[发明专利]基于VAE-ResNet网络的雷达辐射源识别方法

说明书

本发明公开了一种基于VAE‑ResNet网络的雷达辐射源识别方法，主要解决现有技术在信号较少的条件下无法完成网络训练、雷达辐射源特征提取不充分和识别准确率低的问题。其实现方案为：生成7种不同的雷达辐射源信号；将雷达信号先以序列的形式输出，再将信号进行时频变换，并以信号时频图的形式输出；在两种形式输出的数据集中标注信号所属的类别，制成训练集和测试集；构建VAE‑ResNet网络；使用训练集对VAE‑ResNet网络进行训练；将测试集送入训练好的网络，网络输出为雷达辐射源类别。本发明提高了雷达辐射源识别特征提取的完整程度和识别精度，可用于复杂电磁环境下的雷达信号识别。

技术领域

本发明雷达技术领域，具体涉及雷达辐射源信号的识别方法，可用于电子侦察、电子支援和威胁告警系统。

背景技术

雷达辐射源信号识别是电子对抗中一项重要环节，在电子侦察、电子支援和威胁告警系统中都起到了关键的作用。

随着信息化的发展，电子对抗中电磁环境日益复杂。在复杂的电子对抗环境中，雷达信号参数灵活多变且信号之间相互交叠。只有及时、准确的识别雷达辐射源信号才能解决真实环境中面临的严峻情况。传统的基于脉冲描述字(载频、脉冲到达时间、脉冲到达角、脉冲幅度、脉冲宽度)的识别技术已经不能满足需求，研究新体制下雷达辐射源信号识别方式刻不容缓。

西北工业大学申请的专利技术“一种基于深度学习的雷达辐射源类别识别方法”(专利申请号：201711145195.9，授权公告号：CN108090412A)中提出了一种基于深度学习的雷达辐射源类别识别方法。该专利申请的主要步骤为：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。该专利申请虽然可以在一定程度上提高雷达辐射源识别的准确度。但是仍存在不足的是，网络结构单一、网络层数较浅、提取特征不充分、识别率较低的问题。

发明内容

本发明的发明目的是针对以上现有技术的不足，提出基于VAE-ResNet网络的雷达辐射源识别方法，以在确保较少训练样本情况下，更加充分的提取雷达辐射源信号特征，提高在不同信噪比下的识别率。

为实现上述目的，本发明的实现方案包括如下：

1)对从接收机接收到的混叠信号进行分离，得到雷达辐射源信号，生成雷达辐射源信号数据集，其中包括7种不同的雷达辐射源信号，分别为常规脉冲信号、线性调频信号、非线性体调频信号、二相编码信号、四相编码信号、二频编码信号和四频编码信号；

2)信号预处理：

2a)将1)中生成的7种不同雷达辐射源信号通过快速傅里叶变换，将其从时域变换到频域，并进行去噪处理；

2b)将去噪后的信号，先以序列的形式输出；再将信号进行时频变换，以信号时频图的形式输出；

2c)将两种形式的雷达辐射源信号进行能量归一化处理，并标注信号所属的类别，在每种类别的信号中随机抽取信号总量的4/5的信号作为训练集，其余为测试集信号；

3)构建VAE-ResNet网络

设变分编码器VAE网络包含：编码网络、中间隐含变量层和解码网络；

设深度残差网络ResNet包含：卷积层、池化层和全连接层；

将变分编码器VAE网络和深度残差网络ResNet这两种网络中含有特征向量的隐含层进行并行融合，得到VAE-ResNet网络，并使用softmax分类器作为该网络的输出层；

4)对VAE-ResNet网络进行训练：