CN110826630B - 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 - Google Patents

Abstract

一种基于深度卷积神经网络的雷达干扰信号特征级融合识别方法，属于雷达干扰信号识别领域。本发明针对目前雷达干扰信号的特征参数依赖人工方式提取，易受噪声影响并出现特征冗余的问题。包括建立雷达干扰时域数据集，对雷达干扰时域数据集中的雷达干扰时域数据以两种不同形式提取特征向量，再将提取的两种特征向量进行串联融合；采用融合后的特征向量训练支持向量机，获得训练好的雷达干扰信号特征级融合识别模型；将采集的测试样本输入到识别模型，获得雷达干扰信号识别结果。本发明利用CNN提取雷达干扰信号的深层特征，在特征级层面设计不同的雷达干扰信号数据融合模型，从而使信号识别免受噪声影响，并同时消除特征冗余现象。

Description

基于深度卷积神经网络的雷达干扰信号特征级融合识别方法

技术领域

本发明涉及基于深度卷积神经网络的雷达干扰信号特征级融合识别方法，属于雷达干扰信号识别领域。

背景技术

随着电磁环境的日益复杂，干扰样式的不断增多，在干扰的对抗性能越来越强的情况下，为了保证雷达在极其恶劣的电磁环境下依然能够发挥有效的跟踪探测作用，需要大幅度提升雷达装备的抗干扰能力。雷达抗干扰技术的关键和基础是能够高效地对雷达干扰信号进行分类识别。因此，能否设计出识别准确率高、鲁棒性强的干扰信号识别模型成为一个急需解决的问题。

雷达干扰信号在识别过程中的核心步骤之一是雷达干扰信号特征参数的提取。雷达干扰信号在时域、频域、时频域和小波域等多维空间均有不同的显著特性，能否提取出可分性强的特征，在一定程度上决定了识别的成功与否。目前干扰信号的特征参数主要依赖人工提取，人工方式提取的特征易受噪声的影响，且容易出现特征冗余的现象。

目前，卷积神经网络(Convolutional Neural Networks，CNN)能够有效地处理复杂数据。在训练样本充足的情况下，依赖于监督学习的方式，CNN能够自动从复杂数据中提取出具有高度抽象性及区分性的特征，这对于提高雷达干扰信号的识别精度有着至关重要的影响。相比较于传统雷达干扰信号识别方法，深度学习能够自动地对雷达干扰信号特征进行提取，无需人工提取特征，有效地解决了传统雷达干扰信号识别方法效率低下、识别精度低等缺陷。但是深度神经网络在实践过程中常常出现稳定性差、泛化能力不足等问题。

发明内容

针对目前雷达干扰信号的特征参数依赖人工方式提取，易受噪声影响并出现特征冗余的问题，本发明提供一种基于深度卷积神经网络的雷达干扰信号特征级融合识别方法。

本发明的一种基于深度卷积神经网络的雷达干扰信号特征级融合识别方法，包括建立雷达干扰时域数据集，对雷达干扰时域数据集中的雷达干扰时域数据以两种不同形式提取特征向量，再将提取的两种特征向量进行串联融合；采用融合后的特征向量训练支持向量机，获得训练好的雷达干扰信号特征级融合识别模型；

所述提取的两种特征向量包括：利用一维卷积神经网络提取的特征向量与人工提取的专家特征向量；

或者利用一维卷积神经网络提取的特征向量与利用深度卷积神经网络提取的时频域特征向量；

最后，将采集的测试样本输入到雷达干扰信号特征级融合识别模型，获得雷达干扰信号识别结果。

根据本发明的基于深度卷积神经网络的雷达干扰信号特征级融合识别方法，所述雷达干扰时域数据集中的雷达干扰时域数据包括压制式干扰数据、欺骗式干扰数据、加性复合干扰数据以及无源干扰数据。

