[发明专利]一种基于SPWVD和改进AlexNet的复合干扰识别方法

说明书

本发明公开了一种基于SPWVD和改进AlexNet的复合干扰识别方法，其中所述识别方法包括：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，获得复合干扰的时频特征；对复合干扰的时频特征进行降维，获得时频图像；建立改进的AlexNet模型作为干扰识别模型，通过所得时频图像对其进行训练；再经训练完成的干扰识别模型对复合干扰信号进行识别即可。本发明的识别方法对识别难度较大的复合型干扰具有高效准确的识别率。

技术领域

本发明涉及干扰识别方法的技术领域。

背景技术

随着雷达抗干扰技术的不断成熟和发展，单一形式的有源干扰很难对雷达形成预期的效果。复合有源干扰通过多种干扰信号的组合，例如压制干扰和欺骗干扰的组合，能够实现对雷达的多重特性干扰，使雷达无法判断其干扰环境，从而使抗干扰手段失去其有效性。复合干扰现在已成为雷达面临的主要挑战。作为抗干扰手段运用的提前和必须环节，复合干扰识别的研究具有重要理论意义和实用价值。

目前，国内外在有源干扰特征提取及识别方面开展了较多研究工作，但复合干扰识别的资料则相对有限。从现有工作看，欺骗干扰和复合干扰识别大多建立在信号变换域(时频域、双谱域、小波域、分形维数域等)进行特征提取，获得区分度明显的特征。通过对雷达接收信号进行时频分析，比较欺骗干扰时频图的差异性，基于决策树提取时频图像特征进行有源欺骗干扰识别。但是该方法是基于决策树的识别，需要确定阈值；通过提取欺骗干扰的双谱切片作为特征参数，输入SVM向量机中进行识别。但SVM向量机的核函数和一些常数没有理论证明；在时域、频域、分形维数域等提取复合干扰信号特征参数，输入BP神经网络分类器进行识别，但BP神经网络权值太多，计算量太大；针对射频噪声同距离欺骗干扰的复合干扰信号，采用提取盒维数和L-Z复杂度分布特征的方法，对复合干扰信号实现了分类识别，但其对所选参数敏感，无法区分更多类型的复合干扰。因此由于复合特征提取和识别算法参数难度大，目前针对多种复合干扰的识别并无有效算法支撑。

发明内容

本发明的目的在于提出一种可高效识别和区分多种类型的复合干扰、可高效准确区分干扰信号与目标信号的方法。

本发明的目的还在于提出一种上述方法的应用。

本发明首先公开了如下的技术方案：

一种基于SPWVD和改进AlexNet的复合干扰识别方法，其包括：

S1：通过伪平滑魏格纳威利分布(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，并通过所述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。

所述改进的AlexNet模型是指的通过对原始AlexNet模型进行一定调整后获得的模型。

在一些具体实施方式中，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。

上述实施方式中，所述大、小表示相对关系，即对两个模型中的卷积核进行比较，其中尺寸相对更小的卷积核为小的卷积核，尺寸相对更大的卷积核为大的卷积核。

在一些具体实施方式中，所述多个小的卷积核之间尺寸不完全相等。

在一些具体实施方式中，所述改进的AlexNet模型中第一卷积层包括7×7、3×3和3×3三种卷积核。