[发明专利]一种雷达、辐射源识别方法及计算机可读存储介质

说明书

本发明属于雷达辐射源识别技术领域，公开了一种雷达、辐射源识别方法及计算机可读存储介质，基于深度置信网络和AF矩阵奇异值向量，将加噪时域信号经中值滤波进行降噪，求解信号AF矩阵，提取SVV，作为深度网络的输入样本；利用DBN相对简单的结构及对一维样本的高效处理能力，完成对SVV的深层特征的学习，进而实现对雷达信号的准确识别。本发明从一个全新的角度看待基于模糊函数的雷达辐射源识别中的特征选取问题，将模糊函数矩阵奇异值向量作为新的特征，利用DBN强大的低维特征识别能力，完成雷达辐射源的识别。仿真实验表明，在SNR≥‑10dB时，本发明的方法仍具有大于99％的识别准确率。

技术领域

本发明属于雷达辐射源识别技术领域，尤其涉及一种雷达、辐射源识别方法及计算机可读存储介质，具体涉及一种基于深度置信网络和模糊函数奇异值向量的雷达辐射源识别方法。

背景技术

目前，雷达辐射源分选与识别是雷达电子战中的关键技术，在工程应用领域一般通过对雷达信号中的载频(Carrier Frequency，CF)、脉宽(pulse Width，PW)、脉冲重复间隔(Pulse Repetition Interval，PRI)、脉冲到达时间(Time Of Arrival，TOA)和到达角(Direction Of Arrival，DOA)等5个脉间参数(脉冲描述字)的测量与分析，结合情报积累，完成分选和简单调制样式的识别。在研究领域采用时频分析、高阶统计量和模糊函数进行脉内分析，提取相关识别特征。其中模糊函数(Ambiguity Function，AF)相对其他方式而言能更完整地反映信号的内部结构信息，挖掘出的特征对噪声的敏感度更低。

目前基于模糊函数的雷达辐射源识别算法，主要是通过信号模糊函数三维图或俯视图分析、代表性切片等手段，基于三维地貌特征、等高线特征、主脊特征等几何形态学特征等，采用聚类或深度网络的方式完成雷达辐射源的分选与识别。但相关特征在低信噪比下性能下降明显，导致此类算法一般只适用于较高的信噪比(Signal noise ratio，SNR)。因此，亟需一种新的雷达辐射源识别方法。

通过上述分析，现有技术存在的问题及缺陷为：目前基于模糊函数的雷达辐射源识别算法，相关特征在低信噪比下性能下降明显，导致此类算法一般只适用于较高的信噪比。

解决以上问题及缺陷的难度为：

解决上述问题的难度在于，目前基于模糊函数的辐射源识别主要通过对模糊函数进行几何学特征的提取，主要步骤在于通过时频域的二维联合分布求解模糊函数矩阵→绘制相关图像→进行切片处理→主脊切线或图像的识别，一方面中间步骤比较多，各步骤处理方面存在一定的近似处理，导致识别的主要对象其特征在近似处理过程中有所缺失，最终致使信噪比降低时表征能力下降较快，及时采用非线性能力较强的神经网络进行分类，易造成对非信号本质特征的过学习，识别精度难以得到提升；另一方面，虽然信号的模糊函数对时域信号进行了自相关，相对于别的方法，其对噪声的敏感度较低，但在图像方面仍容易出现幅值较低的非预期随机噪点，且噪点的数量和幅值随着信噪比的降低而增加，而这些噪点，在几何学处理过程中是难以避免的，故导致低信噪比条件下识别准确度下降较快，难以满足辐射源识别的要求。

解决以上问题及缺陷的意义为：

将信号的模糊函数直接作为一个矩阵，通过数理分析的方式，能够有效减少中间步骤，降低近似处理而弱化表征能力的影响；且通过奇异值分解，提取矩阵的主要特征，因噪点分布的随机性，弱化其对矩阵主要特征的影响，从而进一步降低了选取特征的噪声敏感度；与之同时，充分发挥参数调优的深度置信网络对一维数据的分类识别能力，最终达到低信噪比条件下的高识别准确度。

发明内容

针对现有技术存在的问题，本发明提供了一种雷达、辐射源识别方法及计算机可读存储介质，尤其涉及一种基于深度置信网络和模糊函数奇异值向量的雷达辐射源识别方法。

本发明是这样实现的，一种雷达辐射源识别方法，所述雷达辐射源识别方法包括：