[发明专利]一种双分量雷达信号分类模型构建方法

权利要求书

1.一种双分量雷达信号分类模型构建方法，其特征在于：步骤如下：

步骤1：制作双分量雷达信号数据集；

步骤2：构建一种基于深度卷积神经网络的双分量雷达信号学习框架；

步骤3：设计超参数并对网络模型进行优化；

步骤4：构建一种多类别分类器，用于识别八类随机交叠的双分量雷达信号类别。

2.根据权利要求1所述的一种双分量雷达信号分类模型构建方法，其特征在于：所述步骤1包括：

(1)采用改进的平滑伪Wigner-Ville分布将双分量雷达信号转换为时频图像，其数学表达式为：

其中，SPWVD_Z(t,ω)表示获得的时频转换结果，*指复共轭，ψ(t,τ)和φ(τ,μ)指设计的窗函数，分别定义为：

(2)通过改进的SPWVD时频转换，得到随机交叠的双分量雷达信号，将转换的时频图像制作双分量雷达信号数据集，包括训练集、验证集和测试集。

3.根据权利要求1或2所述的一种双分量雷达信号分类模型构建方法，其特征在于：所述步骤2包括：

(1)构建的深度卷积神经网络模型由两个卷积层、16个移动翻转瓶颈卷积块和一个全局平均池化层组成；

(2)将步骤1中生成的训练集输入到构建的深度卷积神经网络模型中进行双分量雷达信号特征提取。

4.根据权利要求1或2所述的一种双分量雷达信号分类模型构建方法，其特征在于：所述步骤3包括：

(1)超参数：设置参数mini-batch、epochs、epsilon和momentum、学习率；采用权重衰减项，并设置为1e-5；

(2)采用Adam算法对网络参数进行优化训练。

5.根据权利要求3所述的一种双分量雷达信号分类模型构建方法，其特征在于：所述步骤3包括：

(1)超参数：设置参数mini-batch、epochs、epsilon和momentum、学习率；采用权重衰减项，并设置为1e-5；

(2)采用Adam算法对网络参数进行优化训练。

6.根据权利要求1或2所述的一种双分量雷达信号分类模型构建方法，其特征在于：所述步骤4包括：

(1)采用具有逻辑损失的二元交叉熵作为损失函数，将Sigmoid层和二元交叉熵损失结合在一个分量中；将运算合并到一层的方法比使用简单的Sigmoid加上二元交叉熵损失的方法在数值上更稳定；利用对数和经验技巧来保证数值稳定性；损失函数定义为：

L_c＝{l_1,c,···,l_n,c}^T(c∈1,2,···,8)

其中，n是在每个批中的样本数，c指类别数，l_n,c定义为：

l_n,c＝-w_n,c[p_cy_n,c·logσ(x_n,c)+(1-y_n,c)·logσ(x_n,c)]

其中，p_c表示判断为正确类别c的权重，y_n,c表示真实信号的标签，σ(x_n,c)表示第n个标签的可能性输出，定义为：

(2)将步骤3中生成的特征图输入到构建的多类别分类器中进行双分量雷达信号分类，从而准确获得八类雷达信号的分类结果。