[发明专利]基于深度卷积神经网络的雷达辐射源识别方法

说明书

本发明涉及一种基于深度卷积神经网络的雷达辐射源识别方法。本发明将雷达辐射源模型产生的一维波形信号，经过短时傅里叶变换处理之后转化为频谱图，再针对一维波形信号和频谱图设计不同的网络结构。本发明首先根据8种雷达辐射源信号模型产生数据，生成波形信号；再将波形信号通过短时傅里叶变换变为频谱图，实现数据增强和波形到图像的转换；将波形信号和频谱图分别输入到深度卷积神经网络，进行卷积和池化操作，分别得到各自的特征信息；最后将提取出的特征信息输入到softmax进行分类。采用本发明方法，雷达辐射源信号得到更高的分类识别准确率，雷达信号识别结果会更好。

技术领域

本发明属于计算机技术领域，具体是雷达辐射源信号识别领域，具体涉及一种基于深度卷积神经网络的雷达辐射源识别方法。

背景技术

雷达辐射源信号识别当今电子战的重要功能之一，主要就是通过各个辐射源在发射信号时所表现出来的差异，将被测雷达辐射源参数与预先累积的参数进行比较，来对各个辐射源进行识别，从而实现对雷达信号进行截获、定位、分析和识别，进而可以对接收的信号进行分辨，判断出究竟是来自哪个雷达辐射源，最终完成对雷达辐射源信号地识别。所以雷达辐射源识别算法是非常具有挑战性的问题。

近年来，深度学习受到广大研究者的欢迎，进而基于深度学习的方法在许多研究领域取得了显著的成功，例如语音识别，图像分类、图像识别、物体检测、计算机视觉和大数据特征提取等方面都具有广泛的应用。在雷达辐射源识别算法发展中，一系列方法相继提出。将BP神经网络应用到辐射源识别算法中，但是由于多个神经元组成复杂多变量的非线性组合，增加了神经网络在雷达识别算法上的难度，促使研究者另辟新路。进而提出支持向量机(SVM)运用到雷达辐射源的信号识别中，SVM在处理小样本数据时，具有更加出色的识别能力，但是在处理语音或者图像这些问题，SVM会有明显的不足，它的泛化能力受到约束。为了解决上述中存在的问题，许多研究者将深度学习识别算法引入到雷达辐射源，这在深度学习应用领域中也是非常新颖，因此基于深度学习的雷达辐射源识别算法越来越受到人们的重视。研究者进行大量的探索，提出了一些方法，其中一种称为深度卷积神经网络，它可以用原始图像作为输入，直接从图像中提特征。将特征提取与分类器相结合，用卷积神经网络进行数学建模，可以实现端到端学习，具有较强的泛化能力。

发明内容

本发明针对现有技术的不足，提供一种基于深度卷积神经网络的雷达辐射源识别方法。

本发明将雷达辐射源模型产生的一维波形信号，经过短时傅里叶变换(STFT)处理之后转化为频谱图，再针对一维波形信号和频谱图设计不同的网络结构。

本发明方法具体包括以下步骤：

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}；