[发明专利]一种基于深度学习的雷达辐射源类别识别方法

权利要求书

1.一种基于深度学习的雷达辐射源类别识别方法，其特征在于，利用经过预处理的辐射源信号求取其模糊函数的切片作为特征向量；将大量的打好标签的特征向量作为训练样本，通过深度卷积神经网络进行训练，并利用获得的卷积神经网络分类器进行输入特征向量的分类识别；为了实现对于未知类别的辐射源的识别，构建基于支持向量机的meta识别器来判断卷积神经网络分类器的分类结果是否可信，得到最终的识别结果。

2.如权利要求1所述的一种基于深度学习的雷达辐射源类别识别方法，其特征在于，具体实施方法为：

步骤1、辐射源信号预处理和特征提取优化：首先剔除辐射源信号中无用和错误的数据，然后对辐射源信号进行分选；再提取每个雷达的模糊函数切片向量，并将其作为特征向量；

步骤2、构建深度卷积神经网络结构：根据辐射源模糊函数切片的特征，设计了一个深度为13层的卷积神经网络，卷积层选择了具有128个层的1*3的卷积核，采用长度为1*2的最大池化方法，并添加dropout参数，利用softmax作为最终的输出层；

步骤3、训练神经网络模型：在传统的梯度下降优化算法的基础上，利用一阶矩与二阶矩估计对学习率进行调整；

步骤4、卷积神经网络分类器识别：利用步骤3获得的模型进行分类识别，得到该辐射源属于各个类别的概率作为初步输出；

步骤5、构建支持向量机meta分类器：以步骤4中得到的初步输出作为该分类器的输入，对类别进行二次判断，确定其是否是未知分类。

3.如权利要求2所述的一种基于深度学习的雷达辐射源类别识别方法，其特征在于，所述步骤1的具体方法为：

步骤1.1、剔除辐射源信号中无用和错误的数据，然后对辐射源信号进行分选，分选过程主要利用同一部雷达辐射源信号参数的相关性和不同雷达信号参数的差异性，从随机交叠的脉冲信号流中分离出各个雷达的脉冲信号并选出有用的辐射源信号；

步骤1.2、辐射源信号x(t)的瞬时自相关函数定义为：

其中，τ为时延；

雷达模糊函数的定义为：

A ( τ , v ) = ∫ - ∞ + ∞ R x ( t , τ ) e j 2 π v t d t - - - ( 2 ) , ]]>

即Rx(t，τ)关于时间t的傅里叶反变换，其中υ为频偏，j为负数单位，π为圆周率，e为自然常数；

公式(2)可以经过变换等价于下面的公式(3)：

A ( τ , v ) = ∫ 0 τ x ( t ) x * ( t + τ ) e j 2 π v t d t - - - ( 3 ) , ]]>

对辐射源信号x(t)均匀采样，公式(3)变为公式(4)：

A ( τ l , v m ) = A ( l , m ) = Σ n = 0 N - 1 x ( n ) x * ( n + l ) e j 2 π m n N - - - ( 4 ) , ]]>

公式(4)即为提取到的雷达的模糊函数切片向量，其中，τl为时间偏移量为l时的时延，vm为频率偏移量为m时的频偏，N为总频谱周期，设fs为工作频率，则有