根据本发明的基于深度卷积神经网络的雷达干扰信号特征级融合识别方法，第一种具体实施方案包括：

针对利用一维卷积神经网络提取的特征向量与人工提取的专家特征向量，获得雷达干扰信号特征级融合识别模型的过程包括：

对雷达干扰时域数据进行人工特征参数提取，获得的专家特征向量包括时域矩偏度、时域矩峰度、时域信号包络起伏度、时域干扰信号的均值及时域干扰信号的方差；

同时将雷达干扰时域数据划分为训练集、验证集和测试集；

对训练集中的数据利用一维卷积神经网络提取训练样本特征向量，并对训练样本特征向量进行PCA处理，再将PCA处理后的特征向量与所述专家特征向量进行串联融合；采用融合后的特征向量训练支持向量机，获得初步模型；

采用验证集中的数据调整初步模型；然后采用测试集中的数据测试调整后初步模型的测试精度；当测试精度达到预设阈值时，将调整后初步模型作为训练好的雷达干扰信号特征级融合识别模型；当测试精度未达到预设阈值时，基于训练集中的数据对调整后初步模型进一步调整，直至测试精度达到预设阈值。

根据本发明的基于深度卷积神经网络的雷达干扰信号特征级融合识别方法，所述雷达干扰时域数据集中的每个数据设置标记；所述雷达干扰时域数据包括12类雷达干扰信号，每类干扰信号包含N₁，N₂，…,N₁₂个样本；对于每类干扰信号，随机选取预定数量的样本，将所述预定数量的样本按60％、20％及20％的比例划分为训练集、验证集和测试集；

所述一维卷积神经网络通过不断的迭代来调整各层之间的连接权重，最后通过全局平均值池化对网络结构做正则化，提取出雷达干扰时域数据的本质一维训练样本特征向量，对本质一维训练样本特征向量采用PCA进行降维处理，再将PCA处理后的本质一维训练样本特征向量与所述专家特征向量进行串联融合；

将测试样本输入到雷达干扰信号特征级融合识别模型，测试样本首先被提取特征向量，被提取的特征向量进行PCA处理后，与由测试样本人工提取的专家特征向量串联融合；最后，输出测试样本的类别标号；

所述一维卷积神经网络包括三个卷积层，三个池化层，每层卷积核的个数依次为32，64，128，网络学习率的设置按照训练轮数减半的方案，初始学习率为0.05，随着轮数的增加，学习率依次减半。

根据本发明的基于深度卷积神经网络的雷达干扰信号特征级融合识别方法，第二种具体实施方案包括：

针对利用一维卷积神经网络提取的特征向量与利用深度卷积神经网络提取的时频域特征向量，获得雷达干扰信号特征级融合识别模型的过程包括：

将雷达干扰时域数据划分为时域训练集、时域验证集和时域测试集；

对时域训练集中的数据利用一维卷积神经网络提取时域训练样本特征向量；

同时对雷达干扰时域数据进行时频变换得到雷达干扰时频域数据，将雷达干扰时频域数据划分为时频域训练集、时频域验证集和时频域测试集；

对时频域训练集的数据利用二维卷积神经网络提取时频域训练样本特征向量；

将时域训练样本特征向量与时频域训练样本特征向量进行串联融合后，再经PCA处理，得到整合后的特征向量；采用整合后的特征向量训练支持向量机，获得初步模型；

采用时域验证集与时频域验证集中的数据调整初步模型；然后采用时域测试集与时频域测试集中的数据测试调整后初步模型的测试精度；当测试精度达到预设阈值时，将调整后初步模型作为训练好的雷达干扰信号特征级融合识别模型；当测试精度未达到预设阈值时，基于时域训练集与时频域训练集中的数据对调整后初步模型进一步调整，直至测试精度达到预设阈值。

