[发明专利]一种雷达信号脉内调制识别方法

说明书

本发明提供一种雷达信号脉内调制识别方法，包括如下步骤：将截获的雷达信号进行Cohen类时频分布处理，得到时频图像；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；设计深度卷积神经网络；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；本发明提出的时频分析核函数相比于Choi‑Williams分布中的核函数，对雷达信号抑制交叉项效果更好，信号鲁棒性特征更明显；本发明提出利用卷积去噪自编码器对分类网络进行预训练，可以免去时频图像预处理造成的信号能量的信息损失，从而提高系统整体的分类正确率，并且操作简单更易于实现。

技术领域

本发明涉及一种识别方法，尤其涉及一种雷达信号脉内调制识别方法。

背景技术

雷达信号脉内调制识别是雷达电子战中一项关键技术，在现代电子支援系统、电子情报系统和雷达威胁告警系统中发挥着重要的作用。随着雷达技术不断提升，脉冲压缩技术在雷达中广泛使用，使得雷达信号的功率谱密度越来越低，雷达信号的类型也越来越多。因此，雷达信号脉内调制识别算法不仅要在低信噪比下具有良好的识别性能，而且要能识别广泛的信号类型。

传统的雷达信号脉内调制识别算法可以分成特征提取和分类识别两部分，针对特征提取，学者们相继提出了基于样本自相关函数的特征提取法、瞬时频率分析法、熵值权重法等特征提取算法。但是，这些算法提取的特征都只是针对某几种信号有效，不仅泛化性能较差，抗噪性也不好。随着雷达信号类型日趋复杂，更新速度加快，这些依赖于人工特征提取的算法很难适应雷达信号脉内调制识别的需求。

为了改善依赖于人工特征提取算法的缺点，一些学者将深度学习引入雷达信号脉内调制识别中，取得良好的效果。刁鸣学者在2017年提出的基于时频图像和卷积神经网络的信号自动识别系统，可以达到在信噪比-2dB时对8类雷达信号识别正确率超过93.7％。Huang G在同一年也提出了关于深度学习的雷达信号识别算法，该算法利用短时傅里叶变换对信号进行处理，实现了在信噪比不小于-4dB时对6类雷达信号均能有效识别。但这些基于深度学习的识别算法仍存在一定问题：为了去除时频图像中的噪声而采取过多的图像预处理，这导致信号的部分有效信息丢失，降低识别准确度；算法若简单的采用基于LeNet-5的卷积神经网络，深度增加的同时会造成参数量增加，计算复杂度变大。

发明内容

本发明的目的是为了提供一种在低信噪比情况下对广泛的信号类型有良好的识别性能的雷达信号脉内调制识别方法。

本发明的目的是这样实现的：

一种雷达信号脉内调制识别方法，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

本发明还包括这样一些特征：

1.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；