【技术实现步骤摘要】
一种基于YOLOv5的雷达脉内调制类型快速识别方法
[0001]本专利技术涉及计算
，具体涉及一种基于YOLOv5的雷达脉内调制类型快速识别方法。
技术介绍
[0002]随着技术不断发展，雷达信号已变成陆海空天网后的重要
近年来雷达系统的抗截获能力快速发展，信号体制变得非常复杂，给空间态势感知信号处理带来困难。
[0003]在雷达类信号解析中，脉冲描述字测量技术中大量的脉内调制样式识别算法被提出来，例如基于时频脊线的脉内调制识别算法，这些算法可以解决大部分的脉内调制识别问题，但是在电磁环境比较复杂的情况下，会有大量时频域交叠脉冲的存在，基于时频脊线的算法性能将大幅下降，因此在复杂电磁环境下识别出雷达脉内调制类型已成为目前亟待解决的问题。
[0004]雷达类信号按照调制类型可分为：单载频信号、相位编码信号(二相/四相编码)、线性调频信号、频率编码信号和非线性调频信号(三角/正弦/抛物线调频)，为了准确快速的识别出对应的雷达脉内调制类型的类别，常用的识别方法有支持向量机(SVM)、决策树、BP神经网...
【技术保护点】
【技术特征摘要】
1.一种基于YOLOv5的雷达脉内调制类型快速识别方法，其特征在于：包括以下步骤：S1、收集雷达脉内调制信号样本，雷达脉内调制信号包括：单载频信号、相位编码信号、线性调频信号、频率编码信号和非线性调频信号，所述相位编码信号包括：二相编码信号和四相编码信号，所述非线性调频信号包括三角调频信号、正弦调频信号和抛物线调频信号，将所述雷达脉内调制信号样本分别与噪声调频干扰信号叠加得到雷达混合信号；S2、对所述雷达混合信号使用SPWVD的方法进行时频分析并转换为时频图；S3、从每种雷达混合信号中选出至少两幅所述时频图使用labelimg软件进行标注，得到训练集和测试集；S4、搭建针对所述雷达混合信号的YOLOv5神经网络，所述YOLOv5神经网络包括输入层、backbone层、neck层和head层，所述backbone层的C3*4层连接所述Neck层，所述head层由中目标检测头和小目标检测头组成，所述中目标检测头与neck层C3*6层相连，所述小目标检测头与neck层C3*7层相连；S5、将训练集和测试集进行锚框、图像的自适应计算、Mosaic数据增强后使训练集中图像的尺寸、验证集中图像的尺寸和测试集中图像的尺寸全部相同；S6、将训练集送入所述YOLOv5神经网络对所述时频图进行特征提取得到中目标特征图、小目标特征图和置信度；S7、将所述中目标特征图和所述小目标特征图送入Detect检测网络进行检测，所述Detect检测网络使用SIoU_loss损失函数进行网络收敛并进行非极大值抑制处理后输出、显示所述雷达脉内调制信号的类别、识别准确率；S8、将测试集送入所述YOLOv5神经网络，判断mAP0.5是否满足，如果是，所述YOLOv5神经网络训练完成，进入步骤S9；如果否，更新所述YOLOv5神经网络的参数，返回步骤S4；S9、将待识别雷达混合信号使用SPWVD方法进行时频分析并转换为时频图再进行锚框、图像的自适应计算、Mosaic数据增强后输入所述YOLOv5神经网络，所述待识别雷达混合信号包括以下任意一种或多种：所述单载频信号、所述二相编码信号、所述四相编码信号、所述线性调频信号、所述频率编码信号、所述三角调频信号、所述正弦调频信号、所述抛物线调频信号，所述YOLOv5神经网络进行分类后输出并显示所述雷达脉内调制信号的类别、识别准确率，基于YOLOv5的雷达脉内调制类型快速识别完成。2.根据权利要求1所述的一种基于YOLOv5的雷达脉内调制类型快速识别方法，其特征在于：所述单载频信号为：Arect(τ)exp(j2πf0t)；其中，A为幅度，rect()为矩形函数，τ为脉冲宽度，j为虚数，f0为信号载频，t为时域中的时间变量；所述二相编码信号为：其中，a
n
为取值
±
1的符号率序列，g(t)为成型脉冲，T
s
为码元宽度，w
c
为载波频率；所述四相编码信号为：
其中，b
n
和c
n
均为取值
±
1的符号率序列；所述线性调频信号为：其中，T为脉冲宽度，μ为调频斜率，为初始相位；所述频率编码信号为：其中，f
n
为载波频率，β
n
(t)为载波相位；所述非线性调频信号为：所述非线性调频信号为NLFM，其中，T
p
为脉冲宽度，k为调制系数，u(v)为调制函数，通过...
【专利技术属性】
技术研发人员：沈永健，蔡敏康，张鹏宇，李育恒，陈璟璟，
申请(专利权)人：航天长征火箭技术有限公司，
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。