CN106680775A - 一种自动识别雷达信号调制方式的方法和系统 - Google Patents

Abstract

本发明公开了一种自动识别雷达信号调制方式的方法和系统。该方法包括：对雷达信号进行包括时频分析的处理，获得处理后的雷达信号的时频图，其中雷达信号包括未知雷达信号和已知雷达信号；根据所有处理后的已知雷达信号的时频图及其对应的类别构建训练集，并利用构建的训练集来训练卷积神经网络；根据训练出的卷积神经网络，对每个处理后的未知雷达信号的时频图进行识别，获得与该处理后的未知雷达信号的时频图相对应的未知雷达信号的调制方式。本发明不仅能够高效准确的识别雷达信号的调制方式，而且还解决了在极低信噪比环境下对雷达信号波形精确识别的难题。

Description

一种自动识别雷达信号调制方式的方法和系统

技术领域

本发明涉及认知无线电技术领域，尤其涉及一种自动识别雷达信号调制方式的方法和系统。

背景技术

随着现代电子和雷达技术的迅猛发展，雷达信号波形的自动识别被广泛的应用到了认知雷达、雷达发射机识别以及威胁检测和分析等系统中，成为了电子对抗水平的重要衡量标志。因此，在电子战中对雷达信号进行高效准确的识别变得越来越重要。

目前，现有技术中雷达信号波形的自动识别方法大都分为两个阶段：第一阶段，一般采用小波变换、时频分析或高阶谱分析等方法提取雷达信号的特征；第二阶段，根据从雷达信号中提取的特征训练出一个分类器(一般采用聚类、支持向量机或概率图模型等方法)，利用训练出的分类器来识别未知调制方式的雷达信号。

然而，该方法存在以下几个问题：(1)对雷达信号特征的提取完全依赖于设计者，导致某些特征非常重要的雷达信号未被提取出来，识别的准确度低，或者提取的雷达信号的特征不具备普适性，只能区分某几类雷达信号，适用性差；(2)在低信噪比的环境下无法对雷达信号的调制方式进行精确的识别，识别的准确度骤降。

发明内容

针对上述技术问题，本发明提出了一种自动识别雷达信号调制方式的方法和系统，用以高效准确地识别雷达信号的调制方式。

该自动识别雷达信号调制方式的方法包括以下步骤：

S10，对雷达信号进行包括时频分析的处理，获得处理后的雷达信号的时频图，所述雷达信号包括未知雷达信号和已知雷达信号；

S20，根据所有处理后的已知雷达信号的时频图及其对应的类别构建训练集，并利用构建的训练集来训练卷积神经网络；

S30，根据训练出的卷积神经网络，对每个处理后的未知雷达信号的时频图进行识别，获得所述未知雷达信号的调制方式。

根据本发明的实施例，上述步骤S10包括以下步骤：

S10.1，对雷达信号进行希尔伯特变换，获得解析形式下的雷达信号；

S10.2，对解析形式下的雷达信号进行时频分析，获得雷达信号的时频图；

S10.3，对雷达信号的时频图进行滤波，获得滤波后的雷达信号的时频图；

S10.4，对滤波后的雷达信号的时频图进行缩放，获得处理后的雷达信号的时频图。

根据本发明的实施例，上述步骤S10.3中，通过将雷达信号的时频图与滤波器作二维卷积，对雷达信号的时频图进行滤波。

根据本发明的实施例，上述步骤S20包括以下步骤：

S20.1，将每个处理后的已知雷达信号的时频图所属的类别映射成一个N维向量，获得所有处理后的已知雷达信号的时频图的类别向量，所述N为所有处理后的已知雷达信号的类别数；

S20.2，将所有处理后的已知雷达信号的时频图及其对应的类别向量构成训练集，每个处理后的已知雷达信号的时频图作为卷积神经网络的输入，其对应的类别向量作为卷积神经网络的输出；

