一种基于深度卷积神经网络与特征融合的雷达信号分类方法技术

本发明专利技术涉及一种基于深度卷积神经网络与特征融合的雷达信号分类方法，将雷达信号转换为时频图像；采用图像处理方法对时频图像进行预处理，并分别制作为数据集1和数据集2；利用两个改进的EfficientNet模型分别提取为数据集1和数据集2更有效的特征；设计一种多特征融合模型，充分利用不同特征之间的关系，对提取数据集1和数据集2的特征进行融合；采用Adam算法对网络参数进行优化；利用SoftMax分类器获取分类结果。本发明专利技术能更充分提取雷达信号特征，从而提高雷达信号在低信噪比环境下的识别性能，可用于复杂电磁环境下的雷达信号识别等电子对抗中。电子对抗中。电子对抗中。

【技术实现步骤摘要】
一种基于深度卷积神经网络与特征融合的雷达信号分类方法


[0001]本专利技术涉及一种基于深度卷积神经网络与特征融合的雷达信号分类方法模型的构建，属于深度学习和信号处理


技术介绍

[0002]雷达信号脉内调制识别在电子支援、电子侦察、电子情报、电子攻击等现代电子战系统中起着至关重要的作用。提高雷达信号的识别精度不仅有助于推断敌方雷达信号的调制类别，进一步推断其威胁等级，而且可以提高参数估计的精度。近年来，随着雷达技术的飞速发展，雷达信号的调制方式越来越复杂和多样化，雷达信号所在环境的信噪比也越来越低。因此，探索一种在低信噪比环境下高精度识别雷达信号的方法显得尤为重要。
[0003]雷达信号识别方法包括传统的特征提取方法和人工智能方法。传统的雷达信号识别方法主要利用特征提取和分类技术对雷达信号进行特征提取和分类。对于特征提取方法，研究者提出了短时Ramanujan傅里叶变换、分数阶傅里叶变换、积分二次相位函数和尺度不变特征变换。近年来，一些学者对瞬时特征、循环平稳特征、高阶累积量、时频特征等多种特征进行了研究，与以往的方法相比，这些方法改善了雷达信号识别的性能。
[0004]为了进一步提高雷达信号的识别性能和识别精度，基于深度学习的雷达信号识别方法也被提出。研究者通常采用卷积神经网络对雷达信号进行特征提取，然而采用此方法忽略了不同特征之间的互补性，模型的泛化能力较差，导致在低信噪比环境下对雷达信号的识别准确率低、鲁棒性差。

