【技术实现步骤摘要】
本专利技术属于信号分类以及深度学习领域，具体涉及一种基于时频分析及改进卷积神经网络的雷达信号识别方法。
技术介绍
1、雷达辐射源信号识别是通过处理和分析所截获雷达信号，挖掘雷达类型、状态和功能等信息，从而达到掌握其信息。雷达信号调制类型的识别是辐射源识别的核心，不仅如此，雷达辐射源信号识别通过分析不同调制波形信号脉内特征，得到该信号的特有属性，实现雷达调制类型识别。因此快速高效的雷达信号调制识别在电磁频谱域对抗中起着至关重要的作用，直接影响后续任务的准确性，例如电子对抗等。
2、随着雷达技术的快速发展，雷达使用数量和种类越来越多，雷达信号调制方式越来越复杂，电磁环境也变得更加恶劣。在这样的电磁环境下，繁多的信号脉内调制形式、较大的信号噪声比(snr)范围，使得通过单个特征仍然无法提取到信号的本质特征，不仅让雷达信号的调制方式越来越多样化，而且使雷达信号正常工作的信噪比门限也越来越低，造成了一些只针对少数几种信号、抗噪性能差的传统雷达脉内调制识别算法失效。因此准确地识别雷达信号调制方式是一项重要而艰巨的任务。
技术实现思路
1、本专利技术的目的是提高雷达信号调制分类的准确度，使得接收的信息更加准确。
2、本专利技术的技术方案如下：
3、基于时频分析及改进卷积神经网络的雷达信号识别方法，所述方法包括：
4、获取雷达信号，通过cwd变换将所述雷达信号转换成时频图；
5、对所述时频图进行预处理；
6、将预处理后的时频图
7、最后将融合后的特征图通过softmax函数实现对雷达信号的分类识别。
8、进一步地，所述对所述时频图进行预处理具体为：
9、首先通过二值化抑制cwd转换后的时频图像的噪声，然后通过双三次插值法将时频图尺寸缩放到64×64，最后将缩放后的图像进行归一化。
10、进一步地，所述改进后的分类网络包括inceptionv2和inceptionv3。
11、进一步地，所述inceptionv2包括四个支路，其中第一个支路依次为1×1卷积核和用2组1×5和5×1的非对称卷积核；第二个支路依次为1×1卷积核和1组1×5和5×1的非对称卷积核，第三条支路为一个1×1卷积核；第四条支路为最大池化层和1×1卷积核。
12、进一步地，所述inceptionv3包括四个支路，其中第一个支路依次为1×1卷积核、3×3卷积核和把1组1×3和3×1的非对称卷积核；第二条支路是1×1卷积核和1组1×3和3×1的非对称卷积核；第三条支路为一个1×1卷积核；第四条支路为最大池化层和1×1卷积核。
13、进一步地，还包括通过自适应矩估计算法对改进后的分类网络参数进行优化训练。
14、本专利技术的技术效果：
15、(1)利用时频分析方法cwd提取信号的时频特征，核函数在起到滤波作用的同时也保留了信号的频率变化特征，在-6db低信噪比环境下仍然可以得到高能量聚集度的时频图。
16、(2)为了在低信噪比下对被强烈噪声污染的时频图进行降噪恢复，本专利技术对时频图进行灰度化处理，不仅减少了参数量而且去除了噪声，提高了识别精度。
17、(3)vgg16、googlenet和resnet等经典分类网络中实现优选，将最优的分类网络googlenet进行改进，并用于多种雷达信号的分选识别。
18、(4)通过运用时频分析方法cwd、利用二值化法对图像进行灰度化处理进行去噪处理、以及改进后的分类网络googlenet进行分选识别，显著提高了低信噪比条件下雷达信号调制格式的识别精度，在-10db下识别准确率可达92％。8类信号的平均识别精度达到99.14％；相比其它方法，提出的分类方法改进了信号识别精度和种类。
本文档来自技高网...【技术保护点】
1.基于时频分析及改进卷积神经网络的雷达信号识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于时频分析及改进卷积神经网络的雷达信号识别方法，其特征在于，所述对所述时频图进行预处理具体为：
3.根据权利要求1所述的基于时频分析及改进卷积神经网络的雷达信号识别方法，其特征在于，所述改进后的分类网络包括Inception V2和InceptionV3。
4.根据权利要求3所述的基于时频分析及改进卷积神经网络的雷达信号识别方法，其特征在于，所述InceptionV2包括四个支路，其中第一个支路依次为1×1卷积核和用2组1×5和5×1的非对称卷积核；第二个支路依次为1×1卷积核和1组1×5和5×1的非对称卷积核，第三条支路为一个1×1卷积核；第四条支路为最大池化层和1×1卷积核。
5.根据权利要求3所述的基于时频分析及改进卷积神经网络的雷达信号识别方法，其特征在于，所述InceptionV3包括四个支路，其中第一个支路依次为1×1卷积核、3×3卷积核和把1组1×3和3×1的非对称卷积核；第二条支路是1×1卷积核和1组1×3和3
6.根据权利要求1所述的雷达信号识别方法，其特征在于，还包括通过自适应矩估计算法对改进后的分类网络参数进行优化训练。
...【技术特征摘要】
1.基于时频分析及改进卷积神经网络的雷达信号识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于时频分析及改进卷积神经网络的雷达信号识别方法，其特征在于，所述对所述时频图进行预处理具体为：
3.根据权利要求1所述的基于时频分析及改进卷积神经网络的雷达信号识别方法，其特征在于，所述改进后的分类网络包括inception v2和inceptionv3。
4.根据权利要求3所述的基于时频分析及改进卷积神经网络的雷达信号识别方法，其特征在于，所述inceptionv2包括四个支路，其中第一个支路依次为1×1卷积核和用2组1×5和5×1的非对称卷积核；第二个支...
【专利技术属性】
技术研发人员：邹波蓉，李帅，刘军，张恺，李辉，王悦悦，魏佳辉，徐潇宇，刘登科，
申请(专利权)人：河南理工大学，
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。