CN115828154A

CN115828154A - 一种lpi雷达信号识别方法、系统、设备和存储介质

Info

Publication number: CN115828154A
Application number: CN202211497469.1A
Authority: CN
Inventors: 罗志勇; 王西提
Original assignee: Sun Yat Sen University
Current assignee: Sun Yat Sen University
Priority date: 2022-11-25
Filing date: 2022-11-25
Publication date: 2023-03-21
Anticipated expiration: 2042-11-25
Also published as: CN115828154B

Abstract

本发明涉及雷达信号识别技术领域，公开了一种LPI雷达信号识别方法、系统、设备和存储介质，包括对接收到的LPI雷达信号进行数据处理，得到雷达信号数据集；建立多级神经网络识别模型，并使用所述雷达信号数据集对所述多级神经网络识别模型进行训练；将待识别雷达信号输入训练好的所述多级神经网络识别模型进行类型识别，并通过双门限判决法得到所述待识别雷达信号的信号类别。本发明能够依据识别难度自适应选择网络传播深度进行识别，降低了识别算法的复杂度，减少不必要的计算开销，不仅能够达到更高的识别准确率，而且大幅降低了计算量，提升识别速度。

Description

一种LPI雷达信号识别方法、系统、设备和存储介质

技术领域

本发明涉及雷达信号识别技术领域，特别是涉及一种基于端到端多级神经网络的LPI雷达信号识别方法、系统、计算机设备和存储介质。

背景技术

LPI(Low Probability of Intercept)雷达信号通过使用先进调制技术等，可以有效降低被敌方接收机的截获和检测的概率，已被广泛应用于各种雷达体制。LPI雷达信号具有低功率、大带宽和频率变化等特点，带来了侦测识别困难等挑战。目前，基于深度学习的LPI雷达信号识别方法的研究越来越多。

基于深度学习的LPI雷达信号识别方法相较于传统方法取得了更高的识别性能，然而这些算法往往关注于识别准确率而忽视了实现复杂度以及时频图与视觉图像间的差异。现有的LPI雷达信号识别网络往往具备固定的单输出网络结构，在不同识别难度场景下都需要经过固定的网络运算，不具备适应性，会造成不必要的计算消耗。而且现有的LPI雷达信号识别网络往往按照视觉图像识别领域中的卷积神经网络进行卷积-激活-池化操作，而忽视了LPI雷达信号时频图与视觉图像的差异，使用一步卷积和池化操作会导致准确率受限且计算量较大。也就是说，现有网络的计算量普遍较大，不仅导致耗能大，而且会使得识别不及时。

发明内容

为了解决上述技术问题，本发明提供了一种LPI雷达信号识别方法、系统、计算机设备和存储介质，通过设计新型的基于端多端的多级神经网络进行雷达信号的识别，不仅在性能上超过了现有的LPI雷达信号的识别方法，而且能够凭借多级结构优势依据识别难度选择计算消耗，进一步降低识别算法的复杂度，能够减少不必要的计算开销，并提升识别速度。

第一方面，本发明实施例提供了一种LPI雷达信号识别方法，包括：

对接收到的LPI雷达信号进行数据处理，得到雷达信号数据集；

建立多级神经网络识别模型，并使用所述雷达信号数据集对所述多级神经网络识别模型进行训练，所述多级神经网络识别模型由三级网络模型构成，其中，第一级主干网络为卷积网络，第二级主干网络和第三主干网络均为残差网络，且每级主干网络都设置有相应的分类器；

将待识别雷达信号输入训练好的所述多级神经网络识别模型进行类型识别，并通过双门限判决法得到所述待识别雷达信号的信号类别。

进一步地，所述对接收到的LPI雷达信号进行数据处理，得到雷达信号数据集的步骤包括：

接收发射机发出的LPI雷达信号，并将所述雷达信号的时域波形信号和对应的信号类别作为雷达信号原始数据集；

通过CWD分布将所述时域波形信号变换成时频图，并对所述时频图进行二维Kasir滤波处理，得到雷达信号数据集。

进一步地，所述第一级主干网络包括三层卷积层，所述第二级主干网络和所述第三级主干网络均包括具有跳连接结构的残差模块，且所述第一级主干网络、所述第二级主干网络和所述第三级主干网络分别对应设置有第一级分类器、第二级分类器和第三级分类器。