S20.3，设计符合所述输入和所述输出的卷积神经网络结构，利用卷积神经网络的训练算法训练出卷积神经网络。

根据本发明的实施例，上述步骤S30包括以下步骤：

S30.1，将每个处理后的未知雷达信号的时频图输入给训练出的卷积神经网络，得到与其对应的输出类别向量；

S30.2，根据所述输出类别向量中最大元素对应的下标，获得所述未知雷达信号的调制方式。

此外，本发明还提供了一种自动识别雷达信号调制方式的系统，包括：

信号处理模块，用于对雷达信号进行包括时频分析的处理，获得处理后的雷达信号的时频图，所述雷达信号包括未知雷达信号和已知雷达信号；

训练模块，其连接所述信号处理模块，用于根据所有处理后的已知雷达信号的时频图及其对应的类别构建训练集，并利用构建的训练集来训练卷积神经网络；

识别模块，其连接所述信号处理模块和训练模块，用于根据训练出的卷积神经网络，对每个处理后的未知雷达信号的时频图进行识别，获得所述未知雷达信号的调制方式。

根据本发明的实施例，所述信号处理模块包括：

预处理单元，用于对雷达信号进行希尔伯特变换，获得解析形式下的雷达信号；

时频分析单元，其连接所述预处理单元，用于对解析形式下的雷达信号进行时频分析，获得雷达信号的时频图；

滤波单元，其连接所述时频分析单元，用于对雷达信号的时频图进行滤波，获得滤波后的雷达信号的时频图；

缩放单元，其连接所述滤波单元，用于对滤波后的雷达信号的时频图进行缩放，获得处理后的雷达信号的时频图。

根据本发明的实施例，所述滤波单元具体用于：

通过将雷达信号的时频图与滤波器作二维卷积，对雷达信号的时频图进行滤波。

根据本发明的实施例，所述训练模块包括：

映射单元，用于将每个处理后的已知雷达信号的时频图所属的类别映射成一个N维向量，获得所有处理后的已知雷达信号的时频图的类别向量，所述N为所有处理后的已知雷达信号的类别数；

构建单元，其连接所述映射单元，用于将所有处理后的已知雷达信号的时频图及其对应的类别向量构成训练集，每个处理后的已知雷达信号的时频图作为卷积神经网络的输入，其对应的类别向量作为卷积神经网络的输出；

训练单元，其连接所述构建单元，用于设计符合所述输入和所述输出的卷积神经网络结构，利用卷积神经网络的训练算法训练出卷积神经网络。

根据本发明的实施例，所述识别模块包括：

运算单元，用于将每个处理后的未知雷达信号的时频图输入给训练出的卷积神经网络，得到与其对应的输出类别向量；

识别单元，其连接所述运算单元，用于根据所述输出类别向量中最大元素对应的下标，获得所述未知雷达信号的调制方式。

与现有技术相比，本发明的一个或多个实施例可以具有如下优点：

1)本发明利用时频分析和卷积神经网络对雷达信号的调制方式进行识别，克服了人为提取雷达信号特征的缺点，提高了识别的准确度和适用性。

2)本发明解决了在极低信噪比的环境下对雷达信号调制方式精确识别的难题，并通过对雷达信号的时频图进行滤波处理，进一步提高了极低信噪比的环境下对雷达信号调制方式识别的准确度。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明的实施例中自动识别雷达信号调制方式的方法的流程图；

图2是图1所示实施例中步骤S10所示的对雷达信号进行处理的方法的流程图；

图3是本发明的实施例中通过仿真产生的五类雷达信号滤波前后的时频图；

图4是图1所示实施例中步骤S20所示的训练卷积神经网络的方法的流程图；

图5是本发明的实施例中设计的卷积神经网络的结构示意图；

图6是本发明的实施例中在不同信噪比环境下对雷达信号的调制方式识别的准确率曲线；

图7是本发明的实施例中自动识别雷达信号调制方式的系统的组成结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下结合附图和实施例对本发明作进一步地详细说明。

