[发明专利]一种基于联合时频特征的雷达信号脉内调制类型识别方法

说明书

本发明涉及一种基于联合时频特征的雷达信号调制类型识别方法，应用于雷达信号脉内分析与识别领域。本发明通过短时傅里叶变换将雷达信号映射到二维时频域，结合主成分分析和矩阵随机投影分别从信号能量和特征子空间角度对信号时频图像进行降维处理，采用层级自动编码器模型挖掘时频图像的联合深度特征，实现信号类型的分类识别。采用联合深度时频特征识别性能更优，而且挖掘的深层特征有助于提高识别精度，算法更加高效。

技术领域

本发明应用于雷达信号脉内分析与识别领域。

背景技术

雷达信号脉内调制分析及识别方法是当前电子战中电子侦察的重要内容。雷达技术的不断进步使得当前电子侦察所要面对的雷达信号日益复杂，目前成熟的信号分选识别方法是基于脉冲描述字，但对于复杂调制的雷达信号，当前的识别算法实时性差且识别成功率并不高。因此，需要能更为有效地识别信号脉内调制类型的新方法。目前，时频特征、分数阶傅里叶变换(FRFT)特征、小波包和小波脊频特征等特征参数在雷达辐射源识别领域中都已取得了较好的识别效果，但不可忽视的是：这些人为设计的特征参数在雷达辐射源识别中的有效性和普适性尚有待深入研究；人工特征提取过程耗时且累赘，它不仅要求设计者具有一定的先验知识，而且其强针对性会使得数据库更新升级缓慢；若能提取具有强区别力的信号本质特征，那么对后续分类器设计和识别性能的提升具有重要意义。

近年来，深度学习(DeepLearning，DL)因其优异的运算性能广泛应用于模式识别、计算机视觉、虚拟现实已经人工智能等领域。深度学习模型实现了复杂的非线性函数逼近，它的较浅层模型泛化能力强，能够刻画数据更丰富的本质信息。鉴于此，本方案提出了一种基于深度学习的雷达辐射源信号调制类型识别及特征提取方法，采用层级自动编码器(Stacked Auto-Encoder，SAE)模型挖掘雷达辐射源信号时频图像的联合深度特征，实现信号类型的分类识别。

发明内容

本发明的目的在于提供一种基于联合时频特征的雷达信号脉内调制类型识别方法。

实现本发明目的的技术解决方案为：通过短时傅里叶变换将雷达信号映射到二维时频域，结合主成分分析和矩阵随机投影分别从信号能量和特征子空间角度对信号时频图像进行降维处理，再结合层级自动编码器训练样本信号构造逻辑回归完成信号类型识别。具体步骤为：

1.将时域信号利用短时傅里叶变换(STFT)表征为二维时频分布。

2.时频图像往往会因维度较高而导致“维数灾难”，采用主成分分析(PCA)和随机投影(RP)对其进行联合降维。

3.将降维后的时频样本向量化，构造输入数据向量。

4.在层级自动编码器框架下利用无类别标签样本预训练，再利用带有类别标签的样本数据对深度网络进行精度调谐。

5.采用Softmax回归模型完成精度调谐和识别。

本发明针对传统依靠于人工经验提取雷达辐射源特征方法的不足，提出了一种基于联合深度时频特征的雷达信号调制类型识别算法，联合深度特征更加有助于提高识别准确度，算法运行更加高效。

附图说明

图1基于联合时频特征的雷达信号调制类型识别方法流程图。

图2基于层级自动编码器的联合特征提取原理框图。

具体实施方式

本发明提出的一种基于联合深度时频特征的雷达信号调制类型识别算法，具体实施步骤如下：

步骤a、将时域信号利用短时傅里叶变换(STFT)表征为二维时频分布。

步骤b、时频图像往往会因维度较高而导致“维数灾难”，采用主成分分析(PCA)和随机投影(RP)对其进行联合降维，得到联合降维空间Γ。