[发明专利]一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法

权利要求书

1.一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法，其包括以下步骤：

S1、对脉冲信号数据进行分布式表示，生成高维稀疏的信号特征；具体操作方法为：

步骤1.1、将波形捷变雷达辐射源的m个脉冲按照到达时间TOA排列在一起，组成数据结构为PDWSeq＝[P₁，P₂，...，P_m]的脉冲序列，代表整个辐射源信号，其中，脉冲数量m是不固定的，第i个脉冲的数据结构为P_i＝(pa_i，rf_i，pw_i，pri_i，doa_i)；

式中，pa_i为该脉冲的幅度特征值，rf_i为该脉冲的载频特征值，pw_i为该脉冲的脉宽特征值，pri_i为该脉冲的重频特征值，doa_i为该脉冲的到达角特征值；

步骤1.2、把脉冲序列PDWSeq＝[P₁，P₂，...，P_m]中的每个元素P_i转换为HP_i＝(Hpa_i，Hrf_i，Hpw_i，Hpri_i，Hdoa_i)，其中，Hpa_i、Hrf_i、Hpw_i、Hpri_i和Hdoa_i为五个高维实数向量，其维度都设定为100，等长高维序列HPDWSeq＝[HP₁，HP₂，...，HP_m]用于作为深层网络的输入；

S2、设计使用动态CNN模型提取波形捷变雷达辐射源信号的不同层次的结构细节特征，使用长短时间记忆网络提取其时序特征；具体操作方法为：

步骤2.1、使用滤波器f_r对预处理后的分布式特征HPDWSeq＝[HP₁，HP₂，...，HP_m]进行宽卷积操作生成局部特征矩阵C_r＝[c₁，c₂，...，c_n+r-1]，

式中，超出范围的c_i都设置为0，r为滤波器的宽度，n为每个分布式特征的维度，g为非线性函数，b为偏置项；

步骤2.2、使用动态k-max采样技术用于对局部特征矩阵C_r∈R^{(n+r-1)×(n+r-1)}进行压缩，计算出k-max池化得分矩阵c_max∈R^(n+r-1)×k，其具体形式为

式中，动态参数k表示将选取矩阵C_r中每一行最大的k个值，其排列必须保持原有的顺序，以保留不同特征值之间的相对位置信息；

动态k-max采样中的动态是指参数k会随着CNN模型的层数与输入分布式特征的大小而不断变化，其具体处理方法为

式中，M为CNN模型的层数，m为当前动态k-max采样层所在的层数，n为输入特征的总个数，k_top为固定的值，具体指CNN模型中最后一个采样层的k的取值；

通过宽卷积和动态k-max采样将脉冲信号数据的分布式特征转换为一个固定维数大小的结构特征向量；

步骤2.3、将预处理后的分布式特征HPDWSeq＝[HP₁，HP₂，...，HP_m]输入到LSTM层中，得到一个固定维数大小的时序特征向量，前向传播时LSTM组件的计算公式为

i_t＝σ(W_HPiHP_t+W_hih_t-1+W_cic_t-1+b_i)

f_t＝σ(W_HPfHP_t+W_hrh_t-1+W_cfc_t-1+b_f)

g_t＝tanh(W_HPcHP_t+W_hch_t-1+W_ccc_t-1+b_c)

c_t＝i_tg_t+f_tc_t-1

o_t＝σ(W_HPoHP_t+W_hoh_t-1+W_coc_t+b_o)

h_t＝o_ttanh(c_t)

其中，i_t、f_t和o_t分别表示输入门、忘记门和输出门，c_t表示记忆细胞中的存储值，HP_t表示当前时刻脉冲的分布式特征向量，h_t-1或h_t+1表示相邻时刻的反馈特征，σ为逻辑斯特函数，W为权重矩阵，b为偏置向量，其下标表示参数所对应的不同的对象；

S3、为得到能够表征波形捷变特性的深层特征，采用基于注意力机制的方法将上述提取出的结构细节特征与时序特征相融合，同时减小复杂电磁环境中噪声对雷达辐射源特征数据的影响；

S4、输入到Softmax层中以完成波形捷变雷达辐射源的识别。