[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

说明书

本发明提出了一种基于全连接神经网络的低截获雷达信号分类方法，主要解决现有技术对低信噪比值的低截获雷达信号正确分类率低的问题，其实现步骤为：1)获得不同信噪比值的低截获雷达信号；2)计算低截获雷达信号的双谱特征，对双谱特征信号进行预处理和分组得到数据集；3)设计全连接神经网络的模型，并使用数据集对其进行训练，获得训练好的全连接神经网络；4)对未分类的低截获雷达信号，将其预处理后输入训练好的全连接神经网络，通过网络输出得到该低截获雷达信号的分类。仿真结果表明，本发明对低信噪比值的低截获雷达信号分类正确率远高于现有技术，可用于识别不同类型的雷达信号源。

技术领域

本发明属于雷达信号处理技术领域，具体是一种低截获概率雷达信号分类方法，可用于识别不同类型的雷达信号源。

背景技术

随着雷达技术的迅猛发展，电子对抗面临的电磁环境越来越复杂，传统的一维雷达信号参数等脉间特征已不能满足现代雷达信号的分选要求。人们需要通过计算信号在脉冲时间和频率上的相关变化，即脉内特征来实现信号分选。然而由于不同信号在不同特征参量上的表征能力不同，为了实现各识别参量的优劣互补，常见的做法是，将这些参量进行有效组合，再设计分类器来实现信号分类。但这会导致较为复杂的设计过程和识别正确率较低。

为了解决以上问题，这几年有学者尝试使用深度神经网络来解决雷达信号的分类问题。与传统分类器相比，多隐层的深度学习网络具有优异的特征学习能力，信号在各隐层间传递的过程即是特征提取的过程。通过适当的网络训练，使得高层特征尽可能的保留原信号信息，继而在顶层实现信号分类。这类方法不需要设计复杂的特征参量进行组合分类，大大简化了分类过程。目前，有部分学者在射频通信等信号的调制识别中使用了深度学习网络，取得了不错的识别效果。

但是由于现代雷达信号具有更丰富多样的调制模式，其与传统信号有很大的不同，且日益复杂的电磁环境也对低SNR值的雷达信号分类提出了更高的分辨能力要求，因而对雷达信号直接使用深度学习网络并不能很好的实现分类。

王星等人提出“基于深度置信网络和双谱对角切片的低截获概率雷达信号识别”，见电子与信息学报,2016,38(11):2972-2976.该方法通过建立基于受限玻尔兹曼机的DBN模型，对低截获雷达信号的BDS数据进行逐层无监督贪心学习，虽说在无噪声情况下，这种方法对四种低截获信号的分类正确率能达到98.3％，但在添加高斯白噪声后，该方法对这四种信号在信噪比为0dB时的分类正确率只有64.8％，不能满足低截获雷达信号分类的分辨率要求。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于全连接神经网络的低截获雷达信号分类方法，以提高低截获信号的分类正确率，满足低截获雷达信号分类的分辨率要求。

本发明的技术关键是：对输入信号进行预处理，获得双谱反对角切片信号，将切片信号输入全连接神经网络进行训练，实现输入信号的分类，其实现方案如下：

(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，训练集数目约为测试集数目的2倍；

(5b)用训练集对(4)设计的全连接神经网络进行迭代的交叉训练；