【技术实现步骤摘要】
雷达信号调制类型的自动识别方法
[0001]本专利技术涉及一种基于残差
‑
注意力卷积神经网络的雷达信号调制类型识别方法，尤其是能准确识别给定信号的调制类型的方法。
技术介绍
[0002]雷达辐射源信号识别是通过处理和分析所截获雷达信号，挖掘雷达类型、状态和功能等信息，从而达到掌握其信息。雷达信号调制类型的识别是辐射源识别的核心，不仅如此，雷达辐射源信号识别通过分析不同调制波形信号脉内特征，得到该信号的特有属性，实现雷达调制类型识别。因此快速高效的雷达信号调制识别在电磁频谱域对抗中起着至关重要的作用，直接影响后续任务的准确性，例如电子对策等。雷达调制类型识别的目的是识别截获雷达信号的调制类型，为判断雷达辐射源设备功能、特性，协成波形干扰或抗干扰任务。随着雷达技术的快速发展，雷达使用数量和种类越来越多，雷达信号调制方式越来越复杂，电磁环境也变得更加恶劣。在这样的电子环境下，繁多的信号脉内调制形式、较大的信号噪声比(SNR)范围，使得通过单个特征仍然无法提取到信号的本质特征，不仅让雷达信号的调制方式越来越多样化,...
【技术保护点】
【技术特征摘要】
1.一种雷达信号调制类型的自动识别方法，具有如下技术特征：基于残差
‑
注意力卷积神经网络的调制识别器，利用雷达中频信号直接作为神经网络的输入，采用一维卷积神经网络构建端到端的信号调制类型识别网络模型，收集不同调制方式的雷达采样复信号样本，将整个输入集合信号样本进行划分，划分为训练集、验证集以及测试集，确定神经网络架构；调制类型识别网络模型对输入雷达复信号集合进行归一化处理，提取雷达复信号的实部、虚部以及相位作为信号表征信息，将其表征信息输入到神经网络的三个通道中；调制类型识别网络模型使用多个带有一维深层卷积神经网络、注意力机制以及残差结构的残差
‑
注意力卷积块，通过一维深层卷积神经网络提取各通道的信号特征，引入残差结构和注意力机制调整特征通道，将残差
‑
注意力卷积块中第一层一维卷积神经网络的输入信号，相加到最后一层一维卷积神经网络的输出上，并利用特征图与通道统计量的相互作用，让网络聚焦于更有用的特征信息；紧接着通过全连接层进一步提取感兴趣的关键特征，整合残差
‑
注意力卷积块输出特征，通过特征提取、特征整合和非线性映射，得到高层特征向量，然后利用Softmax分类器识别调制方式，计算每个特征向量的输出概率，输出预测的调制类型；调制类型识别网络模型确定神经网络架构后，设置损失函数、优化器、学习率等网络模型参数，通过反向传播算法，以最小化损失函数为目标，更新和训练神经网络参数，保存性能最优模型，得到离线训练
‑
在线检测的调制方式分类器，对雷达信号调制类型进行自动识别，进而实现雷达信号调制类型识别。2.如权利要求1所述的雷达信号调制类型的自动识别方法，其特征在于：调制类型识别网络模型在一定范围信噪比下，等量收集各类调制方式的雷达复信号样本，标注其对应的调制类型，将雷达复信样本划分为训练集、验证集以及测试集样本，划分的训练集样本D＝{(s
n
,y
c
)}，n∈[1,N]，c∈[1,C]，并保证训练集样本与验证集样本的划分比例为8:2，其中，s
n
为第n个复信号样本，y
c
表示该样本属于第c类调制方式，N为收集的数据样本数，C为调制种类数。3.如权利要求1所述的雷达信号调制类型的自动识别方法，其特征在于：调制类型识别网络模型所有接收到的雷达复信号S＝[s1,s2,
…
,s
N
]，对所有雷达复信号样本进行归一化和实部、虚部、相位提取处理，对雷达复信号集S进行归一化处理，使S的实部和虚部均落在(0,1)之间，方便网络的训练，具体表示为：其中，其中，表示复数集，N为样本的个数，T表示每个样本的长度，为归一化后的雷达复信号集，代表复信号表征矩阵二范数的平方。4.如权利要求3所述的雷达信号调制类型的自动识别方法，其特征在于：调制类型识别网络模型得到归一化处理的雷达复信号集后，提取的实部、虚部和相位构成一个同时包含了复信号的全部信息的三阶张量：且其中，表示实数集。5.如权利要求4所述的雷达信号调制类型的自动识别方法，其特征在于：调制类型识别
网络模型收集以及处理得到信号样本集后，将第n个复信号表征矩阵输入到基于残差
‑
注意力卷积神经网络的调制类型识别器中，通过特征提取、整合以及分类，输出该雷达复信号的调制类型分类结果。6.如权利要求1所述的雷达信号调制类型的自动识别方法，其特征在于：调制类型识别器由残差
‑
注意力卷积块、全连接层和选用Softmax激活函数的输出层构成，其中，调制类型识别器中共有P个残...
【专利技术属性】
技术研发人员：罗皓，吴麒，王翔，侯波涛，
申请(专利权)人：中国电子科技集团公司第十研究所，
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。