The invention proposes a classification method of low intercepted radar signals based on fully connected neural networks, which mainly solves the problem of low correct classification rate of low intercepted radar signals with low signal-to-noise ratio by existing technologies. The implementation steps are: 1) obtaining low intercepted radar signals with different signal-to-noise ratio; 2) calculating bispectrum of low intercepted radar signals; Features, bispectrum feature signals are pre-processed and grouped to get data sets; 3) A fully connected neural network model is designed and trained using the data sets to obtain the trained fully connected neural network; 4) Unclassified low-intercepted radar signals are pre-processed and input to the trained fully connected neural network. The classification of the low intercept radar signal is obtained through network output. The simulation results show that the classification accuracy of the low SNR intercepted radar signal is much higher than that of the existing technology, and the method can be used to identify different types of radar signal sources.
【技术实现步骤摘要】
基于全连接神经网络的低截获雷达信号分类方法
本专利技术属于雷达信号处理
,具体是一种低截获概率雷达信号分类方法,可用于识别不同类型的雷达信号源。
技术介绍
随着雷达技术的迅猛发展,电子对抗面临的电磁环境越来越复杂,传统的一维雷达信号参数等脉间特征已不能满足现代雷达信号的分选要求。人们需要通过计算信号在脉冲时间和频率上的相关变化,即脉内特征来实现信号分选。然而由于不同信号在不同特征参量上的表征能力不同,为了实现各识别参量的优劣互补,常见的做法是,将这些参量进行有效组合,再设计分类器来实现信号分类。但这会导致较为复杂的设计过程和识别正确率较低。为了解决以上问题,这几年有学者尝试使用深度神经网络来解决雷达信号的分类问题。与传统分类器相比,多隐层的深度学习网络具有优异的特征学习能力,信号在各隐层间传递的过程即是特征提取的过程。通过适当的网络训练,使得高层特征尽可能的保留原信号信息,继而在顶层实现信号分类。这类方法不需要设计复杂的特征参量进行组合分类,大大简化了分类过程。目前,有部分学者在射频通信等信号的调制识别中使用了深度学习网络,取得了不错的识别效果。但是由于现代雷达信号具有更丰富多样的调制模式,其与传统信号有很大的不同,且日益复杂的电磁环境也对低SNR值的雷达信号分类提出了更高的分辨能力要求,因而对雷达信号直接使用深度学习网络并不能很好的实现分类。王星等人提出“基于深度置信网络和双谱对角切片的低截获概率雷达信号识别”,见电子与信息学报,2016,38(11):2972-2976.该方法通过建立基于受限玻尔兹曼机的DBN模型,对低截获雷达信号的BDS数据进 ...
【技术保护点】
1.一种基于全连接神经网络的低截获雷达信号分类方法,其特征在于:(1)获取几种不同调制方式的低截获概率雷达信号,包括bpsk信号、costas信号、fmcw信号、frank码信号、LFM信号和SLFM信号,将这些信号作为样本信号;(2)计算每个样本信号的双谱特征,获取双谱反对角切片信号并对反对角切片信号进行归一化;(3)根据(1)中对应的样本信号类型,给(2)中归一化后的所有切片信号添加标签,并将相同信噪比值的原始信号所对应的带标签信号归为一个数据集,作为训练网络的输入数据集;(4)设计一个由一层输入层、两层隐藏层、一层输出层和一层softmax层组成的全连接神经网络;(5)对全连接神经网络进行训练:(5a)将(3)中的每个数据集随机分为训练集和测试集两个部分,训练集中数据数目约为测试集中数据数目的2倍;(5b)用训练集对(4)设计的全连接神经网络进行迭代训练;(5c)每次训练后,将测试集中数据逐个输入到全连接神经网络,根据输出判断该数据为步骤(1)中的哪种信号类别,并根据标签判断该分类是否正确;计算该次训练后,测试集中所有数据的正确分类率;(5d)重复步骤(5b)和(5c),直到测试 ...
【技术特征摘要】
1.一种基于全连接神经网络的低截获雷达信号分类方法,其特征在于:(1)获取几种不同调制方式的低截获概率雷达信号,包括bpsk信号、costas信号、fmcw信号、frank码信号、LFM信号和SLFM信号,将这些信号作为样本信号;(2)计算每个样本信号的双谱特征,获取双谱反对角切片信号并对反对角切片信号进行归一化;(3)根据(1)中对应的样本信号类型,给(2)中归一化后的所有切片信号添加标签,并将相同信噪比值的原始信号所对应的带标签信号归为一个数据集,作为训练网络的输入数据集;(4)设计一个由一层输入层、两层隐藏层、一层输出层和一层softmax层组成的全连接神经网络;(5)对全连接神经网络进行训练:(5a)将(3)中的每个数据集随机分为训练集和测试集两个部分,训练集中数据数目约为测试集中数据数目的2倍;(5b)用训练集对(4)设计的全连接神经网络进行迭代训练;(5c)每次训练后,将测试集中数据逐个输入到全连接神经网络,根据输出判断该数据为步骤(1)中的哪种信号类别,并根据标签判断该分类是否正确;计算该次训练后,测试集中所有数据的正确分类率;(5d)重复步骤(5b)和(5c),直到测试集的正确分类率趋于稳定,网络训练完成;(6)对(1)中所述任一信号,使用(2)中步骤处理,并将处理后得到的归一化双谱反对角切片信号输入(5)中训练完成的网络,即可根据网络的输出判断该信号类别。2.根据权利要求1所述的方法,其中步骤(1)中的每一类低截获雷达信号均可按其信噪比值分成10组,每组信号有5000个样本信号,故最终有30万个样本信号。3.根据权利要求1所述的方法,其中所述步骤(2),按如下步骤进行:(2a)计算每个样本信号的双谱特征B(w1,w2):其中,w1和w2为双谱特征分布的两个维度变量,τ1和τ2为样本信号s(t)的两个时间延迟变量,C3s(τ1,τ2)为样本信号s(t)的三阶自相关函数:C3s(τ1,τ2)=E{s(t)s(t+τ1)s(t+τ2)},s(t+τ1)和s(t+τ2)是样本信号s(t)分别延时τ1和τ2后得到的信号分量,E{}是计算括号内的期望值;(2b)获取双谱反对角切片信号:令双谱特征B(w1,w2)中的w1=-w2=w,得到每个双谱特征对应的双谱反对角切片信号B(w);(2c)利用下式对切片信号B(w)归一化,得到向量x(w):x(w)=B(w)/max(B(w))其中函数max(B(w))表示获得B(w)中的最大分量。4.根据权利要求1所述的方法,其中步骤(3)中对归一化后的所有切片信号添加标签,是在切片信号尾部增加一位数字,该数字范围为0~5,分别对应步骤(1)所述的六类信号。5.根据权利要求1所述的方法,其中步骤(3)中将相同信噪比值的原始信号所对应的带标签信号归为一个数据集,是将所有带标签信号合并为一个N×M的矩阵,其中N为所有带标签信号的...
【专利技术属性】
技术研发人员:林杰,文茜,石光明,赵光辉,刘丹华,王晓甜,齐飞,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。