一种双分量雷达信号分类模型构建方法技术

本发明专利技术提供一种双分量雷达信号分类模型构建方法，先采用改进的平滑伪Wigner

【技术实现步骤摘要】
一种双分量雷达信号分类模型构建方法


[0001]本专利技术涉及一种双分量雷达信号分类模型构建方法，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。信号处理系统可能会受到多个潜在干扰信号的显著影响，在实际应用中，这些干扰信号很容易构成信号交叠。而且，只要能够自动识别多分量雷达信号的脉内调制，就可以采取适当有效的抗干扰措施，保证信号处理系统的整体性能。因此，多分量雷达信号的脉内调制识别是实施有效电子对抗行动的重要一步。
[0003]以往对雷达信号脉内调制识别的研究主要集中在单分量信号上。然而，为了进一步识别复杂电磁环境中的复合信号，研究了多分量信号分离方法。首先分离接收到的复合信号的不同分量，然后采用传统的单分量信号识别方法对每个分离分量信号的调制进行分类。一些研究者提出了基于盲源分离、时频图像处理、参数化时频分析的多分量信号分离方法。近年来，随着人工智能的发展，雷达信号的脉内调制出现了基于深度学习的多分量识别方法，在识别过程中没有采用分离方法。然而，近年来对多分量雷达信号识别的研究很少，目前的识别精度还很低，特别是在低信噪比下。针对这一缺陷，提出了一种基于深度卷积神经网络的双分量雷达信号脉内调制识别方法，以提高识别性能。

