[发明专利]基于盲压缩核字典学习的多分量雷达信号调制识别方法

说明书

本发明提供的是一种基于盲压缩核字典学习的多分量雷达信号调制识别方法。采用Choi‑Williams时频分布(CWD)得到多分量雷达信号的时频矩阵，利用预处理技术降低时频矩阵的维度，同时引入盲压缩思想，运用贝努利随机矩阵进一步进行时频矩阵无损压缩，通过核字典学习算法将数据集从低维空间投影到高维空间，在不分离多分量信号的情况下对多信号进行表征，最后，将得到的稀疏系数向量送入支持向量机进行调制方式精准识别。本发明解决了多分量雷达信号调制识别过程中复杂度高、适应性弱、可靠性差、收敛速度慢的问题。

技术领域

本发明涉及的是一种辐射源信号识别方法，具体地说是一种多分量雷达信号调制识别方法。

背景技术

雷达信号调制识别是获取雷达信息的重要手段。随着电磁信号越来越密集，获取的信号中存在多信号同时到达的情况，给分类器的识别带来了困难。现有的雷达多分量信号调制识别方法主要有两种：基于信号分离的多信号调制识别和直接提取特征的多信号调制识别。

基于信号分离的多分量信号调制识别方法采用时间滤波或空域滤波方法，将时域中混叠的多个信号从混合波形中逐个分离出来，进而将多信号识别问题转化为多个单信号的识别问题，从而正确识别出多分量雷达信号，但是，信号分离过程中算法复杂度高，因此存在着难度高、计算量大的问题。

直接提取特征的多信号调制识别方法从各种变换域中提取有助于识别的特征量，并将其作为分类特征进行识别，但是特征量的选取会直接影响多分量信号识别准确率，使该方法的鲁棒性和可靠性变差。此外，针对不同种类的混叠调制信号，需要提取不同的特征进行识别，这使得调制识别方法没有规律可循，大大增加了计算复杂度和处理时间。

在具体的应用场景中，根据混合信号在各个域中的分布形式确定采用哪种信号识别方法显然不符合一般情况。同时，由于信号混合方式复杂多样，在识别中难以形成统一的结构，导致其识别准确率难以保证，识别方法适应能力弱。

发明内容

本发明的目的在于提供一种准确率高、可靠性好、复杂度低、适应性强、收敛速度快

本发明的目的是这样实现的：

步骤一：建立雷达信号集，根据上述雷达信号类型及其参数，随机选择组合成多分量信号；

步骤二：分别雷达信号集中的雷达单信号、多分量信号运用CWD时频分析法进行时频处理得到雷达单信号、多分量信号的时频矩阵；

步骤三：将得到的时频矩阵运用全局阈值二值化算法、双三次插值算法进行时频矩阵维度压缩；

步骤四：引入盲压缩，运用贝努利随机矩阵对上述维度压缩后的时频矩阵进行无损压缩；

步骤五：将无损压缩后的单信号时频矩阵进行核字典学习，得到只适合于该类信号的稀疏核字典，然后级联成一个结构化核字典；

步骤六：将无损压缩后多分量信号的时频矩阵在步骤五构建的结构化稀疏字典上进行稀疏表示，得到该类信号的稀疏系数向量；

步骤七：将支持向量机作为分类器进行多分量雷达信号调制识别，选取高斯核函数作为支持向量机的核函数，将多分量雷达信号的稀疏系数向量结合相应类别标签对支持向量机通过交叉验证进行参数寻优，确定支持向量机的核函数参数σ和惩罚因子C；

步骤八：利用上述盲压缩核字典学习和支持向量机相结合的雷达信号调制识别方法进行多分量雷达信号的快速准确识别。