进一步地，所述第一级主干网络中每层卷积层的卷积操作步长均为2，且第一层卷积层的卷积核大小为5，第二层卷积层和第三层卷积层的卷积核大小均为3。

进一步地，所述残差模块对输入的特征图进行特征融合和提取的步骤包括：

对输入的特征图进行第一卷积操作，得到所述特征图的第一特征，其中，所述第一卷积操作的卷积核的尺寸为1×1，所述第一卷积操作的卷积核的步长为2，且所述第一卷积操作的卷积核的核数为所述特征图的维度的2倍；

对所述特征图依次进行第二卷积操作、第三卷积操作和第四卷积操作，得到所述特征图的第二特征，其中，所述第二卷积操作的卷积核的尺寸为1×1，所述第二卷积操作的卷积核的步长为2，所述第二卷积操作的卷积核的核数为所述特征图的维度的1/2；所述第三卷积操作的卷积核的尺寸为3×3，所述第三卷积操作的卷积核的步长为1，所述第三卷积操作的卷积核的核数为所述特征图的维度的1/2；所述第四卷积操作的卷积核的尺寸为1×1，所述第四卷积操作的卷积核的步长为1，所述第四卷积操作的卷积核的核数为所述特征图的维度的2倍；

将所述第一特征和所述第二特征按位相加，并经过激活函数进行输出。

进一步地，所述多级神经网络识别模型采用加权深度监督作为损失函数，并采用如下公式计算所述损失函数：

式中，loss_i为前i级主干网络的损失函数值，N为雷达信号数据集的大小，M为雷达信号数据集中雷达信号的类别数，p_{i_nm}为样本n在第i级分类器输出的类别为第m类信号的概率，y_nm表示样本n的标签为第m类标签，α_i为第i级主干网络的权重。

进一步地，所述将待识别雷达信号输入训练好的所述多级神经网络识别模型进行类型识别，并通过双门限判决法得到所述待识别雷达信号的信号类别的步骤包括：

将待识别雷达信号的时频图输入训练好的所述多级神经网络识别模型中，通过所述第一级主干网络提取浅层特征，并将所述第一级分类器输出的最高概率作为第一判决置信度；

将所述第一判决置信度与预设的判决上限相比较，若所述第一判决置信度高于所述判决上限，则将所述第一级分类器输出的判决结果作为所述待识别雷达信号的类别，若所述第一判决置信度低于所述判决上限，则将所述第一判决置信度与预设的判决下限相比较；

若所述第一判决置信度低于所述判决下限，则将所述浅层特征通过所述第二级主干网络传递到所述第三主干网络，使用所述第三主干网络提取第一深层特征，并将所述第三级分类器输出的判决结果作为所述待识别雷达信号的类别；

若所述第一判决置信度高于所述判决下限，则将所述浅层特征传递到所述第二级主干网络，使用所述第二级主干网络提取第二深层特征，并将所述第二级分类器输出的最高概率作为第二判决置信度；

将所述第二判决置信度与所述判决上限相比较，若所述第二判决置信度高于所述判决上限，则将所述第二级分类器输出的判决结果作为所述待识别雷达信号的类别，若所述第二判决置信度低于所述判决上限，则将所述第二深层特征传递到所述第三主干网络进行特征提取，并将所述第三级分类器输出的判决结果作为所述待识别雷达信号的类别。

第二方面，本发明实施例提供了一种LPI雷达信号识别系统，包括：

数据集构建模块，用于对接收到的LPI雷达信号进行数据处理，得到雷达信号数据集；

识别模型构建模块，用于建立多级神经网络识别模型，并使用所述雷达信号数据集对所述多级神经网络识别模型进行训练，所述多级神经网络识别模型由三级网络结构构成，其中，第一级主干网络为卷积网络，第二级主干网络和第三主干网络均为残差网络，且每级主干网络都设置有相应的分类器；