技术实现思路

[0004]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双分量雷达信号的特征；采用多类别分类器；在低信噪比下识别精度高的基于深度卷积神经网络的双分量雷达信号分类模型构建方法。
[0005]本专利技术的目的是这样实现的：包括以下步骤：
[0006]步骤1：制作双分量雷达信号数据集；
[0007]步骤2：构建一种基于深度卷积神经网络的双分量雷达信号学习框架；
[0008]步骤3：设计超参数并对网络模型进行优化；
[0009]步骤4：构建一种多类别分类器，用于识别八类随机交叠的双分量雷达信号类别。
[0010]本专利技术还包括这样一些结构特征：
[0011]1.所述步骤1包括以下处理：
[0012](1)采用改进的平滑伪Wigner
‑
Ville分布(SPWVD)将双分量雷达信号转换为时频图像，其数学表达式为：
[0013][0014]其中，SPWVD
Z
(t,ω)表示获得的时频转换结果，*指复共轭，ψ(t,τ)和φ(τ,μ)指设计的窗函数，分别定义为：
[0015][0016][0017](2)通过改进的SPWVD时频转换，得到28类随机交叠的双分量雷达信号，将转换的时频图像制作双分量雷达信号数据集，包括训练集、验证集和测试集。
[0018]2.所述步骤2包括以下处理：
[0019](1)构建的深度卷积神经网络模型由两个卷积层、16个移动翻转瓶颈卷积块和一个全局平均池化层组成；
[0020](2)将步骤1中生成的训练集输入到构建的深度卷积神经网络模型中进行双分量雷达信号特征提取。
[0021]3.所述步骤3包括以下处理：
[0022](1)超参数：mini
‑
batch设置为128，epochs设置为60，epsilon和momentum分别设置为0.001和0.01，学习率设置为0.01；为了防止过拟合，采用权重衰减项，并设置为1e
‑
5；
[0023](2)采用Adam算法对网络参数进行优化训练。
[0024]4.所述步骤4包括以下处理：
[0025](1)采用具有逻辑损失的二元交叉熵作为损失函数，将Sigmoid层和二元交叉熵损失结合在一个分量中；将运算合并到一层的方法比使用简单的Sigmoid加上二元交叉熵损失的方法在数值上更稳定；利用对数和经验技巧来保证数值稳定性；损失函数定义为：
[0026]L
c
＝{l
1,c
,
···
,l
n,c
}
T
(c∈1,2,
···
,8)
[0027]其中，n是在每个批中的样本数，c指类别数，l
n,c
定义为：
[0028]l
n,c
＝
‑
w
n,c
[p
c
y
n,c
·
logσ(x
n,c
)+(1
‑
y
n,c
)
·
logσ(x
n,c
)][0029]其中，p
c
表示判断为正确类别c的权重，y
n,c
表示真实信号的标签，σ(x
n,c
)表示第n个标签的可能性输出，定义为：
[0030][0031](2)将步骤3中生成的特征图输入到构建的多类别分类器中进行双分量雷达信号分类，从而准确获得八类雷达信号的分类结果。
[0032]与现有技术相比，本专利技术的有益效果是：本专利技术构建的基于深度卷积神经网络的双分量雷达信号学习框架，可以更充分的提取八类随机交叠的双分量雷达信号特征；设计的多类别分类器用于分类双分量雷达信号的类别；相比其它方法，提出的分类方法能够准确、快速地识别双分量雷达信号。
附图说明
[0033]图1是本专利技术设计的基于深度卷积神经网络的双分量雷达信号分类方法框架图；
[0034]图2是本专利技术设计的深度卷积神经网络的模型结构图；
[0035]图3是本专利技术中的网络模型对雷达信号分类的仿真实验结果图。
具体实施方式
[0036]下面结合附图与具体实施方式对本专利技术作进一步详细描述。
[0037]结合图1
‑
3，本专利技术采用如下技术方案：
[0038]步骤(1).制作双分量雷达信号数据集:
[0039]采用改进的平滑伪Wigner
‑
Ville分布(SPWVD)将双分量雷达信号转换为时频图像，其数学表达式为：
[0040][0041]其中，SPWVD
Z
(t,ω)表示获得的时频转换结果，*指复共轭，ψ(t,τ)和φ(τ,μ)指设计的窗函数，分别定义为：
[0042][0043][0044]x(t)表示r(t)的解析信号，定义为：
[0045]x(t)＝r(t)+jH[r(t)]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0046]其中，H[
·
]代表希尔伯特变换。
[0047]通过改进的SPWVD时频转换，得到28类随机交叠的双分量雷达信号，将转换的时频图像制作双分量雷达信号数据集，包括训练集、验证集和测试集。
[0048]步骤(2).构建一种基于深度卷积神经网络的双分量雷达信号学习框架:
[0049]构建的深度卷积神经网络模型由两个卷积层、16个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种双分量雷达信号分类模型构建方法，其特征在于：步骤如下：步骤1：制作双分量雷达信号数据集；步骤2：构建一种基于深度卷积神经网络的双分量雷达信号学习框架；步骤3：设计超参数并对网络模型进行优化；步骤4：构建一种多类别分类器，用于识别八类随机交叠的双分量雷达信号类别。2.根据权利要求1所述的一种双分量雷达信号分类模型构建方法，其特征在于：所述步骤1包括：(1)采用改进的平滑伪Wigner
‑
Ville分布将双分量雷达信号转换为时频图像，其数学表达式为：其中，SPWVD
Z
(t,ω)表示获得的时频转换结果，*指复共轭，ψ(t,τ)和φ(τ,μ)指设计的窗函数，分别定义为：(2)通过改进的SPWVD时频转换，得到随机交叠的双分量雷达信号，将转换的时频图像制作双分量雷达信号数据集，包括训练集、验证集和测试集。3.根据权利要求1或2所述的一种双分量雷达信号分类模型构建方法，其特征在于：所述步骤2包括：(1)构建的深度卷积神经网络模型由两个卷积层、16个移动翻转瓶颈卷积块和一个全局平均池化层组成；(2)将步骤1中生成的训练集输入到构建的深度卷积神经网络模型中进行双分量雷达信号特征提取。4.根据权利要求1或2所述的一种双分量雷达信号分类模型构建方法，其特征在于：所述步骤3包括：(1)超参数：设置参数mini
‑
batch、epochs、epsilon和momentum、学习率；采用权重衰减项，并设置为1e
‑
5；(2)采用Adam算法对网络参数进行优化训练。5.根据权利要求3所述的一种双分量雷达信号分类模型构建方法，其特征在于：所述步骤3包括：(1)超参数：设置参数mini
‑
batch、epochs、epsilon和momentum、学习率；采用权重衰减项，并设置为1e
‑
5；(2)采用Adam算法对网络参数进行优化训练。6.根据权利要求1或2所述的一种双分量雷达信号分类模型构建方法，其特征在于：所述步骤4包括：(1)采用具有逻辑损失的二元交叉熵作为损失函数，将Sigmoid层和二元交叉熵损失结合在一个分量中；将运算合并到一层的方法比使用简单的Sigmoid加上二元交叉熵损失的方法在数值上更稳定；利用对数和经验技巧来保证数值稳定性；损失函数定义为：L
c
＝{l
1,c
,
···
,l
n,c
}
T
(c∈1,2,
···
,8)其中，n是在每个批中的样本数，c指类别数，l
n,c
定义为：
l
n,c
＝
‑
w
n,c
[p
c
y
n,c
·
logσ(x
n,c
)+(1
‑
y
n,c
)
·
logσ(x
n,c
)]其中，p
c
表示判断为正确类别c的权重，y
n,c
表示真实信号的标签，σ(x
n,c
)表示第n个标签的可能性输出，定义为：(2)将步骤3中生成的特征图输入到构建的多类别分类器中进行双分量雷达信号分类，从而准确获得八类雷达信号的分类结果。7.根据权利要求3所述的一种双分量雷达信号分类模型构建方法，其特征在于：所述步骤4包括：(1)采用具有逻辑损失的二元交叉熵作为损失函数，将Sigmoid层和二元交叉熵损失结合在一个分量中；将运算合并到一层的方法比使用简单的Sigmoid加上二元交叉熵损失的方法在数值上更稳定；利用对数和经验技巧来保证数值稳定性；损失函数定义为：L
c
＝{l
1,c
,
···
,l
n,c
}
T
(...

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