[发明专利]基于一维卷积神经网络的雷达辐射源信号的识别方法

权利要求书

1.基于一维卷积神经网络的雷达辐射源信号的识别方法，其特征在于，步骤如下：

(1)生成雷达辐射源信号数据集

通过MATLAB仿真生成雷达辐射源信号数据集，雷达辐射源信号数据集包括七种不同调制方式，分别为CW、LFM、NLFM、BPSK、QPSK、BFSK、QFSK，每种信号从-10dB到6dB每隔2dB信噪比下生成数量相等的样本，其中：

辐射源信号参数设置如下：

采样频率均为2GHz，采样点数均为512个；

CW、LFM、NLFM、BPSK、QPSK载频设置为200MHz，LFM频偏设置为50MHz，BPSK采用13位巴克码，QPSK信号采用16位弗兰克码；

BFSK的两个载频分别为200MHz、400MHZ，采用13位巴克码；

QFSK的四个载频是100MHZ、300MHZ、500MHZ和700MHZ；

(2)数据预处理

(21)将步骤(1)生成的雷达辐射源信号通过FFT从时域变换到频域，进入步骤(22)；

(22)对经过FFT后的雷达辐射源信号数据集进行去噪处理，去噪采用以下公式：

其中：

f_t(i)表示经过FFT后的雷达辐射源信号频域；

M_f为经过FFT后的雷达辐射源信号频域序列{f_t(i)}的均值；

(23)去噪处理后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，得到用于网络训练和测试的数据集；

(3)构建卷积神经网络

构建含有五层的一维卷积神经网络，一维卷积神经网络依次为输入层、卷积层、池化层、全连接层和输出层；

(4)设置参数并训练卷积神经网络

(41)设置一维卷积神经网络的学习率为0.01、批量大小设置为10、迭代次数为500，卷积层激活函数设置为ReLu，ReLu函数定义为f(x)＝max(0,x)，其中：x表示神经元的输入；

(42)在步骤(23)得到的用于网络训练和测试的数据集中随机抽取每种信号总量的5/6的样本作为训练集；

(43)将训练集输入到步骤(3)得到的一维卷积神经网络中，通过迭代计算，当达到一维卷积神经网络设置的迭代次数时，完成卷积神经网络的训练过程；

(5)预测分类

将步骤(42)中用于网络训练和测试的数据集抽取后余下的样本作为测试样本，输入步骤(4)得到的一维卷积神经网络中，获取识别结果，完成雷达辐射源信号的识别；

(6)计算精度

根据输出的正确样例来计算每一类雷达辐射源信号在单个信噪比下的识别率；

(7)输出结果。

2.根据权利要求1所述的基于一维卷积神经网络的雷达辐射源信号的识别方法，其特征在于，步骤(43)包括以下步骤：

(431)前向传播

按照步骤(41)中设置的批量大小，将样本输入到卷积神经网络，样本从输入层经过逐级变换，传送到输出层，卷积层的前向算法如下：

其中：

表示第l层网络的第k个特征向量；

表示第l层网络的第k个卷积核的共享权值；

表示偏置；

conv1D(·)表示一维卷积；

(432)反向传播

计算步骤(431)的输出与在步骤(23)中标注类别的样本的均方误差，公式如下

其中：

表示步骤(431)的输出向量；

表示步骤(23)中标注的类别标签，按照极小化误差的方式，反向逐层调整网络的权值；

卷积层误差反向传播的计算公式为：

其中表示l+1层第i个神经元的残差；

rev(·)表示对序列进行反转操作，

conv1Dz(·)表示进行的是一维的全卷积；

(433)重复进行步骤(431)和步骤(432)，直到达到设置的最大迭代次数为止，从而得到训练好的卷积神经网络。

3.根据权利要求2所述的基于一维卷积神经网络的雷达辐射源信号的识别方法，其特征在于，步骤(431)中池化层采用的是均值池化。