[发明专利]一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法

权利要求书

1.一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法，其特征在于：包括以下步骤：

步骤1.1，接收机接收到的混叠信号，对其分离后，生成六种典型的雷达辐射源信号数据集：常规脉冲信号、线性调频信号、二频频率编码信号、四频频率编码信号、二相编码信号、四相编码信号；

步骤1.2，信号预处理步骤，按以下子步骤完成：

步骤1.2.1，将步骤1.1所得信号数据集，执行希尔伯特变换、及图像灰度化方法，得到灰度共生矩阵；其中，灰度共生矩阵为复矩阵，维度为N×M，且N为自然数，表示为输入样本的个数；M为自然数，表示为向量维数；

步骤1.2.2，将步骤1.2.1所得的灰度共生矩阵，作为输入参数，输入到改良自编码器，实现特征提取，得到特征矩阵；其中，特征矩阵为复矩阵，维度为N×M；

步骤1.3，样本数量扩充步骤，按以下子步骤完成：

步骤1.3.1，构建改进条件生成对抗网络；

步骤1.3.2，输入特征矩阵至ICGAN中进行训练，生成扩充样本；

步骤1.4，将扩充样本与原样本混合，以4：1的比例划分为训练集样本与测试集样本；

步骤1.5，基于ResNet进行雷达辐射源信号分类步骤，按以下子步骤完成：

步骤1.5.1，构建深度残差网络；

步骤1.5.2，对步骤1.4所得到的训练集样本输入到深度残差网络中进行迭代训练，直至达到训练轮数，得到训练完毕的深度残差网络；

步骤1.5.3，将步骤1.4所得到的测试集样本输入到步骤1.5.2中训练好的深度残差网络中，输出雷达辐射源信号分类的识别结果。

2.根据权利要求1所述的一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法，其特征在于：所述步骤1.3.1，步骤1.3.2中，改进条件生成对抗网络即为ICGAN，ICGAN以传统的生成对抗网络(GAN)为基础，对判别网络的输入进行了修改；判别网络的输入不仅为真实样本与真实标签，还将错误样本与错误标签同时作为输入参与到迭代训练中。

3.根据权利要求2所述的一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法，其特征在于：所述常规脉冲信号，部分经过预处理的线性调频信号、二频频率编码信号、四频频率编码信号、二相编码信号、四相编码信号特征矩阵将作为错误样本与错误标签结合，与真实样本常规脉冲信号特征矩阵一同输入到判决网络。

4.根据权利要求3所述的一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法，其特征在于：所述ICGAN的基本结构与特征，采用的ICGAN由生成网络与判决网络两部分构成，它们均由输入层、全连接层与输出层构成；生成网络的输入为a维噪声数据，a为正整数，可取值为100等；经过b层BN层与c层全连接层以后生成α维样本数据，b、c皆为正整数，可取值为3等；α为正整数，可取值为784等；将β维真实样本与1维真实标签输入到判决网络中，同时输入α维生成样本，γ维错误样本与1维错误标签；β、γ皆为正整数，为保证真实样本的数量，β约为γ的三倍，β可取值为784等；经过b层Dropout层与c层全连接层输出判决结果；生成网络与判决网络中第一层与第二层采用LeakyReLU为激活函数：

其中，x为神经元的输入，a为实数，可取值为0.01等；

第三层的激活函数设置为Sigmoid函数：

上式中，x为神经元的输入；

步骤2.2，本方法中ICGAN的生成网络与对抗网络的优化器均采用Adam优化器，损失函数为交叉熵函数：

式中，n表示的是样本个数，y表示的是真实值，y％表示的是预测值；

实验中动量设置为m，m为实数，可取值为0.5等；学习率为l，l为实数，可取值为0.0015等；每批次样本数量n个，n为实数，可取值为24等；训练批次数为δ次，δ为正整数，取值范围为1000至3000。每一批次的样本于生成网络与对抗网络中交替训练。