[发明专利]一种基于主动增量式微调的雷达信号调制方式识别方法

权利要求书

1.一种基于主动增量式微调的雷达信号调制方式识别方法，其特征在于，包括以下步骤：

步骤1：获取包含十二种不同雷达脉内调制信号的多组样本集；利用时频分布分析法将各样本信号转换为时频图像；

其中，x(t)为样本信号；t代表时频分布的自变量时间；ω代表时频分布的角频率；φ(τ,v)为核函数，α和β用来调节核函数的大小，核函数的宽度由四倍高斯函数标准差来估计；

所述的十二种不同雷达脉内调制信号包括LFM信号、SFM信号、EQFM信号、2FSK信号、4FSK信号、DLFM信号、MP信号、MLFM信号、BPSK信号、Frank信号、LFM-BPSK信号和2FSK-BPSK信号；

步骤2：对所有时频图像进行预处理，调整时频图像尺寸大小并且幅度归一化；

步骤3：利用手写数字样本预训练卷积神经网络，得到手写数字识别的预训练模型；

所述的卷积神经网络除去输入层输出层外一共十二层，卷积层、池化层各六层；由于手写数字识别的预训练模型的输出层为从0到9的十种手写数字对应类型，但是雷达脉内调制信号识别需要识别十二种信号，因此将手写识别网络中的十分类的最后一层输出层替换为十二分类的输出层，其他部分保留结构及对应权重偏置参数；

步骤4：将手写数字识别的预训练模型的模型参数分享给雷达脉内调制信号识别模型；采用预处理后的多组样本集训练雷达脉内调制信号识别模型；

步骤4.1：采用基于池的抽样场景，将一组未标注的样本集输入至雷达脉内调制信号识别模型中，雷达脉内调制信号识别模型输出各样本对应各类型雷达脉内调制信号的概率；

步骤4.2：通过基于熵的不确定性抽样策略，挑选出熵最大的样本作为网络识别较困难的样本，对这类样本进行专家标注，标注后将其加入至已标注的雷达信号数据集中，通过已标注的雷达数据集对当前雷达脉内调制信号识别模型进行网络微调，对雷达脉内调制信号识别模型中所有层的相关参数进行更新，并保留最终参数；

基于熵的不确定性抽样策略：

其中，y_i表示模型输出的所有标签；

步骤4.3：重复步骤4.1至步骤4.2；，直至完成训练；

步骤5：获取未知调制类型和随机参数的待识别雷达信号，将待识别雷达信号利用时频分布分析法转换为时频图像并预处理后，输入至训练好的雷达脉内调制信号识别模型中，雷达脉内调制信号识别模型自动判断待识别雷达信号的时频图像归属于的类型以及对应概率，实现雷达信号脉内调制方式的识别。

2.根据权利要求1所述的一种基于主动增量式微调的雷达信号调制方式识别方法，其特征在于：所述的步骤3中卷积神经网络的每一个卷积层后都加入了批量标准化BN层，同时激活函数采用ReLU函数。