【技术实现步骤摘要】
基于深度学习的多核函数混叠雷达辐射源识别方法和系统
[0001]本专利技术属于雷达探测
，具体涉及一种基于深度学习的多核函数混叠雷达辐射源识 别方法和系统。
技术介绍
[0002]雷达辐射源个体识别技术在信息化战役中发挥重要作用，针对敌人的雷达通信系统进行电 子对抗，对增强军事武器装备的抗敌能力具有重要意义，同时在民用网络安全接入、认知无线 电以及公共安全等领域具有较高的应用价值。
[0003]对于雷达辐射源信号，传统做法是通过提取的到达时间(Time Of Arrival,TOA)、到达角 (Angle Of Arrival,AOA)、载波频率(Carrier Frequency,CF)、脉冲幅度(Pulse Amplitude,PA) 和脉冲宽度(Pulse Width,PW)序列参数，构成脉冲描述字(Pulse Description Word,PDW)，然 后利用分类方法，如模板匹配法、支持向量等完成识别。随着电磁环境日益复杂，这五类参数， 作为传统的识别方法已经不能满足当下所需要的识别精度。
...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的多核函数混叠雷达辐射源识别方法，其特征在于，包括以下步骤：S1、在信号脉冲交叠区域进行信息采样，对采样信号进行滤波和去噪预处理；S2、将预处理后的采样信号输送到指数型核函数的时频分析函数中进行一次时频处理，将其转化为二维时频图像；S3、将二维时频图像进行处理后发送至雷达辐射源识别模块中进行类别预判断；所述雷达辐射源识别模块基于卷积神经网络训练生成；S4、根据步骤S3的类别预判断结果，确定需要二次判别的采样信号，并对需要二次判别的采样信号进行二次时频处理，所述二次时频处理过程基于对应的二维时频图像的类别预判断结果进行；S5、将二次时频处理后得到的二维时频图像发送至雷达辐射源识别模型中进行类别判断。2.根据权利要求1所述的一种基于深度学习的多核函数混叠雷达辐射源识别方法，其特征在于，所述步骤S4中，对需要二次判别的二维时频图像的对应的采样信号进行二次时频处理的具体方法为：根据对应的二维时频图像的类别预判断结果，确定时频分析函数的核函数，通过修改核函数后的Choi
‑
Williams分布时频分析函数对采样信号进行时频处理。3.根据权利要求2所述的一种基于深度学习的多核函数混叠雷达辐射源识别方法，其特征在于，所述步骤S4中，确定需要二次判别的采样信号的方法为：将类别预判断的结果为BPSK、MLFM、NS、SFM、DLFM、EQFM类型的二维时频图像对应的采样信号作为需要二次判别的采样信号；对需要二次判别的采样信号进行二次时频处理的具体方法为：类别预判断为BPSK、MLFM、NS的采样信号采用球型核函数，类别预判断为SFM、DLFM、EQFM的信号采用蝶型核函数；所述球型核函数和蝶形核函数的表达式分别为：；；其中，表示球型核函数，表示蝶形核函数，表示时移，表示频移，分别为指数系数。4.根据权利要求1所述的一种基于深度学习的多核函数混叠雷达辐射源识别方法，其特征在于，所述步骤S3中，将二维时频图像进行归一化和灰度化处理后，发送至雷达辐射源识别模块中进行类别预判断；所述雷达辐射源识别模块的生成方法为：获取雷达辐射源样本数据库，所述雷达辐射源样本数据库中包含多种类别雷达辐射源的时频灰度图像；将样本数据可以的数据分为测试集和训练集；
基于卷积神经网络算法建立含有可变参数的初始化的雷达辐射源识别模型；根据所述训练集数据以及目标雷达辐射源信息对所述雷达辐射源识别模型中的可变权重进行微调，并保留训练完成时的权重参数；通过测试数据以及目标雷达辐射源信息对所述雷达辐射源识别模型中进行测试，直至雷达辐射源识别模型满足预设的阈值条件，则雷达辐射源识别模型训练完成。5.根据权利要求1所述的一种基于深度学习的多核函数混叠雷达辐射源识别方法，其特征在于，所述卷积神经网络包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层，最后通过softmax分类器输出结果；第一卷积层采用6个5*5的卷积核，第二卷积层采用16个5*5的卷积核，第一池化层和第二池化层的卷积核尺寸为2*2。6.一种基于深度学习的多核函数混叠雷达辐...
【专利技术属性】
技术研发人员：张朝霞，王倩，海泽瑞，王琨琨，鲁雅，周晓玲，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：
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。