[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

说明书

本发明属于电子对抗中雷达辐射源信号的分选技术领域，公开了基于深度学习网络的雷达辐射源信号分选方法及系统，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。本发明通过提取崔‑威廉斯分布时频特征，去除了相关信息之间的冗余，降低了特征维度，同时可以减少信号噪声；由于本发明利用去噪自编码器、稀疏自编码器以及普通自编码器进行堆叠提取特征，这样网络既具有较好的泛化能力也具有提取出更抽象的稀疏特征的能力，增加了网络的鲁棒性和分选正确率。

技术领域

本发明属于电子对抗中雷达辐射源信号的分选技术领域，尤其涉及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。

背景技术

目前，最接近的现有技术：基于循环平稳与深度卷积神经网络的雷达信号分类方法，通过深度卷积神经网络进行分类，比传统的人工提取能更全面地获取图像特征、更好地表达图像的类别信息，而缺陷在于在处理未知信息过多，样本集过于复杂，样本随机性与模糊性较高的雷达信号时，会产生大量不可预测结果，这是由于卷积神经网络依赖大量的原始样本数据，并且卷积神经网络还存在反向传播过程中梯度消失的缺陷，因此不能训练非常深的结构。

雷达信号分选是雷达信号处理的第一步，对电子情报系统具有极大的指导作用，为电子战提供重要的情报信息。雷达信号分选在现代电子对抗系统中发挥着极为重要的功能，而且在雷达特征参数提取、雷达信号识别和威胁等级评估中也起着基础性和限制性作用。

传统雷达信号分选算法主要有：关联法、直方图法和盲分选方法等。上述分选方法都有各自的使用范围，需要根据不同的应用背景选择与之相应的算法。但在现代电磁对抗环境中，随着新体制雷达的大量使用，雷达抗干扰能力的不断完善，雷达信号环境越来越复杂，侦察接收机在同一时刻接收到的信号越来越多，空间信号的混叠程度和脉冲丢失现象也越来越严重，在这种信号环境下，采用串行检测系统的传统算法已经无法正常分选雷达信号。

目前，业内常用的现有技术是这样的：针对雷达辐射源信号传统分选算法对信号分选效率低，缺乏实时性和高效性的缺点，其他学者提出一系列方法来解决复杂环境中信号分选的问题。

现有技术一，专利“一种最小L₁范数下的雷达信号分选方法”(专利申请号201410198248.3，授权公告号CN 103954935A)公开了一种最小L₁范数下的雷达信号分选方法，该方法针对高度密集和复杂信号环境下的雷达信号分选问题有较高的分选效率，但该方法被要求与输入信号具有较强的相关性或匹配性,还要求具备一定的适应性，可以自我进化，导致在信号与过完备字典相关性较低时，雷达信号分选准确性和可靠性不高。

现有技术二，专利“一种基于数据场层次聚类的多模雷达信号分选方法”(专利申请号201510422798.3，授权公告号CN 105005029B)公开了一种基于数据场层次聚类的多模雷达信号分选方法，该方法通过计算数据场势值寻找局域势值最大值,选取距最大值最近的样本数据作为初始聚类中心,然后用传统聚类算法进行聚类，针对高度密集和复杂信号环境下的雷达信号分选问题有较高的分选效率，但数据场势值运算复杂度较高，计算量较大，导致分选的实时性低下。

现有技术三，徐赛等人在其发表的论文“一种基于样本熵的雷达辐射源信号分选”(《电子世界》,2018,21(2):8-10.)公开了一种基于样本熵的雷达辐射源信号分选方法，该方法通过对雷达辐射源信号的样本熵和功率谱熵特征提取以及支持向量机进行分类，整体分选率较好，由于样本熵在计算时间序列复杂度时,没有考虑到序列中相似向量的分布以及构成序列向量的复杂性对时间序列复杂度的影响，导致在信噪比较低时，单种信号识别率不高。