一种多分量雷达信号脉内调制方式识别方法技术

本发明专利技术涉及深度学习的自动识别算法领域，具体涉及一种多分量雷达信号脉内调制方式识别方法。获取几种不同脉内调制方式的单分量或交叠多分量雷达信号的时频图像；利用图像处理算法，对雷达信号时频图像进行预处理，将雷达信号中包含的信号类型作为标签，制作训练集和测试集；设计基于卷积神经网络的预训练网络提取雷达信号时频图像特征，设计基于强化学习的多分量信号分类网络获取分类识别结果；训练、测试、完善网络结构和参数；实现多分量信号的分类识别。本发明专利技术所述的多分量雷达信号识别算法在低信噪比情况下，具有广泛的雷达信号类型适应范围和较高的识别准确率，实现了随机交叠多分量雷达信号的脉内调制方式识别。

A recognition method of in pulse modulation for multicomponent radar signal

The invention relates to the field of automatic recognition algorithm of depth learning, in particular to an intra pulse modulation mode recognition method of multi-component radar signal. Obtain the time-frequency images of several kinds of single component or overlapping multi-component radar signals with different intra pulse modulation methods; use image processing algorithm to preprocess the time-frequency images of radar signals, take the signal types contained in the radar signals as labels, and make training sets and test sets; design a pre training network based on convolutional neural network to extract the time-frequency image features of radar signals, and design the basis In the multi-component signal classification network of reinforcement learning, the results of classification and recognition are obtained; the network structure and parameters are trained, tested and improved; the classification and recognition of multi-component signals are realized. The multi-component radar signal recognition algorithm of the invention has a wide range of radar signal types and a high recognition accuracy under the condition of low signal-to-noise ratio, and realizes the intra pulse modulation mode recognition of random overlapping multi-component radar signals.

