CN110175560A - 一种雷达信号脉内调制识别方法 - Google Patents
一种雷达信号脉内调制识别方法 Download PDFInfo
- Publication number
- CN110175560A CN110175560A CN201910440416.8A CN201910440416A CN110175560A CN 110175560 A CN110175560 A CN 110175560A CN 201910440416 A CN201910440416 A CN 201910440416A CN 110175560 A CN110175560 A CN 110175560A
- Authority
- CN
- China
- Prior art keywords
- signal
- network
- time
- training
- frequency image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 63
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 238000009826 distribution Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000013461 design Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000003475 lamination Methods 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 16
- 238000000605 extraction Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 244000287680 Garcinia dulcis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种雷达信号脉内调制识别方法，包括如下步骤：将截获的雷达信号进行Cohen类时频分布处理，得到时频图像；对时频图像进行预处理，即调整尺寸和幅度，然后分组加标签制作训练集和测试集；设计深度卷积神经网络；对未知调制类型的雷达信号调整尺寸和幅度后放入训练好的深度卷积神经网络中，网络自动判断雷达信号类型，完成识别；本发明提出的时频分析核函数相比于Choi‑Williams分布中的核函数，对雷达信号抑制交叉项效果更好，信号鲁棒性特征更明显；本发明提出利用卷积去噪自编码器对分类网络进行预训练，可以免去时频图像预处理造成的信号能量的信息损失，从而提高系统整体的分类正确率，并且操作简单更易于实现。
Description
技术领域
本发明涉及一种识别方法，尤其涉及一种雷达信号脉内调制识别方法。
背景技术
雷达信号脉内调制识别是雷达电子战中一项关键技术，在现代电子支援系统、电子情报系统和雷达威胁告警系统中发挥着重要的作用。随着雷达技术不断提升，脉冲压缩技术在雷达中广泛使用，使得雷达信号的功率谱密度越来越低，雷达信号的类型也越来越多。因此，雷达信号脉内调制识别算法不仅要在低信噪比下具有良好的识别性能，而且要能识别广泛的信号类型。
传统的雷达信号脉内调制识别算法可以分成特征提取和分类识别两部分，针对特征提取，学者们相继提出了基于样本自相关函数的特征提取法、瞬时频率分析法、熵值权重法等特征提取算法。但是，这些算法提取的特征都只是针对某几种信号有效，不仅泛化性能较差，抗噪性也不好。随着雷达信号类型日趋复杂，更新速度加快，这些依赖于人工特征提取的算法很难适应雷达信号脉内调制识别的需求。
为了改善依赖于人工特征提取算法的缺点，一些学者将深度学习引入雷达信号脉内调制识别中，取得良好的效果。刁鸣学者在2017年提出的基于时频图像和卷积神经网络的信号自动识别系统，可以达到在信噪比-2dB时对8类雷达信号识别正确率超过93.7％。Huang G在同一年也提出了关于深度学习的雷达信号识别算法，该算法利用短时傅里叶变换对信号进行处理，实现了在信噪比不小于-4dB时对6类雷达信号均能有效识别。但这些基于深度学习的识别算法仍存在一定问题：为了去除时频图像中的噪声而采取过多的图像预处理，这导致信号的部分有效信息丢失，降低识别准确度；算法若简单的采用基于LeNet-5的卷积神经网络，深度增加的同时会造成参数量增加，计算复杂度变大。
发明内容
