[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

说明书

本发明属于辐射源信号识别技术领域，具体涉及一种基于一维卷积神经网络的雷达辐射源信号的识别方法，其步骤如下：(1)生成雷达辐射源信号数据集；(2)数据预处理；(3)构建卷积神经网络；(4)设置参数并训练卷积神经网络；(5)预测分类；(6)计算精度；(7)输出结果。本发明公开的基于一维卷积神经网络的雷达辐射源信号的识别方法具有以下优点：1、通过卷积神经网络中的网络结构对信号进行特征提取，避免了传统算法中需要人工设计特征的过程；2、能正确识别信噪比低至‑10dB时的多种雷达辐射源信号脉内调制方式；第三，实现简单。

技术领域

本发明属于辐射源信号识别技术领域，具体涉及一种基于一维卷积神经网络的雷达辐射源信号的识别方法。

背景技术

雷达辐射源信号识别是电子对抗中一项重要环节，在电子情报侦察、电子支援侦察和威胁告警系统中都起到了关键的作用。

随着电子信息技术的飞速发展，现代电子战场的对抗愈发激烈，新型复杂体制雷达逐渐占据主导地位。电磁环境日益复杂和密集，传统的基于脉冲描述字(载频、脉冲到达时间、脉冲到达角、脉冲幅度、脉冲宽度)已经难以胜任在这样密集、复杂和多变的环境中的雷达辐射源信号识别任务。

目前，很多专家提出了基于雷达辐射源信号脉内分析的识别方法。主要有时域分析法、频域分析法、瞬时自相关法、谱相关法和时频域分析法等。但是这些方法存在着不少缺点，一方面很多方法对于低信噪下信号的识别效果一般，另一方面，这些方法往往要耗费大量的时间在信号的特征提取上，而提取的某些特征并不具有普适性，如果要利用组合特征则又可能要面临维度灾难或者特征选择的难题。因此，发明一种基于一维卷积神经网络的雷达辐射源信号的识别方法，可以将特征提取的步骤利用网络实现。

发明内容

发明目的：本发明针对上述现有技术存在的问题做出改进，即本发明公开了一种基于一维卷积神经网络的雷达辐射源信号的识别方法。本发明能够减去脉内特征提取花费的时间，并且在低至-10dB信噪比下仍能够取得不俗的识别效果，且实现简单，适应性强，可用于电子情报侦察中。

实现本发明的技术思路是：首先，对雷达辐射源信号进行预处理；其次，构建卷积神经网络；然后，设置参数并训练卷积神经网络，用训练好的网络对测试集中的信号进行分类识别；最后，计算分类精度。

技术方案：基于一维卷积神经网络的雷达辐射源信号的识别方法，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；