根据本发明的基于深度卷积神经网络的雷达干扰信号特征级融合识别方法，所述雷达干扰时域数据集中的每个数据设置标记；所述雷达干扰时域数据包括12类雷达干扰信号，每类干扰信号包含N₁，N₂，…,N₁₂个样本；对于每类干扰信号，随机选取预定数量的样本，将所述预定数量的样本按60％、20％及20％的比例划分为训练集、验证集和测试集；

所述一维卷积神经网络通过不断的迭代来调整各层之间的连接权重，最后通过全局平均值池化对网络结构做正则化，提取出雷达干扰时域数据的时域训练样本特征向量；

所述二维卷积神经网络采用卷积层、池化层以及全局平均值池化层，通过优化网络的损失函数，不断迭代更新神经元之间的连接权重，最后，通过全局平均值池化层，提取出时频域训练样本特征向量；

将时域训练样本特征向量与时频域训练样本特征向量进行串联融合后，利用PCA消除冗余特征，进行降维处理，得到整合后的特征向量；

将测试样本输入到雷达干扰信号特征级融合识别模型，输出测试样本的类别标号；

所述二维卷积神经网络包括四个卷积层，四个池化层，每层卷积核的个数依次为32，64，128，256，每层卷积核的大小依次为7×7，5×5，3×3，3×3，网络学习率的设置按照训练轮数减半的方案，初始学习率为0.05，随着轮数的增加，学习率依次减半。

本发明的有益效果：本发明所述识别方法充分利用卷积神经网络强大的特征提取能力，从特征级层面实现不同级别的数据融合，减少了神经网络稳定性不足对于雷达干扰信号识别精度的影响，同时有利于后续抗干扰方案的设计。

为了进一步发挥CNN的特征提取能力，提高雷达干扰信号识别模型的容错能力与鲁棒性，本方法利用CNN提取雷达干扰信号的深层特征，在特征级层面设计不同的雷达干扰信号数据融合模型，从而使信号识别免受噪声影响，并同时消除特征冗余现象。通过对CNN提取的雷达干扰信号高度抽象的特征进行多方面、多层次的综合处理，从而可以更大程度地获取雷达干扰信号的类别信息、提升干扰识别准确率、有效地提高雷达干扰信号识别模型的稳健性和鲁棒性。

附图说明

图1是本发明所述基于深度卷积神经网络的雷达干扰信号特征级融合识别方法的具体实施例一的流程图；

图2是本发明所述基于深度卷积神经网络的雷达干扰信号特征级融合识别方法的具体实施例二的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

具体实施方式一、结合图1和图2所示，本发明提供了一种基于深度卷积神经网络的雷达干扰信号特征级融合识别方法，包括建立雷达干扰时域数据集，对雷达干扰时域数据集中的雷达干扰时域数据以两种不同形式提取特征向量，再将提取的两种特征向量进行串联融合；采用融合后的特征向量训练支持向量机，获得训练好的雷达干扰信号特征级融合识别模型；

所述提取的两种特征向量包括：利用一维卷积神经网络提取的特征向量与人工提取的专家特征向量；

或者利用一维卷积神经网络提取的特征向量与利用深度卷积神经网络提取的时频域特征向量；

最后，将采集的测试样本输入到雷达干扰信号特征级融合识别模型，获得雷达干扰信号识别结果。

进一步，所述雷达干扰时域数据集中的雷达干扰时域数据包括压制式干扰数据、欺骗式干扰数据、加性复合干扰数据以及无源干扰数据。

本实施方式中雷达干扰时域数据包括12类干扰类型：纯噪声，常见的压制式干扰如瞄准式、阻塞式、扫频式干扰，常见的欺骗式干扰如间歇采样转发干扰、密集假目标干扰、灵巧噪声干扰和距离欺骗干扰，常见的加性复合干扰如箔条加间歇采样、密集假目标加灵巧噪声、距离欺骗加调频扫频，以及无源干扰的典型代表箔条干扰，使用深度学习的方法对雷达干扰信号进行深层的特征学习，充分利用CNN提取的雷达干扰信号高度抽象的特征，利用获取的特征信息来实现特征级融合，最终实现雷达干扰信号类型的识别。