本发明的目的是为了提供一种在低信噪比情况下对广泛的信号类型有良好的识别性能的雷达信号脉内调制识别方法。
本发明的目的是这样实现的：
一种雷达信号脉内调制识别方法，包括如下步骤：
步骤一：将截获的雷达信号进行Cohen类时频分布处理，得到时频图像；
步骤二：对时频图像进行预处理，即调整尺寸和幅度，然后分组加标签制作训练集和测试集；
步骤三：设计深度卷积神经网络；
步骤四：训练深度卷积神经网络：通过训练集对设计的深度卷积神经网络进行训练，训练过程中使用卷积去噪自编码器对分类网络预训练并保存部分网络的参数，测试集对训练后的深度卷积神经网络测试，整体正确率达到预期值时训练完成；
步骤五：对未知调制类型的雷达信号调整尺寸和幅度后放入训练好的深度卷积神经网络中，网络自动判断雷达信号类型，完成识别
本发明还包括这样一些特征：
1.所述步骤一中Cohen类时频分布的数学表达式为：
其中t和ω代表时频分布的自变量时间和角频率，φ(τ,v)称为核函数，所述核函数的表达式为其中，α和β用来调节核函数的大小，核函数的宽度用四倍高斯函数标准差来估计；
2.所述步骤三中的卷积神经网络包括网络1、网络2和网络3：所述网络1对输入时频图像进行鲁棒性特征进行提取：将预处理的时频图像放入卷积层，卷积层输出特征图传递给一个Inception v1层、两个Inception v2层和一个Inception v3层；在卷积层之后进行批标准化操作并且每一个Inception v2和Inception v3之后加入一个maxpooling层；所述网络2将网络1输出的特征图进行时频图像重构，网络2利用四个反卷积层，将网络1降维后的特征图进行升维；所述网络1与网络2组成卷积去噪自编码器；所述网络3对提取到的特征分类得到最终识别结果，通过一个Inception v3再次提取特征之后，经过一个全连接层和一个softmax层，最终判断输出结果；
3.所述步骤四具体为：(4.1)所述训练集包括有噪声的时频图像和无噪声时频图像，将有噪声的时频图像作为网络1的输入，无噪声时频图像作为网络2输出，所述网络1与网络2组成卷积去噪自编码器；对卷积去噪自编码器进行训练，训练后保留网络1参数；(4.2)将(4.1)训练后的网络1与未训练的网络3作为新的分类网络，该分类网络通过有噪声的时频图像训练集再次进行训练，并保留网络1和网络3的所有参数；(4.3)测试集的样本逐个输入到网络1与网络3组成的分类器中，分类器的输出会判断雷达信号类型，并根据步骤二中测试集制作的标签得出判断是否正确，测试完毕后计算该过程整体正确率；(4.4)重复(4.1)～(4.3)的步骤并且完善参数，直到测试的整体正确率达到预期值时，完成训练；
4.所述雷达信号包括LFM信号、SFM信号、EQFM信号、2FSK信号、4FSK信号、DLFM信号、MP信号、MLFM信号、BPSK信号、Frank信号、LFM-BPSK信号和2FSK-BPSK信号。
与现有技术相比，本发明的有益效果是：
1.本发明提出的时频分析核函数相比于Choi-Williams分布中的核函数，对雷达信号抑制交叉项效果更好，信号鲁棒性特征更明显；
2.本发明提出利用卷积去噪自编码器对分类网络进行预训练，可以免去时频图像预处理造成的信号能量的信息损失，从而提高系统整体的分类正确率，并且操作简单更易于实现；
3.本发明在分类部分运用Inception结构，可以在网络深度一定的情况下，获得更多感受野下的数据特征，提高分类正确率同时控制参数数量；
附图说明
图1是本发明雷达信号脉内调制识别算法流程图；
图2是本发明的深度卷积神经网络的结构图；
图3是Inception v1模块结构；
图4是Inception v2和Inception v3的结构图；
图5是和Inception v3的结构图；
图6是本发明对12类雷达信号的成功识别率与信噪比的关系图1；
图7是本发明对12类雷达信号的成功识别率与信噪比的关系图2。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明提出一种基于深度卷积神经网络的雷达信号脉内识别算法，在低信噪比情况下，对广泛的信号类型(仿真中为12种)有良好的识别性能。
本发明中雷达信号脉内调制方式识别算法包括以下步骤：
(1)获取几种不同的雷达脉内调制信号的时频图像，包括LFM信号、SFM信号、EQFM信号、2FSK信号、4FSK信号、DLFM信号、MP信号、MLFM信号、BPSK信号、Frank信号、LFM-BPSK信号和2FSK-BPSK信号，将这些信号作为样本信号，利用时频分布将雷达接收机接收到的信号转换为时频图像；
