【技术实现步骤摘要】
一种基于深度信念网络的辐射源重频调制类型识别方法
：本专利技术涉及雷达信号识别领域，特别涉及复杂电磁环境下雷达信号的重频调制类型识别。
技术介绍
：由于雷达技术的飞速发展以及复杂体制雷达装备的广泛应用，使得现在的雷达通常具有多种功能，能够满足多样化的任务需求，导致一部雷达具有多种工作模式，而且在不同的工作模式下，雷达在信号参数和信号样式上有明显的差异。也就是说雷达工作模式是雷达为完成特定的任务而具有相对稳定的工作时段和工作特征的一种工作状态，反映在信号参数上，通常表现为一系列信号样式的排列组合。另外，由于雷达技术体制和噪声的影响，即使雷达在同一种工作模式下，其信号参数的变化规律也不明显。同时，由于电子环境日益复杂、干扰技术和反侦察技术的增强，都给复杂体制雷达信号的识别处理带来了困难。如何在复杂电磁环境下准确识别出典型的辐射源重频调制类型是当前需要解决的问题。
技术实现思路
：本专利技术的目的是提出一种基于深度信念网络的辐射源重频调制类型识别方法。具体步骤如下：步骤一：针对典型的五种辐射源信号，提取出有代表性的特征，组成特征向量；步骤二：为了使重频调制类型识别网络快速收...
【技术保护点】
1.一种基于深度信念网络的辐射源重频调制类型识别方法，其特征在于：包括以下步骤：步骤一：针对典型的五种辐射源信号，提取出有代表性的特征，组成特征向量；步骤二：为了使重频调制类型识别网络快速收敛，对特征向量进行归一化处理；步骤三：为了符合深度神经网络输出的需要，采用独热编码将五种输出类别进行特征数字化；步骤四：以特征向量为输入，以五种输出类别的二进制向量作为输出，建立基于深度信念网络的雷达重频调制方式识别模型。
【技术特征摘要】
1.一种基于深度信念网络的辐射源重频调制类型识别方法，其特征在于：包括以下步骤：步骤一：针对典型的五种辐射源信号，提取出有代表性的特征，组成特征向量；步骤二：为了使重频调制类型识别网络快速收敛，对特征向量进行归一化处理；步骤三：为了符合深度神经网络输出的需要，采用独热编码将五种输出类别进行特征数字化；步骤四：以特征向量为输入，以五种输出类别的二进制向量作为输出，建立基于深度信念网络的雷达重频调制方式识别模型。2.根据权利要求1所述的一种基于深度信念网络的辐射源重频调制类型识别方法，其特征在于：步骤一中所述的五种辐射源信号特征及提取方法，具体如下：特征1：PRI序列的重复率特征为：其中N代表区间个数，M代表每一个区间对应数据出现的次数，Mmax为单个区间内的最高出现次数。特征2：PRI序列的小窗重复率特征为：其中N1代表开窗区间个数，M1代表每一个区间对应数据出现的次数，M1max为单个区间内的最高出现次数。特征3：PRI序列的小窗拟合斜率特征为：k＝p1xn+p2xn-1+…+pnx+pn+1特征4：PRI序列的小窗偏差率特征为：其中kmax为最大的时间间隔数值，kmin为最小的时间间隔数值，Ki表示序列中每一个间隔的值，n为序列长度，win为开窗尺...
【专利技术属性】
技术研发人员：徐卓君，李春旭，田彦涛，杜鹏，胡航玮，杨雯婷，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林,22
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。