下面对本发明所述识别方法的具体过程进行说明：

具体实施例一：

结合图1所示，针对利用一维卷积神经网络提取的特征向量与人工提取的专家特征向量，获得雷达干扰信号特征级融合识别模型的过程包括：

对雷达干扰时域数据进行人工特征参数提取，获得的专家特征向量包括时域矩偏度、时域矩峰度、时域信号包络起伏度、时域干扰信号的均值及时域干扰信号的方差；

同时将雷达干扰时域数据划分为训练集、验证集和测试集；

对训练集中的数据利用一维卷积神经网络提取训练样本特征向量，并对训练样本特征向量进行PCA处理，再将PCA处理后的特征向量与所述专家特征向量进行串联融合；采用融合后的特征向量训练支持向量机，获得初步模型；

采用验证集中的数据调整初步模型；然后采用测试集中的数据测试调整后初步模型的测试精度；当测试精度达到预设阈值时，将调整后初步模型作为训练好的雷达干扰信号特征级融合识别模型；当测试精度未达到预设阈值时，基于训练集中的数据对调整后初步模型进一步调整，直至测试精度达到预设阈值。

进一步，所述雷达干扰时域数据集中的每个数据设置标记；所述雷达干扰时域数据包括12类雷达干扰信号，每类干扰信号包含N₁，N₂，…,N₁₂个样本；对于每类干扰信号，随机选取预定数量的样本，将所述预定数量的样本按60％、20％及20％的比例划分为训练集、验证集和测试集；

所述一维卷积神经网络通过不断的迭代来调整各层之间的连接权重，最后通过全局平均值池化对网络结构做正则化，提取出雷达干扰时域数据的本质一维训练样本特征向量，对本质一维训练样本特征向量采用PCA进行降维处理，再将PCA处理后的本质一维训练样本特征向量与所述专家特征向量进行串联融合；

将测试样本输入到雷达干扰信号特征级融合识别模型，测试样本首先被提取特征向量，被提取的特征向量进行PCA处理后，与由测试样本人工提取的专家特征向量串联融合；最后，输出测试样本的类别标号；

所述一维卷积神经网络包括三个卷积层，三个池化层，每层卷积核的个数依次为32，64，128，网络学习率的设置按照训练轮数减半的方案，初始学习率为0.05，随着轮数的增加，学习率依次减半。

下面对具体实施例一进行详细的说明：

一、对雷达干扰时域信号进行人工特征提取。

由于雷达干扰信号的体制不同，则信号的时域变化的情况也大不相同。因此，人工提取物理意义较为清晰的特征参数，如时域矩偏度(描述干扰信号非对称性程度的数字特征)、时域矩峰度(描述干扰信号波形陡峭程度的数字特征)、时域信号的包络起伏度(描述干扰信号包络变化差异的数字特征)、时域干扰信号的均值、时域干扰信号的方差等特征参数构成人工提取的特征数据集A，其每个干扰信号的特征维度为a。

二、对雷达干扰时域数据集进行训练样本、验证样本和测试样本的选取。

首先，对原始雷达干扰数据集中的每个样本进行标记。其次，对原始雷达干扰时域信号数据集进行划分，独立地分割成训练集(训练CNN特征提取模型)、验证集(特征提取模型的选择)与测试集(测试特征提取模型的泛化能力)。雷达干扰信号时域数据集中每类干扰信号包含N₁，N₂，…,N₁₂个样本且按照顺序存储在一个二维矩阵中，每个样本的数据维度为B(每个样本的数据维度由实部数据与虚部数据组成，前50％为实部数据，后50％为虚部数据)。从每类干扰信号随机选取一定比例的样本组成训练集、验证集与测试集，其中训练集、验证集与测试集相对独立，一般对于每类干扰信号数据，训练集、验证集、测试集的比例为60％，20％和20％。

