[发明专利]一种多分量雷达信号调制识别方法

权利要求书

1.一种多分量雷达信号调制识别方法，其特征在于，包括以下步骤：

获取待识别雷达信号；

将所述待识别雷达信号输入至预先训练的深度卷积神经网络模型进行识别，输出标签向量的预测概率；所述深度卷积神经网络模型是采用标记有标签向量的雷达信号数据集训练得到的，所述标签向量表示多分量雷达信号所包含的信号调制类型；所述深度卷积神经网络模型包括多个移动倒置瓶颈卷积块MBConv、多个融合的移动倒置瓶颈卷积块Fused-MBConv和卷积注意力机制模块；

根据所述标签向量的预测概率进行阈值判决后输出多分量雷达信号调制识别结果。

2.根据权利要求1所述的一种多分量雷达信号调制识别方法，其特征在于：所述深度卷积神经网络模型包括：第一卷积层、深度特征提取网络、第二卷积层、全局平均池化层、全连接层和Sigmoid层；所述深度特征提取网络包括多个融合的移动倒置瓶颈卷积块Fused-MBConv、多个移动倒置瓶颈卷积块MBConv和卷积注意力机制模块。

3.根据权利要求2所述的一种多分量雷达信号调制识别方法，其特征在于：所述深度卷积神经网络模型的训练，包括：

获取雷达信号数据集，采用标签向量对雷达信号数据集样本进行标记；

将标记后的数据集分为训练集、验证集和测试集，将训练集依次输入所述第一卷积层和所述深度特征提取网络进行特征提取，得到深度特征图；

将所述深度特征图分别依次输入第二卷积层、全局平均池化层、全连接层和Sigmoid层，输出标签向量的预测概率；

利用验证集对深度特征提取网络的权重进行调整，直至实际识别结果与目标识别结果的偏差在阈值范围内时，训练完成，得到深度卷积神经网络模型。

4.根据权利要求3所述的一种多分量雷达信号调制识别方法，其特征在于：所述深度特征提取网络包括2个第一Fused-MBConv、8个第二Fused-MBConv、6个第一MBConv、21个第二MBConv、注意力机制模块、所述第一Fused-MBConv的扩展率为1，所述第二Fused-MBConv的扩展率不为1。

5.根据权利要求4所述的一种多分量雷达信号调制识别方法，其特征在于：所述第一卷积层核大小为3×3、步长为2；所述第一Fused-MBConv扩展率为1、核大小为3×3、步长为1；所述第二Fused-MBConv扩展率为4、核大小为3×3、步长为2；所述第一MBConv扩展比为4、核大小为3×3、步长为2、SE为0.25；所述21个第二MBConv扩展率为6、核大小为3×3、步长为1、SE为0.25；所述第2卷积层核大小为1×1、步长为1；所述全局平均池化层核大小为7×7、通道数为1280；所述全连接层为8维。

6.根据权利要求3所述的一种多分量雷达信号调制识别方法，其特征在于：所述雷达信号数据集是由改进的平滑伪Wigner-Ville分布时频转换技术对多分量雷达信号进行时频转换得到的时频图构成，所述数据集包含单分量、双分量、三分量雷达信号。

7.根据权利要求1所述的一种多分量雷达信号调制识别方法，其特征在于：所述移动倒置瓶颈卷积块MBConv包括：逐点卷积层、深度卷积层、批归一化层、激活函数Swish、挤压激励模块和dropout。

8.根据权利要求1所述的一种多分量雷达信号调制识别方法，其特征在于：所述融合的移动倒置瓶颈卷积块Fused-MBConv包括扩展比为1和扩展比不为1两种类型，当扩展比为1时，所述Fused-MBConv包括卷积层、批归一化层、激活函数SiLU、SE模块、dropout层和跳跃连接结构；当扩展比不为1时，当扩展比不为1时，构建的Fused-MBConv包括卷积层、批归一化层、激活函数SiLU、SE模块、逐点卷积、dropout层和跳跃连接结构。