(2)对步骤(1)得到的雷达信号时频图像进行简单预处理，即调整图像尺寸大小并且幅度归一化，然后根据处理后的已知雷达信号图像及对应类别制作训练集和测试集；
(3)根据算法需求，整体网络需要对时频图像提取鲁棒性特征并对提取到的特征进行分类识别，所以本发明设计一种基于卷积去噪自编码器的预训练网络提高特征提取的性能，并设计深度卷积神经网络作为分类器；
(4)训练网络，利用步骤(2)制作的训练集样本对(3)设计好的网络进行训练，训练完成后保存网络参数；
(5)对(1)中任意一种信号经过步骤(2)的处理后作为未知调制类型的雷达信号，放入步骤(4)训练完成的分类网络中，分类网络即可根据输入给出相应的雷达信号类型，实现信号的分类识别。
特别地，
步骤(1)具体为：
对接收到的信号x(t)，采用Cohen类时频分布，其数学表达式为
其中t和ω代表时频分布的自变量时间和角频率，φ(τ,v)称为核函数。本发明根据雷达信号与交叉项在模糊域的分布特点，提出一种新的核函数，其表达式为
其中，α和β用来调节核函数的大小。
步骤(3)具体为：
(3.1)网络1作为特征提取的主要部分被设计出来，它由1个卷积层、一个Inception v1层、两个Inception v2层和一个Inception v3层组成，为了提高收敛速度，在卷积层之后均要进行批标准化操作并且每一个Inception v2和Inception v3之后加入一个maxpooling层。
(3.2)网络2设计目的是将步骤(3.1)输出特征图构造出来，这要通过四个反卷积层，对网络1降维后的特征图进行升维，最终，网络1与网络2共同组成一个卷积去噪自编码器。
(3.3)网络3为分类部分，它通过一个Inception v3再次提取特征之后，经过一个全连接层和一个softmax层，最终判断输出结果。
步骤(4)具体为：
(4.1)在步骤(2)之后，训练集图像分为两种，一种为添加加性高斯白噪声的雷达信号时频图像，另一种是对应未添加噪声的信号时频图像，这里我们将有噪声的时频图像作为网络1的输入，对应无噪声图像作为网络2输出，首先对卷积去噪自编码器进行训练，训练后保留网络1参数。
(4.2)接着将(4.1)训练后的网络1与未训练的网络3作为新的分类网络，该分类网络通过有噪声的训练集再次进行训练，并保留最终网络1和网络3的所有参数。
(4.3)测试集的样本逐个输入到网络1与网络3组成的分类器中，分类器的输出会判断该信号为步骤(1)中的哪一种，并根据步骤(2)中，测试集制作的标签得出判断是否正确，测试完毕后计算该过程整体正确率。
(4.4)重复(4.1)～(4.3)的训练步骤并且完善参数，直到测试的整体正确率达到预期值时，完成训练。
如图1是本发明的雷达信号脉内调制方式识别算法的流程图，下面结合图1对该算法的步骤和原理进行详细说明。
步骤1：获取几种不同的雷达脉内调制信号的时频图像，包括LFM信号、SFM信号、EQFM信号、2FSK信号、4FSK信号、DLFM信号、MP信号、MLFM信号、BPSK信号、Frank信号、LFM-BPSK信号和2FSK-BPSK信号，将这些信号作为样本信号，利用时频分布将雷达接收机接收到的信号转换为时频图像。
在该步骤中，加入噪声后的雷达数学模型可以写成：
x(t)＝s(t)+n(t) (1)
上式中，x(t)为雷达接收到的信号，s(t)为信号，n(t)表示信道噪声。
本发明采用的是将雷达信号转换成时频图像的Cohen类时频分布
其中t和ω代表时频分布的自变量时间和角频率，φ(τ,v)称为核函数，根据核函数不同，Cohen类时频分布形式也不同。本发明根据雷达信号与交叉项在模糊域的分布特点，提出一种新的核函数，其表达式为
其中，α和β用来调节核函数的大小。经过上式的时频分析就可以得到雷达信号的时频图像。
步骤2：对时频图像进行预处理，即调整图像尺寸大小并且幅度归一化，根据处理后的已知雷达信号图像及对应类别制作训练集和测试集。
本算法采用双线性插值法，通过按行按列，先后进行线性插值的方法求出调整尺寸后的图像；为了方便后续分类器工作，将时频图像的幅度均除以幅度最大值，实现幅度归一化；归一化后的时频图像添加标签后得到数据集，需要说明的是为了方便后续卷积去噪自编码器的训练，训练集的每个随机信号的时频图像均分为有噪声和无噪声两种，而有噪声的时频图像则产生相应类型标签，以本实施中12类信号为例，标签位上分别为1,2,3,…,12。
步骤3：设计深度卷积神经网络。
本算法设计的深度卷积神经网络的结构如图2所示，该网络可分为网络1、网络2和网络3三个部分。