三、使用一维卷积神经网络对雷达干扰信号时域数据集进行深层特征学习。

由于雷达干扰信号是一维数据，因此采用一维卷积神经网络对雷达干扰信号数据进行特征提取。使用训练样本对构成深层卷积神经网络进行训练，深层的学习数据特征并提取特征。一维卷积神经网络通过“局部连接”和“权值共享”有效地节省了训练开销。通过卷积层与池化层对输入雷达干扰信号进行加工，在连接层实现与输出目标之间的映射，每种特征映射是通过一维卷积滤波器提取输入干扰信号的一种局部特征。基于局部相关性原理，池化层对卷积层得到的特征进行亚采样处理，从而在减少数据量的同时保留有用信息。在训练一维卷积神经网络的过程中，通过不断的迭代来调整各层之间的连接权重，使得整个网络能够较为准确的学习。在特征提取网络的最后，通过全局平均值池化对网络结构做正则化，剔除全连接层中的黑箱特征，最终提取出雷达干扰时域数据的本质一维特征向量C。

实验结果表明，对于雷达干扰时域数据而言，分别用不同的一维卷积神经网络提取实部数据特征(m维)与虚部数据特征(n维)，最后将实部特征与虚部特征进行串行特征融合得到的一维特征C(m+n维)用于识别干扰信号的效果最好。为了加快网络训练深度，每个卷积神经网络采取批量归一化的操作，为了在一定程度减少网络过拟合的现象，网络采用dropout操作，其中，神经元随机失活的概率设置为0.5，能够很好的减小网络过拟合的现象。

四、对一维卷积神经网络提取的特征向量进行信息整合以及将整合后的特征与人工提取的特征向量进行串行特征融合。

由于卷积神经网络获取的特征向量C的数据维度较高，为了消除特征向量C中的冗余特征，减小噪声的影响，获取更有效、更低维的特征向量表示。因此，对特征向量C进行主成分分析法(PCA)，其原理是通过较少的分量来反映原始数据中的大部分特性，将原始数据中相关性较高的分量转换为彼此间不相关的新分量，新分量称之为主成分。通过PCA处理，将原始m+n维的特征向量降低成s维(s<(m+n))。实验表明，当特征向量的维度s是特征向量C的维度的25％-30％时，实验效果较好。将获取到的更有效的特征向量与人工提取干扰信号的特征向量进行串行融合，最后得到的每个干扰信号特征向量的数据维度为s+a。利用融合的干扰信号特征向量训练支持向量机(SVM)分类器，完成雷达干扰信号特征级融合识别模型的训练过程。实验表示，支持向量机的核函数为径向基函数时干扰识别效果最好。

五、将测试样本输入到雷达干扰信号特征级融合识别模型实现干扰类型的识别。

使用训练好的特征级融合识别网络对测试样本类型识别。将测试样本输入特征级融合识别网络，首先，基于深度学习的特征提取网络会对测试样本进行特征提取；其次，将CNN提取测试样本的特征向量进行PCA处理得到的特征向量与人工提取的特征向量进行串行融合；接下来，将融合后的特征向量输入到训练好的识别网络中对测试样本进行识别；最后，网络输出对应样本的类别标号，从而完成了雷达干扰信号数据的识别工作。通过特征级融合识别网络输出的类别与测试样本本身的类别标号对比，可以计算出整个识别系统的识别精度的定量衡量。

