【技术实现步骤摘要】
本专利技术涉及lpi雷达信号识别，尤其涉及一种lpi雷达信号谱图融合识别方法。
技术介绍
1、雷达信号脉内调制是现代电子战中非常关键的一部分，电子环境充斥着嘈杂的噪声，在低信噪比情况下，对于雷达脉内调制信号的识别成为亟需解决的一大问题。复杂战争环境下,低截获概率雷达(lpi)信号的识别应用的广泛也让它成为战争一大重点。
2、传统的lpi雷达调制信号识别主要基于人工特征提取的方法，效果很差，往往难以发现信号之间的细致关联，传统的调制识别方法依赖于五个常规参数，包含特征到达方向与时间(doa/toa)、射频(rf)、脉宽(pa)、脉冲重复间隔(pri)，但是很难表现出复杂信号的特征所以已经无法满足现在的需求，现如今，随着深度学习的发展，现有成果已经足以证明利用大量数据的学习,深度学习技术已经可以取代人工提取的技术，能够克服噪声带来的影响,准确率也会更高。比如多应用于特征提取的卷积神经网络(cnn)以及多应用于自然语言处理的循环神经网络(rnn),随着研究技术的深入，google在论文attention is all youneed中提出了transformer模型,网络并行计算的优点更能体现。利用深度学习技术，lpi雷达信号的检测识别也进入了一个新的阶段。zhang ming对雷达信号进行cwd变化转换为时频域信息，用elman神经网络(enn)和cnn进行识别，前者在snr为-2db时，整体识别准确率达到94.7％，后者在-6db情况下整体准确率达到96.1％。er zilberman采用choi-williams分布
技术实现思路
1、本专利技术的目的在于提供一种lpi雷达信号谱图融合识别方法，解决目前低信噪比下的非合作lpi雷达信号检测的算法的检测准确率不高的问题。
2、本专利技术公开的一种lpi雷达信号谱图融合识别方法所采用的技术方案是:
3、一种lpi雷达信号谱图融合识别方法，包括如下步骤：
4、s1，构建数据集；通过matlab仿真生成12种不同的lpi雷达信号，包含costas、lfm、frank、bpsk、p1-p4和t1-t4码，对信号进行时频变换和傅里叶变换得到信号的时频图、时间相位跟时间幅度序列，单个样本包括时频图、时间相位、时间幅度三个数据，并且按照样本数8：2的比例划分为训练集、测试集，并对所有样本数据进行中值滤波数据预处理；
5、s2，使用sknet模块对预处理的时频图片数据进行特征提取，提取谱图的局部特征，得到各个通道的重要性并进行表征，输出具有多尺度的特征图像；
6、s3，对于通过sknet模块提取到的特征图像，通过transformer处理经过通道注意力机制模块处理的输出特征，弥补sknnet局部特征提取全局建模能力较弱的问题；
7、s4，将经过傅里叶变换之后的时间相位跟时间幅度二维序列通过transformer网络，形成两个一维序列，通过contact操作输入到s3的transformer网络中的multi-headattention子模块中进行融合处理；
8、s5，经过融合后的transformer网络的融合处理，通过全连接层得到12个一维输出，进行12种信号的分类；
9、s6，通过训练集数据训练雷达辐射源识别网络模型；
10、s7，将测试集送入s6步骤中已训练完成的模型中进行测试。
11、作为优选方案，所述s1详细步骤为：
12、s1.1，利用matlab仿真生成12种不同的lpi雷达信号，提取同相分量i路和正交分量q路,将i路、q路数据分别保存为长度为n的采样信号,n的范围为600到1200,对信号采取choi-williams分布时频处理，得到信号时频图数据集；对信号采取傅里叶变换，得到信号的二维时间相位跟二维时间幅度序列，使用图像切割技术，获得的时频图像尺寸大小设定为256*256，仿真过程中加入高斯白噪声，信号信噪比为-10db-10db，2db为间隔，每个信噪比情况下每个信号生成样本数为1500个；
13、s1.2，根据信号样本数建立训练集和测试集：训练集和测试集比例保持在7：3，将数据和标签对应随机打乱，将训练数据集记为d＝{(xi,yk)}i∈[1,n],k∈[1,c]，其中xi表示第i个样本，yk表示样本属于第k类，一共采集了c类目标，n表示样本总数；
