[发明专利]基于VAE-ResNet网络的雷达辐射源识别方法

摘要

本发明公开了一种基于VAE‑ResNet网络的雷达辐射源识别方法，主要解决现有技术在信号较少的条件下无法完成网络训练、雷达辐射源特征提取不充分和识别准确率低的问题。其实现方案为：生成7种不同的雷达辐射源信号；将雷达信号先以序列的形式输出，再将信号进行时频变换，并以信号时频图的形式输出；在两种形式输出的数据集中标注信号所属的类别，制成训练集和测试集；构建VAE‑ResNet网络；使用训练集对VAE‑ResNet网络进行训练；将测试集送入训练好的网络，网络输出为雷达辐射源类别。本发明提高了雷达辐射源识别特征提取的完整程度和识别精度，可用于复杂电磁环境下的雷达信号识别。

主权项

1.基于VAE‑ResNet网络的雷达辐射源识别方法，其特征在于，包括如下：1)对从接收机接收到的混叠信号进行分离，得到雷达辐射源信号，生成雷达辐射源信号数据集，其中包括7种不同的雷达辐射源信号，分别为常规脉冲信号、线性调频信号、非线性体调频信号、二相编码信号、四相编码信号、二频编码信号和四频编码信号；2)信号预处理2a)将1)中生成的7种不同雷达辐射源信号通过快速傅里叶变换，将其从时域变换到频域，并进行去噪处理；2b)将去噪后的信号，先以序列的形式输出；再将信号进行时频变换，以信号时频图的形式输出；2c)将两种形式的雷达辐射源信号进行能量归一化处理，并标注信号所属的类别，在每种类别的信号中随机抽取信号总量的4/5的信号作为训练集，其余为测试集信号；3)构建VAE‑ResNet网络设变分编码器VAE网络包含：编码网络、中间隐含变量层和解码网络；设深度残差网络ResNet包含：卷积层、池化层和全连接层；将变分编码器VAE网络和深度残差网络ResNet这两种网络中含有特征向量的隐含层进行并行融合，得到VAE‑ResNet网络，并使用softmax分类器作为该网络的输出层；4)对VAE‑ResNet网络进行训练：4a)设置VAE‑ResNet网络的学习率为0.01、批量大小设置为10、迭代次数为600；设置变分编码器VAE的损失函数为L；设置卷积层的激活函数为f(x)＝max(0,x)，其中：x表示神经元的输入；4b)将训练集信号输入至设置好参数的VAE‑ResNet网络进行训练，即将序列形式的信号输入至变分编码器中，将时频图形式的信号输入至深度残差网络中同时进行迭代训练，直至达到设置的迭代次数，得到训练好的VAE‑ResNet网络；5)将测试集信号输入至训练好的VAE‑ResNet网络中，预测雷达辐射源信号分类，即输出识别结果。