[发明专利]基于全连接神经网络的低截获雷达信号分类方法

权利要求书

1.一种基于全连接神经网络的低截获雷达信号分类方法，其特征在于：

(1)获取几种不同调制方式的低截获概率雷达信号，包括bpsk信号、costas信号、fmcw信号、frank码信号、LFM信号和SLFM信号，将这些信号作为样本信号；

(2)计算每个样本信号的双谱特征，获取双谱反对角切片信号并对反对角切片信号进行归一化；

(3)根据(1)中对应的样本信号类型，给(2)中归一化后的所有切片信号添加标签，并将相同信噪比值的原始信号所对应的带标签信号归为一个数据集，作为训练网络的输入数据集；

(4)设计一个由一层输入层、两层隐藏层、一层输出层和一层softmax层组成的全连接神经网络；

(5)对全连接神经网络进行训练：

(5a)将(3)中的每个数据集随机分为训练集和测试集两个部分，训练集中数据数目约为测试集中数据数目的2倍；

(5b)用训练集对(4)设计的全连接神经网络进行迭代训练；

(5c)每次训练后，将测试集中数据逐个输入到全连接神经网络，根据输出判断该数据为步骤(1)中的哪种信号类别，并根据标签判断该分类是否正确；计算该次训练后，测试集中所有数据的正确分类率；

(5d)重复步骤(5b)和(5c)，直到测试集的正确分类率趋于稳定，网络训练完成；

(6)对(1)中所述任一信号，使用(2)中步骤处理，并将处理后得到的归一化双谱反对角切片信号输入(5)中训练完成的网络，即可根据网络的输出判断该信号类别。

2.根据权利要求1所述的方法，其中步骤(1)中的每一类低截获雷达信号均可按其信噪比值分成10组，每组信号有5000个样本信号，故最终有30万个样本信号。

3.根据权利要求1所述的方法，其中所述步骤(2)，按如下步骤进行：

(2a)计算每个样本信号的双谱特征B(w₁,w₂):

其中，w₁和w₂为双谱特征分布的两个维度变量，τ₁和τ₂为样本信号s(t)的两个时间延迟变量，C_3s(τ₁,τ₂)为样本信号s(t)的三阶自相关函数：C_3s(τ₁,τ₂)＝E{s(t)s(t+τ₁)s(t+τ₂)}，s(t+τ₁)和s(t+τ₂)是样本信号s(t)分别延时τ₁和τ₂后得到的信号分量，E{}是计算括号内的期望值；

(2b)获取双谱反对角切片信号：

令双谱特征B(w₁,w₂)中的w₁＝-w₂＝w，得到每个双谱特征对应的双谱反对角切片信号B(w)；

(2c)利用下式对切片信号B(w)归一化，得到向量x(w)：

x(w)＝B(w)/max(B(w))

其中函数max(B(w))表示获得B(w)中的最大分量。

4.根据权利要求1所述的方法，其中步骤(3)中对归一化后的所有切片信号添加标签，是在切片信号尾部增加一位数字，该数字范围为0～5，分别对应步骤(1)所述的六类信号。

5.根据权利要求1所述的方法，其中步骤(3)中将相同信噪比值的原始信号所对应的带标签信号归为一个数据集，是将所有带标签信号合并为一个N×M的矩阵，其中N为所有带标签信号的数目，M为归一化后切片信号的长度。