[发明专利]一种基于SPWVD和改进AlexNet的复合干扰识别方法

权利要求书

1.一种基于SPWVD和改进AlexNet的复合干扰识别方法，其特征在于：包括：

S1：通过SPWVD对含有复合干扰信号的雷达接收信号进行时频分析，获得其时频特征；

S2：对获得的时频特征进行特征降维，获得时频图像；

S3：建立干扰识别模型，并通过所得时频图像对其进行训练；

S4：通过训练完成的干扰识别模型进行信号识别；

其中，所述干扰识别模型为改进的AlexNet模型。

2.根据权利要求1所述的复合干扰识别方法，其特征在于：所述特征降维包括离散化伪平滑魏格纳威利分布、图像裁剪和图像归一化中一种或多种。

3.根据权利要求1所述的复合干扰识别方法，其特征在于：所述改进的AlexNet模型为减少AlexNet模型中的局部响应归一化层和一个全连接层,并在第一卷积层和第二卷积层内通过多个小的卷积核代替AlexNet模型中卷积层内的大的卷积核获得。

4.根据权利要求3所述的的复合干扰识别方法，其特征在于：多个小的卷积核之间尺寸不完全相等。

5.根据权利要求3所述的的复合干扰识别方法，其特征在于：所述改进AlexNet模型中第一卷积层包括7×7、3×3和3×3三种卷积核，其中每种卷积核的数量均为96、每种卷积的核卷积步长分别为2、2和1。

6.根据权利要求3所述的的复合干扰识别方法，其特征在于：所述改进AlexNet模型中第二卷积层包括3×3和3×3两种卷积核，其中每种卷积核的数量均为256、每种卷积的核卷积步长均为1。

7.根据权利要求3所述的的复合干扰识别方法，其特征在于：所述改进AlexNet模型中第三、第四和第五卷积层的卷积核大小均为3×3，其中每层卷积核的数量分别为384、384和256、其卷积步长均为1。

8.根据权利要求3所述的的复合干扰识别方法，其特征在于：所述改进AlexNet模型中第一、第二和第五卷积层后的池化层核大小均为3×3、卷积步长均为2，所述第五卷积层后连接两个全连接层，所述全连接层的神经元数量分别为4096和7。

9.根据权利要求1所述的复合干扰识别方法，其特征在于：所述复合干扰的复合形式选自加性复合、乘积复合和卷积复合中的一种或多种；优选为加性复合。

10.根据权利要求9所述的复合干扰识别方法，其特征在于：所述雷达接收信号包括距离波门拖引复合噪声调幅信号、距离波门拖引复合噪声调频信号、速度波门拖引复合噪声调幅信号、速度波门拖引复合噪声调频信号、距离-速度联合拖引复合噪声调幅信号、距离-速度联合拖引复合噪声调频信号和目标回波信号。