[发明专利]基于改进UNet3+网络的雷达信号调制类型识别方法

说明书

本发明公开了一种基于改进UNet3+网络的雷达信号调制类型识别方法，它包括：1、将侦收设备侦收到的雷达辐射源信号进行采样并截取固定长度，作为数据并打上标签2、对数据的标签进行独热编码；3、将读取的数据按比例分为训练集、验证集、测试集，并使用随机种子将其打乱；4、将处理好的数据输入到改进的网络模型中；5、设置学习率动态调整机制；6、设置早停机制；本发明保留UNet3+网络特征融合能力的同时降低了网络的复杂度，并引入注意力机制优化模型性能，构建了一个新的网络模型，对比一些经典网络模型，训练总用时更短，在低信噪比条件下能更加有效识别辐射源信号,可以适应复杂的电磁环境。

技术领域

本发明涉及电子对抗技术领域，具体涉及基于改进UNet3+网络的雷达信号调制类型识别方法。

背景技术

辐射源信号识别是电子对抗侦察的一项重要内容，识别敌方雷达信号，获取战场态势信息，为战役指挥决策和战术打击提供了重要的判断依据。早期电磁环境相对简单，信号调制类型相对较少，传统的雷达辐射源识别方法往往需要人工提取特征，从时域、频域等角度与雷达数据库对比，能够较为准确地识别雷达信号。研究人员利用条件证据理论，提出了一种融合先验信息的雷达辐射源识别方法；也有人提出了基于小波网络对不同脉冲重复间隔模式的雷达信号识别方法。这些方法能较为准确地识别不同类型的信号，识别速度相对较快，但是传统的雷达辐射源识别方法的特征选择依赖于人的专业知识，具有不完备性，且选取的特征大多数无法适应如今复杂的信号类型，识别能力较低。近年来，随着新体制雷达的不断增多，信号调制类型增加，给雷达辐射源识别带来巨大的困难，如何在复杂的电磁环境中准确的识别信号成为亟待解决的问题。

随着机器学习的快速发展，机器学习被广泛应用于雷达信号识别领域。虽然有人利用修正的Rife算法得到较精确的载频和频率偏移量，但这两个参量作为支持向量机的两个特征向量，利用分类器识别出不同的辐射源个体。另有的研究人员提的一种向量神经网络并将其用于雷达辐射源识别，虽取得了很好的效果，然而机器学习在雷达辐射源型号识别中也存在一些问题：(1)对有交迭的不完整的数据，识别精度不高；(2)需要大量的训练样本才能具有较好的泛化能力。

深度学习（deep learning，DL）作为机器学习中的分支，近年来在计算机视觉、智能控制、自然语言处理等领域广泛应用，因其优异性能，许多学者将其引入到电子对抗领域中来。使用主成分分析方法对雷达信号的伪WVD和CWD时频图像进行特征提取，并分别用多层感知机、径向基函数神经网络、概率神经网络三种分类器对信号进行识别，但是在低信噪比条件下，部分信号的识别并不理想；利用AlexNet 网络模型对信号的时频图进行分类识别，通过对信号转化的二维图像的识别，在识别精度上有所提升，但不适合样本量较大的情况。

发明内容

本发明的目的克服上述问题，而提供的基于改进UNet3+网络的雷达信号调制类型识别方法。

1、基于改进UNet3+网络的雷达信号调制类型识别方法，它包括：

一、数据预处理

1、将侦收设备侦收到的雷达辐射源信号进行采样并截取固定长度，作为数据并打上标签；

2、对数据的标签进行独热编码；

3、将读取的数据按比例分为训练集、验证集、测试集，并使用随机种子将其打乱；

二、神经网络提取特征

4、将处理好的数据输入到改进的网络模型中，优化器采用Adam，损失函数采用交叉熵损失函数，设置初始学习率为0.0001， 最大训练轮数为50轮；

5、设置学习率动态调整机制；

6、设置早停机制；

步骤4所述的网络模型，包括：