(3.1)网络1是对输入时频图像进行鲁棒性特征提取的部分，步骤2处理后的图像首先放入卷积层，以一个卷积核为单位，输入图像与卷积核进行相乘再相加的操作，获得新的特征图当中的一个像素，接着根据步长移动，再进行上述操作直到得到所有输出特征图的像素值。网络1将卷积层输出特征图传递给一个Inception v1层、两个Inception v2层和一个Inception v3层。Inception v1网络的结构如图3所示，Inception v2结构如图4所示、Inception v3结构示意图如图5所示，图4和图5中未标明作何操作的方框均进行卷积操作。在卷积层之后均要进行批标准化操作并且每一个Inception v2和Inception v3之后加入一个maxpooling层。
(3.2)接着网络1输出的特征图传递到网络2，网络2的功能是将网络1输出的特征图进行时频图像重构，它利用四个反卷积层，将网络1降维后的特征图进行升维处理。具体操作是将输入图像进行补零操作，然后与反卷积层卷积核进行和卷积层相同的卷积操作。
(3.3)网络3负责对提取到的特征分类得到最终识别结果，它由一个Inception v3层和一个全连接层组成，利用softmax将多个神经元输出映射到(0,1)，最终输出的概率最大的位置对应的标签即为网络判断的调制类型。
需要说明的是为了防止过拟合现象出现，网络中也使用了抑制过拟合的dropout。
步骤4：训练深度卷积神经网络。
(4.1)步骤2中提到，训练集图像分为两种，一种为添加加性高斯白噪声的雷达信号时频图像，另一种是对应未添加噪声的信号时频图像，这里我们将有噪声的时频图像作为网络1的输入，对应无噪声图像作为网络2输出，对卷积去噪自编码器进行训练，训练过程采用Adam优化算法和平方差损失函数，最终保留网络1的参数。
(4.2)接着将(4.1)训练后的网络1与未训练的网络3作为新的分类网络，该分类网络通过有噪声的训练集再次进行训练，并保留最终网络1和网络3的所有参数。分类网络部分的损失函数采用交叉熵损失函数。
(4.3)测试集的样本逐个输入到网络1与网络3组成的分类器中，分类器的输出会判断该信号为步骤1中的哪一种，并根据步骤2中，测试集制作的标签得出判断是否正确，测试完毕后计算该过程整体正确率。
(4.4)重复(4.1)和(4.2)的训练步骤并且完善参数，直到测试的整体正确率达到预期值时，完成训练。
步骤5：经过训练后的该网络就可以对固定尺寸的时频图像进行雷达信号脉内调制类型的识别，在调制类型训练集范围内，产生一个未知调制类型和随机参数的雷达信号，经过步骤1和2后放在分类网络的输入层，最终分类网络自动判断该时频图像归属于的类型以及对应概率，实现雷达信号脉内调制方式的识别。
具体地，本实施例中通过仿真进行验证
仿真雷达调制信号总共12种，类型及参数如表1所示，信号长度N＝1024，信号采样周期设置为1。训练集样本信噪比范围在-10dB到10dB，每隔1dB每个信号制作200个参数满足表1的样本，共50400个样本作为训练集。测试集的样本信噪比范围调控在-15dB到0dB，同训练集相同的方式随机产生共38400个样本作为测试集。
表1仿真雷达信号参数表
进一步地，图6-图7示出了本发明的实施例中训练后的神经网络在不同信噪比下识别正确率曲线。在信噪比从-6dB开始，所有信号的正确识别率均可以达到100％，而信噪比在-9dB时，12种信号识别正确率仍然都保持在90％以上；
这表明该算法是有效的，可实现多达12类雷达信号脉内调制类型分类识别且在低信噪比条件下均具有很高的识别率。
本发明实施例的雷达信号脉内调制方式识别算法的其他步骤细节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。
综上所述：本发明公开一种基于卷积去噪自编码器和深度卷积神经网络的雷达信号脉内调制识别算法。该发明首先将截获的雷达信号进行Cohen类时频分布(CTFD)处理，得到二维时频图像；接着对原始时频图像调整尺寸和幅度，然后分组加标签制作数据集；设计基于深度卷积神经网络的分类模型，通过训练集对其进行训练，为了提高分类网络的抗噪性，训练过程中使用卷积去噪自编码器对分类网络预训练，测试集对训练后的网络测试，整体正确率达到预期值时训练完成；对未知调制类型的雷达信号进行预处理后放入训练好的深度卷积神经网络中，网络自动判断雷达信号类型，完成识别。本发明所述的雷达信号识别算法在低信噪比条件下识别率高，有很强的抗噪声能力和泛化能力，具有良好应用前景。
