一种基于卷积神经网络模型的雷达干扰信号类型识别方法技术

本发明专利技术公开了一种基于卷积神经网络模型的雷达干扰信号类型识别方法，包括：获取回波时域序列并进行时频转换，得到回波频域序列；对回波时域序列和回波频域序列分别进行分级量化，根据分级量化结果生成第一和第二实矩阵；拼接第一和第二实矩阵并转为灰度图像；将灰度图像输入至预先训练完成的卷积神经网络模型中，以使卷积神经网络模型输出雷达干扰信号类型识别结果；其中，卷积神经网络模型是基于多个样本灰度图像以及每个样本灰度图像对应的雷达干扰信号类型进行训练得到的。本发明专利技术基于卷积神经网络模型，运用图像分类识别的方法对雷达干扰信号类型进行智能化识别，具有较高的泛化能力和识别准确率。高的泛化能力和识别准确率。高的泛化能力和识别准确率。

【技术实现步骤摘要】
一种基于卷积神经网络模型的雷达干扰信号类型识别方法


[0001]本专利技术属于雷达领域，具体涉及一种基于卷积神经网络模型的雷达干扰信号类型识别方法。

技术介绍

[0002]在雷达领域中，干扰技术与抗干扰技术相互攻防，此消彼长、互相促进。干扰技术分为有源干扰技术和无源干扰技术。其中，有源干扰使用主动辐射能量的干扰机对进行实时干扰；无源干扰利用箔条、诱饵、隐身涂层等方法反射或吸收雷达波，以干扰雷达的探测识别。针对各式各样的干扰技术，如今已有大量应对干扰的抗干扰措施，但由于干扰情形多变且难以预知，因此需要首先识别出雷达干扰信号的类型，然后选择相应的抗干扰措施。
[0003]现有抗干扰算法一般只能针对相近原理的干扰进行抗干扰处理，具体是根据信号特点进行人工分析和信号特征的提取，然后根据所提取的信号特征确定干扰类型，进而实施相应的抗干扰措施。人工进行信号特征提取虽然可以精确提取信号特点，但若信号类型发生改变、扩充，则需重新设计特征提取算法，才能保证识别算法原本的识别能效。并且，人工进行信号特征提取过程中会引入主观因素，使得识别结果不准确，从而影响本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络模型的雷达干扰信号类型识别方法，其特征在于，包括：信号预处理步骤和干扰识别步骤；所述信号预处理步骤，包括：获取雷达的回波时域序列，并对所述回波时域序列进行时频转换，得到回波频域序列；对所述回波时域序列进行分级量化，并根据分级量化结果生成第一实矩阵；对所述回波频域序列进行分级量化，并根据分级量化结果生成第二实矩阵；拼接所述第一实矩阵和所述第二实矩阵，并将拼接结果转换为灰度图像；所述干扰识别步骤，包括：将所述灰度图像输入至预先训练完成的卷积神经网络模型中，以使所述卷积神经网络模型输出雷达干扰信号类型识别结果；其中，所述卷积神经网络模型是基于多个样本灰度图像以及每个样本灰度图像对应的雷达干扰信号类型进行训练得到的；每个所述样本灰度图像均是按照所述信号预处理步骤对一样本回波时域序列进行处理得到的灰度图像。2.根据权利要求1所述的方法，其特征在于，所述对所述回波时域序列分级量化，并根据分级量化结果生成第一实矩阵的步骤，是利用下述公式实现的：a
x
(m,n)＝0.5*sgn(m
‑
M+1+rank
x
(n))+0.5,x
max
＝max(x(1),x(2),
…
,x(N
‑
1)),x
min
＝min(x(1),x(2),
…
,x(N
‑
1))；其中，a
x
(m,n)为所述第一实矩阵中第m行、第n列的元素，0≤m≤M
‑
1，0≤n≤N
‑
1，M为分级个数，N为所述回波时域序列x的长度；x(n)为x的第n个元素；sgn(
·
)为符号函数。3.根据权利要求1所述的方法，其特征在于，所述对所述回波频域序列分级量化，并根据分级量化结果生成第二实矩阵的步骤，是利用下述公式实现的：a
X
(m,n)＝0.5*sgn(m
‑
M+1+rank
X
(n))+0.5,X
max
＝max(X(1),X(2),
…
,X(N
‑
1)),X
min
＝min(X(1),X(2),
…
,X(N
‑
1))；其中，a
X
(m,n)为所述第二实矩阵中第m行、第n列的元素，0≤m≤M
‑...

【专利技术属性】
技术研发人员：樊养余，刘洋，刘曦春，吕国云，张君昌，王毅，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：