[發明專利]一種基于深度卷積神經網絡與特征融合的雷達信號分類方法

有效

• 申請號: 202011121979.X
• 申請日: 2020-10-20
• 公開（公告）號: CN112287784B
• 公開（公告）日: 2022-05-31
• 發明（設計）人: 司偉建;萬晨霞;張春杰;曲志昱;鄧志安;汲清波;駱家冀
• 申請（專利權）人: 哈爾濱工程大學
• 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

1.一種基于深度卷積神經網絡與特征融合的雷達信號分類方法，其特征在于包括以下步驟：

步驟1、獲取2FSK信號、4FSK信號、BPSK信號、EQFM信號、FRANK信號、LFM信號、NS信號和SFM信號，利用時頻轉換技術choi-williams分布CWD和平滑偽Wigner-Ville分布SPWVD將八種雷達信號轉換為時頻圖像；

步驟2、利用圖像處理方法對CWD和SPWVD轉換的時頻圖像進行預處理，并分別制作數據集1和數據集2；

(1)采用二維維納濾波抑制CWD和SPWVD轉換時頻圖像的噪聲；

(2)為了降低計算復雜度和簡化改進后EfficientNet網絡提取特征的復雜度，采用雙線性插值將CWD和SPWVD轉換后的時頻圖像大小調整為224x 224像素，并對CWD和SPWVD轉換后的時頻圖像振幅進行歸一化；

(3)CWD和SPWVD轉換后的時頻圖像經過預處理后分別生成數據集1和數據集2；

步驟3、利用兩個改進的EfficientNet模型提取更有效和詳細的特征；

(1)構建的EfficientNet網絡包括1個卷積核大小為3x 3的卷積層；1個擴張率為1、卷積核大小為3x 3的MBConv塊；2個擴張率為6、卷積核大小為3x 3的MBConv塊；2個擴張率為6、卷積核大小為5x 5的MBConv塊；3個擴張率為6、卷積核大小為3x 3的MBConv塊；3個擴張率為6、卷積核大小為5x 5的MBConv塊；4個擴張率為6、卷積核大小為5x5的MBConv塊；1個擴張率為6、卷積核大小為3x 3的MBConv塊；

(2)將步驟2中生成的數據集1和數據集2分別輸入到改進的EfficientNet-1和EfficientNet-2進行特征提取；

步驟4、設計一種多特征融合模型，充分利用不同特征之間的聯系，將兩種改進的EfficientNet模型中提取的特征進行融合；

步驟5、采用Adam算法對網絡參數進行優化訓練；

步驟6、利用SoftMax分類器進行分類。

2.根據權利要求1所述的基于深度卷積神經網絡與特征融合的雷達信號分類方法，其特征在于：所述步驟1對接收到的八種雷達信號，分別采用CWD和SPWVD進行時頻轉換。

3.根據權利要求1所述的基于深度卷積神經網絡與特征融合的雷達信號分類方法，其特征在于：所述步驟4構建多特征融合模型，充分利用不同特征之間的聯系，將步驟3中EfficientNet-1提取數據集1的特征圖和EfficientNet-2提取數據集2的特征圖進行融合，得到更加有效的融合特征。

4.根據權利要求1所述的基于深度卷積神經網絡與特征融合的雷達信號分類方法，其特征在于：所述步驟5利用Adam算法對網絡參數進行優化訓練，Adam具有減少計算資源和加快模型收斂速度的強大優勢，從而提高模型的識別精度和效率。

5.根據權利要求1所述的基于深度卷積神經網絡與特征融合的雷達信號分類方法，其特征在于：所述步驟6利用SoftMax分類器進行分類，將測試集數據輸入到SoftMax分類器，從而準確獲得八類雷達信號的分類結果。