Claims (9)
1.一种雷达信号脉内调制识别方法，其特征是，包括如下步骤：
步骤一：将截获的雷达信号进行Cohen类时频分布处理，得到时频图像；
步骤二：对时频图像进行预处理，即调整尺寸和幅度，然后分组加标签制作训练集和测试集；
步骤三：设计深度卷积神经网络；
步骤四：训练深度卷积神经网络：通过训练集对设计的深度卷积神经网络进行训练，训练过程中使用卷积去噪自编码器对分类网络预训练并保存部分网络的参数，测试集对训练后的深度卷积神经网络测试，整体正确率达到预期值时训练完成；
步骤五：对未知调制类型的雷达信号调整尺寸和幅度后放入训练好的深度卷积神经网络中，网络自动判断雷达信号类型，完成识别。
2.根据权利要求1所述的雷达信号脉内调制识别方法，其特征是，所述步骤一中Cohen类时频分布的数学表达式为：
其中t和ω代表时频分布的自变量时间和角频率，φ(τ,v)称为核函数，所述核函数的表达式为其中，α和β用来调节核函数的大小，核函数的宽度用四倍高斯函数标准差来估计。
3.根据权利要求1或2所述的雷达信号脉内调制识别方法，其特征是，所述步骤三中的卷积神经网络包括网络1、网络2和网络3；
所述网络1对输入时频图像进行鲁棒性特征进行提取：将预处理的时频图像放入卷积层，卷积层输出特征图传递给一个Inception v1层、两个Inception v2层和一个Inceptionv3层；在卷积层之后进行批标准化操作并且每一个Inception v2和Inception v3之后加入一个maxpooling层；
所述网络2将网络1输出的特征图进行时频图像重构，网络2利用四个反卷积层，将网络1降维后的特征图进行升维；所述网络1与网络2组成卷积去噪自编码器；
所述网络3对提取到的特征分类得到最终识别结果，通过一个Inception v3再次提取特征之后，经过一个全连接层和一个softmax层，最终判断输出结果。
4.根据权利要求1或2所述的雷达信号脉内调制识别方法，其特征是，所述步骤四具体为：
(4.1)所述训练集包括有噪声的时频图像和无噪声时频图像，将有噪声的时频图像作为网络1的输入，无噪声时频图像作为网络2输出，所述网络1与网络2组成卷积去噪自编码器；对卷积去噪自编码器进行训练，训练后保留网络1参数；
(4.2)将(4.1)训练后的网络1与未训练的网络3作为新的分类网络，该分类网络通过有噪声的时频图像训练集再次进行训练，并保留网络1和网络3的所有参数；
(4.3)测试集的样本逐个输入到网络1与网络3组成的分类器中，分类器的输出会判断雷达信号类型，并根据步骤二中测试集制作的标签得出判断是否正确，测试完毕后计算该过程整体正确率；
(4.4)重复(4.1)～(4.3)的步骤并且完善参数，直到测试的整体正确率达到预期值时，完成训练。
5.根据权利要求3所述的雷达信号脉内调制识别方法，其特征是，所述步骤四具体为：
(4.1)所述训练集包括有噪声的时频图像和无噪声时频图像，将有噪声的时频图像作为网络1的输入，无噪声时频图像作为网络2输出，所述网络1与网络2组成卷积去噪自编码器；对卷积去噪自编码器进行训练，训练后保留网络1参数；
(4.2)将(4.1)训练后的网络1与未训练的网络3作为新的分类网络，该分类网络通过有噪声的时频图像训练集再次进行训练，并保留网络1和网络3的所有参数；
(4.3)测试集的样本逐个输入到网络1与网络3组成的分类器中，分类器的输出会判断雷达信号类型，并根据步骤二中测试集制作的标签得出判断是否正确，测试完毕后计算该过程整体正确率；
(4.4)重复(4.1)～(4.3)的步骤并且完善参数，直到测试的整体正确率达到预期值时，完成训练。
6.根据权利要求1或2所述的雷达信号脉内调制识别方法，其特征是，所述雷达信号包括LFM信号、SFM信号、EQFM信号、2FSK信号、4FSK信号、DLFM信号、MP信号、MLFM信号、BPSK信号、Frank信号、LFM-BPSK信号和2FSK-BPSK信号。
7.根据权利要求3所述的雷达信号脉内调制识别方法，其特征是，所述雷达信号包括LFM信号、SFM信号、EQFM信号、2FSK信号、4FSK信号、DLFM信号、MP信号、MLFM信号、BPSK信号、Frank信号、LFM-BPSK信号和2FSK-BPSK信号。
8.根据权利要求4所述的雷达信号脉内调制识别方法，其特征是，所述雷达信号包括LFM信号、SFM信号、EQFM信号、2FSK信号、4FSK信号、DLFM信号、MP信号、MLFM信号、BPSK信号、Frank信号、LFM-BPSK信号和2FSK-BPSK信号。
