基于深度迁移学习的雷达有源干扰信号识别方法技术

一种基于深度迁移学习的雷达有源干扰信号识别方法，其步骤包括：1、生成雷达有源干扰信号数据集，2、构建雷达有源干扰信号时频图像训练集、验证集和测试集，3、搭建深度迁移学习网络，4、对深度迁移学习网络进行第一次训练，5、对第一次训练后的深度迁移学习网络进行第二次训练，6、利用深度迁移学习网络预测测试集。本发明专利技术能够在雷达有源干扰信号样本数量不充足、不易获取雷达有源干扰信号的条件下实现雷达有源干扰信号的准确分类，加快网络训练时的收敛速度，提高雷达有源干扰信号识别的效率，有利于及时选取有效的抗干扰措施，提升雷达的生存率。达的生存率。达的生存率。

【技术实现步骤摘要】
基于深度迁移学习的雷达有源干扰信号识别方法


[0001]本专利技术属于雷达
，更进一步涉及电子对抗
中的一种基于深度迁移学习的雷达有源干扰信号识别方法。本专利技术可用于雷达有源干扰环境下的多种有源干扰信号的识别。

技术介绍

[0002]雷达有源干扰信号识别是雷达抗干扰的前提和基础。在现代电子战战场环境中，目标回波、有源干扰和无源干扰信号纷繁复杂，其中，有意施放的雷达有源干扰信号针对性更强、破坏性更大，给雷达准确检测目标信号的存在带来严峻的挑战。随着数字射频存储技术DRFM(Digital Radio Frequency Memory)技术的不断发展，干扰机能够在较短时间内产生形式多样、参数多变的干扰信号，加剧了雷达面临的生存威胁。只有精准识别出有源干扰信号的类型，才能及时采取有效的抗干扰措施，保证己方雷达的正常工作。但目前现有技术仍然存在一定的问题和不足，在多种雷达有源干扰信号存在的环境中，已有方法对雷达有源干扰信号的识别率往往依赖于较大数量的已知干扰信号，与干扰信号不易获取这一事实相悖，存在小样本条件下识别率较低的问题，此外，模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度迁移学习的雷达有源干扰信号识别方法，其特征在于，构建深度迁移学习网络，利用生成数据集和大样本数据集对网络训练两次；该方法的步骤包括如下：步骤1，生成训练集：步骤1.1，生成至少包含8类雷达有源干扰信号，每类雷达有源干扰信号至少包含400个样本的雷达有源干扰信号数据集；步骤1.2，对雷达有源干扰信号数据集中每个干扰信号依次进行崔
‑
威廉斯分布CWD变换、预处理，得到雷达有源干扰信号时频图像训练集；步骤2，搭建深度迁移学习网络：步骤2.1，搭建一个22层的卷积神经网络，其结构依次为：第一卷积层，第二卷积层，第一池化层，第三卷积层，第四卷积层，第二池化层，第五卷积层，第六卷积层，第七卷积层，第三池化层，第八卷积层，第九卷积层，第十卷积层，第四池化层，第十一卷积层，第十二卷积层，第十三卷积层，第五池化层，第六池化层，第一全连接层，第二全连接层，SoftMax层；步骤2.2，设置深度迁移学习网络的参数：将第一、第二卷积层的卷积核数目均设置为64，第三、第四卷积层的卷积核数目均设置为128，第五至第七卷积层的卷积核数目均设置为256，第八至第十三卷积层的卷积核数目均设置为512，第一至第十三卷积层的卷积核大小均设置为3，卷积核的激活函数均设置为relu激活函数；将第一至第五池化层均设置为最大池化，第六池化层设置为平均池化，第一、第二全连接层的全连接神经元的数目分别设置为256、8；步骤3，对深度迁移学习网络进行第一次训练：步骤3.1，将第一次训练深度迁移学习网络初始参数中的初始学习率设置为0.01，选择SGD随机梯度下降算法，将随机梯度下降算法SGD中的动量项设置为0.9，权值衰减系数设置为0.0005；步骤3.2，将大数据集中的图像按批次依次输入到深度迁移学习网络中，输出初始分类结果，计算初始分类结果与真实标签的交叉熵损失，利用梯度下降法，迭代更新网络参数，直到损失函数收敛为止，得到第一次训练后的深度迁移学习网络；步骤4，对第一次训练后的深度迁移学习网络进行第二次训练：固定第一次训练后深度迁移学习网络第一至第十三卷积层、第一至第五池化层的参数，重新设...

【专利技术属性】
技术研发人员：饶鲜，张思柔，赵成义，李文博，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：