实施例一

图1是本发明的实施例中自动识别雷达信号调制方式的方法的流程图。下面结合图1详细地说明各个步骤及其原理。

步骤S10，对雷达信号进行包括时频分析的处理，获得处理后的雷达信号的时频图，所述雷达信号包括未知雷达信号和已知雷达信号。

针对上述未知雷达信号和已知雷达信号，应当说明的是：本实施例中涉及的未知雷达信号指的是未知调制方式的雷达信号，已知雷达信号指的是已知调制方式的雷达信号。

图2示出了本发明的一个实施例中对雷达信号进行上述时频处理的方法的流程图。具体过程如下：

步骤S10.1，对雷达信号进行希尔伯特变换，获得解析形式下的雷达信号。

在本实施例中，通过对任一雷达信号进行希尔伯特变换，得到与其对应的解析形式的雷达信号。例如，假设任一雷达信号可以表示为x(n),n＝1,2…,L，其中L为该雷达信号的长度。对于不同的雷达信号，L的取值可以不同。那么任一解析形式的雷达信号可以表示为y(n)＝x(n)+Hilbert(x(n))，其中Hilbert()表示希尔伯特变换。

步骤S10.2，对解析形式下的雷达信号进行时频分析，获得雷达信号的时频图。

在该步骤中，通过对任一解析形式的雷达信号进行时频分析，得到与其对应的雷达信号的时频图。本实施例中优选采用Wigner-Ville分布计算每个解析形式的雷达信号y(n)的二维时频图W(k,ω)，具体地，

其中，ω为角频率，k∈[0，L-1]。

步骤S10.3，对雷达信号的时频图进行滤波，获得滤波后的雷达信号的时频图。

为了进一步提高识别雷达信号调制方式的准确度，可以优选地对雷达信号的时频图进行滤波处理，降低噪声对雷达信号的时频图的影响。在本实施例中，优选地将任一雷达信号的时频图与滤波器作二维卷积，实现对任一雷达信号的时频图的滤波处理。具体地：假设某雷达信号的时频图为TF_D×D，滤波器为Fil_F×F，滤波后的时频图(滤波后的该雷达信号的时频图)为TFA_D×D，其中D×D为时频图的尺寸(时频图中像素的个数)，F×F为滤波器的尺寸(滤波器中元素的个数)，并且滤波器Fil中的所有元素求和等于1。则TFA等于TF和Fil的二维卷积。

例如，令滤波器Fil的尺寸等于23×23，即F＝23，且滤波器Fil的任意一个元素的取值等于1/(23×23)，则滤波后的时频图TFA可以由以下算式得到：

其中，表示对(F-1)/2向下取整，TFA(i,j)表示滤波后的时频图中第i行与第j列交叉点处的像素，TF(m,n)表示雷达信号的时频图中第m行与第n列交叉点处的像素，Fil(i-m,j-n)表示滤波器矩阵中第i-m行与第j-n列交叉点处的元素。

进一步地，本实施例中通过仿真产生了五类雷达信号，分别为：线调频雷达信号、单载波雷达信号、三元素Barker码(110)相位编码雷达信号、三元素Costas码(132)频率编码雷达信号以及非线性调频雷达信号。对于每一类雷达信号，在20个不同的信噪比(-10dB至9dB，以1dB为间隔)环境下各产生了200个雷达脉冲。图3示出了这五类雷达信号在信噪比等于0dB时滤波前后的时频图。从中可以看出，通过滤波处理能够明显降低噪声对时频图的影响。

步骤S10.4，对滤波后的雷达信号的时频图进行缩放，获得处理后的雷达信号的时频图。

在本实施例中，将任一滤波后的雷达信号的时频图缩放为固定尺寸M×M，得到与其对应的缩放后的雷达信号的时频图，即处理后的雷达信号的时频图。其中尺寸参数M的大小具体根据所要构建的卷积神经网络的输入来确定。在该步骤中通过缩放的处理，一方面能够使所有处理后的雷达信号的时频图的尺寸保持一致，另一方面可以提高训练卷积神经网络的速度。

应当说明的是，对雷达信号的时频图进行降噪、缩放的处理方法并不局限于本实施例中所采用的滤波和缩放方法。在具体实施过程中，本领域技术人员可以根据实际需要对其进行选择。任何熟悉本技术的技术人员在不背离本发明的原理和思想的情况下，对上述方法步骤的调整或替换，都应在本发明的保护范围之内。

步骤S20，根据所有处理后的已知雷达信号的时频图及其对应的类别构建训练集，并利用构建的训练集来训练卷积神经网络。

在本实施例中，可以优选地按照图4所示的流程图来训练卷积神经网络，以学习卷积神经网络的参数。具体过程如下：

步骤S20.1，将每个处理后的已知雷达信号的时频图所属的类别映射成一个N维向量，获得所有处理后的已知雷达信号的时频图的类别向量，所述N为所有处理后的已知雷达信号的类别数。

