[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

说明书

本发明提供一种基于稠密卷积神经网络的LPI雷达信号分类方法，首先制作数据集，获取几种不同脉内调制方式的LPI雷达信号，对雷达信号进行时频分布处理，得到时频图像；采用图像处理技术，对时频图像进行预处理。然后构建一种基于稠密卷积神经网络的特征提取与分类方法。为了加快和优化所提模型的学习效率，采用迁移学习对网络模型进行预训练，利用Adam算法对网络参数进行优化训练。最后采用SoftMax分类器准确获得8个LPI雷达信号分类结果。本发明提出利用稠密卷积神经网络，能更充分提取雷达信号特征，加强特征重利用，从而提高雷达波形在低信噪比下的识别性能，可用于复杂电磁环境下的雷达信号识别。

技术领域

本发明涉及基于稠密卷积神经网络的LPI雷达信号分类方法模型的构建，尤其涉及一种基于稠密卷积神经网络的LPI雷达信号分类方法，属于深度学习和信号处理技术领域。

背景技术

雷达波形自动识别技术能够识别接收信号的低截获概率(LPI)雷达波形，在电子保障、电子情报、电子攻击等电子战系统中起着至关重要的作用。近几十年来，随着雷达技术的飞速发展，LPI雷达信号的调制方式越来越复杂多样，雷达工作环境的信噪比也越来越低。因此，研究一种更准确的方法来识别低信噪比下的雷达波形是至关重要的。

一些学者提出了一种基于特征提取和分类技术的LPI雷达波形自动识别技术，利用特征提取和分类技术对LPI雷达信号进行特征提取和分类。在特征提取方面，研究将信号波形转换为时频图像(TFI)的时频转换技术，如wigner ville distribution(WVD)和choi-willian distribution(CWD)。此外，一些学者还研究了两种时频转换的组合，如smoothpseudo wigner-ville distribution(SPWVD)和born-jordan distribution(BJD)，WVD和CWD。近年来，为了提高雷达波形的识别性能，一些学者提出了循环神经网络(RNN)、深度信念网络(DBN)、支持向量机(SVM)和卷积神经网络(CNN)等先进的网络模型。Kong等人(Kong,S.-H.；Kim,M.；Linh Manh,H.；Kim,E.,Automatic LPI Radar Wave form RecognitionUsing CNN.Ieee Access 2018,6,4207-4219.)提出了一种基于CNN的LPI雷达波形识别技术，针对不同的信号条件设计了CNN的超参数，以保证最大的分类性能。然而，该方法在低信噪比环境下识别性能较差。

发明内容

本发明的目的在于克服现有技术存在的不足，提供一种能更充分提取雷达信号特征、加强特征重利用、在低信噪比下识别精度高的基于稠密卷积神经网络的雷达辐射源分类方法。

本发明的目的是这样实现的：步骤如下：

步骤一：数据预处理，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；

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。

本发明还包括这样一些结构特征：

1.步骤一包括：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。