷積神經(jīng)網(wǎng)絡(luò)的LPI雷達(dá)信號分類方法模型的構(gòu)建，尤其涉及一種基于稠密卷積神經(jīng)網(wǎng)絡(luò)的LPI雷達(dá)信號分類方法，屬于深度學(xué)習(xí)和信號處理技術(shù)領(lǐng)域。

背景技術(shù)

雷達(dá)波形自動識別技術(shù)能夠識別接收信號的低截獲概率(LPI)雷達(dá)波形，在電子保障、電子情報、電子攻擊等電子戰(zhàn)系統(tǒng)中起著至關(guān)重要的作用。近幾十年來，隨著雷達(dá)技術(shù)的飛速發(fā)展，LPI雷達(dá)信號的調(diào)制方式越來越復(fù)雜多樣，雷達(dá)工作環(huán)境的信噪比也越來越低。因此，研究一種更準(zhǔn)確的方法來識別低信噪比下的雷達(dá)波形是至關(guān)重要的。

一些學(xué)者提出了一種基于特征提取和分類技術(shù)的LPI雷達(dá)波形自動識別技術(shù)，利用特征提取和分類技術(shù)對LPI雷達(dá)信號進(jìn)行特征提取和分類。在特征提取方面，研究將信號波形轉(zhuǎn)換為時頻圖像(TFI)的時頻轉(zhuǎn)換技術(shù)，如wigner ville distribution(WVD)和choi-willian distribution(CWD)。此外，一些學(xué)者還研究了兩種時頻轉(zhuǎn)換的組合，如smoothpseudo wigner-ville distribution(SPWVD)和born-jordan distribution(BJD)，WVD和CWD。近年來，為了提高雷達(dá)波形的識別性能，一些學(xué)者提出了循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)、深度信念網(wǎng)絡(luò)(DBN)、支持向量機(jī)(SVM)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)等先進(jìn)的網(wǎng)絡(luò)模型。Kong等人(Kong,S.-H.；Kim,M.；Linh Manh,H.；Kim,E.,Automatic LPI Radar Wave form RecognitionUsing CNN.Ieee Access 2018,6,4207-4219.)提出了一種基于CNN的LPI雷達(dá)波形識別技術(shù)，針對不同的信號條件設(shè)計了CNN的超參數(shù)，以保證最大的分類性能。然而，該方法在低信噪比環(huán)境下識別性能較差。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)存在的不足，提供一種能更充分提取雷達(dá)信號特征、加強(qiáng)特征重利用、在低信噪比下識別精度高的基于稠密卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)輻射源分類方法。

本發(fā)明的目的是這樣實現(xiàn)的：步驟如下：

步驟一：數(shù)據(jù)預(yù)處理，制作LPI雷達(dá)信號數(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)信號分類網(wǎng)絡(luò)模型，將制作的LPI雷達(dá)信號數(shù)據(jù)集輸入到構(gòu)建的網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練和測試；

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

步驟四：采用Adam算法對網(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)信號分類結(jié)果。

本發(fā)明還包括這樣一些結(jié)構(gòu)特征：

1.步驟一包括：首先獲取8種LPI雷達(dá)信號，包括2FSK，4FSK，BPSK，EQFM，F(xiàn)rank，LFM，NS和SFM信號，利用CWD時頻轉(zhuǎn)換將信號轉(zhuǎn)換為時頻圖像，對圖像進(jìn)行歸一化和二值化處理，制作LPI雷達(dá)信號數(shù)據(jù)集。