[发明专利]一种雷达信号脉内调制识别方法

权利要求书

1.一种雷达信号脉内调制识别方法，其特征是，包括如下步骤：

步骤一：将截获的雷达信号进行Cohen类时频分布处理，得到时频图像；

步骤二：对时频图像进行预处理，即调整尺寸和幅度，然后分组加标签制作训练集和测试集；

步骤三：设计深度卷积神经网络；

步骤四：训练深度卷积神经网络：通过训练集对设计的深度卷积神经网络进行训练，训练过程中使用卷积去噪自编码器对分类网络预训练并保存部分网络的参数，测试集对训练后的深度卷积神经网络测试，整体正确率达到预期值时训练完成；

步骤五：对未知调制类型的雷达信号调整尺寸和幅度后放入训练好的深度卷积神经网络中，网络自动判断雷达信号类型，完成识别。

2.根据权利要求1所述的雷达信号脉内调制识别方法，其特征是，所述步骤一中Cohen类时频分布的数学表达式为：

其中t和ω代表时频分布的自变量时间和角频率，φ(τ,v)称为核函数，所述核函数的表达式为其中，α和β用来调节核函数的大小，核函数的宽度用四倍高斯函数标准差来估计。

3.根据权利要求1或2所述的雷达信号脉内调制识别方法，其特征是，所述步骤三中的卷积神经网络包括网络1、网络2和网络3；

所述网络1对输入时频图像进行鲁棒性特征进行提取：将预处理的时频图像放入卷积层，卷积层输出特征图传递给一个Inception v1层、两个Inception v2层和一个Inceptionv3层；在卷积层之后进行批标准化操作并且每一个Inception v2和Inception v3之后加入一个maxpooling层；

所述网络2将网络1输出的特征图进行时频图像重构，网络2利用四个反卷积层，将网络1降维后的特征图进行升维；所述网络1与网络2组成卷积去噪自编码器；

所述网络3对提取到的特征分类得到最终识别结果，通过一个Inception v3再次提取特征之后，经过一个全连接层和一个softmax层，最终判断输出结果。

4.根据权利要求1或2所述的雷达信号脉内调制识别方法，其特征是，所述步骤四具体为：

(4.1)所述训练集包括有噪声的时频图像和无噪声时频图像，将有噪声的时频图像作为网络1的输入，无噪声时频图像作为网络2输出，所述网络1与网络2组成卷积去噪自编码器；对卷积去噪自编码器进行训练，训练后保留网络1参数；

(4.2)将(4.1)训练后的网络1与未训练的网络3作为新的分类网络，该分类网络通过有噪声的时频图像训练集再次进行训练，并保留网络1和网络3的所有参数；

(4.3)测试集的样本逐个输入到网络1与网络3组成的分类器中，分类器的输出会判断雷达信号类型，并根据步骤二中测试集制作的标签得出判断是否正确，测试完毕后计算该过程整体正确率；

(4.4)重复(4.1)～(4.3)的步骤并且完善参数，直到测试的整体正确率达到预期值时，完成训练。

5.根据权利要求3所述的雷达信号脉内调制识别方法，其特征是，所述步骤四具体为：

(4.1)所述训练集包括有噪声的时频图像和无噪声时频图像，将有噪声的时频图像作为网络1的输入，无噪声时频图像作为网络2输出，所述网络1与网络2组成卷积去噪自编码器；对卷积去噪自编码器进行训练，训练后保留网络1参数；

(4.2)将(4.1)训练后的网络1与未训练的网络3作为新的分类网络，该分类网络通过有噪声的时频图像训练集再次进行训练，并保留网络1和网络3的所有参数；

(4.3)测试集的样本逐个输入到网络1与网络3组成的分类器中，分类器的输出会判断雷达信号类型，并根据步骤二中测试集制作的标签得出判断是否正确，测试完毕后计算该过程整体正确率；

(4.4)重复(4.1)～(4.3)的步骤并且完善参数，直到测试的整体正确率达到预期值时，完成训练。

6.根据权利要求1或2所述的雷达信号脉内调制识别方法，其特征是，所述雷达信号包括LFM信号、SFM信号、EQFM信号、2FSK信号、4FSK信号、DLFM信号、MP信号、MLFM信号、BPSK信号、Frank信号、LFM-BPSK信号和2FSK-BPSK信号。