信号识别模块，用于将待识别雷达信号输入训练好的所述多级神经网络识别模型进行类型识别，并通过双门限判决法得到所述待识别雷达信号的信号类别。

第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

本发明提供了一种LPI雷达信号识别方法、系统、设备和存储介质，与现有技术相比，本发明实施例通过设计一种新型的基于端到端的多级神经网络识别模型，能够以较低的训练代价实现端到端的多级LPI雷达信号识别网络，并依据识别难度自适应选择网络传播深度进行识别，凭借多级结构优势依据识别难度选择计算消耗，降低了识别算法的复杂度，减少不必要的计算开销，本发明不仅能够达到更高的识别准确率，而且大幅降低了计算量，提升识别速度。

附图说明

图1是本发明实施例提供的LPI雷达信号识别方法的流程示意图；

图2是本发明实施例中具有三级网络模型的结构示意图；

图3是图2中的残差模块的结构示意图；

图4是本发明实施例提供的双门限判决法的流程示意图；

图5是本发明实施例提供的识别模型与常规识别模型的性能对比示意图；

图6是本发明实施例提供的识别模型对不同类别信号的识别性能的示意图；

图7是本发明实施例提供的识别模型在不同数据集上的自适应前向传播的概率对比图；

图8是本发明实施例提供的LPI雷达信号识别系统的结构示意图；

图9是是本发明实施例中计算机设备的内部结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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做出创造性劳动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。

请参阅图1，本发明第一实施例提出的一种LPI雷达信号识别方法，包括步骤S10～S30：

步骤S10，对接收到的LPI雷达信号进行数据处理，得到雷达信号数据集。

本发明实施例中的雷达信号识别方法是基于深度学习建立的神经网络模型来进行LPI雷达信号的识别，而对于模型的训练则是使用了真实的雷达信号作为数据集，为了实现更好的训练效果，因此需要对接收到的LPI雷达信号先进行数据处理，其具体步骤包括：

步骤S101，接收发射机发出的LPI雷达信号，并将所述雷达信号的时域波形信号和对应的信号类别作为雷达信号原始数据集；

步骤S102，通过CWD分布将所述时域波形信号变换成时频图，并对所述时频图进行二维Kasir滤波处理，得到雷达信号数据集。

发射机会发射一系列特定类别的LPI雷达信号，接收机则会接收这些雷达的时域波形信号，并记录对应的信号类别，这些时域波形信号和对应的信号类别，就构成了包含标签的LPI雷达信号的原始数据集，假设，原始数据集中包含了M种LPI雷达信号及其标签y，原始数据集的大小为N。

将原始数据集种的每个时域信号样本通过Choi-Williams分布(CWD)变换成时频图。CWD分布是采用指数核函数

的特殊Wigner-Ville分布(WVD)：

C_x(t,Ω)＝∫∫AF_x(θ,τ)g(θ,τ)e^-j(tθ+Ωτ)dτdθ

其中模糊函数AF_x(θ,τ)是信号x(t)的瞬时自相关函数r_x(t,τ)的逆傅里叶变换：

具体变换过程可以参考CWD分布的变换过程，在此不再详细说明，对得到的时频图会进行二维Kasir滤波处理，再进行缩放、灰度化等处理后，就可以获得最终尺寸为50*50的雷达信号数据集。对于处理后得到的数据集可以按照一定比例划分成训练集、验证集合测试集，用来训练模型、在模型训练过程种进行验证以及在训练完成后进行性能测试。

步骤S20，建立多级神经网络识别模型，并使用所述雷达信号数据集对所述多级神经网络识别模型进行训练，所述多级神经网络识别模型由三级网络模型构成，其中，第一级主干网络为卷积网络，第二级主干网络和第三主干网络均为残差网络，且每级主干网络都设置有相应的分类器。

