[发明专利]基于GRU深度卷积网络的智能辐射源识别方法

说明书

本发明是一种基于GRU深度卷积网络的智能辐射源识别方法，主要解决现有技术无法提取到雷达辐射源信号序列化特征的问题，其方案为：对雷达辐射源信号进行分类；仿真雷达辐射源信号，并对雷达辐射源信号进行切片；将切片后的样本转为二维实数样本，对二维实数样本归一化并划分训练样本集与测试样本集；构建基于门控循环单元GRU的深度神经网络；将训练样本集输入深度神经网络中，通过对损失函数的优化，得到训练好的深度神经网络模型；将测试样本集输入到训练好的深度神经网络模型中，得到雷达辐射源信号识别结果。本发明能提取信号前后关联特征，避免人工特征提取和先验知识，复杂度低，分类结果准确，可用于复杂电磁环境下对雷达辐射源识别。

技术领域

本发明属于雷达技术领域，更进一步涉及一种对辐射源信号识别方法，可用于在复杂多变电磁环境下对雷达辐射源信号进行自动化特征提取和相关参数识别。

背景技术

雷达辐射源信号分类识别是现代电子情报侦察系统和电子支援系统的重要组成部分，对国防建设具有重要的意义。经过多年的潜心研究，雷达辐射源信号的识别已经取得了长足的进步。传统的基于五个雷达参数特征的信号识别方法，已经不适用于现代电子战。因此，一些学者从雷达辐射源中提取脉内特征信息进行识别，能在给定的测试信号上得到令人满意的正确率。但是随着科技的发展，电子战日益激烈，更多的高科技雷达被投入使用，并成为主力，这些雷达信号的调制方法多种多样而且复杂。而这些传统方法的缺点也愈发突出。传统方法需要大量的先验知识和复杂的人工特征提取，信号分析方式僵化，对海量信号数据适应能力差，可扩展性差。

哈尔滨工程大学在其申请的专利文献“基于时频分析的自适应辐射源调制识别方法”(申请号：201710562232.X)中公开了一种基于时频分析的自适应辐射源调制识别方法，该方法通过以下步骤：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。该方法虽然提出了一种辐射源的识别算法，但是仅仅可以识别辐射源的调制特征，并且在进行信号特征提取时需要大量的先验知识。

西北工业大学在其申请的专利文献“一种基于深度学习的雷达辐射源类别识别方法”(申请号：201711145195.9)中公开了一种基于深度学习的雷达辐射源识别算法，该算法的实现步骤是：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。然而该方法由于仅仅使用了卷积神经网络完成对信号的特征提取，不能完成对信号的前后关联特征进行提取，因而不适用于复杂的雷达辐射源识别任务。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于GRU深度卷积网络的智能辐射源识别方法，以对雷达辐射源信号前后关联特征进行自动化提取，使其适用于复杂的雷达辐射源识别任务。

实现本发明目的的具体思路是，利用基于GRU的深度神经网络进行辐射源信号的识别。该方法在辐射源信号识别中能够达到较高的识别率，解决传统识别方法对先验知识存在高度依赖性缺点的同时，完成对信号前后关联特征的提取，以在较为复杂情况下对辐射源信号进行识别。从而使辐射源信号识别更加灵活、高效。

根据上述思路，本发明实现方案包括如下：

1.基于GRU深度神经网络的辐射源识别方法，其特征在于：包括如下：

(1)针对线性调频信号LFM、噪声Noise、单频信号CW和复杂调制信号Complex这四大类雷达辐射源信号参数的不同范围，将其划分为十一小类雷达辐射源信号；