[发明专利]一种基于稠密卷积神经网络的LPI雷达信号分类方法

权利要求书

1.一种基于稠密卷积神经网络的LPI雷达信号分类方法，其特征在于：步骤如下：

步骤一：数据预处理，制作LPI雷达信号数据集；

首先获取8种LPI雷达信号，包括2FSK，4FSK，BPSK，EQFM，Frank，LFM，NS和SFM信号，利用CWD时频转换将信号转换为时频图像，对图像进行归一化和二值化处理，制作LPI雷达信号数据集；

步骤二：构建基于稠密卷积神经网络的LPI雷达信号分类网络模型，将制作的LPI雷达信号数据集输入到构建的网络模型中进行训练和测试；

构建的稠密卷积神经网络包括5个稠密块dense-1、dense-2、dense-3、dense-4、dense-5和4个转换块transition-1、transition-2、transition-3、transition-4；首先将训练数据集输入到卷积核大小为7×7的卷积层，进行特征提取；将提取的特征图输入到核大小为3×3的最大池化层，用于缩小特征映射的维数；然后，分别输入到dense-1模块，其中，dense-1包括6个核大小分别为1×1和3×3的卷积层；得到的特征图输入到transition-1中，该transition-1包括一个batch归一化层、一个核大小为1×1的卷积层和一个核大小为2×2的平均池化层，用来匹配特征图的大小，后面的4个稠密块和转换模块的作用机理分别与dense-1和transition-1相似，最后，将从dense-5中提取的最终特征图输入到分类层，该分类层包括一个核大小为7×7的全局平均池化层、一个1000-d的全连接层和一个SoftMax分类器；

步骤三：采用迁移学习对网络模型进行预训练；

步骤四：采用Adam算法对网络参数进行优化训练；

步骤五：采用SoftMax分类器准确获得LPI雷达信号分类结果。

2.根据权利要求1所述的一种基于稠密卷积神经网络的LPI雷达信号分类方法，其特征在于：所述步骤四包括：

(1)给出ε等于0，时间步长t和参数空间的有效下降步长为：

其中，α为步长参数，m_t表示更新梯度的指数移动均值，表示m_t的估计，v_t表示指数移动均值，表示v_t的估计；

(2)求得随机目标函数f的梯度，然后采用平方梯度的指数移动均值和衰减率β₂来估计它的二阶原始矩；时间步长序列中的梯度分别定义为g₁,···,g_T，其中，每个梯度都服从一个潜在的梯度分布g_t p(g_t)；初始化后的指数移动均v₀等于零向量，而更新后的第t步指数移动均值为：

v_t＝β₂·v_t-1+(1-β₂)·g_t²

其中，β₂表示衰减率，v_t-1为第t-1步的指数移动均值，表示积g_t⊙g_t，即对应元素之间的乘积；将上式改写为在只包含梯度和衰减率的函数为：

对上式求期望，得到：

其中，ζ表示修饰初始化偏差，如果真实二阶矩为静态的，则ζ为0。