[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

说明书

本发明属于辐射源结构识别技术领域，具体涉及一种基于卷积神经网络的雷达辐射源结构识别方法。本发明通过模拟实际辐射源系统中频率合成器和功放对信号的影响，根据不同结构的辐射源产生的多种调制方式的信号，结合信号时频分析技术，提取信号时频图像的特征，训练CNN模型，训练后的CNN模型能够进行有效的辐射源结构识别，实现信号至辐射源结构的反演过程。本发明中的识别模型能够在低信噪比下实现较高的识别率，且具有较好的鲁棒性，具有良好的应用前景。

技术领域

本发明属于辐射源结构识别技术领域，具体涉及一种基于卷积神经网络的雷达辐射源结构识别方法。

背景技术

辐射源作为雷达系统的核心部分，其功能是产生功率足够大的射频信号并进行发射。一般情况下，辐射源主要包含频率振荡器、功率放大器等部分，由于各个器件的使用方式、工作原理、材料组成的差异，对生成信号产生的影响也不相同，发射的信号存在不同程度、不同类型的杂散或噪声分量，使发射出来的信号带有特有的标志性信息。截获这类信号后经过时频分析等预处理过程，充分利用信号的杂散信息，使用经过训练的识别模型就能够实现由信号到辐射源的结构的反演过程，以便于对雷达的载体和威胁程度进行估计并采取进一步对抗措施。

发明内容

本发明的目的在于提供一种基于卷积神经网络的雷达辐射源结构识别方法。

本发明的目的通过如下技术方案来实现：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；