技术实现思路

[0005]本专利技术的目的在于克服现有技术存在的不足，提供一种能更充分提取雷达信号特征；利用不同特征之间的联系对提取的特征进行融合；在低信噪比条件下识别精度高的基于深度卷积神经网络与特征融合的雷达信号分类方法。
[0006]为实现上述目的，本专利技术采用如下技术方案：
[0007]1.一种基于深度卷积神经网络与特征融合的雷达信号分类方法，其特征在于包括以下步骤：
[0008]步骤1、获取2FSK信号、4FSK信号、BPSK信号、EQFM信号、FRANK信号、LFM信号、NS信号和SFM信号，利用时频转换技术choi-williams分布(CWD)和平滑伪Wigner-Ville分布(SPWVD)将这些信号转换为时频图像；
[0009]步骤2、采用图像处理方法对CWD和SPWVD转换的时频图像进行预处理，并分别制作为数据集1和数据集2；
[0010]步骤3、利用两个改进的EfficientNet模型提取更有效和详细的特征；
[0011]步骤4、设计一种多特征融合模型，充分利用不同特征之间的联系，将对两种改进的EfficientNet模型中提取的特征进行融合；
[0012]步骤5、采用Adam算法对网络参数进行优化训练；
[0013]步骤6、利用SoftMax分类器进行分类。
[0014]2.步骤1中雷达信号转换时频图像包括以下两种：
[0015](1)对接收到的雷达信号，采用CWD进行时频转换，其表达式为：
[0016]C(t,w)＝∫∫∫
∞
e
j2πξ(s-t)
f(ξ,τ)
·
x(s+t/2)
·
x
*
(s-t/2)
·
e-jωτ
dξdsdτ
ꢀꢀꢀ
(1)
[0017]其中，C(t,w)表示获得的CWD时频转换结果，f(ξ,τ)是一个窗函数，指二维低通滤波器，定义为：
[0018][0019]其中，σ表示可控因子，决定滤波器的宽度。为了平衡雷达信号时频图像的交叉项和分辨率，将σ的值设置为1。
[0020](2)对接收到的雷达信号，采用SPWVD进行时频转换，其表达式为：
[0021]S(t,f)＝∫∫x(t-v+T/2)x
*
(t-v-T/2)
·
h(T)g(v)e-j2πfT
dvdT
ꢀꢀꢀ
(3)
[0022]其中，S(t,f)表示获得的SPWVD时频转换结果，h(T)和g(v)是窗函数，*指共轭复数。x(t)表示r(t)的解析信号，其表达式为：
[0023]x(t)＝r(t)+jH[r(t)]ꢀꢀꢀ
(4)
[0024]其中，H[
·
]表示希尔伯特转换。
[0025]3.步骤2中时频图像预处理方法包括以下处理：
[0026](1)采用二维维纳滤波抑制CWD和SPWVD转换后的时频图像的噪声，二维维纳滤波是一种自适应滤波方法，根据图像的局部方差调整过滤效果，对高斯白噪声有很好的过滤效果。
[0027](2)为了降低计算复杂度和简化改进的EfficientNet网络提取特征的复杂度，采用双线性插值将CWD和SPWVD转换后的时频图像大小调整为224x224像素，并对CWD和SPWVD转换后的时频图像振幅进行归一化。
[0028](3)CWD和SPWVD转换后的时频图像经过时频图像预处理后分别生成数据集1和数据集2。
[0029]4.步骤3中改进的EfficientNet模型包括如下：
[0030](1)构建的EfficientNet网络包括1个卷积核大小为3x3的卷积层；1个扩张率为1、卷积核大小为3x3的MBConv块；2个扩张率为6、卷积核大小为3x3的MBConv块；2个扩张率为6、卷积核大小为5x5的MBConv块；3个扩张率为6、卷积核大小为3x3的MBConv块；3个扩张率为6、卷积核大小为5x5的MBConv块；4个扩张率为6、卷积核大小为5x5的MBConv块；1个扩张率为6、卷积核大小为3x3的MBConv块；
[0031](2)将步骤2中生成的数据集1和数据集2分别输入到改进的EfficientNet-1和EfficientNet-2进行特征提取。
[0032]5.步骤4中设计的多特征融合模型充分利用不同特征之间的联系，将步骤3中EfficientNet-1提取数据集1的特征图和EfficientNet-2提取数据集2的特征图进行融合，得到更加有效的融合特征。
[0033]6.步骤5中利用Adam算法对网络参数进行优化训练，Adam具有减少计算资源和加快模型收敛速度的强大优势，从而提高模型的识别精度和效率。
[0034]7.步骤6中将测试集数据输入到SoftMax分类器，从而准确获得八类雷达信号的分
类结果。
[0035]与现有技术相比，本专利技术的有益效果是：
[0036]在-12dB时，八类信号的平均识别精度达到84.38％；在-10dB时，八类信号的平均识别精度达到94.31％；相比其它方法，提出的分类方法改进了信号识别精度和种类。
附图说明
[0037]图1是本专利技术设计的基于深度卷积神经网络与特征融合的雷达信号分类方法框架图；
[0038]图2是本专利技术设计的基于深度卷积神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积神经网络与特征融合的雷达信号分类方法，其特征在于包括以下步骤：步骤1、利用时频转换技术choi-williams分布(CWD)和平滑伪Wigner-Ville分布(SPWVD)将八种雷达信号转换为时频图像；步骤2、利用图像处理方法对CWD和SPWVD转换的时频图像进行预处理，并分别制作数据集1和数据集2；步骤3、利用两个改进的EfficientNet模型提取更有效和详细的特征；步骤4、设计一种多特征融合模型，充分利用不同特征之间的联系，将两种改进的EfficientNet模型中提取的特征进行融合；步骤5、采用Adam算法对网络参数进行优化训练；步骤6、利用SoftMax分类器进行分类。2.根据权利要求1所述的基于深度卷积神经网络与特征融合的雷达信号分类方法，其特征在于：所述步骤1对接收到的八种雷达信号，分别采用CWD和SPWVD进行时频转换。3.根据权利要求1所述的基于深度卷积神经网络与特征融合的雷达信号分类方法，其特征在于：所述步骤2包括以下处理：(1)采用二维维纳滤波抑制CWD和SPWVD转换时频图像的噪声；(2)为了降低计算复杂度和简化改进后EfficientNet网络提取特征的复杂度，采用双线性插值将CWD和SPWVD转换后的时频图像大小调整为224x 224像素，并对CWD和SPWVD转换后的时频图像振幅进行归一化；(3)CWD和SPWVD转换后的时频图像经过预处理后分别生成数据集1和数据集2。4.根据权利要求1所述的基于深度卷积神经网络与特征融合的雷达信号分类方法，其特征在于：...

【专利技术属性】
技术研发人员：司伟建，万晨霞，张春杰，曲志昱，邓志安，汲清波，骆家冀，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：