[发明专利]基于1D-CNN多域特征融合的OFDM雷达信号识别方法

说明书

本发明公开一种基于1D‑CNN多域特征融合的OFDM雷达信号识别方法，具体步骤为：1、采用两路一维卷积神经网络结构对OFDM雷达信号进行特征学习，分别学习OFDM雷达信号的时域和频域特征；2、将时域特征网络结构和频域特征网络结构学习到的OFDM雷达信号特征进行融合，形成多域特征融合网络结构；3、将OFDM雷达信号数据集，输入到多域特征融合网络结构中进行模型训练，通过训练得到雷达信号分类模型；4、将步骤3中训练得到的雷达信号分类模型，植入到工控计算机中，通过该模型实现真实环境的OFDM雷达信号调制方式识别；本发明更有利于快速学到表征信号的深层次特征，同时对OFDM雷达信号调制方式有更好的识别效果。

技术领域

本发明属于雷达识别领域，具体涉及一种基于1D-CNN多域特征融合的OFDM雷达信号识别方法。

背景技术

由于无线电技术的发展，越来越多的新型调制雷达信号出现在电磁环境中，新体制雷达辐射源具有低截获性和抗干扰能力强等特点，被经常使用在电子作战中。而正交频分复用(Orthogonal Frequency Division Multiplexing，OFDM)雷达信号作为一种新体制雷达具有突出的优点：灵活的波形设计、距离分辨率高、良好的测量精度、良好的杂波抑制能力和低截获能力等。在信息化战场日益复杂的今天，OFDM雷达信号已经被广泛应用在雷达系统中，但对OFDM雷达信号进行电子侦察具有较大的困难，所以实现OFDM雷达信号的调制识别具有非常重要的意义。在电子侦查环境中，对OFDM雷达信号的识别，不仅需要识别出信号是否属于OFDM雷达系统，而且还需识别出是哪一种调制方式的OFDM雷达信号。

而一般采用卷积神经网络对OFDM雷达信号识别的方法，多用二维卷积神经网络学习OFDM雷达信号的时频域特征以及一维卷积神经网络对OFDM雷达信号进行特征学习，二维卷积神经网络对OFDM雷达信号特征学习时需要对雷达信号进行时频变换，且网络参数相对较多，相应地对训练电脑的硬件配置要求很高，会耗费大量时间在预处理和训练过程中。而一维卷积神经网络不能充分的学习到OFDM雷达信号的特征，在噪声复杂的情况下难以准确识别出OFDM雷达信号。

发明内容

为解决上述技术问题，本发明提供一种基于1D-CNN多域特征融合的OFDM雷达信号识别方法，具体包括以下步骤：

步骤1：采用两路一维卷积神经网络结构对OFDN雷达信号进行特征学习，分别学习OFDM雷达信号的时域和频域特征。

步骤2：将时域特征网络结构和频域特征网络结构学习到的OFDM雷达信号特征进行融合，形成多域特征融合网络结构。

步骤3：将OFDM雷达信号数据集，输入到多域特征融合网络结构中进行模型训练，通过训练得到雷达信号分类模型。

步骤4：将步骤3中训练得到的雷达信号分类模型，植入到工控计算机中，通过该模型实现真实环境的OFDM雷达信号调制方式识别。

进一步的，在步骤1中学习时域特征的网络结构具体为：输入层、卷积层、池化层、卷积层、GlobalAveragePooling1D、全连接层、Dropout。学习频域特征的网络结构具体为：输入层、Lambda、卷积层、池化层、卷积层、GlobalAveragePooling1D、全连接层、Dropout。其中Lambda层为定义的傅里叶变换层；Dropout层为防止网络的过拟合。

进一步的，在步骤2中，将时域特征和频域特征进行融合，融合的方式是通过Add层做加法；然后连接全连接层、Dropout、输出层，从而形成多域特征融合网络结构。