14、s1.3，对于所有样本，其中一个样本包含时频图、时间相位序列、时间幅度序列，对于时频图采用中值滤波的预处理方法，利用窗口大小设置为3*3，对图像进行扫描，对图像的边界采取填充0的做法，一个图像大小为[m，k]大小的，经过填充后大小变为[m+2k，n+2k]，其中2k+1为窗口大小，经过中值滤波处理，得到预处理后的图像。
15、作为优选方案，所述s2详细步骤为：
16、将预处理后的时频图片通过一个卷积层，卷积层参数设置为输入通道为1，输出通道为64，卷积核大小设置为3*3，stride设置为1，padding设置为0，然后通过两个阶段的sknet操作，其中第一个阶段包含三个skunit，skunit1首先通过一个卷积层，输出通道为128，stride跟padding为1，得到输出z1，将z1分解，通过两个卷积层，选择两个卷积核，一个为3*3，一个为5*5，输出通道均设置为64，第一个卷积层stride设置为1，padding设置为1，第二个卷积层stride设置为1，padding设置为2，将两个输出叠加，进行求取通道均值操作，通过全连接fc操作各自输出一个通道数一半的一维数据再通过fc扩展跟通道数一样，数据经过softmax函数，得到最终两个通道的权重值，与通过两个卷积层输出进行相乘操作，最终的两个卷积层输出进行通道叠加，最后通过一个卷积层，输出通道为64*2，得到输出z2，与z1相加得到sk unit1的输出，sk unit2执行跟sk unit1同样的操作，不过输出通道输入通道都设置为128，输入通道跟输出通道相等不执行相加操作，sk unit3执行跟sk unit2同样的操作，每个sk unit单元后面都接relu激活函数跟批归一化操作，第二个阶段将第一阶段的输出作为输入，把通道设置为256，执行跟第一个阶段同样的操作，得到sknet的输出；批归一化采用：
17、
18、其中，fn(k,l)表示批归一化之前的图像在卷积层输出中第k个通道中的第l个元素，fn(k,l)即为批归一化之后的图像数据，αk和βk为可训练的对应于第k个通道的参数，ε是一个很小的数，为了防止除数为0，大小为10e-8,e(.)为求均值操作，本文档来自技高网...
【技术保护点】
1.一种LPI雷达信号谱图融合识别方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种LPI雷达信号谱图融合识别方法，其特征在于，所述S1详细步骤为：
3.如权利要求2所述的一种LPI雷达信号谱图融合识别方法，其特征在于，所述S2详细步骤为：
4.如权利要求3所述的一种LPI雷达信号谱图融合识别方法，其特征在于，所述S3详细步骤为：
5.如权利要求4所述的一种LPI雷达信号谱图融合识别方法，其特征在于，所述S4详细步骤为：
6.如权利要求5所述的一种LPI雷达信号谱图融合识别方法，其特征在于，所述S5详细步骤为：
7.如权利要求6所述的一种LPI雷达信号谱图融合识别方法，其特征在于，所述S6详细步骤为：
8.如权利要求7所述的一种LPI雷达信号谱图融合识别方法，其特征在于，所述S7详细步骤为：将划分的测试集放到训练好的网络中得到最后的结果。
【技术特征摘要】
1.一种lpi雷达信号谱图融合识别方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种lpi雷达信号谱图融合识别方法，其特征在于，所述s1详细步骤为：
3.如权利要求2所述的一种lpi雷达信号谱图融合识别方法，其特征在于，所述s2详细步骤为：
4.如权利要求3所述的一种lpi雷达信号谱图融合识别方法，其特征在于，所述s3详细步骤为：
5.如权利要求4所述的一种lp...
【专利技术属性】
技术研发人员：朱贺，赵志强，潘勉，
申请(专利权)人：国科大杭州高等研究院，
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。