[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

说明书

本发明涉及一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法，包括以下步骤：步骤一、接收机接收到混叠信号，并对其分离，生成六种常见的雷达辐射源信号数据集，步骤二、信号预处理方法；步骤三，构建ICGAN，步骤四、构建深度残差网络(ResNet)，步骤五、将测试集样本输入至上述ResNet，输出雷达辐射源信号分类的识别结果；本发明旨在样本数量不足情况下，提取不同种类雷达辐射源信号特征，并利用ICGAN扩充样本数量，再利用ResNet准确地实现雷达辐射源信号种类的判别；本发明方法不仅可解决样本数量不足的问题，还可提高不同种类雷达辐射源信号的识别率。

技术领域

本发明属于数字通信技术领域，具体涉及一种采用ICGAN与ResNet网络的雷达辐射源信 号分类识别方法。

背景技术

作为电子技术侦察中的重要部分，雷达辐射源的识别一直是通信对抗领域的热门研究课 题。它的主要过程为：测量接收机收到的辐射源信号、对其进行分析处理、据已有的先验信 息识别雷达辐射源个体。传统的信号分析方法主要通过对脉宽、载频等常规参数的分析，再 匹配相应的模板来实现，在当今雷达技术持续发展、电磁环境日益发展的局面下，它已经无 法实现较高的效率及准确度，从而远远地落后于识别的需求。经过国内外学者调查研究发现， 发射器内部器件具有其固有的非理想特性，这正是雷达辐射源个体之间存在差异的原因，由 于这种特性对信号的影响极其细微，所以又被称为辐射源指纹，辐射源的指纹识别指的就是 通过分析这一细微规律，从而自动地识别雷达辐射源。无论在民用还是军事领域，雷达辐射 源信号的识别都是亟待解决的重要课题。

本发明方法涉及的主要现有技术如下：

1.ResNet结构

ResNet(Residual Neural Network)由微软研究院的Kaiming He等四名华人提出。ResNet 的结构可以加快神经网络的训练，并且提高了模型的准确率。ResNet在网络中加入了Highway Network思想，Highway Network思想是将前一层网络的输出按一定比例保留了一部分，然后 将保留的部分与当前层网络的输入合并，将合并后的数据作为下一层网络的输入，ResNet将 输入信息保留了一部分传到输出，保留了原始数据中的一部分信息，整个网络只需学习输入、 输出差别的部分，降低了学习的难度，并且解决了传统卷积网络在信息传递时存在的信息丢 失、损耗以及梯度消失等问题。ResNet网络原理与构建方法具体见“He K,Zhang X,Ren S,et al.Deep Residual Learning for Image Recognition[J].2015.”。

2.生成对抗网络

生成对抗网络(generative adversarial network,GAN)是由Goodfellow等人在2014年 提出的，它的思想是一种二人零和博弈思想，博弈双方的利益之和是一个常数，它主要由生 成网络G和判决网络D两部分组成。G是一个数据生成网络，它通过输入一个随机噪声z生 成数据样本，然后将生成的数据样本与真实数据进行比对，使得输出数据样本越来越接近于 真实数据，从而捕捉真实数据分布P_G；D是一个二分类判决网络，它通过学习真实数据以及 G生成的虚假数据来判断一个样本是否来自与真实数据。生成对抗网络原理与构建方法具体 见“Goodfellow I J,Pouget-Abadie J,Mirza M,et al.GenerativeAdversarial Networks[J].Advances in Neural Information Processing Systems,2014, 3:2672-2680.”。

3.自编码器特征提取方法