[发明专利]一种基于卷积神经网络的雷达辐射源结构识别方法

权利要求书

1.一种基于卷积神经网络的雷达辐射源结构识别方法，其特征在于，包括以下步骤：

步骤1：将DDS、PLL两种频率合成器与SSPA、TWTA两种功率放大器进行两两组合，构建出四种不同结构的辐射源，即DDS_SSPA、DDS_TWTA、PLL_SSPA、PLL_TWTA；获取四种不同结构的辐射源产生的CW、LFM、BPSK信号；

步骤2：采用STFT对四种不同结构的辐射源产生的CW、LFM、BPSK信号进行时频分析，得到对应信号的128*128的时频图像；

STFT是一种用来进行时频分析的方法，用于信号的时频特征提取；运用窗口函数将较长的信号进行分割，在时域上得到若干较短的信号，然后分别对每个段进行傅里叶变换；

其中，S(t)是原信号；w(t)为窗函数；w^*(t)为窗函数的共轭；

步骤3：训练CNN模型对辐射源结构进行识别；

所述的CNN模型包含三个卷积层、三个池化层、两个全连接层、隐藏层，CNN模型的输入为128*128的时频图像；；所述的第一卷积层中16个大小为3*3的卷积核对输入的128*128的时频图像进行卷积操作，卷积核的步长为1，使用全零填充，得到128×128的特征图；所述的第一池化层使用最大池化，池内核的大小是2*2，步长是2，使用全零填充，得到尺寸为64×64的特征图；所述的第二卷积层中大小为3*3的32个卷积核对第一池化层输出的特征映射执行卷积，卷积内核的步长为1，使用全零填充，得到尺寸为64×64的特征图；所述的第二池化层中池化的方法是最大池化，池化内核的大小是2*2，步长是2，使用全零填充，得到大小为32×32的特征图；所述的第三卷积层中64个大小为3*3的卷积核对第二池化层输出的特征映射执行卷积，步长为1，使用全零填充，得到大小为32×32的特征图；所述的第三池化层中池化方法为最大池化，池化核大小为2*2，步长为2，使用全零填充，得到16*16的特征图；所述的第一全连接层将第三池化层输出的16×16大小的特征图展平后，形状变为16384×1的张量输入至隐藏层中；所述的隐藏层中有1024个神经元，Dropout被用来减轻过度拟合；所述的第二个全连接层中Dropout用于缓解过拟合，softmax分类器用于使输出符合概率分布准则，当分类结果通过softmax函数时，输出为：

其中，softmax的输出均为(0，1)范围内的实数，和为1，输出概率最大的类别就是辐射源类别；

步骤4：将待检测的雷达辐射源产生的信号的时频图像输入至训练好的CNN模型中，得到雷达辐射源结构的识别结果。