本发明设计了一种具有多级模块结构的神经网络模型来识别LPI雷达信号，按照每级网络提取的特征图，可以分为浅层网络和深层网络，浅层网络使用无池化且步长为2的卷积操作，深层网络则使用了具有瓶颈结构的ResBlock模块，每一级提取特征经过卷积降维后通过由全连接层和softmax函数构成的分类器输出识别概率，下面以三级网络模型为例对神经网络模型的结构进行更详细的说明。

请参阅图2，本发明实施例提供了一种三级网络模型，依次为第一级主干网络、第二级主干网络和第三级主干网络，其中，第一级主干网络可以认为是浅层网络，第二级主干网络和第三级主干网络为深层网络。

第一级主干网络由三层卷积层叠加来提取浅层特征，每层卷积操作的步长为2，然后经过批归一化后通过激活函数即通过第一级分类器进行输出，从图2上可以看到，将处理的雷达数据即时频图输入第一级主干网络后，只进行了三层卷积操作而没有池化操作，这是因为时频图和视觉图像不同，不具备尺度不变性和旋转不变性，且类别差异主要体现在局部细节，因此池化不再是合适的降维方法。相比于步长为1并池化而言，直接使卷积步长为2能够在达到相同降维效果的同时，可以降低计算量，并提升识别性能。而除了第一层卷积核大小为5外，第二层和第三层卷积核的大小均为3，从而使得第一级的感受野能够覆盖到整张输入时频图。

第二级主干网络和第三级主干网络均采用具有跳连接结构的残差模块来提取更深层次的特征信息，残差模块能够有效避免网络退化的问题，保证后一级的主干网络具有更高的性能，请参阅图3，第二级主干网络和第三级主干网络的残差网络的结构是相同的，我们以残差模块对输入的特征图进行特征提取和融合的流程来说明残差模块的结构：

假设输入的特征图通道数为C，尺寸为W×W，残差模块对于输入的特征图会分为两路处理，一路通过尺寸1×1步长为2的2*C个卷积核进行通道间的特征融合与提取，另一路则首先通过尺寸1×1步长为2的C/2个卷积核进行降维，随后通过尺寸3×3步长为1的C/2个卷积核进行尺寸以及通道间的特征融合与提取，然后通过尺寸1×1步长为1的2*C个卷积核将维度提升到2*C，并与另一路得到的特征按位相加后经过激活函数Relu输出，此时输出的特征图通道数为2*C，尺寸为W/2*W/2。

在经过残差模块处理之后，第二级主干网络和第三级主干网络均还附加了一个分类器，即第二级分类器和第三级分类器，用来处理各级主干网络得到的特征图并输出各类别概率，也就是说，三级主干网络各自附加有对应的分类器。

其中，前两级分类器将对应的前两级主干网络提取的特征图分别通过2个和4个尺寸为3×3的卷积核进行降维处理来降低计算量，并且第二级分类器中由于第二级主干网络输出的特征图尺寸较小故需要padding操作，前两级分类器中将经过上述卷积后提取的特征通过全连接和softmax输出各类别概率。最后一级主干网络则通过32个尺寸为1×1的卷积核进行降维，随后通过dropout为0.5具有32个神经元的全连接层，再通过全连接和softmax输出各类别概率。需要说明的是，本发明中对于多级神经网络识别模型的结构并非仅限定于上述的层级，实际上，对于浅层网络和深层网络都可以根据实际情况设置不同层级的卷积层或者更多个主干网络，在此的三层网络结构只是一种优选的结构而非具体限定，本实施例中出现的具体数值也同样只是一种优选，后续将不再一一赘述。

在网络模型搭建完成后，就可以通过构建的雷达信号数据集对多级神经网络识别模型进行训练，本实施例中的网络模型采用了加权深度监督作为损失函数，设定训练过程中样本n在第i级分类器输出的判别为第m类信号的概率为p_{i_nm}，标签样本n为第m类标签为y_nm，将p_{i_nm}与y_nm采用交叉熵作为损失函数得到loss_i，并通过对各级分类器损失函数的加权求和得到网络最终训练时的损失函数loss：

