[发明专利]一种多分量雷达信号脉内调制方式识别方法

说明书

本发明涉及深度学习的自动识别算法领域，具体涉及一种多分量雷达信号脉内调制方式识别方法。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；利用图像处理算法，对雷达信号时频图像进行预处理，将雷达信号中包含的信号类型作为标签，制作训练集和测试集；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，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；训练、测试、完善网络结构和参数；实现多分量信号的分类识别。本发明所述的多分量雷达信号识别算法在低信噪比情况下，具有广泛的雷达信号类型适应范围和较高的识别准确率，实现了随机交叠多分量雷达信号的脉内调制方式识别。

技术领域

本发明涉及深度学习的自动识别算法领域，具体涉及一种多分量雷达信号脉内调制方式识别方法。

背景技术

雷达信号脉内调制方式识别是现代电子情报侦察、电子支援系统中的重要环节。

由于现代电子战环境中雷达信号密度不断增加，而且现代雷达信号大多采用大时宽的脉冲压缩信号，雷达侦察系统经常会截获到时域交叠的脉冲，形成多分量雷达信号。现有的大多数雷达信号调制方式识别技术对多分量信号环境不具有适应性，造成信号识别错误或识别失败。因此，针对多分量信号的分析和处理是当前雷达侦察系统中迫切需要解决的问题。

目前，多分量雷达信号的识别方法有两种思路：一种思路是利用信号在某些变换域内的可分性，提取信号在变换域内的特征对多分量信号进行分类识别；另一种思路是利用多分量信号的分离方法结合单分量信号的识别方法进行分类识别。余志斌在2012年利用相移键控信号在循环频率轴上的可分性，提出了一种针对相移键控信号的多分量信号识别方法，该方法在信噪比为0dB时，对3类相移键控雷达信号的平均正确识别率达到97％。童超在2016年提出了一种利用独立分量分析结合小波变换的多分量雷达信号识别方法，该方法在信噪比为0dB时，对4类雷达信号的平均正确识别率达到90％以上。

目前提出的多分量雷达信号的识别方法均存在一些问题：基于信号变换域特征提取的识别方法具有局限性，仅针对某一类特定信号有效，难以适应广泛的雷达信号类型；基于多分量信号分离的识别方法的识别效果很大程度上决定于多分量信号分离算法的分离效果，然而目前提出的分离算法存在抗噪性能差、计算量较高等问题，且难以解决时频域交叠的多分量信号分离问题，这些问题将限制算法的识别能力。

发明内容

本发明的目的在于提供一种多分量雷达信号脉内调制方式识别方法，以在低信噪比情况下，实现了8类随机交叠的典型雷达信号的脉内调制方式识别，且算法对单分量雷达信号的脉内调制方式识别同样具备适应性。

本发明实施例提供一种多分量雷达信号脉内调制方式识别方法，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；

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；