具体地，假设总共有N类已知雷达信号，则将这些类别分别标记为1，2，…，N。对于任一雷达信号，假设其所属类别为K，K∈[1，N]，则将此类别映射成一个N维的向量，其中只有第K维等于1，其它维都等于0。当然，并不限于此类映射方式。

步骤S20.2，将所有处理后的已知雷达信号的时频图及其对应的类别向量构成训练集，每个处理后的已知雷达信号的时频图作为卷积神经网络的输入，其对应的类别向量作为卷积神经网络的输出。

在本实施例中，分别将上述仿真产生的五类雷达信号处理后的时频图作为卷积神经网络的输入，并将其对应的类别向量作为卷积神经网络的输出，即卷积神经网络的输出为五维的向量。

步骤S20.3，设计符合所述输入和所述输出的卷积神经网络结构，利用卷积神经网络的训练算法训练出卷积神经网络。

本实施例设计的卷积神经网络结构如图5所示。该卷积神经网络总共有八层，其中卷积层有四层，池化层有三层，全连接层有一层。输入时频图尺寸为50×50(将滤波后的雷达信号的时频图缩放为50×50，即M＝50)，输出类别向量尺寸为5×1。第一层和第二层的卷积层的卷积核尺寸均为3×3，卷积输出的特征图个数分别为20和12；第三层和第四层卷积层的卷积核尺寸为2×2，卷积输出的特征图个数分别为12和8；最后一层卷积层输出的八张特征图分别被向量化，并组成一个128维的向量，该向量和输出向量构成全连接层。进一步地，根据设计好的卷积神经网络结构，优选地利用卷积神经网络的后向传播算法对卷积神经网络的参数进行学习，训练出卷积神经网络。

步骤S30，根据训练出的卷积神经网络，对每个处理后的未知雷达信号的时频图进行识别，获得与该处理后的未知雷达信号的时频图相对应的未知雷达信号的调制方式。在该步骤中：

首先，将每个处理后的未知雷达信号的时频图输入给训练出的卷积神经网络，得到与其对应的输出类别向量。然后，根据输出类别向量中最大元素对应的下标，获得与该处理后的未知雷达信号的时频图相对应的未知雷达信号的调制方式。

具体地，本实施例中通过仿真再次产生上述五类雷达信号。对于每一类雷达信号，在20个不同的信噪比(-10dB至9dB，以1dB为间隔)环境下各产生100个雷达脉冲。并且，暂时隐藏所产生的雷达信号的所属类别。将任一未知调制方式的雷达信号经过处理后的时频图输入给训练得到的卷积神经网络，得到输出类别向量。取输出类别向量中最大元素对应的下标作为该未知调制方式雷达信号的所属类别，从而获得该未知调制方式雷达信号的调制方式。其中，输出类别向量中最大元素对应的下标是指最大元素在该向量中所处的位置。例如，如果输出的类别向量是列向量，此位置即指该列向量中最大元素所位于的行数。

进一步地，图6示出了本发明的实施例中利用步骤S20学习得到的神经网络对步骤S30产生的不同信噪比环境下雷达信号调制方式的识别准确率曲线。从中可以看出，当信噪比高于-2dB的时候，识别准确率能够达到100％，即便是信噪比下降到-7dB，识别率仍然能够达到90％以上。因而，本发明的基于时频分析和卷积神经网络的雷达信号波形自动识别方法不仅能够高效准确的识别雷达信号的调制方式，而且还解决了在极低信噪比环境下对多种雷达信号波形精确识别的难题。

实施例二

基于同一发明构思，本发明实施例中还提供了一种自动识别雷达信号调制方式的系统。图7是本发明的实施例中自动识别雷达信号调制方式的系统的组成结构示意图。下面结合图7详细地说明该系统的具体结构。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