具体实施例二：

结合图2所示，针对利用一维卷积神经网络提取的特征向量与利用深度卷积神经网络提取的时频域特征向量，获得雷达干扰信号特征级融合识别模型的过程包括：

将雷达干扰时域数据划分为时域训练集、时域验证集和时域测试集；

对时域训练集中的数据利用一维卷积神经网络提取时域训练样本特征向量；

同时对雷达干扰时域数据进行时频变换得到雷达干扰时频域数据，将雷达干扰时频域数据划分为时频域训练集、时频域验证集和时频域测试集；

对时频域训练集的数据利用二维卷积神经网络提取时频域训练样本特征向量；

将时域训练样本特征向量与时频域训练样本特征向量进行串联融合后，再经PCA处理，得到整合后的特征向量；采用整合后的特征向量训练支持向量机，获得初步模型；

采用时域验证集与时频域验证集中的数据调整初步模型；然后采用时域测试集与时频域测试集中的数据测试调整后初步模型的测试精度；当测试精度达到预设阈值时，将调整后初步模型作为训练好的雷达干扰信号特征级融合识别模型；当测试精度未达到预设阈值时，基于时域训练集与时频域训练集中的数据对调整后初步模型进一步调整，直至测试精度达到预设阈值。

进一步，所述雷达干扰时域数据集中的每个数据设置标记；所述雷达干扰时域数据包括12类雷达干扰信号，每类干扰信号包含N₁，N₂，…,N₁₂个样本；对于每类干扰信号，随机选取预定数量的样本，将所述预定数量的样本按60％、20％及20％的比例划分为训练集、验证集和测试集；

所述一维卷积神经网络通过不断的迭代来调整各层之间的连接权重，最后通过全局平均值池化对网络结构做正则化，提取出雷达干扰时域数据的时域训练样本特征向量；

所述二维卷积神经网络采用卷积层、池化层以及全局平均值池化层，通过优化网络的损失函数，不断迭代更新神经元之间的连接权重，最后，通过全局平均值池化层，提取出时频域训练样本特征向量；

将时域训练样本特征向量与时频域训练样本特征向量进行串联融合后，利用PCA消除冗余特征，进行降维处理，得到整合后的特征向量；

将测试样本输入到雷达干扰信号特征级融合识别模型，输出测试样本的类别标号；

所述二维卷积神经网络包括四个卷积层，四个池化层，每层卷积核的个数依次为32，64，128，256，每层卷积核的大小依次为7×7，5×5，3×3，3×3，网络学习率的设置按照训练轮数减半的方案，初始学习率为0.05，随着轮数的增加，学习率依次减半。

下面对具体实施例二进行详细的说明：

一、对雷达干扰时域信号进行时频变换得到时频域数据集。

时域与时频域从不同的角度来分析雷达干扰信号的性质，时域是描述雷达干扰信号幅度与时间的关系，时频域是描述雷达干扰信号时间与频率的关系，两者相互联系，相辅相成。因此，为了从时域外的一个角度来获取雷达干扰信号特征，进而提升雷达干扰信号识别效果，对时域干扰信号进行短时傅里叶变换得到雷达干扰时频域数据集D。

二、使用二维卷积神经网络对雷达干扰信号时频域数据集进行深层特征学习。

对于雷达干扰时频域数据集，每个样本由一个h×w的二维矩阵(时频图)构成，因此采用二维卷积神经网络对时频域数据进行深层特征提取。其中，关于时频域训练集、验证集和测试集的划分与具体实施例一中用于训练一维卷积神经网络的划分方式保持一致。二维卷积神经网络采用常见的卷积层、池化层以及全局平均值池化层等操作，通过优化网络的损失函数，不断迭代更新神经元之间的连接权重，从而把初始的、与输出目标之间联系不太密切的输入表示，转化成与输出目标联系更为密切的表示，逐渐将初始的“低层”特征表示转化为“高层”的特征表示，进而完成复杂的识别任务。最终，通过全局平均值池化层，将雷达干扰时频域数据特征整合成一维特征F，其数据维度为f。对于二维卷积神经网络，关于学习率的设计与加快网络训练速度和减小网络过拟合的方式均与具体实施例一保持一致。

