[发明专利]一种双分量雷达信号分类模型构建方法

说明书

本发明提供一种双分量雷达信号分类模型构建方法，先采用改进的平滑伪Wigner‑Ville分布(SPWVD)将双分量雷达信号转换为时频图像，制作数据集，包括训练集、验证集和测试集；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，用于提取八类双分量雷达信号特征；设计超参数防止过拟合并对网络模型进行优化；构建一种多类别分类器，用于分类八类随机交叠的双分量雷达信号类别。本发明提出利用深度卷积神经网络提取更有效的双分量雷达信号特征，采用多类别分类器准确和快速的识别双分量雷达信号，可用于复杂电磁环境下的双分量雷达信号识别。

技术领域

本发明涉及一种双分量雷达信号分类模型构建方法，属于深度学习和信号处理技术领域。

背景技术

雷达信号脉内调制识别在电子支援、电子侦察、电子情报、电子攻击等现代电子战系统中起着至关重要的作用。信号处理系统可能会受到多个潜在干扰信号的显著影响，在实际应用中，这些干扰信号很容易构成信号交叠。而且，只要能够自动识别多分量雷达信号的脉内调制，就可以采取适当有效的抗干扰措施，保证信号处理系统的整体性能。因此，多分量雷达信号的脉内调制识别是实施有效电子对抗行动的重要一步。

以往对雷达信号脉内调制识别的研究主要集中在单分量信号上。然而，为了进一步识别复杂电磁环境中的复合信号，研究了多分量信号分离方法。首先分离接收到的复合信号的不同分量，然后采用传统的单分量信号识别方法对每个分离分量信号的调制进行分类。一些研究者提出了基于盲源分离、时频图像处理、参数化时频分析的多分量信号分离方法。近年来，随着人工智能的发展，雷达信号的脉内调制出现了基于深度学习的多分量识别方法，在识别过程中没有采用分离方法。然而，近年来对多分量雷达信号识别的研究很少，目前的识别精度还很低，特别是在低信噪比下。针对这一缺陷，提出了一种基于深度卷积神经网络的双分量雷达信号脉内调制识别方法，以提高识别性能。

发明内容

本发明的目的在于克服现有技术存在的不足，提供一种能更充分提取双分量雷达信号的特征；采用多类别分类器；在低信噪比下识别精度高的基于深度卷积神经网络的双分量雷达信号分类模型构建方法。

本发明的目的是这样实现的：包括以下步骤：

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。

本发明还包括这样一些结构特征：

1.所述步骤1包括以下处理：

(1)采用改进的平滑伪Wigner-Ville分布(SPWVD)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28类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。

2.所述步骤2包括以下处理：

(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。

3.所述步骤3包括以下处理：