该自动识别雷达信号调制方式的系统10主要包括信号处理模块100、训练模块110以及识别模块120。其中：

信号处理模块100，用于对雷达信号进行包括时频分析的处理，获得处理后的雷达信号的时频图，所述雷达信号包括未知雷达信号和已知雷达信号。

进一步地，信号处理模块100主要包括预处理单元101、时频分析单元102、滤波单元103以及缩放单元104。其中，

预处理单元101，用于对输入的雷达信号进行希尔伯特变换，获得解析形式下的雷达信号。

时频分析单元102，其输入端连接预处理单元101的输出端，用于对预处理单元101输出的解析形式下的雷达信号进行时频分析，获得雷达信号的时频图。

滤波单元103，其输入端连接时频分析单元102的输出端，用于对时频分析单元102输出的雷达信号的时频图进行滤波，获得滤波后的雷达信号的时频图。具体地，滤波单元103通过将时频分析单元102输出的雷达信号的时频图与滤波器作二维卷积，对雷达信号的时频图进行滤波。其中，滤波器中的所有元素求和等于1。

缩放单元104，其输入端连接滤波单元103的输出端，用于对滤波单元103输出的滤波后的雷达信号的时频图进行缩放，获得与其对应的缩放后的雷达信号的时频图，即处理后的雷达信号的时频图。

训练模块110，其连接信号处理模块100，用于根据所有处理后的已知雷达信号的时频图及其对应的类别构建训练集，并利用构建的训练集来训练卷积神经网络。

进一步地，训练模块110主要包括映射单元111、构建单元112和训练单元113。其中，

映射单元111，其输入端连接信号处理模块100中的缩放单元104的输出端，用于将缩放单元104输出的每个处理后的已知雷达信号的时频图所属的类别映射成一个N维向量，获得所有处理后的已知雷达信号的时频图的类别向量，所述N为所有处理后的已知雷达信号的类别数。

构建单元112，其输入端连接映射单元111的输出端，用于将映射单元111输出的所有处理后的已知雷达信号的时频图及其对应的类别向量构成训练集，每个处理后的已知雷达信号的时频图作为卷积神经网络的输入，其对应的类别向量作为卷积神经网络的输出。

训练单元113，其输入端连接构建单元112的输出端，用于根据构建单元112输出的训练集，设计符合构建单元112构建的输入和输出的卷积神经网络结构，利用卷积神经网络的训练算法训练出卷积神经网络。

识别模块120，其连接信号处理模块100和训练模块110，用于根据训练出的卷积神经网络，对每个处理后的未知雷达信号的时频图进行识别，获得与该处理后的未知雷达信号的时频图相对应的未知雷达信号的调制方式。

在本实施例中，识别模块120主要包括运算单元121和识别单元122。其中，

运算单元121，其输入端分别连接信号处理模块100中的缩放单元104的输出端和训练模块110中的训练单元113的输出端，用于将缩放单元104输出的每个处理后的未知雷达信号的时频图输入给训练单元113训练出的卷积神经网络，得到与其对应的输出类别向量。

识别单元122，其输入端连接运算单元121的输出端，用于根据运算单元121输出的类别向量中最大元素对应的下标，获得与该处理后的未知雷达信号的时频图相对应的未知雷达信号的调制方式。

需要说明的是，本发明实施例的自动识别雷达信号调制方式的系统的具体实施方式与本发明实施例的自动识别雷达信号调制方式的方法的具体实施方式类似，具体请参见方法部分的描述。为了减少冗余，在此不做赘述。

另外，本发明实施例的自动识别雷达信号调制方式的系统的其它构成以及作用对于本领域的技术人员而言都是已知的，为了减少冗余，在此不做赘述。

以上所述，仅为本发明的具体实施案例，本发明的保护范围并不局限于此，任何熟悉本技术的技术人员在本发明所述的技术规范内，对本发明的修改或替换，都应在本发明的保护范围之内。

Claims (10)