【技术实现步骤摘要】
一种多分量雷达信号脉内调制方式识别方法
本专利技术涉及深度学习的自动识别算法领域，具体涉及一种多分量雷达信号脉内调制方式识别方法。
技术介绍
雷达信号脉内调制方式识别是现代电子情报侦察、电子支援系统中的重要环节。由于现代电子战环境中雷达信号密度不断增加，而且现代雷达信号大多采用大时宽的脉冲压缩信号，雷达侦察系统经常会截获到时域交叠的脉冲，形成多分量雷达信号。现有的大多数雷达信号调制方式识别技术对多分量信号环境不具有适应性，造成信号识别错误或识别失败。因此，针对多分量信号的分析和处理是当前雷达侦察系统中迫切需要解决的问题。目前，多分量雷达信号的识别方法有两种思路：一种思路是利用信号在某些变换域内的可分性，提取信号在变换域内的特征对多分量信号进行分类识别；另一种思路是利用多分量信号的分离方法结合单分量信号的识别方法进行分类识别。余志斌在2012年利用相移键控信号在循环频率轴上的可分性，提出了一种针对相移键控信号的多分量信号识别方法，该方法在信噪比为0dB时，对3类相移键控雷达信号的平均正确识别率达到97％。童超在2016年提出了一种利用独立分量分析结合小波变换的多分量雷达信号识别方法，该方法在信噪比为0dB时，对4类雷达信号的平均正确识别率达到90％以上。目前提出的多分量雷达信号的识别方法均存在一些问题：基于信号变换域特征提取的识别方法具有局限性，仅针对某一类特定信号有效，难以适应广泛的雷达信号类型；基于多分量信号分离的识别方法的识别效果很大程度上决定于多分量信号分离算法的分离效果，然而目前提出的分离算法存在抗噪性能差、计算量较高等问题，且难以解决时频域交叠的多分量信号分离问题，这些问题将限制算法的识别能力。
技术实现思路
本专利技术的目的在于提供一种多分量雷达信号脉内调制方式识别方法，以在低信噪比情况下，实现了8类随机交叠的典型雷达信号的脉内调制方式识别，且算法对单分量雷达信号的脉内调制方式识别同样具备适应性。本专利技术实施例提供一种多分量雷达信号脉内调制方式识别方法，包括：步骤一：获取几种不同脉内调制方式的单分量或交叠多分量雷达信号的时频图像，包括LFM信号、MP信号、SFM信号、BPSK信号、2FSK信号、4FSK信号、EQFM信号和Frank信号，将这些信号作为样本信号，利用时频分布将雷达接收机接收到的信号转换得到雷达信号时频图像；步骤二：利用图像处理算法，对上述步骤一得到的雷达信号时频图像进行预处理，通过二维维纳滤波抑制时频图像噪声，然后对时频图像的大小进行调整并幅度归一化，将经过预处理的雷达信号时频图像作为样本，将雷达信号中包含的信号类型作为标签，制作得到训练集和测试集；步骤三：根据算法需求，整体网络提取时频图像特征并根据提取到的特征进行多标签分类识别，设计基于卷积神经网络的预训练网络提取雷达信号时频图像特征，并设计基于强化学习的多分量信号分类网络获取分类识别结果；步骤四：根据上述步骤二中得到的训练集对上述步骤三中设计的网络架构进行训练，并利用上述步骤二中获得的测试集对网络的识别效果进行测试，根据测试结果，完善网络结构和参数，得到训练完成的网络；步骤五：对上述步骤一中任意随机交叠信号经过上述步骤二的处理后作为待识别的雷达信号时频图像样本，输入上述步骤四训练完成的网络中，训练完成的网络即可根据输入给出当前信号中包含的雷达信号类型集，实现多分量信号的分类识别；本专利技术还包括这样一些结构特征：所述步骤一，包括：其中，所述时频分布的具体方法为：对接收到的信号x(t)，采用Cohen类时频分布，其数学表达式为：上式中，t和ω代表时频分布的自变量时间和角频率，φ(τ，v)称为核函数，本专利技术根据雷达信号与交叉项在模糊域的分布特点，针对不同调频斜率的信号，提出利用两种核函数分别获取雷达信号的时频分布，核函数表达式分别为：上式中，α、β、γ和ε用来调节核函数的大小，分别获取雷达信号在两种核函数下的Cohen类时频分布图像，共同作为当前雷达信号的时频分布信息；所述步骤三中，所述设计网络架构的具体方法为：a)设计卷积神经网络架构用于特征提取，卷积神经网络架构由3个卷积层和3个池化层组成，通过对网络最后一层输出进行矢量化处理，得到当前时频图像的特征向量；b)将全连接层后接Softmax层的结构作为分类网络单元，构造多个分类网络单元分别对应多分量信号的标签输出，对步骤a)中获得的特征向量进行分类，并与卷积神经网络架构共同作为预训练时频图像特征提取网络；c)设计深层强化学习循环神经网络用于多分量信号分类识别，替代步骤b)中的分类网络单元，将步骤a)中获得的特征向量和当前循环步骤的分类历史记录共同作为输入，通过多次循环迭代分类过程输出多分量信号识别结果；所述步骤四中，所述训练与测试的具体方法为：d)在步骤二之后，将经过图像预处理的雷达信号时频图像作为卷积神经网络的输入，每个分类网络单元输出均对应一个雷达信号分量的分类标签，对时频图像特征提取网络进行预训练，训练后保留卷积神经网络的参数；e)接着将步骤d)训练得到的卷积神经网络与深层强化学习循环神经网络作为新的分类网络，为了提升网络训练效率，保持卷积神经网络模型参数不变，利用与步骤d)相同的训练集，单独训练深层强化学习循环神经网络模型参数，并保留最终卷积神经网络与深层强化学习循环神经网络的所有参数；f)测试集的样本逐个输入到卷积神经网络与深层强化学习循环神经网络组成的分类器中，分类器会循环多次输出当前样本中包含的信号类型集，对比样本对应标准信号类型集，最终通过统计计算得到整体正确识别概率以及各信号类型的识别精准率和召回率；g)根据步骤f)的识别效果测试结果完善网络结构和参数，并对新的网络结构进行训练，重复网络调整及训练过程，直到网络的识别效果测试结果达到预期，完成训练；本专利技术的有益效果在于：1.本专利技术提出的时频分析方法针对不同雷达信号的特点设计不同的核函数，兼顾不同调频斜率雷达信号的能量分布情况，获得具有较高信号能量时频聚集性的时频图像；2.本专利技术对卷积神经网络进行预训练，获取雷达信号时频图像深层特征，同时提高后续多分量信号分类网络的训练效率；3.本专利技术利用强化学习的训练方法对多分量分类网络进行训练，提高网络对时频图像样本的适应能力；利用循环网络架构建立多次分类识别结果之间的联系，提高分类识别结果的准确性和可靠性。附图说明图1为一种多分量雷达信号脉内调制方式识别方法的流程图；图2为本专利技术基于卷积神经网络的预训练时频图像特征提取网络的结构图；图3为本专利技术基于卷积神经网络和强化学习的多分量信号分类识别网络的结构图；图4为本专利技术对多分量雷达信号的平均正确识别率与信噪比关系的示意图；图5为本专利技术对8类随机交叠多分量雷达信号的识别精准率与信噪比关系的示意图；图6为本专利技术对8类随机交叠多分量雷达信号的识别召回率与信本文档来自技高网...

