[发明专利]基于信号模型引导深度学习的LPI雷达信号识别方法

说明书

本发明公开了一种基于信号模型引导深度学习的LPI雷达信号识别方法，属于雷达信号识别技术领域。本发明包括如下步骤：时频处理；稀疏自编码编码机训练；构建稀疏自编码网络，用样本输入进行训练，获得能够输出幅度特征A、频率特征F以及相位特征φ的编码机网络；卷积神经网络；将训练好的稀疏自编码机输出特征A、F和φ作为输入，输入到卷积神经网络进行训练学习和识别。本发明构建信号模型引导的稀疏自编码神经网络，获得可解释性强的深度特征；在解码器中增加了加权白噪声项，具有降噪效果；对编码机输出的幅值、频率、相位特征再进行卷积神经网络深度学习，通过两次深度学习网络，获得更高的识别概率。

技术领域

本发明属于雷达信号识别技术领域，具体涉及一种基于信号模型引导深度学习的LPI雷达信号识别方法。

背景技术

深度学习模型有着较强的学习能力，近年来研究者将将深度学习用于低截获概率雷达信号的识别，通过构建深度神经网络，可以将复杂的底层信号特征，通过神经网络传递，实现非线性的函数逼近，获取深层次特征，具有较强的泛化能力，大幅提高了低截获概率雷达信号的识别概率。但是深度学习获得的深度特征可解释性和可认知性弱。目前的主流深度学习模型，人们只能认知最终输出结论，对信号的具体特征认知没有提高，深度学习到的特征往往过于抽象。

雷达信号识别是电子情报侦察和电子支援措施的关键环节。低截获概率雷达信号具有低功率、高分辨、大带宽、调制方式复杂、抗干扰和低截获等属性，传统基于脉冲描述字的五大特征难以满足识别要求。因此，如何正确识别LPI(Low Probability of Intercept，低截获概率)雷达信号成为非合作雷达信号处理研究的重点。用于LPI雷达信号识别问题的方法有K邻近算法、密度聚类算法，这两种算法虽然操作简单，耗费的成本较少，但往往识别效果不太理想。近年来，深度学习模型因其较强的学习能力，被研究者深度学习用于低截获概率雷达信号识别，通过构建深度神经网络，可以将复杂的底层信号特征，通过神经网络传递，实现非线性的函数逼近，由计算机自动从数据中学习获取高层的特征量，具有较强的泛化能力，更能提取出刻画数据本质的信息特征，从而提高了低截获概率雷达信号的识别概率。杨洁等给出一种基于Choi Williams分布和改进型AlexNet网络模型，并验证了对LPI雷达信号识别的有效性；董鹏宇等提出了一种基于模糊函数主脊切片奇异值分解与深度置信网络的低截获雷达信号识别算法；呙鹏程等，提出一种融合低截获概率雷达信号时频图像的卷积特征与字典学习识别算法。

目前研究主要有两个方向。一是通过有监督学习提取辐射源信号的特征进行分类识别，典型深度学习模型是CNN。利用CNN在解决计算机视觉任务上的强大性能，对雷达辐射源信号进行一定的变换，提取其二维图像特征(较为常用的是时频分布特征)作为样本训练CNN模型，然后进行分类识别。二是通过无监督学习提取辐射源信号的特征进行训练，再利用BP算法对模型参数进行有监督微调，最后通过分类器进行识别。典型深度学习模型是DBN和SAE。目前深度学习算法的可解释性和深度学习获得的特征的可认知性弱。

发明内容

针对现有技术中存在的上述技术问题，本发明提出了一种基于信号模型引导深度学习的低截获概率雷达信号识别方法，通过信号模型公式引导稀疏自编码学习获得幅值、频率、相位相关的特征，再通过卷积神经网络对获得的特征进行进一步学习，保证低截获概率雷达信号的识别概率的前提下，获得可解释性强的深度特征；设计合理，克服了现有技术的不足，具有良好的效果。

为了实现上述目的，本发明采用如下技术方案：

基于信号模型引导深度学习的LPI雷达信号识别方法，包括如下步骤：

步骤1：时频处理；

对时域波形进行WVD(Wigner Ville distribution，维格纳-威利分布)变换，获得信号s(t)的时频图；

步骤2：稀疏自编码编码机训练；