一种LPI雷达信号识别方法、系统、设备和存储介质技术方案

本发明专利技术涉及雷达信号识别技术领域，公开了一种LPI雷达信号识别方法、系统、设备和存储介质，包括对接收到的LPI雷达信号进行数据处理，得到雷达信号数据集；建立多级神经网络识别模型，并使用所述雷达信号数据集对所述多级神经网络识别模型进行训练；将待识别雷达信号输入训练好的所述多级神经网络识别模型进行类型识别，并通过双门限判决法得到所述待识别雷达信号的信号类别。本发明专利技术能够依据识别难度自适应选择网络传播深度进行识别，降低了识别算法的复杂度，减少不必要的计算开销，不仅能够达到更高的识别准确率，而且大幅降低了计算量，提升识别速度。提升识别速度。提升识别速度。

【技术实现步骤摘要】
一种LPI雷达信号识别方法、系统、设备和存储介质


[0001]本专利技术涉及雷达信号识别
，特别是涉及一种基于端到端多级神经网络的LPI雷达信号识别方法、系统、计算机设备和存储介质。

技术介绍

[0002]LPI(Low Probability of Intercept)雷达信号通过使用先进调制技术等，可以有效降低被敌方接收机的截获和检测的概率，已被广泛应用于各种雷达体制。LPI雷达信号具有低功率、大带宽和频率变化等特点，带来了侦测识别困难等挑战。目前，基于深度学习的LPI雷达信号识别方法的研究越来越多。
[0003]基于深度学习的LPI雷达信号识别方法相较于传统方法取得了更高的识别性能，然而这些算法往往关注于识别准确率而忽视了实现复杂度以及时频图与视觉图像间的差异。现有的LPI雷达信号识别网络往往具备固定的单输出网络结构，在不同识别难度场景下都需要经过固定的网络运算，不具备适应性，会造成不必要的计算消耗。而且现有的LPI雷达信号识别网络往往按照视觉图像识别领域中的卷积神经网络进行卷积
‑
激活
‑
池化操作，而忽视了LPI雷达信号时频图与视觉图像的差异，使用一步卷积和池化操作会导致准确率受限且计算量较大。也就是说，现有网络的计算量普遍较大，不仅导致耗能大，而且会使得识别不及时。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提供了一种LPI雷达信号识别方法、系统、计算机设备和存储介质，通过设计新型的基于端多端的多级神经网络进行雷达信号的识别，不仅在性能上超过了现有的LPI雷达信号的识别方法，而且能够凭借多级结构优势依据识别难度选择计算消耗，进一步降低识别算法的复杂度，能够减少不必要的计算开销，并提升识别速度。
[0005]第一方面，本专利技术实施例提供了一种LPI雷达信号识别方法，包括：
[0006]对接收到的LPI雷达信号进行数据处理，得到雷达信号数据集；
[0007]建立多级神经网络识别模型，并使用所述雷达信号数据集对所述多级神经网络识别模型进行训练，所述多级神经网络识别模型由三级网络模型构成，其中，第一级主干网络为卷积网络，第二级主干网络和第三主干网络均为残差网络，且每级主干网络都设置有相应的分类器；
[0008]将待识别雷达信号输入训练好的所述多级神经网络识别模型进行类型识别，并通过双门限判决法得到所述待识别雷达信号的信号类别。
[0009]进一步地，所述对接收到的LPI雷达信号进行数据处理，得到雷达信号数据集的步骤包括：
[0010]接收发射机发出的LPI雷达信号，并将所述雷达信号的时域波形信号和对应的信号类别作为雷达信号原始数据集；
[0011]通过CWD分布将所述时域波形信号变换成时频图，并对所述时频图进行二维Kasir滤波处理，得到雷达信号数据集。
[0012]进一步地，所述第一级主干网络包括三层卷积层，所述第二级主干网络和所述第三级主干网络均包括具有跳连接结构的残差模块，且所述第一级主干网络、所述第二级主干网络和所述第三级主干网络分别对应设置有第一级分类器、第二级分类器和第三级分类器。
[0013]进一步地，所述第一级主干网络中每层卷积层的卷积操作步长均为2，且第一层卷积层的卷积核大小为5，第二层卷积层和第三层卷积层的卷积核大小均为3。
[0014]进一步地，所述残差模块对输入的特征图进行特征融合和提取的步骤包括：
[0015]对输入的特征图进行第一卷积操作，得到所述特征图的第一特征，其中，所述第一卷积操作的卷积核的尺寸为1
×
1，所述第一卷积操作的卷积核的步长为2，且所述第一卷积操作的卷积核的核数为所述特征图的维度的2倍；
[0016]对所述特征图依次进行第二卷积操作、第三卷积操作和第四卷积操作，得到所述特征图的第二特征，其中，所述第二卷积操作的卷积核的尺寸为1
×
1，所述第二卷积操作的卷积核的步长为2，所述第二卷积操作的卷积核的核数为所述特征图的维度的1/2；所述第三卷积操作的卷积核的尺寸为3
×
3，所述第三卷积操作的卷积核的步长为1，所述第三卷积操作的卷积核的核数为所述特征图的维度的1/2；所述第四卷积操作的卷积核的尺寸为1
×
1，所述第四卷积操作的卷积核的步长为1，所述第四卷积操作的卷积核的核数为所述特征图的维度的2倍；
[0017]将所述第一特征和所述第二特征按位相加，并经过激活函数进行输出。
[0018]进一步地，所述多级神经网络识别模型采用加权深度监督作为损失函数，并采用如下公式计算所述损失函数：
