基于深度聚类的雷达辐射源分选方法技术

本发明专利技术涉及一种基于深度聚类的雷达辐射源分选方法，包括以下步骤：数据预处理；构建卷积自编码器网络；构建全连接自编码器网络；网络预训练；特征融合；聚类数目估计；数据聚类；网络微调；分选结果输出。利用神经网络自动提取雷达辐射源信号的脉内特征，避免了人为设计和计算脉内特征，提高了智能性和自适应能力。同时利用密度峰值聚类算法估计聚类数目，解决了k

【技术实现步骤摘要】
基于深度聚类的雷达辐射源分选方法


[0001]本专利技术属于信号处理领域，更进一步涉及雷达辐射源分选
中的一种基于深度聚类的雷达辐射源分选方法。本专利技术可用于电子情报侦察、电子支援和威胁告警系统中对接收的雷达辐射源信号进行分选。

技术介绍

[0002]雷达辐射源分选是指从截获的密集交叠的脉冲流中分离出各部雷达的信号，它是雷达侦察的重要组成部分。雷达侦察系统的首要任务是从交错的脉冲流中分选出各个雷达信号并进行识别，得到不同辐射源的型号信息，之后再根据识别的结果分析各个雷达辐射源工作模式、威胁等级等信息。雷达辐射源分选的准确性直接影响了雷达辐射源识别的正确性，进而影响着上层系统获取的情报信息的正确性，因此，雷达辐射源分选对雷达侦察乃至整个电子对抗系统有重要意义。
[0003]传统的雷达辐射源分选方法是以雷达辐射源的载频、脉宽、到达时间、到达角、幅度组成的脉冲描述字为特征参数对雷达辐射源进行分析。然而，随着电子技术的发展，雷达等电磁设备的广泛应用，导致雷达辐射源数目增多，电磁环境日益复杂，同时复杂体制雷达的应用，使得雷达发射信号的调制本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度聚类的雷达辐射源分选方法，其特征在于步骤如下：步骤1：对雷达辐射源数据集进行预处理，得到载频和脉宽、信号时频图；步骤2：构建卷积自编码器网络；所述的卷积自编码器网络包括16层，其结构依次为：第一卷积层
→
第一池化层
→
第二卷积层
→
第二池化层
→
第三卷积层
→
第三池化层
→
Flatten层
→
第一全连接层
→
第二全连接层
→
Reshape层
→
第一上采样层
→
第四卷积层
→
第二上采样层
→
第五卷积层
→
第三上采样层
→
第六卷积层，其中前8层组成编码器，后8层组成解码器；将第一至第六卷积层中卷积核的个数分别设置为16，8，8，8，16，1，卷积核的大小都设置为33，步长均设置为1，激活函数为ReLU函数，填充方式选用“same”填充，第一至三池化层均采用最大池化方式，池化区域核的大小都设置为22，步长均设置为1，第一和第二全连接层的神经元个数分别为32，512，激活函数为ReLU函数，第一至第三上采样层上采样窗口大小为22；步骤3：构建全连接自编码器网络：所述的全连接自编码器网络包括6层，其结构依次为：第一隐含层
→
第二隐含层
→
第三隐含层
→
第四隐含层
→
第五隐含层
→
输出层，其中，前3层组成编码器，后三层组成解码器；将第一至第五隐含层的神经元个数分别设置为8，8，16，8，8，激活函数为ReLU函数，输出层的神经元个数设置为2，激活函数为sigmoid函数；步骤4：网络预训练：将信号时频图输入卷积自编码器网络中进行预训练得到特征提取雷达辐射源脉内特征提取编码器网络，将载频和脉宽输入全连接自编码器网络中进行预训练得到...

【专利技术属性】
技术研发人员：顾颖，刘江峰，王伯祥，
申请(专利权)人：西安晟昕科技发展有限公司，
类型：发明
国别省市：