[發(fā)明專利]沖擊噪聲環(huán)境下基于演化神經(jīng)網(wǎng)絡的雷達信號識別方法

有效

• 申請?zhí)枺?/td>: 202110469718.5
• 申請日: 2021-04-28
• 公開（公告）號: CN113189558B
• 公開（公告）日: 2022-07-15
• 發(fā)明（設計）人: 高洪元;謝婉婷;杜亞男;郭瑞晨;馬靜雅;張禹澤;王欽弘;王世豪;白浩川
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G01S7/41
• 分類號: G01S7/41
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明提供一種沖擊噪聲環(huán)境下基于演化神經(jīng)網(wǎng)絡的雷達信號識別方法，包括：在沖擊噪聲環(huán)境計算訓練集中第m個雷達輻射源信號序列的分數(shù)低階協(xié)方差譜；提取四種特征參數(shù)，并將這四種特征參數(shù)組成特征向量判斷是否所有雷達輻射源信號序列分數(shù)低階協(xié)方差譜的四種特征參數(shù)都被提取完畢；利用訓練集的特征矩陣和設計雙鏈編碼的量子水蒸發(fā)優(yōu)化算法尋找概率神經(jīng)網(wǎng)絡的最優(yōu)平滑因子σ，量子水蒸發(fā)優(yōu)化算法記做QWEO；將尋找到的全局最優(yōu)位置賦值給平滑因子σ，利用優(yōu)化后的概率神經(jīng)網(wǎng)絡模型對測試集或實測數(shù)據(jù)集進行識別，給出識別結果。本發(fā)明降低了識別方法的計算復雜度，解決了特征指數(shù)0＜α≤2時沖擊噪聲環(huán)境下的雷達調制信號識別問題。

技術領域

本發(fā)明具體涉及一種沖擊噪聲環(huán)境下基于演化神經(jīng)網(wǎng)絡的雷達信號識別方法，屬于雷達信號處理領域。

背景技術

現(xiàn)代戰(zhàn)爭會發(fā)生在各種環(huán)境和天氣下，復雜的噪聲會影響雷達輻射源信號分選與識別的正確率，考慮惡劣情況下，海雜波噪聲、大氣噪聲等沖擊性較強的噪聲并不能用高斯分布模型來描述，所以一些基于高斯噪聲環(huán)境設計的雷達信號識別方法的正確率會明顯下降。P.Lévy首次提出了Alpha穩(wěn)定分布的概念，以Nikias為首的研究團隊將此概念應用到了信號處理領域，研究結果表明Alpha穩(wěn)定分布模型能夠更加有效地描述噪聲。探索和研究不同噪聲環(huán)境下各種體制雷達輻射源信號的識別方法有著切實的意義和迫切的需求。

近年來，已有學者對Alpha穩(wěn)定分布噪聲下的調制信號識別方法進行了一定的研究。李詠晉(李詠晉.基于模糊函數(shù)的雷達脈內特征提取與分類器設計[D].解放軍信息工程大學,2017.)設計了分數(shù)低階模糊函數(shù)原定徑向切片的特征提取算法，在完成組合策略的基礎上還需進一步使用CCA與KCCA算法完成降維與特征優(yōu)化，劉明騫等(劉明騫,李兵兵,曹超鳳,李釗.認知無線電中非高斯噪聲下數(shù)字調制信號識別方法[J].通信學報,2014,35(01):82-88.)提取了分數(shù)低階循環(huán)譜截面和頻率譜截面以及其投影面的5個相關系數(shù)作為識別特征參數(shù)，但是以上這兩種特征提取方法的計算復雜度較高，實時性較差。趙自璐等(趙自璐,王世練,張煒,謝陽.水下沖激噪聲環(huán)境下基于多特征融合的信號調制方式識別[J].廈門大學學報(自然科學版),2017,56(03):416-422.)對接收信號進行非線性變換預處理后，提取頻譜分形盒維數(shù)、信號包絡樣本熵和S變換時頻譜能量熵，利用SVM對調制信號的多特征進行融合識別，但是該方法在低信噪比情況時識別性能較差。李兵兵等(李兵兵,劉明騫,楊吉,賈明利.一種Alpha穩(wěn)定分布噪聲下數(shù)字調制信號識別方法:中國,10302963.2[P].2016-05-18)采用分類器設置判決門限來進行調制信號識別，該分類器的缺點是判決門限的值極大影響了識別方法的速度和正確性，如何設置合理的判決門限是件不容易的事情，而且該調制信號識別方法缺乏學習和拓展能力。已有文獻的檢索結果表明，現(xiàn)有的識別方法計算復雜度較高，適用范圍較窄，低信噪比情況時識別性能較差。

發(fā)明內容

針對現(xiàn)有方法的缺點和不足，本發(fā)明設計了一種沖擊噪聲環(huán)境下基于演化神經(jīng)網(wǎng)絡的雷達信號識別方法，主要解決現(xiàn)有識別方法計算復雜度較高，適用范圍較窄的技術難題。該方法計算被截獲信號的分數(shù)低階矩協(xié)方差譜后，提取近似熵、范數(shù)熵、調和平均盒維數(shù)和信息維數(shù)四種特征參數(shù)，這四種特征參數(shù)計算簡單，無需其它復雜處理，組成特征向量后作為概率神經(jīng)網(wǎng)絡的輸入，最后利用設計的量子水蒸發(fā)優(yōu)化(QWEO)算法尋找概率神經(jīng)網(wǎng)絡的最優(yōu)平滑因子，提高網(wǎng)絡的識別正確率。

本發(fā)明的目的是這樣實現(xiàn)的：步驟如下：

步驟一：在沖擊噪聲環(huán)境計算訓練集中第m個雷達輻射源信號序列的分數(shù)低階協(xié)方差譜；

步驟二：提取分數(shù)低階協(xié)方差譜φ_m(n)的近似熵范數(shù)熵調和平均維數(shù)和信息維數(shù)四種特征參數(shù)，并將這四種特征參數(shù)組成特征向量

步驟三：判斷是否所有雷達輻射源信號序列分數(shù)低階協(xié)方差譜的四種特征參數(shù)都被提取完畢，如果是，將所有特征向量組成特征矩陣作為概率神經(jīng)網(wǎng)絡的輸入，進入步驟四；否則，返回步驟一；