[0019][0020][0021]式中，loss
i
为前i级主干网络的损失函数值，N为雷达信号数据集的大小，M为雷达信号数据集中雷达信号的类别数，p
i_nm
为样本n在第i级分类器输出的类别为第m类信号的概率，y
nm
表示样本n的标签为第m类标签，α
i
为第i级主干网络的权重。
[0022]进一步地，所述将待识别雷达信号输入训练好的所述多级神经网络识别模型进行类型识别，并通过双门限判决法得到所述待识别雷达信号的信号类别的步骤包括：
[0023]将待识别雷达信号的时频图输入训练好的所述多级神经网络识别模型中，通过所述第一级主干网络提取浅层特征，并将所述第一级分类器输出的最高概率作为第一判决置信度；
[0024]将所述第一判决置信度与预设的判决上限相比较，若所述第一判决置信度高于所述判决上限，则将所述第一级分类器输出的判决结果作为所述待识别雷达信号的类别，若所述第一判决置信度低于所述判决上限，则将所述第一判决置信度与预设的判决下限相比
较；
[0025]若所述第一判决置信度低于所述判决下限，则将所述浅层特征通过所述第二级主干网络传递到所述第三主干网络，使用所述第三主干网络提取第一深层特征，并将所述第三级分类器输出的判决结果作为所述待识别雷达信号的类别；
[0026]若所述第一判决置信度高于所述判决下限，则将所述浅层特征传递到所述第二级主干网络，使用所述第二级主干网络提取第二深层特征，并将所述第二级分类器输出的最高概率作为第二判决置信度；
[0027]将所述第二判决置信度与所述判决上限相比较，若所述第二判决置信度高于所述判决上限，则将所述第二级分类器输出的判决结果作为所述待识别雷达信号的类别，若所述第二判决置信度低于所述判决上限，则将所述第二深层特征传递到所述第三主干网络进行特征提取，并将所述第三级分类器输出的判决结果作为所述待识别雷达信号的类别。
[0028]第二方面，本专利技术实施例提供了一种LPI雷达信号识别系统，包括：
[0029]数据集构建模块，用于对接收到的LPI雷达信号进行数据处理，得到雷达信号数据集；
[0030]识别模型构建模块，用于建立多级神经网络识别模型，并使用所述雷达信号数据集对所述多级神经网络识别模型进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种LPI雷达信号识别方法，其特征在于，包括：对接收到的LPI雷达信号进行数据处理，得到雷达信号数据集；建立多级神经网络识别模型，并使用所述雷达信号数据集对所述多级神经网络识别模型进行训练，所述多级神经网络识别模型由三级网络结构构成，其中，第一级主干网络为卷积网络，第二级主干网络和第三主干网络均为残差网络，且每级主干网络都设置有相应的分类器；将待识别雷达信号输入训练好的所述多级神经网络识别模型进行类型识别，并通过双门限判决法得到所述待识别雷达信号的信号类别。2.根据权利要求1所述的LPI雷达信号识别方法，其特征在于，所述对接收到的LPI雷达信号进行数据处理，得到雷达信号数据集的步骤包括：接收发射机发出的LPI雷达信号，并将所述雷达信号的时域波形信号和对应的信号类别作为雷达信号原始数据集；通过CWD分布将所述时域波形信号变换成时频图，并对所述时频图进行二维Kasir滤波处理，得到雷达信号数据集。3.根据权利要求1所述的LPI雷达信号识别方法，其特征在于，所述第一级主干网络包括三层卷积层，所述第二级主干网络和所述第三级主干网络均包括具有跳连接结构的残差模块，且所述第一级主干网络、所述第二级主干网络和所述第三级主干网络分别对应设置有第一级分类器、第二级分类器和第三级分类器。4.根据权利要求3所述的LPI雷达信号识别方法，其特征在于，所述第一级主干网络中每层卷积层的卷积操作步长均为2，且第一层卷积层的卷积核大小为5，第二层卷积层和第三层卷积层的卷积核大小均为3。5.根据权利要求3所述的LPI雷达信号识别方法，其特征在于，所述残差模块对输入的特征图进行特征融合和提取的步骤包括：对输入的特征图进行第一卷积操作，得到所述特征图的第一特征，其中，所述第一卷积操作的卷积核的尺寸为1
×
1，所述第一卷积操作的卷积核的步长为2，且所述第一卷积操作的卷积核的核数为所述特征图的维度的2倍；对所述特征图依次进行第二卷积操作、第三卷积操作和第四卷积操作，得到所述特征图的第二特征，其中，所述第二卷积操作的卷积核的尺寸为1
×
1，所述第二卷积操作的卷积核的步长为2，所述第二卷积操作的卷积核的核数为所述特征图的维度的1/2；所述第三卷积操作的卷积核的尺寸为3
×
3，所述第三卷积操作的卷积核的步长为1，所述第三卷积操作的卷积核的核数为所述特征图的维度的1/2；所述第四卷积操作的卷积核的尺寸为1
×
1，所述第四卷积操作的卷积核的步长为1，所述第四卷积操作的卷积核的核数为所述特征图的维度的2倍；将所述第一特征和所述第二特征按位相加，并通过激活函数进行输出。6.根据权利要求1所述的LPI雷达信号识别方法，其特征在于，所述多级神经网络识别模型采用加权深度监督作为损失函数，并采用如下公式计算所述损失函数：
式中，loss...

【专利技术属性】
技术研发人员：罗志勇，王西提，
申请(专利权)人：中山大学，
类型：发明
国别省市：