[发明专利]一种基于深度学习的辐射源信号多模型综合分类方法

说明书

本发明涉及一种基于深度学习的辐射源信号多模型综合分类方法，根据获取的多种雷达辐射源信号的PDW数据，通过数据清洗与归一化、无监督聚类和神经网络学习等步骤，实现辐射源雷达信号类型的智能识别。通过构建基于深度卷积神经网络、长短时记忆网络的综合模型，本发明可以适应各种复杂雷达辐射源信号，实现辐射源信号类型的高精度、智能化的识别，同时模型具备自我优化，多场景泛化的能力。

技术领域

本发明属于被动探测领域数据处理领域，涉及PDW数据预处理和人工智能分析技术，可应用于辐射源雷达信号的智能分析识别。

背景技术

雷达信号分选是雷达对抗侦察信号处理的重要内容之一，也是进行雷达特征提取、识别以及威胁评估的前提和基础。雷达对抗侦察接收机输出到信号处理系统的是密集交叠的脉冲流(即全脉冲，每个脉冲以脉冲描述字PDW的形式表示)。信号分选就是从这种随机交叠的脉冲流中分离出每一部雷达脉冲列的过程。信号分选是利用同一部雷达信号参数的相关性和不同雷达信号参数的差异性来实现的，通常可用于分选的特征参数包括瞬时参数和二次参数，瞬时参数是通过一次测量就能获取的参数,包括信号到达方向(DOA)、脉冲到达时间(TOA)、载频(RF)、脉冲幅度(PA)、脉冲宽度(PW)等；二次参数是经多次测量之后才能获取的参数，包括脉冲重复间隔(PRI)、天线扫描周期(ASP)等。

传统信号分选算法如扩展关联法，差直方图法，PRI变换法，TOA折叠分选法，都针对一种或几种信号特征进行分析，产生分选结果后多通过与已知数据比对的方式来确定信号源类别，这种方法存在诸多局限：首先，不同雷达的信号参数会存在不同程度的重叠，需要综合分析才能加以区分；其二，传统算法针对每一个应用场景都需要反复调参，泛化性能薄弱；其三，同类的信号源设备在硬件条件上有差异，发射的信号参数也会有波动，给数据比对造成困难；最后，随着数据库的逐渐扩大，比对所需的硬件成本、时间成本也相应的提升。

发明内容

为了解决传统方法存在的问题，本发明提出了一种基于深度学习的辐射源信号多模型综合分类方法，包括以下4个步骤：

步骤1、通过批归一化的方式将不同维度的特征变换至统一的尺度范围内，避免数值过于悬殊导致网络学习到错误的特征；

步骤2、通过无监督聚类的方法将不同辐射源雷达信号加以区分，同时进一步剔除错误数据；

步骤3、使用全连接神经网络判定该信号是否有威胁，如无威胁，则直接输出识别结果，如存在威胁信号，则进行步骤4进行进一步识别；

步骤4、将区分出的样本逐个送入18层的残差卷积神经网络和长短时记忆网络进行特征提取和分析，使用模型综合方法集成两个模型的输出来识别辐射源雷达信号类型。

进一步的，所述步骤4中模型综合方法包括：采用二次级集成法来综合两个模型的判定，以两个模型输出的分类置信度向量为输入参数，再使用一个全连接网络来综合学习步骤4所述的两个复杂模型之间的共性和差异，输出最终的分类结果。

综上，通过两种算法的二次集成，本发明构建了一个辐射源雷达信号多模型综合分类方法，在10分类的任务中达到了95％以上的识别精度，解决了传统方法多维参数信息割裂、环境适应性差、抗干扰能力不足的缺点，同时具有模型优化能力强，泛用性好等特点。

附图说明

图1辐射源信号分类系统流程图。

图2残差卷积神经网络结构示意图。

图3深度全连接网络结构示意图。

图4长短时记忆网络结构示意图。

具体实施方式

结合附图及实施例对本发明作进一步的解释说明。本发明提出的一种基于深度学习的辐射源信号多模型综合分类方法，结合实施例对实现过程解释如下：