【技术实现步骤摘要】
基于CNN
‑
BLS网络的雷达辐射源信号识别方法
[0001]本专利技术涉及电子对抗
,尤其涉及基于CNN
‑
BLS网络的雷达辐射源信号识别方法。用于在雷达辐射源识别中对雷达辐射源信号进行识别分类,确保雷达辐射源信号识别分类的精确性和实时性。
技术介绍
[0002]雷达辐射源识别作为电子对抗侦察的重要环节,在雷达目标判型和威胁等级告警等方面有着重要作用。雷达信号脉内调制类型识别是雷达侦察系统重要组成部分,对信号类型的精准识别有助于判断敌方雷达类型、威胁等级和功用。在现代日益密集复杂的电磁环境下,新体制雷达层出不穷,信号样式复杂多变,雷达辐射源信号识别面临严峻的挑战。传统的基于五大脉冲描述字等特征参数的雷达辐射源信号识别方法,已经不能满足战场上快速、准确区分雷达辐射源信号的需求,人为设计提取特征的方法需要依靠专业知识和经验,存在针对性强,低信噪比下失效等缺陷,如何自动地从数据中获取有利于信号分类的深层本质特征成为雷达信号识别的研究热点。
[0003]深度学习通过训练海量数据和构建学习模型来自动获取更具分类能力的特征,近年来,国内外学者将深度学习技术应用于雷达辐射源信号识别,在低信噪比条件下,此类方法较人工规则构造特征的识别方法更具鲁棒性。Ali等人使用无监督特征学习和全连接神经网络进行脉内调制识别,其在
‑
5~15dB信噪比下能达到94.5%的识别率,(详见:Ali A,FanY.Unsupervised feature learning and au ...
【技术保护点】
【技术特征摘要】
1.一种基于CNN
‑
BLS网络的雷达辐射源信号识别方法,其特征是包括以下步骤:步骤1、构建数据集:将侦收设备接收到的雷达辐射源信号进行Choi
‑
Williams时频分析,使雷达信号转化为二维时频图像;步骤2、对时频图像进行预处理:首先对雷达信号时频图进行灰度化处理降低图像冗余信息,然后使用图像开运算方法对图像进行降噪处理,最后进行归一化处理调整时频图大小;得到预处理后的时频图像集,将预处理后的时频图像集按照预设比例划分为训练集、验证集和测试集;步骤3、构建改进的CNN
‑
BLS网络:CNN
‑
BLS网络由两部分构成,分为特征提取模块和分类识别模块,使用设计的CNN网络来提取更多的细节特征信息,然后将提取的特征送入宽度学习网络BLS,依靠宽度学习网络快速得到识别分类结果;步骤4、用步骤2中的训练集样本训练CNN
‑
BLS网络;步骤5、对雷达辐射源信号进行识别:使用步骤2中的测试集数据输入步骤4训练完的CNN
‑
BLS网络中,完成对雷达辐射源信号的分类识别,获得识别分类结果并计算识别准确率;步骤3所述的构建改进的CNN
‑
BLS网络,包括特征特征提取模块和分类识别模块;特征提取模块网络由多层卷积层组成,卷积层使用深度可分离卷积,每一层间使用stride进行下采样以减少数据的维度;为避免在训练过程中各层激活输入值分布发生内部协变量位移,导致反向传播时神经网络底层梯度消失,在每层做非线性变化前,先将激活输入值输入BN层,对激活输入值进行批标准化操作;在网络的中后层使用了大卷积核替代小卷积核,在下采样时使用大卷积核,获取更大的感受野的同时,使网络提取到更多细节特征;卷积核大小为N
×
N,N取值为正整数3、5、7、
……
;卷积层层数取值为正整数5、6、7、8、9、
……
;在使用特征提取模块充分提取图像中的细节特征后,将提取到的特征送入分类识别模块;分类识别模块由宽度学习网络组成,将特征提取模块中提取到的特征送入宽度学习网络中作为输入矩阵,输入数据通过线性映射变为特征节点,然后将特征节点通过非线性映射变为增强节点,最后通...
【专利技术属性】
技术研发人员:李春泉,夏庆,杨锋,王嘉豪,邢庆宝,陈利民,陶凌,
申请(专利权)人:南昌大学,
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。