三、将二维卷积神经网络提取的时频域特征向量F与一维卷积神经网络提取的时域特征向量C进行串行融合以及将融合后的特征进行信息整合。

由于将时频域特征向量F与时域特征向量C(利用一维卷积神经网络提取时域干扰信号特征向量，与具体实施例一中保持一致)进行串行融合，得到的融合特征向量数据维度较高。因此，利用PCA消除冗余特征，进行降维处理，最后得到每个干扰信号特征向量的表示(其数据维度小于m+n+f)。实验表明，当整合后特征向量的维度是F与C串行融合后的维度的25％-30％时，实验效果较好。利用融合的干扰信号特征向量训练支持向量机(SVM)分类器，完成雷达干扰信号特征级融合识别模型的训练过程。实验表示，支持向量机的核函数为径向基函数时干扰识别效果最好。

四、将测试样本输入到雷达干扰信号特征级融合识别模型实现干扰类型的识别。

使用训练好的特征级融合识别网络对测试样本类型识别。将测试样本(时域干扰信号)输入特征级融合识别网络，首先，识别网络先对输入数据进行时频变换处理变成时频域数据；接着，分别利用一维卷积神经网络提取测试样本的特征向量和二维卷积神经网络提取将测试样本经过时频变换后得到的时频域数据的特征向量；接下来，将两个特征向量进行串行融合，在通过PCA降维处理得到特征级融合后的特征向量，将融合后的特征向量输入到训练好的识别网络中对测试样本进行识别；最后，通过特征级融合识别网络输出的类别与测试样本本身的类别标号对比，可以计算出整个识别系统的识别精度的定量衡量。

本发明中，验证模型的好坏主要通过与传统识别方法的识别精度进行对比，若识别精度低于传统识别方法则调整网络模型。所述预设阈值可以基于传统识别方法能够达到的识别精度进行设置。

虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (4)

1.一种基于深度卷积神经网络的雷达干扰信号特征级融合识别方法，其特征在于，包括建立雷达干扰时域数据集，对雷达干扰时域数据集中的雷达干扰时域数据以两种不同形式提取特征向量，再将提取的两种特征向量进行串联融合；采用融合后的特征向量训练支持向量机，获得训练好的雷达干扰信号特征级融合识别模型；

所述提取的两种特征向量包括：利用一维卷积神经网络提取的特征向量与人工提取的专家特征向量；

或者利用一维卷积神经网络提取的特征向量与利用二维卷积神经网络提取的时频域特征向量；

最后，将采集的测试样本输入到雷达干扰信号特征级融合识别模型，获得雷达干扰信号识别结果；

针对利用一维卷积神经网络提取的特征向量与人工提取的专家特征向量，获得雷达干扰信号特征级融合识别模型的过程包括：

对雷达干扰时域数据进行人工特征参数提取，获得的专家特征向量包括时域矩偏度、时域矩峰度、时域信号包络起伏度、时域干扰信号的均值及时域干扰信号的方差；

同时将雷达干扰时域数据划分为训练集、验证集和测试集；

对训练集中的数据利用一维卷积神经网络提取训练样本特征向量，并对训练样本特征向量进行PCA处理，再将PCA处理后的特征向量与所述专家特征向量进行串联融合；采用融合后的特征向量训练支持向量机，获得初步模型；

采用验证集中的数据调整初步模型；然后采用测试集中的数据测试调整后初步模型的测试精度；当测试精度达到预设阈值时，将调整后初步模型作为训练好的雷达干扰信号特征级融合识别模型；当测试精度未达到预设阈值时，基于训练集中的数据对调整后初步模型进一步调整，直至测试精度达到预设阈值；

