【技术实现步骤摘要】
一种低信噪比下的雷达信号分类方法
[0001]本专利技术涉及雷达信号处理
，特别是一种低信噪比下的雷达信号分类方法。
技术介绍
[0002]现代电子战随着电子信息技术的崛起而迅速发展，电磁频谱多样繁杂，雷达信号 波形出现捷变性和高干扰特点。从复杂电磁环境中识别出关键的雷达信号，可以在现 代电子战中获得先机。
[0003]目前雷达信号分类主流的方法宏观上可以分为三种，包括传统的基于概率和统计 的分类方法、基于机器学习的特征分类方法和基于深度神经网络的学习模型。而用于 分类的信号特征从宏观上可以分为脉间特征和脉内特征。
[0004]由于雷达信号的种类激增和频率捷变，基于脉间特征的传统方法分类能力显著降 低。而深度学习凭借强大的学习能力、泛化能力和鲁棒能力，已经广泛的应用于雷达 信号分类。虽然利用深度学习的雷达信号分类技术在近年来已经取得了较大的进展， 但由于电磁环境复杂化，低信噪比下的雷达信号特征受噪声影响大，难以提取到有效 的特征，导致低信噪比下雷达信号分类准确率较低。因此，如何克服噪声的干扰，高 效识别...
【技术保护点】
【技术特征摘要】
1.一种低信噪比下的雷达信号分类方法，其特征在于，包括以下步骤：步骤1、利用Choi
‑
Williams分布对雷达信号进行时频变换，将雷达信号转换为雷达信号时频图，得到不同信噪比下雷达信号的时频特征；步骤2、使用双三线性插值法将雷达信号时频图缩放至卷积脉冲神经网络输入大小，并使用随机翻转和随机排布扩充信号时频图的特征；步骤3、利用卷积脉冲神经网络的第一卷积层对雷达信号时频图进行空间特征提取，并进行自适应编码；步骤4、将编码后的雷达信号空间特征信息送入卷积脉冲神经网络的漏电积分发放脉冲神经元，转化为脉冲序列，得到雷达信号的时间序列特征信息；步骤5、通过对比不同时间步长对网络稳定性和推理延迟的影响，选定网络最佳时间步长，在最佳时间步长内不断对特征值累加，以积累脉冲化的时间序列特征，使脉冲神经元膜电位增加以激励其释放脉冲，进而完成特征信息的前向传递；步骤6、卷积脉冲神经网络中卷积层和漏电积分发放脉冲神经元层交替传递雷达信号的时空信息，完成雷达信号的时空特征融合；步骤7、将经过时空特征融合的雷达信号通过积分发放脉冲神经元组成的卷积脉冲神经网络的全连接层，对雷达信号进行分类；步骤8、在卷积脉冲神经网络通过链式法则反向传播误差时，采用梯度替代反向传播误差，优化梯度因子，更新卷积脉冲神经网络参数，增强卷积脉冲神经网络的收敛性和稳定性，并利用参数更新完成的卷积脉冲神经网络完成对雷达信号的分类。2.根据权利要求1所述的低信噪比下的雷达信号分类方法，其特征在于，步骤1所述利用Choi
‑
Williams分布对雷达信号进行时频变换，将雷达信号转换为雷达信号时频图，得到不同信噪比下雷达信号的时频特征，具体如下：给不同的雷达信号添加不同的高斯白噪声，利用Choi
‑
Williams变换将雷达信号转换为具有不同噪声干扰的雷达信号时频图。3.根据权利要求1所述的低信噪比下的雷达信号分类方法，其特征在于，步骤2所述使用双三线性插值法将雷达信号时频图缩放至卷积脉冲神经网络输入大小，并使用随机翻转和随机排布扩充信号时频图的特征，具体如下：步骤2.1、使用双三线性插值法将雷达信号时频图缩放至卷积脉冲神经网络输入大小；步骤2.2、使用随机翻转和随机排布扩充时频图的特征，增强泛化性。4.根据权利要求1所述的低信噪比下的雷达信号分类方法，其特征在于，步骤3所述利用卷积脉冲神经网络的第一卷积层对雷达信号时频图进行空间特征提取，并进行自适应编码，具体如下：步骤3.1、卷积脉冲神经网络的第一卷积层通过卷积运算对雷达信号时频图进行空间特征提取；步骤3.2、第一卷积层通过训练对雷达信号时频图的空间特征进行自适应编码。5.根据权利要求1所述的低信噪比下的雷达信号分类方法，其特征在于，步骤4所述将编码后的雷达信号空间特征信息送入卷积脉冲神经网络的漏电积分发放脉冲神经元，转化为脉冲序列，得到雷达信号的时间序列特征信息，具体如下：步骤4.1、将编码后的雷达信号空间特征值送入漏电积分发放脉冲神经元进行脉冲化，
脉冲化首先经过充电过程，如式(1)所示：τ
n
(U[t]
‑
U[t
‑
1])＝
‑
(U[t
‑
1]
‑
U
reset
)+X[t]
ꢀꢀ
(1)式中τ
n
是时间常数，U
reset
是重置电压...
【专利技术属性】
技术研发人员：陶诗飞，肖帅，王昊，丁浩，王慧赋，
申请(专利权)人：南京理工大学，
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。