[发明专利]一种基于SAE的雷达辐射源PRI调制识别方法

权利要求书

1.一种基于SAE的雷达辐射源PRI调制识别方法，其特征在于，所述方法的步骤如下：

步骤一，构建雷达辐射源PRI调制样式的数据集：

(1a)、利用Matlab仿真软件生成3种不同雷达辐射源PRI调制的数据集，包括PRI参差、PRI组变和PRI滑变；

(1b)、PRI参差调制变化规律为：以19λs，21μs，20μs，23λs四个值周期循环变化，

PRI组变调制变化规律为：以19λs，19λs，20μs，20μs，21μs，21μs，23λs，23λs周期重复，其中每个值均重复两次，

PRI滑变调制变化规律为：以19μs，23μs，20μs，21μs，21μs，20μs，23μs，19μs周期循环，包含19μs，23μs，20μs，21μs四个值的双向单滑，

(1c)、PRI参差、滑变和组变调制的样本包含若干周期；

步骤二，对上述3种雷达辐射源PRI调制的数据进行预处理，生成训练集和测试集：

(2a)、将PRI随TOA的变化规律曲线转化为PRI-TOA的二维分布图；

(2b)、将(2a)中的PRI-TOA二维分布图二值化后转换为一维向量；

(2c)、随机产生不同程度丢失脉冲条件下的PRI参差调制、PRI滑变调制、PRI滑变调制的样本数量每类为1000，样本总数为3000；其中，每类训练样本为700，总数2100，构成训练集；每类测试样本为300，总数900，构成测试集；

步骤三，设计SAE网络：

(3a)、利用栈式自动编码器自动提取一维向量的特征，其结构和参数设计为：输入层为一维向量维度1600，第一层隐含层节点数为800，第二层隐含层节点数为50，输出层为分类识别数目3，则SAE整体架构为1600-800-50-3；

(3b)、训练参数设置为：学习率为0.1，训练块大小为10，迭代次数为200；

步骤四，利用步骤二产生的训练集输入至步骤三中设计的SAE网络，完成SAE网络训练：

利用步骤二产生的PRI调制训练集，通过SAE逐层贪婪预训练和参数微调完成训练，得到识别PRI调制的网络；在本步骤中，采用梯度下降算法进行更新自动编码器的参数；

步骤五，利用步骤二产生的测试集输入至步骤四中完成训练的SAE网络，输出雷达辐射源PRI调制的类别标签，得到对应的PRI调制样式。

2.根据权利要求1所述的一种基于SAE的雷达辐射源PRI调制识别方法，其特征在于，在步骤(1c)中，PRI参差取8个周期，PRI滑变和组变取4个周期。

3.根据权利要求1所述的一种基于SAE的雷达辐射源PRI调制识别方法，其特征在于，在步骤(2a)生成PRI-TOA二维分布过程如下：

第1步，设定PRI-TOA二维分布矩阵为A_M×N，其中M为PRI出现的数值个数，N为PRI循环的最小周期数；

第2步，在N个TOA值分别对应的PRI值处置1，其余位置为0，生成二维0-1矩阵；

第3步，对二维分布特征在O×O的二维矩阵内进行随机分布。

4.根据权利要求3所述的一种基于SAE的雷达辐射源PRI调制识别方法，其特征在于，步骤(2b)将(2a)中生成的二维0-1矩阵A_O×O转化成一维0-1矩阵，维度为O×O。

5.根据权利要求4所述的一种基于SAE的雷达辐射源PRI调制识别方法，其特征在于，步骤(2c)生成不同程度丢失脉冲条件下的样本：

第1步，随机产生丢失脉冲的个数P(0≤P≤MN/2)，保证50％以上的完整性；

第2步，随机产生P个丢失脉冲所在的位置(i，j)，其中1≤i≤M，1≤i≤N，并将对应的A_i，j由1置为0；

第3步，训练样本脉冲丢失率设置为0至10％，测试样本脉冲丢失率设置为0至50％。