一种基于深度聚类的无监督雷达信号分选方法技术

本发明专利技术涉及一种基于深度聚类的无监督雷达信号分选方法，该方法利用无监督分选模型对待分选的时间序列信号进行信号调制格式分选，得到雷达信号分选结果，其中无监督分选模型由深度自编码网络层与时序信号聚类层相结合得到，深度自编码网络层包括编码层和解码层，编码层将输入的时间序列信号降维压缩为更紧凑的潜在特征表示向量，时序信号聚类层对潜在特征表示向量进行无监督聚类分析，得到雷达信号分选结果，并且将重构损失函数与KL对比散度损失函数作为模型的总代价函数，通过最小化总代价函数来反向更新网络权重参数和聚类中心，对无监督分选模型进行联合优化训练。本发明专利技术模型的整个训练过程是无监督的，且能够实现雷达信号的高效、准确分选。准确分选。准确分选。

【技术实现步骤摘要】
一种基于深度聚类的无监督雷达信号分选方法


[0001]本专利技术属于电子对抗与人工智能
，特别是涉及一种基于深度聚类的无监督雷达信号分选方法。

技术介绍

[0002]军事领域中雷达通信信号调制格式方式识别研究具有重大意义，通过识别敌方雷达信号调制格式方式来还原敌方的雷达通信信号，进而进一步进行解调分析、协议识别、信息分析等操作，只有充分掌握敌方的通信信息，才能取得电子战争的主动权。因此，雷达通信信号调制格式识别已经成为当今电子战等军事领域的关键技术。在深度学习领域，有监督的雷达通信调制格式识别已取得了一定成果，例如，有人提出有监督深度学习方法识别雷达通信信号调制格式，采用深度卷积神经网络(简称为CNN)构建学习模型实现端到端训练，对DSB、BPSK、16QAM等11种模拟及数字调制格式方式进行识别取得了较好的效果；还有人通过CNN网络提取信号时频图特征，融合手工特征对OFDM、BPSK、QPSK等8种调制格式方式进行了识别，在信噪比为
‑
4dB时识别准确率达到92.5％，其他人也同样采用了经典CNN网络识别调制格式格式并本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度聚类的无监督雷达信号分选方法，其特征在于，包括以下步骤：步骤一：使用雷达信号接收机将接收到的待分选雷达信号分成IQ两路数据，得到待分选的1024
×
1维的时间序列信号；步骤二：将步骤一中的时间序列信号输入到预先构建并训练好的无监督分选模型中进行信号调制格式分选，得到雷达信号分选结果；所述无监督分选模型由深度自编码网络层与时序信号聚类层相结合得到，所述深度自编码网络层包括编码层和解码层，所述编码层将输入的时间序列信号降维压缩为更紧凑的潜在特征表示向量，并将所述潜在特征表示向量分别输出至所述解码层和所述时序信号聚类层，所述解码层根据所述潜在特征表示向量重构对应的原始雷达信号，所述时序信号聚类层对所述潜在特征表示向量进行无监督聚类分析，得到所述雷达信号分选结果，并且在利用训练数据集训练所述无监督分选模型时，将所述深度自编码网络层的重构损失函数与所述时序信号聚类层的KL对比散度损失函数作为模型的总代价函数，通过最小化总代价函数来反向更新所述深度自编码网络层的权重参数和所述时序信号聚类层的聚类中心，对所述无监督分选模型进行联合优化训练。2.根据权利要求1所述的一种基于深度聚类的无监督雷达信号分选方法，其特征在于，所述编码层由一维卷积层、多尺度池化层、两个双向长短时记忆网络依次级联而成，所述解码层包括依次连接的上采样层和反卷积层，并且所述深度自编码网络层采用均方误差MSE作为所述重构损失函数。3.根据权利要求1或2所述的一种基于深度聚类的无监督雷达信号分选方法，其特征在于，在利用训练数据集训练所述无监督分选模型时，采用无监督的迭代训练方法来训练所述时序信号聚类层，所述时序信号聚类层的训练过程包括以下步骤：步骤二一：基于相似性度量计算训练数据集中训练样本序列x<...

【专利技术属性】
技术研发人员：杨承志，吴宏超，邴雨晨，王美玲，许冰，王龙，周一鹏，易仁杰，王鸿超，吴焕欣，商犇，刘焕鹏，李吉民，石礼盟，曹鹏宇，陈泽盛，苏琮智，
申请(专利权)人：中国人民解放军空军航空大学，
类型：发明
国别省市：