[发明专利]一种多分量雷达信号脉内调制方式识别方法

权利要求书

1.一种多分量雷达信号脉内调制方式识别方法，其特征在于，包括：

步骤一：获取几种不同脉内调制方式的单分量或交叠多分量雷达信号的时频图像，包括LFM信号、MP信号、SFM信号、BPSK信号、2FSK信号、4FSK信号、EQFM信号和Frank信号，将这些信号作为样本信号，利用时频分布将雷达接收机接收到的信号转换得到雷达信号时频图像；

所述时频分布的具体方法为：

对接收到的信号x(t)，采用Cohen类时频分布，其数学表达式为：

上式中，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，根据雷达信号与交叉项在模糊域的分布特点，针对不同调频斜率的信号，提出利用两种核函数分别获取雷达信号的时频分布，核函数表达式分别为：

上式中，α、β、γ和ε用来调节核函数的大小，分别获取雷达信号在两种核函数下的Cohen类时频分布图像，共同作为当前雷达信号的时频分布信息；

步骤二：利用图像处理算法，对上述步骤一得到的雷达信号时频图像进行预处理，通过二维维纳滤波抑制时频图像噪声，然后对时频图像的大小进行调整并幅度归一化，将经过预处理的雷达信号时频图像作为样本，将雷达信号中包含的信号类型作为标签，制作得到训练集和测试集；

步骤三：根据算法需求，整体网络提取时频图像特征并根据提取到的特征进行多标签分类识别，设计基于卷积神经网络的预训练网络提取雷达信号时频图像特征，并设计基于强化学习的多分量信号分类网络获取分类识别结果；

步骤四：根据上述步骤二中得到的训练集对上述步骤三中设计的网络架构进行训练，并利用上述步骤二中获得的测试集对网络的识别效果进行测试，根据测试结果，完善网络结构和参数，得到训练完成的网络；

步骤五：对上述步骤一中任意随机交叠信号经过上述步骤二的处理后作为待识别的雷达信号时频图像样本，输入上述步骤四训练完成的网络中，训练完成的网络即可根据输入给出当前信号中包含的雷达信号类型集，实现多分量信号的分类识别。

2.根据权利要求1所述的一种多分量雷达信号脉内调制方式识别方法，其特征在于：所述步骤三中，所述设计网络架构的具体方法为：

a)设计卷积神经网络架构用于特征提取，卷积神经网络架构由3个卷积层和3个池化层组成，通过对网络最后一层输出进行矢量化处理，得到当前时频图像的特征向量；

b)将全连接层后接Softmax层的结构作为分类网络单元，构造多个分类网络单元分别对应多分量信号的标签输出，对步骤a)中获得的特征向量进行分类，并与卷积神经网络架构共同作为预训练时频图像特征提取网络；

c)设计深层强化学习循环神经网络用于多分量信号分类识别，替代步骤b)中的分类网络单元，将步骤a)中获得的特征向量和当前循环步骤的分类历史记录共同作为输入，通过多次循环迭代分类过程输出多分量信号识别结果。

3.根据权利要求1所述的一种多分量雷达信号脉内调制方式识别方法，其特征在于：所述步骤四中，训练与测试的具体方法为：

d)在步骤二之后，将经过图像预处理的雷达信号时频图像作为卷积神经网络的输入，每个分类网络单元输出均对应一个雷达信号分量的分类标签，对时频图像特征提取网络进行预训练，训练后保留卷积神经网络的参数；

e)接着将步骤d)训练得到的卷积神经网络与深层强化学习循环神经网络作为新的分类网络，为了提升网络训练效率，保持卷积神经网络模型参数不变，利用与步骤d)相同的训练集，单独训练深层强化学习循环神经网络模型参数，并保留最终卷积神经网络与深层强化学习循环神经网络的所有参数；

f)测试集的样本逐个输入到卷积神经网络与深层强化学习循环神经网络组成的分类器中，分类器会循环多次输出当前样本中包含的信号类型集，对比样本对应标准信号类型集，最终通过统计计算得到整体正确识别概率以及各信号类型的识别精准率和召回率；

g)根据步骤f)的识别效果测试结果完善网络结构和参数，并对新的网络结构进行训练，重复网络调整及训练过程，直到网络的识别效果测试结果达到预期，完成训练。