[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

本發明涉及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，將雷達信號轉換為時頻圖像；采用圖像處理方法對時頻圖像進行預處理，并分別制作為數據集1和數據集2；利用兩個改進的EfficientNet模型分別提取為數據集1和數據集2更有效的特征；設計一種多特征融合模型，充分利用不同特征之間的關系，對提取數據集1和數據集2的特征進行融合；采用Adam算法對網絡參數進行優化；利用SoftMax分類器獲取分類結果。本發明能更充分提取雷達信號特征，從而提高雷達信號在低信噪比環境下的識別性能，可用于復雜電磁環境下的雷達信號識別等電子對抗中。

技術領域

本發明涉及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模型的構建，屬于深度學習和信號處理技術領域。

背景技術

雷達信號脈內調制識別在電子支援、電子偵察、電子情報、電子攻擊等現代電子戰系統中起著至關重要的作用。提高雷達信號的識別精度不僅有助于推斷敵方雷達信號的調制類別，進一步推斷其威脅等級，而且可以提高參數估計的精度。近年來，隨著雷達技術的飛速發展，雷達信號的調制方式越來越復雜和多樣化，雷達信號所在環境的信噪比也越來越低。因此，探索一種在低信噪比環境下高精度識別雷達信號的方法顯得尤為重要。

雷達信號識別方法包括傳統的特征提取方法和人工智能方法。傳統的雷達信號識別方法主要利用特征提取和分類技術對雷達信號進行特征提取和分類。對于特征提取方法，研究者提出了短時Ramanujan傅里葉變換、分數階傅里葉變換、積分二次相位函數和尺度不變特征變換。近年來，一些學者對瞬時特征、循環平穩特征、高階累積量、時頻特征等多種特征進行了研究，與以往的方法相比，這些方法改善了雷達信號識別的性能。

為了進一步提高雷達信號的識別性能和識別精度，基于深度學習的雷達信號識別方法也被提出。研究者通常采用卷積神經網絡對雷達信號進行特征提取，然而采用此方法忽略了不同特征之間的互補性，模型的泛化能力較差，導致在低信噪比環境下對雷達信號的識別準確率低、魯棒性差。

發明內容

本發明的目的在于克服現有技術存在的不足，提供一種能更充分提取雷達信號特征；利用不同特征之間的聯系對提取的特征進行融合；在低信噪比條件下識別精度高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。

為實現上述目的，本發明采用如下技術方案：

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)將這些信號轉換為時頻圖像；

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

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，將對兩種改進的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.步驟1中雷達信號轉換時頻圖像包括以下兩種：

(1)對接收到的雷達信號，采用CWD進行時頻轉換，其表達式為：

C(t,w)＝∫∫∫_∞e^j2πξ(s-t)f(ξ,τ)·x(s+t/2)·x^*(s-t/2)·e^-jωτdξdsdτ (1)