[发明专利]基于一维卷积神经网络的雷达辐射源信号的识别方法

摘要

本发明属于辐射源信号识别技术领域，具体涉及一种基于一维卷积神经网络的雷达辐射源信号的识别方法，其步骤如下：(1)生成雷达辐射源信号数据集；(2)数据预处理；(3)构建卷积神经网络；(4)设置参数并训练卷积神经网络；(5)预测分类；(6)计算精度；(7)输出结果。本发明公开的基于一维卷积神经网络的雷达辐射源信号的识别方法具有以下优点：1、通过卷积神经网络中的网络结构对信号进行特征提取，避免了传统算法中需要人工设计特征的过程；2、能正确识别信噪比低至‑10dB时的多种雷达辐射源信号脉内调制方式；第三，实现简单。

主权项

基于一维卷积神经网络的雷达辐射源信号的识别方法，其特征在于，步骤如下：(1)生成雷达辐射源信号数据集通过MATLAB仿真生成雷达辐射源信号数据集，雷达辐射源信号数据集包括七种不同调制方式，分别为CW、LFM、NLFM、BPSK、QPSK、BFSK、QFSK，每种信号从‑10dB到6dB每隔2dB信噪比下生成数量相等的样本，其中：辐射源信号参数设置如下：采样频率均为2GHz，采样点数均为512个；CW、LFM、NLFM、BPSK、QPSK载频设置为200MHz，LFM频偏设置为50MHz，BPSK采用13位巴克码，QPSK信号采用16位弗兰克码；BFSK的两个载频分别为200MHz、400MHZ，采用13为巴克码；QFSK的四个载频是100MHZ、300MHZ、500MHZ和700MHZ；(2)数据预处理(21)将步骤(1)生成雷达辐射源信号通过FFT从时域变换到频域，进入步骤(22)；(22)对经过FFT后的雷达辐射源信号数据集进行去噪处理，去噪采用以下公式：其中：ft(i)表示经过FFT后的雷达辐射源信号频域；Mf为经过FFT后的雷达辐射源信号频域序列{ft(i)}的均值；(23)去噪处理后的雷达辐射源信号进行能量归一化处理，并标注信号所属的类别，得到用于网络训练和测试的数据集；(3)构建卷积神经网络构建含有五层的一维卷积神经网络，一维卷积神经网络依次为输入层、卷积层、池化层、全连接层和输出层；(4)设置参数并训练卷积神经网络(41)设置一维卷积神经网络的学习率为0.01、批量大小设置为10、迭代次数为500，卷积层激活函数设置为ReLu，ReLu函数定义为f(x)＝max(0,x)，其中：x表示神经元的输入；(42)在步骤(23)得到的用于网络训练和测试的数据集中随机抽取每种信号总量的5/6的样本作为训练集；(43)将训练集输入到步骤(3)得到的一维卷积神经网络中，通过迭代计算，当达到一维卷积神经网络设置的迭代次数时，完成卷积神经网络的训练过程；(5)预测分类将步骤(42)中用于网络训练和测试的数据集抽取后余下的样本作为测试样本，输入步骤(4)得到的一维卷积神经网络中，获取识别结果，完成雷达辐射源信号的识别；(6)计算精度根据输出的正确样例来计算每一类雷达辐射源信号在单个信噪比下的识别率；(7)输出结果。