基于VAE-ResNet网络的雷达辐射源识别方法技术

本发明专利技术公开了一种基于VAE‑ResNet网络的雷达辐射源识别方法，主要解决现有技术在信号较少的条件下无法完成网络训练、雷达辐射源特征提取不充分和识别准确率低的问题。其实现方案为：生成7种不同的雷达辐射源信号；将雷达信号先以序列的形式输出，再将信号进行时频变换，并以信号时频图的形式输出；在两种形式输出的数据集中标注信号所属的类别，制成训练集和测试集；构建VAE‑ResNet网络；使用训练集对VAE‑ResNet网络进行训练；将测试集送入训练好的网络，网络输出为雷达辐射源类别。本发明专利技术提高了雷达辐射源识别特征提取的完整程度和识别精度，可用于复杂电磁环境下的雷达信号识别。

【技术实现步骤摘要】
基于VAE-ResNet网络的雷达辐射源识别方法
本专利技术雷达
，具体涉及雷达辐射源信号的识别方法，可用于电子侦察、电子支援和威胁告警系统。
技术介绍
雷达辐射源信号识别是电子对抗中一项重要环节，在电子侦察、电子支援和威胁告警系统中都起到了关键的作用。随着信息化的发展，电子对抗中电磁环境日益复杂。在复杂的电子对抗环境中，雷达信号参数灵活多变且信号之间相互交叠。只有及时、准确的识别雷达辐射源信号才能解决真实环境中面临的严峻情况。传统的基于脉冲描述字(载频、脉冲到达时间、脉冲到达角、脉冲幅度、脉冲宽度)的识别技术已经不能满足需求，研究新体制下雷达辐射源信号识别方式刻不容缓。西北工业大学申请的专利技术“一种基于深度学习的雷达辐射源类别识别方法”(专利申请号：201711145195.9，授权公告号：CN108090412A)中提出了一种基于深度学习的雷达辐射源类别识别方法。该专利申请的主要步骤为：利用经过预处理的辐射源信号求取其模糊函数的切片作为特征向量；将大量的打好标签的特征向量作为训练样本，通过深度卷积神经网络进行训练，并利用获得的卷积神经网络分类器进行输入特征向量的分类识别；本文档来自技高网...

【技术保护点】
1.基于VAE‑ResNet网络的雷达辐射源识别方法，其特征在于，包括如下：1)对从接收机接收到的混叠信号进行分离，得到雷达辐射源信号，生成雷达辐射源信号数据集，其中包括7种不同的雷达辐射源信号，分别为常规脉冲信号、线性调频信号、非线性体调频信号、二相编码信号、四相编码信号、二频编码信号和四频编码信号；2)信号预处理2a)将1)中生成的7种不同雷达辐射源信号通过快速傅里叶变换，将其从时域变换到频域，并进行去噪处理；2b)将去噪后的信号，先以序列的形式输出；再将信号进行时频变换，以信号时频图的形式输出；2c)将两种形式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，在每种类别的信号中随...

【技术特征摘要】
1.基于VAE-ResNet网络的雷达辐射源识别方法，其特征在于，包括如下：1)对从接收机接收到的混叠信号进行分离，得到雷达辐射源信号，生成雷达辐射源信号数据集，其中包括7种不同的雷达辐射源信号，分别为常规脉冲信号、线性调频信号、非线性体调频信号、二相编码信号、四相编码信号、二频编码信号和四频编码信号；2)信号预处理2a)将1)中生成的7种不同雷达辐射源信号通过快速傅里叶变换，将其从时域变换到频域，并进行去噪处理；2b)将去噪后的信号，先以序列的形式输出；再将信号进行时频变换，以信号时频图的形式输出；2c)将两种形式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，在每种类别的信号中随机抽取信号总量的4/5的信号作为训练集，其余为测试集信号；3)构建VAE-ResNet网络设变分编码器VAE网络包含：编码网络、中间隐含变量层和解码网络；设深度残差网络ResNet包含：卷积层、池化层和全连接层；将变分编码器VAE网络和深度残差网络ResNet这两种网络中含有特征向量的隐含层进行并行融合，得到VAE-ResNet网络，并使用softmax分类器作为该网络的输出层；4)对VAE-ResNet网络进行训练：4a)设置VAE-ResNet网络的学习率为0.01、批量大小设置为10、迭代次数为600；设置变分编码器VAE的损失函数为L；设置卷积层的激活函数为f(x)＝max(0,x)，其中：x表示神经元的输入；4b)将训练集信号输入至设置好参数的VAE-ResNet网络进行训练，即将序列形式的信号输入至变分编码器中，将时频图形式的信号输入至深度残差网络中同时进行迭代训练，直至达到设置的迭...

【专利技术属性】
技术研发人员：武斌，于濛，李鹏，
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