【技术保护点】
1.一种多分量雷达信号脉内调制方式识别方法，其特征在于，包括：/n步骤一：获取几种不同脉内调制方式的单分量或交叠多分量雷达信号的时频图像，包括LFM信号、MP信号、SFM信号、BPSK信号、2FSK信号、4FSK信号、EQFM信号和Frank信号，将这些信号作为样本信号，利用时频分布将雷达接收机接收到的信号转换得到雷达信号时频图像；/n步骤二：利用图像处理算法，对上述步骤一得到的雷达信号时频图像进行预处理，通过二维维纳滤波抑制时频图像噪声，然后对时频图像的大小进行调整并幅度归一化，将经过预处理的雷达信号时频图像作为样本，将雷达信号中包含的信号类型作为标签，制作得到训练集和测试集；/n步骤三：根据算法需求，整体网络提取时频图像特征并根据提取到的特征进行多标签分类识别，设计基于卷积神经网络的预训练网络提取雷达信号时频图像特征，并设计基于强化学习的多分量信号分类网络获取分类识别结果；/n步骤四：根据上述步骤二中得到的训练集对上述步骤三中设计的网络架构进行训练，并利用上述步骤二中获得的测试集对网络的识别效果进行测试，根据测试结果，完善网络结构和参数，得到训练完成的网络；/n步骤五：对上述步骤一中任意随机交叠信号经过上述步骤二的处理后作为待识别的雷达信号时频图像样本，输入上述步骤四训练完成的网络中，训练完成的网络即可根据输入给出当前信号中包含的雷达信号类型集，实现多分量信号的分类识别。/n...

【技术特征摘要】
1.一种多分量雷达信号脉内调制方式识别方法，其特征在于，包括：
步骤一：获取几种不同脉内调制方式的单分量或交叠多分量雷达信号的时频图像，包括LFM信号、MP信号、SFM信号、BPSK信号、2FSK信号、4FSK信号、EQFM信号和Frank信号，将这些信号作为样本信号，利用时频分布将雷达接收机接收到的信号转换得到雷达信号时频图像；
步骤二：利用图像处理算法，对上述步骤一得到的雷达信号时频图像进行预处理，通过二维维纳滤波抑制时频图像噪声，然后对时频图像的大小进行调整并幅度归一化，将经过预处理的雷达信号时频图像作为样本，将雷达信号中包含的信号类型作为标签，制作得到训练集和测试集；
步骤三：根据算法需求，整体网络提取时频图像特征并根据提取到的特征进行多标签分类识别，设计基于卷积神经网络的预训练网络提取雷达信号时频图像特征，并设计基于强化学习的多分量信号分类网络获取分类识别结果；
步骤四：根据上述步骤二中得到的训练集对上述步骤三中设计的网络架构进行训练，并利用上述步骤二中获得的测试集对网络的识别效果进行测试，根据测试结果，完善网络结构和参数，得到训练完成的网络；
步骤五：对上述步骤一中任意随机交叠信号经过上述步骤二的处理后作为待识别的雷达信号时频图像样本，输入上述步骤四训练完成的网络中，训练完成的网络即可根据输入给出当前信号中包含的雷达信号类型集，实现多分量信号的分类识别。


2.根据权利要求1所述的一种多分量雷达信号脉内调制方式识别方法，其特征在于，所述步骤一，包括：
其中，所述时频分布的具体方法为：
对接收到的信号x(t)，采用Cohen类时频分布，其数学表达式为：



上式中，t和ω代表时频分布的自变量时间和角频率，φ(τ，v)称为核函数，本发明根据雷达信号与交叉项在模糊域的分布特点，针对不同调频斜率的信号，提出利用两种核函数分别获取雷达信号的时频分布，核函数表达式分别为：






上式中，α、β、γ和ε用来调节核函数的大小，分别获取雷达信号在...

【专利技术属性】
技术研发人员：曲志昱，侯琛璠，侯长波，邓志安，司伟建，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙;23