9.根据权利要求5所述的雷达信号脉内调制识别方法，其特征是，所述雷达信号包括LFM信号、SFM信号、EQFM信号、2FSK信号、4FSK信号、DLFM信号、MP信号、MLFM信号、BPSK信号、Frank信号、LFM-BPSK信号和2FSK-BPSK信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910440416.8A CN110175560A (zh) | 2019-05-24 | 2019-05-24 | 一种雷达信号脉内调制识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910440416.8A CN110175560A (zh) | 2019-05-24 | 2019-05-24 | 一种雷达信号脉内调制识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110175560A true CN110175560A (zh) | 2019-08-27 |
Family
ID=67695692
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910440416.8A Pending CN110175560A (zh) | 2019-05-24 | 2019-05-24 | 一种雷达信号脉内调制识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110175560A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183205A (zh) * | 2020-08-27 | 2021-01-05 | 河海大学 | 一种分布式雷达高精度角度测量方法及系统 |
| CN112232120A (zh) * | 2020-09-10 | 2021-01-15 | 中国人民解放军海军工程大学 | 一种基于软件无线电的雷达辐射源信号分类系统及方法 |
| CN112287784A (zh) * | 2020-10-20 | 2021-01-29 | 哈尔滨工程大学 | 一种基于深度卷积神经网络与特征融合的雷达信号分类方法 |
| CN112347921A (zh) * | 2020-11-06 | 2021-02-09 | 中国电子科技集团公司第二十九研究所 | Pdw序列预处理方法、系统、计算机设备及存储介质 |
| CN112419258A (zh) * | 2020-11-18 | 2021-02-26 | 西北工业大学 | 基于时频分割及卷积神经网络的鲁棒环境声音识别方法 |
| CN112422465A (zh) * | 2019-10-09 | 2021-02-26 | 上海矢元电子有限公司 | 一种信号调制识别设备 |
| CN112731309A (zh) * | 2021-01-06 | 2021-04-30 | 哈尔滨工程大学 | 一种基于双线性高效神经网络的有源干扰识别方法 |
| CN112883760A (zh) * | 2019-11-29 | 2021-06-01 | 南京理工大学 | 基于线性调频连续波雷达的驾驶行为检测方法 |
| CN113111774A (zh) * | 2021-04-12 | 2021-07-13 | 哈尔滨工程大学 | 一种基于主动增量式微调的雷达信号调制方式识别方法 |
| CN113359091A (zh) * | 2021-05-28 | 2021-09-07 | 太原理工大学 | 基于深度学习的多核函数混叠雷达辐射源识别方法和系统 |
| CN113376586A (zh) * | 2021-06-03 | 2021-09-10 | 哈尔滨工程大学 | 一种双分量雷达信号分类模型构建方法 |
| CN113536919A (zh) * | 2021-06-10 | 2021-10-22 | 重庆邮电大学 | 基于数据增强和卷积神经网络的信号调制识别算法 |
| CN113673312A (zh) * | 2021-07-06 | 2021-11-19 | 太原理工大学 | 基于深度学习的雷达信号脉内调制识别方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109389171A (zh) * | 2018-10-11 | 2019-02-26 | 云南大学 | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 |
