[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

说明书

本发明属于雷达辐射源信号调制识别技术领域，具体涉及联合熵与预训练CNN提取时频图像特征的调制识别方法。首先将待识别的9类雷达信号集进行时频变换得到时频图像；然后基于MatConvNet官网提供的预训练卷积神经网络模型imagenet‑vgg‑verydeep‑19，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；接着将调整后图像送入特征迁移提取模块，输出雷达信号时频图像特征；再对调整后图像进行灰度化，人工提取处理后图像的Renyi熵；接下来按照一定比例划分训练集与测试集，并选取训练集对SVM分类器进行训练；最后，利用训练后的SVM分类器对时频图像的训练集进行识别，利用多信噪比下9类雷达信号组成的数据集验证FT‑VGGNET‑fc6‑SVM分类器的识别率。

技术领域

本发明属于雷达辐射源信号调制识别技术领域，具体涉及联合熵与预训练CNN提取时频图像特征的调制识别方法。

背景技术

雷达辐射源信号调制识别是电子对抗及电子侦察中的重要环节，在电子战中具有十分重要的地位和作用。应用较普遍的雷达辐射源信号调制识别方法有基于五种参数的信号调制识别方法、基于时频图像的脉内调制识别方法和基于CNN的信号调制识别方法。

传统的基于五种参数(载频、脉冲到达时间、脉冲幅度、脉冲宽度和脉冲到达方向)的调制识别方法在经过多次测量后可获得脉冲的其他特征参数，但是没有考虑新体制雷达的脉内调制特性，不能实现有效识别。同时，此方法过多依赖数据库中原有信息，对库中不存在的雷达不能进行识别且不能自学习，因此在新体制雷达面前收效甚微。

基于时频图像的脉内调制识别方法是应用较为广泛的，它可以将雷达信号通过时频分布转换为时频图像，对图像预处理后提取特征，在其后端接入支持向量机(SVM)分类器，即使在低信噪比下也能获得较为可观的识别率。但是此方法需要人工提取图像特征，人工提取特征速度慢。此外，若人工提取特征信息不当必将导致识别出现偏差，最终导致其识别率低。

相比于上述两种方法，基于CNN的信号调制识别方法在对雷达辐射源信号进行调制识别时，CNN可以自动完成时频图像特征的提取，实现了特征提取的高度自动化。但是利用CNN提取特征后输出特征量过多，出现冗余信息会导致系统的有效性有所降低，且其提取的特征在低信噪比条件下识别效果差，相应系统抗噪能力弱。同时，在面对小样本数据时，CNN全连接层间神经单元数量陡降会导致系统识别率整体下降。

发明内容

本发明的目的是提出一种联合熵与预训练CNN提取时频图像特征的调制识别方法，利用CNN自动提取图像特征来实现提取特征自动化，应用主成分分析(PCA)对输出特征降维提高系统有效性，将降维后特征结合人工提取的Renyi熵来提高系统低信噪比条件下的识别率，且应用SVM解决深层网络小样本训练精度不高的问题，最终实现对雷达信号的精确快速识别。

本发明的目的是这样实现的：

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可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：