其中，N是数据集大小，M是数据集中LPI雷达信号类别数，设定多组权重α_i，训练后选取在验证集上表现最好的一组。

这种损失函数的设计方法可以一次性训练各级主干网络和各级分类器，不必先计算主干网络后固定参数再训练各级分类器，本发明利用构建的数据集和损失函数，并设定训练次数以及网络最小更新阈值，采用Adam优化器对神经网络进行快速优化更新，随后使用SGD优化器进行细致的更新，相较于单独使用Adam而言，使用Adam加上SGD优化的方式可以获得更好的训练效果。

步骤S30，将待识别雷达信号输入训练好的所述多级神经网络识别模型进行类型识别，并通过双门限判决法得到所述待识别雷达信号的信号类别。

对于上述训练好的多级神经网络识别模型，由于在每级主干网络中都设计了分类器，为了减少不必要的计算量，本发明采用了双门限判决法来得到最终的输出类别，具体步骤如下所示：

步骤S301，将待识别雷达信号的时频图输入训练好的所述多级神经网络识别模型中，通过所述第一级主干网络提取浅层特征，并将所述第一级分类器输出的最高概率作为第一判决置信度；

步骤S302，将所述第一判决置信度与预设的判决上限相比较，若所述第一判决置信度高于所述判决上限，则将所述第一级分类器输出的判决结果作为所述待识别雷达信号的类别，若所述第一判决置信度低于所述判决上限，则将所述第一判决置信度与预设的判决下限相比较；

步骤S303，若所述第一判决置信度低于所述判决下限，则将所述浅层特征通过所述第二级主干网络传递到所述第三主干网络，使用所述第三主干网络提取第一深层特征，并将所述第三级分类器输出的判决结果作为所述待识别雷达信号的类别；

步骤S304，若所述第一判决置信度高于所述判决下限，则将所述浅层特征传递到所述第二级主干网络，使用所述第二级主干网络提取第二深层特征，并将所述第二级分类器输出的最高概率作为第二判决置信度；

步骤S305，将所述第二判决置信度与所述判决上限相比较，若所述第二判决置信度高于所述判决上限，则将所述第二级分类器输出的判决结果作为所述待识别雷达信号的类别，若所述第二判决置信度低于所述判决上限，则将所述第二深层特征传递到所述第三主干网络进行特征提取，并将所述第三级分类器输出的判决结果作为所述待识别雷达信号的类别。

为了更好的说明上述的判决流程，请参阅图4，首先设定两个阈值，分别为判决下限λ_l和判决上限λ_u，对于输入的待识别的LPI雷达信号的时域图，通过网络传递到第一级主干网络时会暂停前向传播，将第一级主干网络输出的特征图通过第一级分类器进行判决输出的最高概率

作为第一判决置信度C₁；将第一判决置信度C₁与判决上限λ_u和判决下限λ_l分别进行比较，若高于判决上限λ_u，则提前终止识别流程，并将最高概率

对应的判别类别

作为待识别雷达信号的类别，若低于判决下限λ_l，则将第一级主干网络输出的特征图沿着主干网络继续前向传播，直接通过第二级主干网络传递至第三级主干网络，由第三级主干网络进行特征提取并通过第三级分类器输出判决结果，即传播过程中并不在第二级主干网络停留也不通过第二级分类器进行输出，这是因为第一级分类器输出的判决低于判决下限说明识别困难，在第二级主干网络通过第二级分类器输出极有可能也无法具有很高置信度，因此直接传递至最后一级主干网络，并通过最后一级分类器判别，从而减少了不必要的计算量。

对于第一判决置信度C₁在判决下限λ_l和判决上限λ_u之间的情况，则是将输出的特征图继续传递至第二级主干网络及其相应的分类器进行处理，并将第二级分类器输出的最高概率

