[发明专利]一种基于深度学习网络的雷达辐射源信号分选方法及系统

权利要求书

1.一种基于深度学习网络的雷达辐射源信号分选方法，其特征在于，所述基于深度学习网络的雷达辐射源信号分选方法对接收的雷达辐射源信号进行预过滤处理；再对接收信号进行崔-威廉斯分布时频分析，获取二维时频图像；以及通过基于堆栈混合自编码器提取特征，并利用半监督线性判别法进行降维后对雷达辐射源信号进行分选。

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分选方法，其特征在于，所述基于深度学习网络的雷达辐射源信号分选方法具体包括：

步骤一，接收机接收雷达脉冲信号，对信号进行预过滤处理；

步骤二，对接收信号进行崔-威廉斯分布时频分析，获取二维时频图像并进行预处理；

步骤三，将步骤二得到的二维时频图像输入堆栈混合自编码器进行特征提取；

步骤四，利用步骤三得到的有标签的样本通过半监督线性判别法进行降维，实现信号分选。

3.如权利要求2所述的基于深度学习网络的雷达辐射源信号分选方法，其特征在于，步骤一中，对接收的雷达辐射源信号进行预处理，将接收的每个信号与样本库每个样本的参数范围进行粗相关，参数相关的信号存入所述样本对应的活动雷达缓存中，过滤参数段不相关的脉冲，排除完全不相关的脉冲，实现信号的预过滤。

4.如权利要求2所述的基于深度学习网络的雷达辐射源信号分选方法，其特征在于，步骤二中，观测信号的崔-威廉斯分布时频分布式为：

C(t,w)＝∫∫∫_∞e^j2πξ(s-t)f(ξ,τ)·x(s+τ/2)x^*(s-τ/2)e^-jwτdξdsdτ

式中，是核函数，σ是衰减系数，取σ＝1，C(t,w)是崔-威廉斯分布时频分布结果，x(t)是观测信号，x^*(t)是观测信号的共轭，t和w分别代表时间和频率。

5.如权利要求2所述的基于深度学习网络的雷达辐射源信号分选方法，其特征在于，步骤二中，对通过崔-威廉斯分布时频分析得到的二维时频原始图像进行预处理操作，具体包括：

1)通过迭代法将雷达信号时频图转化为黑白二值图像；

2)通过图像剪切算法搜索确定信号存在的区域，并将没有信号分布的区域裁剪掉；

3)采用双3次插值算法把剪切后的时频图像调整为32×32的图像。

6.如权利要求5所述的基于深度学习网络的雷达辐射源信号分选方法，其特征在于，步骤1)的迭代法包括：

步骤1，灰度化时频图像，定义灰度图像G(x,y)的最大值为maxG(x,y)，最小值为minG(x,y)，设定初始阈值为T：

T＝(maxG(x,y)+minG(x,y))/2；

步骤2，用初始阈值T将时频图像分为两个部分，大于等于T的像素点被分为G₁，小于T的像素点被分为G₂；

步骤3，分别计算G₁与G₂的平均灰度值μ₁与μ₂；

步骤4，更新阈值T为μ₁与μ₂的平均值；

T＝(μ₁+μ₂)/2；

步骤5，重复步骤3到步骤4，直到两组平均灰度值不再发生变化为止；

步骤6.，二值化灰度图像G(x,y)，并定义二值化后的像素值为B(x,y)；

步骤7，输出二值化图像B(x,y)。