[发明专利]一种多分量雷达信号调制识别方法

说明书

本发明公开了一种多分量雷达信号调制识别方法，包括获取待识别雷达信号；将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；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，标签向量表示多分量雷达信号所包含的信号调制类型；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整识别结果。本发明不仅能识别单分量雷达信号，还能识别双分量和三分量雷达信号；相比较其它方法，改进了信号识别精度。

技术领域

本发明属于深度学习和信号处理技术领域，涉及一种多分量雷达信号调制识别方法，特别是一种复杂电磁环境下多分量雷达信号调制识别方法。

背景技术

雷达信号的准确识别不仅可以帮助推断雷达的功能，还可以提高参数估计的准确性。随着不同雷达信号数量的迅速增加，雷达信号类型的复杂性和多样性不断增加，雷达探测系统经常截获时域和频域重叠的脉冲，形成多分量雷达信号。然而，大多数提出的脉内调制识别方法不能准确地分类多分量雷达信号。因此，当前雷达探测系统迫切需要提出一种有效的多分量雷达信号调制识别方法。

基于传统的多分量雷达信号调制识别方法已经被提出。一些研究学者提出了基于盲源分离、参数化时频分析和时频图像预处理的传统多分量雷达信号识别方法。近年来，随着深度学习的迅速发展，一些研究学者提出了基于深度卷积神经网络的雷达信号调制识别方法。然而，对雷达信号调制识别的研究主要集中在单分量或者双分量雷达信号上，在低信噪比下识别性能相对较低，而对三分量雷达信号调制识别的研究几乎没有。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种多分量雷达信号调制识别方法，通过设计包含移动倒置瓶颈卷积块(MBConv)、融合的移动倒置瓶颈卷积块(Fused-MBConv)和卷积注意力机制模块的深度卷积神经网络模型提取更详细的多分量雷达信号特征；实现在复杂电磁环境下准确的识别多分量雷达信号。

为解决上述技术问题，本发明的一种多分量雷达信号调制识别方法，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。

进一步的，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。

进一步的，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。