作为第二判决置信度C₂，将第二判决置信度C₂与判决上限λ_u进行比较，若高于判决上限λ_u，则将最高概率

对应的类别

作为待识别雷达信号的判决结果，否则就继续传递至第三级主干网络及其分类器进行最终判决，即将第三级分类器输出的最高概率

对应的判决类别

作为待识别雷达信号的类别。

与现有LPI雷达信号识别网络相比，本发明的神经网络识别模型具有多级输出，传播深度可以自适应调节，不一定在主干网络的最后一级输出，在网络的前向传播过程中若前级主干网络经过相应的分类器后输出的识别置信度满足要求，则不必继续前向传播，进而节省计算量，且通过设计损失函数可以一次性训练各级主干网络和各级分类器，不必先训练主干网络后固定参数再训练各级分类器。此外，网络设计时注意到了时频图与视觉图的差异，采用步长为2的卷积操作代替传统池化降维操作，能够使识别性能更好计算量更少。

为了更好的说明本发明实施例提供的多级神经网络识别模型的上述特点，分别进行了相关的实验来验证，如下表1所示的神经网络各级主干网络及其分类器的参数和计算量的分布情况，表2则是采用本申请的二步卷积和常规方式的一步卷积加池化进行降维实验得到的参数对比。从表2可以清楚的看到本发明所采用的无池化步长为2的卷积操作的优异性。

表1神经网络模型的参数和计算量分布情况

降维方法	准确率	参数量	浮点运算数
				二步卷积	82.87％	167K	2.73M
一步卷积加池化	82.32％	167K	8.18M

表2不同降维方法的性能比较

在性能实验中，采用了13种LPI雷达信号，使用本发明提供的识别网络与现有的具有较高性能的网络分别进行了实验分析，图5展示了本发明的识别模型与常规识别模型的识别性能的对比图，图6展示了本发明的识别模型对不同类别信号的识别性能，而下表3则展示了本发明的识别模型与常规识别模型的识别性能和复杂度的对比情况：

表3不同识别模型的识别性能和复杂度的比较

由此可见，相比现有的识别模型，本发明可以在达到较高识别准确率的同时，大幅度降低网络的参数量和计算量。

请参阅图7，为了更好的说明本发明提供的双门限判决法进行判决输出的优点，我们将13种经典的LPI雷达信号数据集在本发明的识别模型上的自适应前向传播的概率进行了计算，包括单门限判决准测下在测试集上以λ_u为判决门限时最终传递至各级终止传播并输出判别类别的概率分布情况，双门限判决准则下由前两级分类器终止传播并判决输出的概率分布情况，双门限判决准则下传递至最后一级分类器才判决输出的概率分布情况，双门限判决准则下经由第二级分类器处理后传播至最后一级判决输出的概率分布情况，进一步地还可以得到经过第一级判决后不经过第二级分类器判决直接传递至第三级及其分类器判决输出的概率分布情况，通过图7可以看到，单门限和双门限判决准则下直接在第一级或第二级主干网络提前判决输出都占有一定比例，进而减少了传递至下一级主干网络进行处理所导致的计算消耗，并接节省了判决时间。双门限相较于单门限减少了部分识别困难波形在第二级分类器上进行准确率不高的不必要处理所导致的计算。因而基于多级神经网络识别模型的双门限判决方法相较于传统单输出网络和多模块网络单门限判决方法可以节省不必要的计算消耗。需要说明的是，在输入数据符合特定形式并经过训练后，本发明除了能够分类LPI雷达信号，还能进行其他类型电磁信号的识别。具体的识别过程可以参考本申请的识别方法，在此不再进行详细说明。

本发明实施例提供的一种LPI雷达信号识别方法，相比传统方法识别准确率受限且计算量较大的问题，本发明能够以较低的训练代价实现端到端的多级LPI雷达信号识别网络，并依据识别难度自适应选择网络传播深度进行识别，凭借多级结构优势依据识别难度选择计算消耗，降低了识别算法的复杂度，减少不必要的计算开销，本发明不仅能够达到更高的识别准确率，而且大幅降低了计算量，提升识别速度。

请参阅图8，基于同一发明构思，本发明第二实施例提供的一种LPI雷达信号识别系统，包括：

数据集构建模块10，用于对接收到的LPI雷达信号进行数据处理，得到雷达信号数据集；

识别模型构建模块20，用于建立多级神经网络识别模型，并使用所述雷达信号数据集对所述多级神经网络识别模型进行训练，所述多级神经网络识别模型由三级网络结构构成，其中，第一级主干网络为卷积网络，第二级主干网络和第三主干网络均为残差网络，且每级主干网络都设置有相应的分类器；

