[发明专利]基于卷积神经网络的雷达信号类别确定方法

说明书

本发明公开了一种基于卷积神经网络的雷达信号类别确定方法，包括如下步骤：S10，将待分类信号转换为设定格式的待测二值图像；S20，将所述待测二值图像输入预先训练得到的卷积神经网络模型，获取所述卷积神经网络模型输出的概率向量；所述卷积神经网络模型为检测输入信号与各类雷达信号之间相似度的计算模型；S30，根据所述概率向量确定待分类信号的类别。采用本方法可以实现对雷达信号的快速分类，分类过程中的计算量得到了有效简化，分类效率得到了大幅度提升。

技术领域

本发明涉及通信技术领域，尤其涉及一种基于卷积神经网络的雷达信号类别确定方法。

背景技术

雷达与通信系统辐射电磁信号的调制特征提取与分类是现代电子战系统的重要功能。为了应对日益复杂的电磁环境，提升现有电子战系统的能力，美军提出认知电子战技术，以提升电子战系统在复杂电磁环境中的认知、策略生成、以及自学习能力。在该类系统中对外部电磁环境的认知是一个重要的组成部分。因此，对于认知电子战系统，实现辐射源信号调制特征可靠提取与分类变得更加重要。传统的调制识别主要通过人工提取特征，再采用合适的算法来识别，缺点在于依赖于人的先验知识。随着人工智能技术的发展和硬件平台计算能力的提升，神经网络迎来了新的发展阶段，采用深度学习技术实现信号调制类型分类是目前研究的热点。

在通信及电子战等相关领域，存在针对通信信号与雷达信号的调制类型分类识别的研究。Wang Y J等人采用卷积神经网络和长短时记忆(LSTM)结合的异构深层模型融合(HDMF)方法，实现多种单载波调制信号的自动识别分类。Duona Z等人提出一种基于深层学习自编码网络的算法，实现了BPSK，8PSK，4-QAM，16-QAM和64-QAM五种调制信号(雷达信号)的自动分类。Ali A和Yangyu F提出了一种基于k-稀疏自编码器的具有无序输入数据特征的分类器，称为无序深层神经网络(UDNN)，其还提出了一种基于一维卷积神经网络(U-CNN)的深度学习模型，用于对大数据量编码高维序列进行分类。Jun S等人提出了一种基于时频分布和卷积神经网络的盲调制分类方法，通过将时频图作为图像进行处理，实现了未调制信号、线性调频信号(LFM)、正弦调频信号(SFM)、多项式调频信号(PFM)和频移键控(FSK)等多种调制信号的分类识别。Zhang J等人提出了一种利用卷积神经网络(CNN)自动识别七种脉冲重复间隔调制类型的方法。上述方案能在一定程度上实现雷达信号的分类，但往往需要采用大量样本进行复杂计算，容易使相应的分类过程计算量大，分类效率低。

发明内容

针对以上问题，本发明提出一种基于卷积神经网络的雷达信号类别确定方法。

为实现本发明的目的，提供一种基于卷积神经网络的雷达信号类别确定方法，包括如下步骤：

S10，将待分类信号转换为设定格式的待测二值图像；

S20，将所述待测二值图像输入预先训练得到的卷积神经网络模型，获取所述卷积神经网络模型输出的概率向量；所述卷积神经网络模型为检测输入信号与各类雷达信号之间相似度的计算模型；

S30，根据所述概率向量确定待分类信号的类别。

在其中一个实施例中，在所述将所述待测二值图像输入预先训练得到的卷积神经网络模型之前，还包括：

获取包括各类别雷达信号的训练样本；

针对所述训练样本进行模型训练，得到所述卷积神经网络模型。

作为一个实施例，所述针对所述训练样本进行模型训练，得到所述积神经网络模型包括：

将所述训练样本中各个信号转换为所述设定格式的训练二值图像；

将各个训练二值图像输入卷积神经网络进行训练；

在表征卷积神经网络各层输出结果的误差的代价函数收敛时，依据所述积神经网络在所述代价函数收敛时的模型参数确定所述积神经网络模型。