[发明专利]一种基于深度学习网络的雷达辐射源信号识别方法

权利要求书

1.一种基于深度学习网络的雷达辐射源信号识别方法，其特征在于，所述基于深度学习网络的雷达辐射源信号识别方法包括：

第一步，接收机接收雷达脉冲信号，对信号进行降频预处理；

第二步，计算基于线性正则变换的互模糊函数和基于线性正则域的互模糊函数，再提取各自互模糊函数图的M个等间隔截面的最大值作为特征向量，共同组成特征样本集；

第三步，将得到的特征向量输入稀疏滤波胶囊网络进行分类识别；

所述第一步接收机接收雷达脉冲信号，对信号进行降频预处理具体包括：

先经过低通滤波器完成从高频信号到中频信号的降频；然后对信号进行模数采样处理；

所述第二步计算基于线性正则变换的互模糊函数和基于线性正则域的互模糊函数，再提取各自互模糊函数图的M个等间隔截面的最大值作为特征向量，共同组成特征样本集具体包括：

(1)雷达信号第v个频移和第τ个时移下的基于线性正则变换的互模糊函数为：

其中，表示观测信号f₁(t)关于线性正则变换的互模糊函数，R表示全体实数，v为频移，τ为延时，F_A⁽¹⁾(u)为信号f₁(t)的线性正则变换，F_A^(2)*(u)为时延信号f₂(t)线性正则变换的共轭；

选择X轴作平行于YOZ平面的等间隔截面，得到M个截面，取M个截面的最大值作为特征向量，得到新的一维特征向量R_X^A：

其中，为关于线性正则变换的互模糊函数以X轴作平行于YOZ平面的第m个等间隔截面；

(2)雷达信号第v个频移和第τ个时移下的基于线性正则域的互模糊函数为：

其中，AFL^f_A(τ,u)表示观测信号f₁(t)关于线性正则域的互模糊函数，R表示全体实数，f₁(t)表示观测信号，f₂^*(t)表示时延信号的共轭，u为频移，τ为延时，为线性正则变换的核函数；

选择X轴作平行于YOZ平面的等间隔截面，得到M个截面，取M个截面的最大值作为特征向量，得到新的一维特征向量R_X^AFL，即二维特征图：

其中为关于线性正则域的互模糊函数以X轴作平行于YOZ平面的第m个等间隔截面；

所述第三步将得到的特征向量输入稀疏滤波胶囊网络进行分类识别具体包括：

1)第一层是卷积层，目的是把输入图像降维，提取输入图像的特征，输入图像经卷积层进行原始卷积运算得到初级胶囊层；

2)第二层是初级胶囊层，用32个步长为2的9x9x256的滤波器作8次卷积操作，做完卷积后数据重塑成2维数据，每个元素是1x8的向量；

3)第三层是数字胶囊层，把初级胶囊层的输出作为输入，每个胶囊里放着一个一维向量，有多少种类就有多少输出，胶囊层的计算公式如下：

其中，是高层特征，u_i是低层特征，W_ij是权重矩阵，s_j是squash函数输入向量，c_ij由动态路由计算得出。

2.如权利要求1所述的基于深度学习网络的雷达辐射源信号识别方法，其特征在于，所述动态路由的具体方法包括：

(1)确定路由迭代次数r；

(2)定义b_ij为第l层低层胶囊层连接下一层高层胶囊层的可能性，初始值为0；

(3)循环执行4～7r次；

(4)对l层的低层胶囊层，将b_ij用softmax转化成概率c_ij：

c_ij＝softmax(b_ij)；

(5)对l+1层，加权求和

(6)对l+1层，使用激活函数得到输出向量v_i：

(7)根据和v_i的关系来更新b_ij：