信号识别模块30，用于将待识别雷达信号输入训练好的所述多级神经网络识别模型进行类型识别，并通过双门限判决法得到所述待识别雷达信号的信号类别。

本发明实施例提出的LPI雷达信号识别系统的技术特征和技术效果与本发明实施例提出的方法相同，在此不予赘述。上述LPI雷达信号识别系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

请参阅图9，一个实施例中计算机设备的内部结构图，该计算机设备具体可以是终端或服务器。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示器和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现LPI雷达信号识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域普通技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算设备可以包括比途中所示更多或更少的部件，或者组合某些部件，或者具有同的部件布置。

此外，本发明实施例还提出一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。

此外，本发明实施例还提出一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。

综上，本发明实施例提供一种LPI雷达信号识别方法、系统、设备和存储介质，其LPI雷达信号识别方法通过对接收到的LPI雷达信号进行数据处理，得到雷达信号数据集；建立多级神经网络识别模型，并使用所述雷达信号数据集对所述多级神经网络识别模型进行训练，所述多级神经网络识别模型由三级网络结构构成，其中，第一级主干网络为卷积网络，第二级主干网络和第三主干网络均为残差网络，且每级主干网络都设置有相应的分类器；将待识别雷达信号输入训练好的所述多级神经网络识别模型进行类型识别，并通过双门限判决法得到所述待识别雷达信号的信号类别。本发明能够以较低的训练代价实现端到端的多级LPI雷达信号识别网络，并依据识别难度自适应选择网络传播深度进行识别，凭借多级结构优势依据识别难度选择计算消耗，降低了识别算法的复杂度，减少不必要的计算开销，本发明不仅能够达到更高的识别准确率，而且大幅降低了计算量，提升识别速度。

本说明书中的各个实施例均采用递进的方式描述，各个实施例直接相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。需要说明的是，上述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种优选实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本申请的保护范围。因此，本申请专利的保护范围应以所述权利要求的保护范围为准。

Claims

1.一种LPI雷达信号识别方法，其特征在于，包括：

建立多级神经网络识别模型，并使用所述雷达信号数据集对所述多级神经网络识别模型进行训练，所述多级神经网络识别模型由三级网络结构构成，其中，第一级主干网络为卷积网络，第二级主干网络和第三主干网络均为残差网络，且每级主干网络都设置有相应的分类器；

2.根据权利要求1所述的LPI雷达信号识别方法，其特征在于，所述对接收到的LPI雷达信号进行数据处理，得到雷达信号数据集的步骤包括：

3.根据权利要求1所述的LPI雷达信号识别方法，其特征在于，所述第一级主干网络包括三层卷积层，所述第二级主干网络和所述第三级主干网络均包括具有跳连接结构的残差模块，且所述第一级主干网络、所述第二级主干网络和所述第三级主干网络分别对应设置有第一级分类器、第二级分类器和第三级分类器。

4.根据权利要求3所述的LPI雷达信号识别方法，其特征在于，所述第一级主干网络中每层卷积层的卷积操作步长均为2，且第一层卷积层的卷积核大小为5，第二层卷积层和第三层卷积层的卷积核大小均为3。

5.根据权利要求3所述的LPI雷达信号识别方法，其特征在于，所述残差模块对输入的特征图进行特征融合和提取的步骤包括：

将所述第一特征和所述第二特征按位相加，并通过激活函数进行输出。

6.根据权利要求1所述的LPI雷达信号识别方法，其特征在于，所述多级神经网络识别模型采用加权深度监督作为损失函数，并采用如下公式计算所述损失函数：

7.根据权利要求3所述的LPI雷达信号识别方法，其特征在于，所述将待识别雷达信号输入训练好的所述多级神经网络识别模型进行类型识别，并通过双门限判决法得到所述待识别雷达信号的信号类别的步骤包括：

8.一种LPI雷达信号识别系统，其特征在于，包括：

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。