-
2019
- 2019-05-24 CN CN201910440416.8A patent/CN110175560A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109389171A (zh) * | 2018-10-11 | 2019-02-26 | 云南大学 | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 |
Non-Patent Citations (4)
| Title |
|---|
| GUO LIMIN等: "Low Probability of Intercept Radar Signal Recognition Based on the Improved AlexNet Model", 《ICDSP 2018, FEBRUARY 25–27, 2018, TOKYO, JAPAN》 * |
| VIREN JAIN等: "Natural Image Denoising with Convolutional Networks", 《PROCEEDINGS OF THE 21ST INTERNATIONAL CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS》 * |
| ZHIWEN ZHOU等: "Automatic RadarWaveform Recognition Based on Deep Convolutional Denoising Auto-encoders", 《CIRCUITS SYST SIGNAL PROCESS》 * |
| ZHIYU QU等: "Radar Signal Intra-Pulse Modulation Recognition Based on Convolutional Neural Network", 《IEEE ACCESS》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112422465B (zh) * | 2019-10-09 | 2021-10-22 | 上海矢元电子股份有限公司 | 一种信号调制识别设备 |
| CN112422465A (zh) * | 2019-10-09 | 2021-02-26 | 上海矢元电子有限公司 | 一种信号调制识别设备 |
| CN112883760A (zh) * | 2019-11-29 | 2021-06-01 | 南京理工大学 | 基于线性调频连续波雷达的驾驶行为检测方法 |
| CN112183205A (zh) * | 2020-08-27 | 2021-01-05 | 河海大学 | 一种分布式雷达高精度角度测量方法及系统 |
| CN112183205B (zh) * | 2020-08-27 | 2022-08-26 | 河海大学 | 一种分布式雷达高精度角度测量方法及系统 |
| CN112232120A (zh) * | 2020-09-10 | 2021-01-15 | 中国人民解放军海军工程大学 | 一种基于软件无线电的雷达辐射源信号分类系统及方法 |
| CN112287784A (zh) * | 2020-10-20 | 2021-01-29 | 哈尔滨工程大学 | 一种基于深度卷积神经网络与特征融合的雷达信号分类方法 |
| CN112347921A (zh) * | 2020-11-06 | 2021-02-09 | 中国电子科技集团公司第二十九研究所 | Pdw序列预处理方法、系统、计算机设备及存储介质 |
| CN112419258A (zh) * | 2020-11-18 | 2021-02-26 | 西北工业大学 | 基于时频分割及卷积神经网络的鲁棒环境声音识别方法 |
| CN112419258B (zh) * | 2020-11-18 | 2024-05-14 | 西北工业大学 | 基于时频分割及卷积神经网络的鲁棒环境声音识别方法 |
| CN112731309A (zh) * | 2021-01-06 | 2021-04-30 | 哈尔滨工程大学 | 一种基于双线性高效神经网络的有源干扰识别方法 |
