[发明专利]联合熵与预训练CNN提取时频图像特征的调制识别方法

权利要求书

1.联合熵与预训练CNN提取时频图像特征的调制识别方法，其特征在于，包括以下步骤：

步骤一依据九类雷达信号参数，产生由CW、LFM、BPSK、COSTAS、FRANK、P1、P2、P3、P4组成的雷达信号集；所述的九类雷达信号参数包括：采样频率、采样点数、CW调制方式载频、巴克码、带宽、频率序列、起始频率、P3和P4调制方式产生的载频以及FRANK、P1、P2、调制方式产生的载频；

步骤二对雷达信号进行时频分析，应用CWD将待识别的雷达信号集进行时频变换得到时频图像；对应CWD公式如下：

时变的局部相关函数通过对相关函数作滑窗处理得到：

当窗函数取时间冲击函数，不加限制，而在时域取瞬时值：

对时变局部相关函数作Fourier变换，得到Wigner Ville分布(WVD)：

WVD通过添加核函数得到CWD：

步骤三预训练卷积神经网络模型选用MatConvNet官网提供的imagenet-vgg-verydeep-19，将图片转换为224×224×3大小的图像；使imagenet-vgg-verydeep-19网络参数保持不变，由其Input输入层至fc6全连接层构成FT-VGGNet-fc6特征迁移提取模块；

步骤四将步骤三调整后的图像集送入特征迁移提取模块，产生雷达信号时频图像特征，使用保留至fc6全连接层的FT-VGGNet-fc6特征迁移提取模块得8×512个雷达信号时频图像特征；

步骤五FT-VGGNet-fc6特征迁移提取模块输出的特征过多，会有冗余信息出现导致训练速度和系统有效性下降，用PCA降维保留具有显著区分度的95个特征；

PCA将时频图像作为原始样本构成一个数据矩阵：

其协方差矩阵为R＝XX^T，对该协方差矩阵作特征值分解：

R_M×M＝U∧U^T

式中，T表示转置，∧为协方差矩阵的特征值对角阵，U为相应的特征矩阵，对时频图像作如下变换：

P_M×N＝U^TX＝[p₁,p₂,…,p_M]^T

式中，P为时频图像二值矩阵的主成分，p₁是第一主成分，p_j为第j主成分，选取前k个主成分，构成时频图像的特征矩阵；

步骤六对调整后的时频图像进行图像灰度化，三分量为R、G和B的彩色图像像素对应该点的亮度用灰度化公式计算为：

I＝0.3B+0.59G+0.11R；

步骤七提取灰度图像中能提高系统识别率尤其低信噪比条件下识别率的Renyi熵，并使之与降维后的95个特征共同归一化组合构成100个新的雷达信号时频图像特征；时频图像的Renyi熵表示为：

式中，P^α(t,f)表示信号的时频分布；对于Renyi熵阶数α的选取，不考虑非整数阶α产生复数的熵值的情况，选取阶数为3、5、7、9、11的Renyi熵作为信号的识别特征；

步骤八针对九种雷达信号，选取每类雷达信号在信噪比为0dB时时频图像各300张，将雷达信号时频图像特征按7:3的比例随机分为训练集和测试集；

步骤九划分训练集与测试集，将粒子群算法(PSO)与人工蜂群算法(ABC)结合，联合应用两算法计算适应值，每独立计算一次比较取最优，直到到达最大迭代次数取最优值，实现两算法联合对SVM参数寻优，并选取训练集对SVM分类器进行训练；

粒子群算法PSO粒子的搜索行为受到群内其他粒子的搜索行为的影响而易陷入局部最优解，而人工蜂群算法ABC局部搜索能力较弱且收敛速度比较慢；ABC算法能弥补PSO算法陷入局部解，两者的结合提高PSO算法的寻优能力，相关公式如下：

粒子群中粒子位置及速度的更新为：

人工蜂群算法中搜索方程为：

v_ij＝x_ij+φ_ij(x_ij-x_kj)

首先要将种群规模、PSO速度范围、ABC蜜源数及参数、ABC算法和PSO算法的(C,σ)及初始适应值进行初始化；然后划分为2个独立子种群并联合应用ABC算法和PSO算法计算适应值，每独立计算一次比较取最优；最后将两者达到最大迭代次数时的最优适应值作为SVM最优参数，实现应用两个算法的联合对SVM的参数寻优；

将训练集特征结合相应类别标签输入上述SVM参数寻优算法进行交叉验证，确定SVM的σ和C，根据最佳参数使用训练集对SVM进行训练；

步骤十：选取信噪比为-3～8dB情况下的9类雷达信号时频图像共32400张图片，其中，每类雷达信号单一信噪比下的时频图像各300张；从数据集的每类雷达信号单一信噪比下随机选210张，共22680张作为训练集，数据集每类雷达信号单一信噪比下剩余的90张，共9720张作为测试集；利用训练后的SVM分类器对时频图像的训练集进行识别，并验证FT-VGGNET-fc6-SVM分类器的识别率。