[发明专利]基于深度卷积神经网络的雷达辐射源识别方法

权利要求书

1.基于深度卷积神经网络的雷达辐射源识别方法，其特征在于该方法包括以下步骤：

步骤(1).数据产生：

选取八种雷达信号，分别为LFM信号、LFMCW、LFM-BC信号、Frank-LFM信号、S型NLFM信号、Costas编码信号、FSK/PSK信号、P3码编码信号；

其中，对于LFM信号、LFMCW、LFM-BC信号、Frank-LFM信号、S型NLFM信号改变带宽B，从而改变调频斜率μ＝B/T的大小，分别产生五类样本数据；对于Costas编码、FSK/PSK信号，将其编码进行全排列，产生两类数据样本；对于P3码编码信号，令Ncτc＝25，产生一类数据样本；

分别从8类样本数据中取出信号，将其波形提取出来，将这些雷达波形信号记为：

S＝{(s_i(t),y_i)|i∈Λ}；

其中，s_i(t)是第i个雷达信号样本，s_i(t)＝[s_i(0),s_i(1),...,s_i(N-1)]，i为雷达信号样本个数，N是采样点的个数，y_i∈{0,..,C-1}表示第i个雷达信号样本s_i(t)的类别，一共有C类雷达信号，Λ是样本的索引集合；

步骤(2).数据集预处理：

将步骤(1)产生的8类样本数据进行短时傅里叶变换，在变换过程中对数据进行翻转，实现数据增强，获得翻两倍的数据集；经过短时傅里叶变换之后，得到频谱图；

短时傅里叶变换的数学描述如下：

其中n为短时傅里叶变换过程中需要时间，k为窗滑动的次数，w(·)为窗函数，j为虚数，STFT_i(n,k)为第i个雷达信号波形经过短时傅里叶变换的结果，具有2维结构；

步骤(3).建立深度卷积神经网络模型获取雷达辐射源信号特征：

将步骤(1)产生的波形信号和步骤(2)进行翻转之后的频谱图分别输入到深度卷积神经网络，进行深度卷积处理，得到经过短时傅里叶变换后频谱图的特征；

步骤(4).雷达辐射源信号分类：

由步骤(3)得到特征图中的雷达信号特征信息，用softmax分类器将由步骤(1)产生不同类型的雷达辐射源信号进行分类识别；其中softmax分类器的模型公式为：

其中η为雷达辐射源信号特征，y为分类中的某一类，k为分类的全部总数，P为分类器的输出概率，按照输出概率值进行最终的结果分类。