| CN112731309B (zh) * | 2021-01-06 | 2022-09-02 | 哈尔滨工程大学 | 一种基于双线性高效神经网络的有源干扰识别方法 |
| CN113111774A (zh) * | 2021-04-12 | 2021-07-13 | 哈尔滨工程大学 | 一种基于主动增量式微调的雷达信号调制方式识别方法 |
| CN113111774B (zh) * | 2021-04-12 | 2022-10-28 | 哈尔滨工程大学 | 一种基于主动增量式微调的雷达信号调制方式识别方法 |
| CN113359091A (zh) * | 2021-05-28 | 2021-09-07 | 太原理工大学 | 基于深度学习的多核函数混叠雷达辐射源识别方法和系统 |
| CN113376586A (zh) * | 2021-06-03 | 2021-09-10 | 哈尔滨工程大学 | 一种双分量雷达信号分类模型构建方法 |
| CN113536919A (zh) * | 2021-06-10 | 2021-10-22 | 重庆邮电大学 | 基于数据增强和卷积神经网络的信号调制识别算法 |
| CN113673312A (zh) * | 2021-07-06 | 2021-11-19 | 太原理工大学 | 基于深度学习的雷达信号脉内调制识别方法 |
| CN113673312B (zh) * | 2021-07-06 | 2023-08-22 | 太原理工大学 | 基于深度学习的雷达信号脉内调制识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110175560A (zh) | 一种雷达信号脉内调制识别方法 | |
| CN113050042B (zh) | 基于改进UNet3+网络的雷达信号调制类型识别方法 | |
| CN108827605B (zh) | 一种基于改进稀疏滤波的机械故障特征自动提取方法 | |
| CN109890043B (zh) | 一种基于生成式对抗网络的无线信号降噪方法 | |
| CN108805039A (zh) | 联合熵与预训练cnn提取时频图像特征的调制识别方法 | |
| CN109389058A (zh) | 海杂波与噪声信号分类方法及系统 | |
| CN110111015A (zh) | 一种基于变分模态分解多尺度排列熵的电能质量分析方法 | |
| CN110110738A (zh) | 一种基于多特征融合的雷达辐射源识别方法 | |
| CN104459668A (zh) | 基于深度学习网络的雷达目标识别方法 | |
| CN113571067B (zh) | 一种基于边界攻击的声纹识别对抗样本生成方法 | |
| CN112287784B (zh) | 一种基于深度卷积神经网络与特征融合的雷达信号分类方法 | |
| CN114692665B (zh) | 基于度量学习的辐射源开集个体识别方法 | |
| CN108562811A (zh) | 基于双向长短期记忆的复杂电能质量扰动分析方法 | |
| CN110417694A (zh) | 一种通信信号调制方式识别方法 | |
| CN109766791B (zh) | 一种基于自编码器的通信信号调制识别方法 | |
| CN113657491A (zh) | 一种用于信号调制类型识别的神经网络设计方法 | |
| CN113378644B (zh) | 基于生成式对抗网络的信号调制类型识别攻击的防御方法 | |
| CN109359550A (zh) | 基于深度学习技术的满文文档印章提取与去除方法 | |
| CN111612130B (zh) | 一种频移键控通信信号调制方式识别方法 | |
| CN114980122A (zh) | 一种小样本射频指纹智能识别系统与方法 | |
| CN113259289B (zh) | 基于残差神经网络的单通道混叠信号调制模式识别方法 | |
| CN114428234A (zh) | 基于gan和自注意力的雷达高分辨距离像降噪识别方法 | |
| CN110071884A (zh) | 一种基于改进熵云特征的通信信号调制识别方法 | |
| CN115293214A (zh) | 一种基于样本扩充网络的水声目标识别模型优化方法 | |
| CN114626412A (zh) | 用于无人值守传感器系统的多类别目标识别方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190827 |