1.一种自动识别雷达信号调制方式的方法，包括以下步骤：

S10，对雷达信号进行包括时频分析的处理，获得处理后的雷达信号的时频图，所述雷达信号包括未知雷达信号和已知雷达信号；

S20，根据所有处理后的已知雷达信号的时频图及其对应的类别构建训练集，并利用构建的训练集来训练卷积神经网络；

S30，根据训练出的卷积神经网络，对每个处理后的未知雷达信号的时频图进行识别，获得所述未知雷达信号的调制方式。

2.根据权利要求1所述的方法，其特征在于，步骤S10包括以下步骤：

S10.1，对雷达信号进行希尔伯特变换，获得解析形式下的雷达信号；

S10.2，对解析形式下的雷达信号进行时频分析，获得雷达信号的时频图；

S10.3，对雷达信号的时频图进行滤波，获得滤波后的雷达信号的时频图；

S10.4，对滤波后的雷达信号的时频图进行缩放，获得处理后的雷达信号的时频图。

3.根据权利要求2所述的方法，其特征在于：

步骤S10.3中，通过将雷达信号的时频图与滤波器作二维卷积，对雷达信号的时频图进行滤波。

4.根据权利要求1所述的方法，其特征在于，步骤S20包括以下步骤：

S20.1，将每个处理后的已知雷达信号的时频图所属的类别映射成一个N维向量，获得所有处理后的已知雷达信号的时频图的类别向量，所述N为所有处理后的已知雷达信号的类别数；

S20.2，将所有处理后的已知雷达信号的时频图及其对应的类别向量构成训练集，每个处理后的已知雷达信号的时频图作为卷积神经网络的输入，其对应的类别向量作为卷积神经网络的输出；

S20.3，设计符合所述输入和所述输出的卷积神经网络结构，利用卷积神经网络的训练算法训练出卷积神经网络。

5.根据权利要求1所述的方法，其特征在于，步骤S30包括以下步骤：

S30.1，将每个处理后的未知雷达信号的时频图输入给训练出的卷积神经网络，得到与其对应的输出类别向量；

S30.2，根据所述输出类别向量中最大元素对应的下标，获得所述未知雷达信号的调制方式。

6.一种自动识别雷达信号调制方式的系统，其特征在于，包括：

信号处理模块，用于对雷达信号进行包括时频分析的处理，获得处理后的雷达信号的时频图，所述雷达信号包括未知雷达信号和已知雷达信号；

训练模块，其连接所述信号处理模块，用于根据所有处理后的已知雷达信号的时频图及其对应的类别构建训练集，并利用构建的训练集来训练卷积神经网络；

识别模块，其连接所述信号处理模块和训练模块，用于根据训练出的卷积神经网络，对每个处理后的未知雷达信号的时频图进行识别，获得所述未知雷达信号的调制方式。

7.根据权利要求6所述的系统，其特征在于，所述信号处理模块包括：

预处理单元，用于对雷达信号进行希尔伯特变换，获得解析形式下的雷达信号；

时频分析单元，其连接所述预处理单元，用于对解析形式下的雷达信号进行时频分析，获得雷达信号的时频图；

滤波单元，其连接所述时频分析单元，用于对雷达信号的时频图进行滤波，获得滤波后的雷达信号的时频图；

缩放单元，其连接所述滤波单元，用于对滤波后的雷达信号的时频图进行缩放，获得处理后的雷达信号的时频图。

8.根据权利要求7所述的系统，其特征在于，所述滤波单元具体用于：

通过将雷达信号的时频图与滤波器作二维卷积，对雷达信号的时频图进行滤波。

9.根据权利要求6所述的系统，其特征在于，所述训练模块包括：

映射单元，用于将每个处理后的已知雷达信号的时频图所属的类别映射成一个N维向量，获得所有处理后的已知雷达信号的时频图的类别向量，所述N为所有处理后的已知雷达信号的类别数；

构建单元，其连接所述映射单元，用于将所有处理后的已知雷达信号的时频图及其对应的类别向量构成训练集，每个处理后的已知雷达信号的时频图作为卷积神经网络的输入，其对应的类别向量作为卷积神经网络的输出；

训练单元，其连接所述构建单元，用于设计符合所述输入和所述输出的卷积神经网络结构，利用卷积神经网络的训练算法训练出卷积神经网络。

10.根据权利要求6所述的系统，其特征在于，所述识别模块包括：

运算单元，用于将每个处理后的未知雷达信号的时频图输入给训练出的卷积神经网络，得到与其对应的输出类别向量；

识别单元，其连接所述运算单元，用于根据所述输出类别向量中最大元素对应的下标，获得所述未知雷达信号的调制方式。