[发明专利]一种雷达信号的未知个体识别方法及装置

权利要求书

1.一种雷达信号的未知个体识别方法，其特征在于，所述方法包括：

步骤一：构建已知类别样本集N和未知类别样本集UN并存储；

步骤二：将已知类别样本集N中各待识别样本以及未知类别样本集UN中各待识别样本输入编码网络，提取待识别样本的特征向量并对待识别样本进行分类；

步骤三：利用DDPG算法，根据待识别样本的特征向量，生成注意力概率分布向量；

步骤四：根据待识别样本的特征向量和注意力概率分布向量，生成条件特征向量并输入到解码网络判定待识别样本的类别；

步骤五：进行编码网络、解码网络以及DDPG算法中的网络训练。

2.根据权利要求1所述的一种雷达信号的未知个体识别方法，其特征在于，所述构建已知类别样本集N和未知类别样本集UN包括：收集n部雷达的信号，将其中K部雷达的信号作为已知类别，构成已知类别样本集N，将其中n-K部雷达的信号作为未知类别，构成未知类别样本集UN。

3.根据权利要求1所述的一种雷达信号的未知个体识别方法，其特征在于，所述步骤二包括：所述编码网络包括输入层、中间层以及输出层，输入层输入待识别样本，中间层由一维的卷积层和池化层组成，卷积层对待识别样本进行特征提取，池化层对待识别样本进行降维，输出层输出待识别样本的特征向量h且h＝f(wx+b)，其中，w为编码网络的权重，b为编码网络的偏置，x为输入的一维序列的待识别样本，得到特征向量h后，将特征向量h输入到分类器，得到待识别样本的类别，其中，分类器由一个全连接层和softmax分类器组成。

4.根据权利要求3所述的一种雷达信号的未知个体识别方法，其特征在于，所述步骤三包括：利用DDPG算法，基于卷积神经网络搭建actor网络u(s；θ^u)，critic网络Q(s，a；θ^Q)，其中，s为actor网络及critic网络的输入，等于编码网络提取的特征向量h，θ^u为actor网络的权重参数，θ^Q为critic网络的权重参数；通过actor网络生成的动作和随机噪声采样得到一个动作a，动作a即为注意力概率分布向量。

5.根据权利要求4所述的一种雷达信号的未知个体识别方法，其特征在于，所述步骤四包括：根据公式c＝h*a获取条件特征向量，其中c为条件特征向量，将得到的条件特征向量c输入到解码网络，解码网络结构与编码网络对称，解码网络输出结果为x’＝g(w’c+b’)，其中，w’为解码网络的权重，b’为解码网络的偏置，x’为解码网络的输出，根据解码网络的输出判定待识别样本的类别。