[发明专利]基于深度卷积神经网络集成的雷达干扰信号识别方法

说明书

基于深度卷积神经网络集成的雷达干扰信号识别方法，属于雷达信号识别领域，本发明为解决采用现有深度学习模型识别雷达信号存在过拟合、模型泛化能力差，导致识别系统识别准确率低、鲁棒性弱的问题。本发明方法包括以下步骤：步骤一、将雷达干扰信号时域数据集划分为训练集、验证集以及测试集三部分；步骤二、对训练集X做有放回的随机采样T次，获得T个相互独立的采样训练集；步骤三、采用一维CNN卷积神经网络作为特征提取器、采用支持向量机作为分类器来构造个体学习器，根据步骤二的T个采样训练集来训练T个个体学习器以构造同质集成，构建模型；步骤四、将待测雷达干扰信号输入至步骤三的模型中进行识别。

技术领域

本发明属于雷达信号识别领域，涉及利用卷积神经网络对雷达信号进行识别的技术。

背景技术

随着科技水平的不断提高，电子战已经成为现化战争中的重要作战手段，在日益复杂的战场电磁环境中，雷达的抗干扰能力也成为战争胜败的关键，而对雷达干扰信号进行高效地识别和分类是雷达抗干扰技术的基础和关键。雷达干扰信号在识别过程中的关键步骤是特征参数的提取，但是随着现代军事化技术的高速发展，雷达干扰信号的形式也越来越复杂，如果继续依靠人工经验，提取人工特征，需要消耗大量的人类以及物力，特征提取耗时，并且人工提取的特征易受噪声的影响且容易出现特征冗余的现象。所以需要研究新的特征提取的方法，设计出识别准确率高、鲁棒性强的雷达干扰信号识别系统。深度学习是表示学习的一种，能够自动地提取数据有效的特征，可以避免手工提取特征的麻烦。

深度学习中通常采用CNN(Convolutional Neural Networks)卷积神经网络对雷达干扰信号进行特征提取，来提高雷达干扰信号识别系统的准确度。深度学习中，过拟合是一种常见的现象，即模型在训练集上效果很好而在测试集则效果一般或者很差，此时模型的泛化能力较差，因此采用现有深度学习模型识别雷达信号存在过拟合、模型泛化能力差，导致识别系统识别准确率低、鲁棒性弱。

发明内容

本发明目的是为了解决采用现有深度学习模型识别雷达信号存在过拟合、模型泛化能力差，导致识别系统识别准确率低、鲁棒性弱的问题，提供了一种基于深度卷积神经网络集成的雷达干扰信号识别方法。

本发明所述基于深度卷积神经网络集成的雷达干扰信号识别方法，该方法包括以下步骤：

步骤一、将雷达干扰信号时域数据集划分为训练集、验证集以及测试集三部分；

训练集记为X，训练样本个数记为m；

步骤二、对训练集X做有放回的随机采样T次，获得T个相互独立的采样训练集X₁,X₂,...,X_T；每个采样训练集中的采样训练样本个数为m'；

步骤三、采用一维CNN卷积神经网络作为特征提取器、采用支持向量机作为分类器来构造个体学习器，根据步骤二的T个采样训练集来训练T个个体学习器以构造同质集成，构建模型；

步骤四、将待测雷达干扰信号输入至步骤三的模型中进行识别。

优选地，步骤一中雷达干扰信号时域数据集划分的过程为：

步骤一一、对原始雷达数据进行标记形成雷达干扰信号时域数据集：将每个样本存储在一个向量中，向量的前50％标记为样本的实部数据，后50％标记为样本的虚部数据；

步骤一二、将雷达干扰信号时域数据集随机划分为互不相交的三个集合，分别为训练集、验证集和测试集。

优选地，原始雷达数据的种类为12种，每类数据均按3:1:1的比例划分至训练集、验证集和测试集中。

优选地，步骤四的识别过程为：