针对利用一维卷积神经网络提取的特征向量与利用二维卷积神经网络提取的时频域特征向量，获得雷达干扰信号特征级融合识别模型的过程包括：

将雷达干扰时域数据划分为时域训练集、时域验证集和时域测试集；

对时域训练集中的数据利用一维卷积神经网络提取时域训练样本特征向量；

同时对雷达干扰时域数据进行时频变换得到雷达干扰时频域数据，将雷达干扰时频域数据划分为时频域训练集、时频域验证集和时频域测试集；

对时频域训练集的数据利用二维卷积神经网络提取时频域训练样本特征向量；

将时域训练样本特征向量与时频域训练样本特征向量进行串联融合后，再经PCA处理，得到整合后的特征向量；采用整合后的特征向量训练支持向量机，获得初步模型；

采用时域验证集与时频域验证集中的数据调整初步模型；然后采用时域测试集与时频域测试集中的数据测试调整后初步模型的测试精度；当测试精度达到预设阈值时，将调整后初步模型作为训练好的雷达干扰信号特征级融合识别模型；当测试精度未达到预设阈值时，基于时域训练集与时频域训练集中的数据对调整后初步模型进一步调整，直至测试精度达到预设阈值。

2.根据权利要求1所述的基于深度卷积神经网络的雷达干扰信号特征级融合识别方法，其特征在于，

所述雷达干扰时域数据集中的雷达干扰时域数据包括压制式干扰数据、欺骗式干扰数据、加性复合干扰数据以及无源干扰数据。

3.根据权利要求2所述的基于深度卷积神经网络的雷达干扰信号特征级融合识别方法，其特征在于，

所述雷达干扰时域数据集中的每个数据设置标记；所述雷达干扰时域数据包括12类雷达干扰信号，每类干扰信号包含N₁，N₂，…,N₁₂个样本；对于每类干扰信号，随机选取预定数量的样本，将所述预定数量的样本按60％、20％及20％的比例划分为训练集、验证集和测试集；

所述一维卷积神经网络通过不断的迭代来调整各层之间的连接权重，最后通过全局平均值池化对网络结构做正则化，提取出雷达干扰时域数据的本质一维训练样本特征向量，对本质一维训练样本特征向量采用PCA进行降维处理，再将PCA处理后的本质一维训练样本特征向量与所述专家特征向量进行串联融合；

将测试样本输入到雷达干扰信号特征级融合识别模型，测试样本首先被提取特征向量，被提取的特征向量进行PCA处理后，与由测试样本人工提取的专家特征向量串联融合；最后，输出测试样本的类别标号；

所述一维卷积神经网络包括三个卷积层，三个池化层，每层卷积核的个数依次为32，64，128，网络学习率的设置按照训练轮数减半的方案，初始学习率为0.05，随着轮数的增加，学习率依次减半。

4.根据权利要求1或2所述的基于深度卷积神经网络的雷达干扰信号特征级融合识别方法，其特征在于，

所述雷达干扰时域数据集中的每个数据设置标记；所述雷达干扰时域数据包括12类雷达干扰信号，每类干扰信号包含N₁，N₂，…,N₁₂个样本；对于每类干扰信号，随机选取预定数量的样本，将所述预定数量的样本按60％、20％及20％的比例划分为训练集、验证集和测试集；

所述一维卷积神经网络通过不断的迭代来调整各层之间的连接权重，最后通过全局平均值池化对网络结构做正则化，提取出雷达干扰时域数据的时域训练样本特征向量；

所述二维卷积神经网络采用卷积层、池化层以及全局平均值池化层，通过优化网络的损失函数，不断迭代更新神经元之间的连接权重，最后，通过全局平均值池化层，提取出时频域训练样本特征向量；

将时域训练样本特征向量与时频域训练样本特征向量进行串联融合后，利用PCA消除冗余特征，进行降维处理，得到整合后的特征向量；

将测试样本输入到雷达干扰信号特征级融合识别模型，输出测试样本的类别标号；

所述二维卷积神经网络包括四个卷积层，四个池化层，每层卷积核的个数依次为32，64，128，256，每层卷积核的大小依次为7×7，5×5，3×3，3×3，网络学习率的设置按照训练轮数减半的方案，初始学习率为0.05，随着轮数的增加，学习率依次减半。

Images