基于特征融合与SAE的雷达辐射源信号分类方法技术

一种基于特征融合与SAE的雷达辐射源信号分类方法，先得到雷达辐射源信号的时频特征向量和模糊特征向量，将雷达辐射源信号序列、时频特征向量、模糊特征向量三者首尾相连得到融合特征向量，再构建五层结构的堆叠自编码器器网络，利用融合特征向量对堆叠自编码器进行微调训练和验证。由于本发明专利技术提出融合特征向量，克服了现有技术将时频图像作为特征，特征过于单一，分类精度不高的问题，提高了雷达辐射源信号的分类精度。本发明专利技术构建一个五层结构的堆叠自编码器网络，简化了网络结构，具有较高的分类效率，降低了雷达辐射源信号的分类的时间复杂度。

【技术实现步骤摘要】
基于特征融合与SAE的雷达辐射源信号分类方法
本专利技术属于雷达通信
，更进一步涉及雷达信号识别
中的一种基于特征融合与堆叠自编码器SAE(StackedAuto-Encoder)的雷达辐射源信号分类方法。本专利技术可用于电子侦察、电子支援和威胁告警系统中，对所接收的雷达信号进行分类识别，识别雷达辐射源信息。
技术介绍
雷达辐射源信息的识别是雷达电子对抗中一个重要组成部分，在电子支援和威胁告警系统中的发挥中重要的作用。雷达辐射源信息识别是电子支援措施ESM(ElectronicSupportMeasures)和情报侦察的重要功能之一，它对雷达信号进行截获、定位、分析和识别。黄颖坤等人在其发表的论文“基于深度学习和集成学习的辐射源信号识别”(系统工程与电子技术2018年11月第40卷第11期P2420-2425页)中提出了一种基于深度学习和集成学习的辐射源信号分类方法。该方法首先在预处理阶段对信号进行去噪,利用小波变换来获得信号的时频图像，将时频图像作为特征。然后创建一个含有多个隐含层的深度神经网络模型提取时频图像的深度特征。最后在分类器设计阶段，构造一个多支持向量机线性组本文档来自技高网...

【技术保护点】
1.一种基于特征融合与堆叠自编码器SAE的雷达辐射源信号分类方法，其特征在于，将所选的雷达信号、生成的时频特征向量、模糊特征向量融合成特征向量，构建并微调堆叠自编码器网络；该方法的步骤包括如下：(1)对多个原始雷达辐射源信号依次进行降噪、归一化和数据对齐的预处理；(2)从每个预处理后的雷达信号中选取一个未选过的信号；(3)生成时频特征向量：利用短时傅里叶变换公式，对所选信号进行短时傅里叶变换，得到时频分布矩阵，将该矩阵中的每一行元素首尾相接拉平成一个时频特征向量；(4)生成模糊特征向量：(4a)对所选信号依次进行时延和多普勒频率二维变换，得到模糊函数；(4b)对模糊函数进行采样，得模糊矩阵，将...

【技术特征摘要】
1.一种基于特征融合与堆叠自编码器SAE的雷达辐射源信号分类方法，其特征在于，将所选的雷达信号、生成的时频特征向量、模糊特征向量融合成特征向量，构建并微调堆叠自编码器网络；该方法的步骤包括如下：(1)对多个原始雷达辐射源信号依次进行降噪、归一化和数据对齐的预处理；(2)从每个预处理后的雷达信号中选取一个未选过的信号；(3)生成时频特征向量：利用短时傅里叶变换公式，对所选信号进行短时傅里叶变换，得到时频分布矩阵，将该矩阵中的每一行元素首尾相接拉平成一个时频特征向量；(4)生成模糊特征向量：(4a)对所选信号依次进行时延和多普勒频率二维变换，得到模糊函数；(4b)对模糊函数进行采样，得模糊矩阵，将该矩阵中的每一行元素首尾相接拉平成一个模糊特征向量；(5)生成融合特征向量：将所选的雷达信号、所选信号的雷达号时频特征向量、所选信号的雷达信号模糊特征向量三者收尾相连，得到融合特征向量；(6)判断是否选完所有预处理后的雷达信号，若是，则执行步骤(7)；否则，执行步骤(2)；(7)制作数据集：(7a)将每一个雷达辐射源信号所生成的融合特征向量作为一行，组成样本矩阵，(7b)将每一个雷达信号所对应的标签作为一行，组成标签矩阵；(7c)从样本矩阵中随机抽取10％对应的行组成测试集；(7d)从样本矩阵和标签矩阵中取出80％对应的行组成训练集，将样本矩阵和标签矩阵各剩余20％对应的行组成验证集；(8)构建堆叠自编码器网络：(8a)分别构建三个三层的自编码器，其中：第一个自编码器的结构为：由300个单元组成的输入层、由128个单元组成的全连接隐含层、由300个单元组成的重构层；第二个自编码器的结构为：由128个单元组成的输入层、由64个单元组成的全连接隐含层、由128个单元组成的重构层；第三个自编码器的结构为：由64个单元组成的输入层、由32个单元组成的全连接隐含层、由64个单元组成的重构层；(8b)按照下式，分别计算三个自编码器中每层单元的权重和偏置，作为三个自编码器的初始化权重值和偏置值：b(l)＝0其中，w(l)表示自编码器中第l层的权重，表示求算术平方根操作，π表示圆周率，exp表示以自然常数e为底的指数操作，x表示每次初始化权重值和偏置值时在(-∞，+∞)范围内随机选取的一个不同的数，nl表示自编码器中第l层的单元总数，b(l)表示自编码器中第l层的偏置；(8c)从样本矩阵中取一批行向量输入到搭建的第一个自编码器中进行预训练，将第一个自编码器隐含层单元的输出值组成第一个特征矩阵；利用损失函数公式，计算第一个自编码器的损失值，利用自编码器权重和偏置的更新公式，用第一个自编码器损失值更新第一个自编码器的权重和偏置后抛弃第一个自编码器的重构层；(8d)将第一个特征矩阵输入到第二个自编码器中进行训练，将第二个自编码器隐含层单元的输出值组成第二个特征矩阵；利用损失函数公式，计算第二个自编码器的损失值，利用自编码器权重和偏置的更新公式，用第二个自编码器损失值更新第一个自编码器的权重和偏置后抛弃第二个自编码器的重构层；(8e)将第二个特征矩阵输入到第三个自编码器中进行训练；利用损失函数公式，计算第三个自编码器的损失值，再利用自编码器权重和偏置的更新公式，用损失值更新第三个自编码器的权重和偏置后抛弃第三个自编码器重构层；(8f)将第一个自编码器的输入层、第一个自编码器的隐含层、第二个自编码...

【专利技术属性】
技术研发人员：蔡晶晶，杨瑞，惠晓龙，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