[发明专利]基于GRU深度卷积网络的智能辐射源识别方法

摘要

本发明是一种基于GRU深度卷积网络的智能辐射源识别方法，主要解决现有技术无法提取到雷达辐射源信号序列化特征的问题，其方案为：对雷达辐射源信号进行分类；仿真雷达辐射源信号，并对雷达辐射源信号进行切片；将切片后的样本转为二维实数样本，对二维实数样本归一化并划分训练样本集与测试样本集；构建基于门控循环单元GRU的深度神经网络；将训练样本集输入深度神经网络中，通过对损失函数的优化，得到训练好的深度神经网络模型；将测试样本集输入到训练好的深度神经网络模型中，得到雷达辐射源信号识别结果。本发明能提取信号前后关联特征，避免人工特征提取和先验知识，复杂度低，分类结果准确，可用于复杂电磁环境下对雷达辐射源识别。

主权项

1.一种基于GRU深度卷积网络的智能辐射源识别方法，其特征在于：包括如下：(1)针对线性调频信号LFM、噪声Noise、单频信号CW和复杂调制信号Complex这四大类雷达辐射源信号参数的不同范围，将其划分为十一小类雷达辐射源信号；(2)使用MATLAB仿真软件对十一小类雷达辐射源信号进行仿真，得到的每一小类均含有20000个样本，最终得到220000个样本；(3)对(2)得到的220000个雷达辐射源信号进行切片处理,将切片后的样本转换为二维实数样本；(4)对二维实数样本进行归一化，将归一化后二维实数样本的80％作为训练样本集，将20％作为测试样本集；(5)构建基于门控循环单元GRU的深度神经网络模型：(5a)设定基于门控循环单元GRU的深度神经网络的学习率为0.001、批处理大小为512，最大迭代次数为6500步；(5b)构建用于对信号特征进行自动提取的15层卷积网络结构；(5c)在15层卷积网络结构的下面，加入用于对信号进行序列化特征提取的两层门控循环单元GRU，得到17层的网络模型；(5d)在17层的网络模型的下面，加入二层全连接层、一层失活层Dropout和一层分类层，得到21层基于门控循环单元GRU的深度神经网络模型；(5e)选择基于门控循环单元GRU的深度神经网络模型损失函数f；(6)对损失函数f进行优化，得到训练好的深度神经网络模型：(6a)将训练样本集打乱顺序，输入到基于门控循环单元GRU的深度神经网络模型中；(6b)通过Adam优化算法对损失函数f进行迭代优化，当达到设置的迭代次数时，完成对神经网络的训练，得到训练好的深度神经网络模型；(7)将测试样本集输入到训练好的深度神经网络模型中，得到识别结果。