【技术实现步骤摘要】
本专利技术属于雷达信号处理，特别是涉及一种基于时频融合特征与多尺度感知网络msanet的雷达信号脉冲内调制识别方法。
技术介绍
1、雷达信号调制方式识别作为电子战领域的核心技术，对于现代战争的胜负起着至关重要的作用。它涉及到对敌方雷达发射的信号进行分析和识别，从而揭示其工作机制和意图。随着电子技术的发展，雷达信号的复杂性和多样性不断增加，这要求雷达信号调制方式识别技术必须不断进步，以适应不断变化的战场环境。基于人工决策和模式识别的传统方法存在明显缺陷，难以提取有效特征、识别信号类型有限、处理速度缓慢，以及在电磁干扰环境中性能不佳，这些限制使其难以满足现代战争的高标准需求。
2、随着深度学习技术的不断进步，基于卷积神经网络的信号识别方法为脉冲内调制识别提供了一种有前景的解决方案。这种方法利用智能算法识别复杂的多类雷达信号，通常以信号的时频图像作为输入。不过，在低信噪比环境下时频图像会受到严重干扰，且普通的卷积神经网络无法适应多变的时频图形，造成识别效果不佳。
技术实现思路
1、本专利技术提供了一种基于时频融合特征与msanet的雷达信号脉冲内调制识别方法，以改善时频图像受到噪声的干扰，并通过多尺度提取特征加强对信号全局依赖信息的获取，最终能精确地完成雷达信号脉内调制识别。
2、本专利技术解决上述技术问题的技术方案如下：
3、一种基于时频融合特征与msanet的雷达信号脉冲内调制识别方法，包括以下步骤：
4、步骤1.对雷达采样信号进行wi
5、步骤2.对时频图像集进行预处理，首先，将三类时频图像分别进行灰度化、二值化和开闭运算；其次，将三类张时频图进行裁剪，得到合适的大小；然后，将三类时频图像在通道维度融合，得到三通道的时频融合特征集；
6、将时频融合特征集按照预设比例划分为训练集、验证集和测试集；
7、步骤3.构建msanet模型，使用交叉损失熵作为损失函数，使用随机梯度下降作为优化器，然后设置训练参数；
8、步骤4.使用训练集和验证集对msanet模型进行训练；
9、步骤5.对于训练结束的msanet模型，使用测试集测试msanet模型的识别准确率和抗混淆能力；
10、进一步的，步骤1中的雷达采样信号包括cw、lfm、nlfm、bpsk、qpsk、fsk、4fsk、frank和p1～p4，共12类；winger-ville时频分析表达式为：
11、
12、其中，t表示时间，τ是积分变量，f表示频率,(·)*表示复数的共轭，x(t)表示接收到的雷达信号；傅里叶同步压缩变换表达式为：
13、
14、其中，η(t)表示窗函数，ω表示修正的频率，δ为冲激响应，为局部瞬时频率；的表达式为：
15、
16、其中，re(·)表示实数部分；平滑伪wigner-ville时频分析表达式为：
17、
18、其中，h(f)和g(t)是平滑窗口函数，u是积分变量。
19、进一步的，步骤2中采取是二值化方法为自适应阈值二值化；使用的裁剪方法为双三次插值法；建立时频融合特征集的具体过程为：
20、在-14db～8db的范围内，间隔2db共12种信噪比，每种信噪比下分别对12类雷达脉内调制信号共产生500个信号样本，其中300个划分为训练样本、100个划分为验证样本、100个划分为测试样本。
21、进一步的，步骤3中建立的msanet模型包括5个卷积层、1个池化层、3个膨胀卷积压缩结构、1个展平层、1个全连接层；其中膨胀卷积压缩结构先使用3种膨胀率的卷积、通道信息压缩和空间信息压缩得到多尺度信息，然后通过激活函数、点乘和直接相加的操作将特征信息进行融合得到多尺度融合信息。
22、进一步的，步骤4中使用各种信噪比的训练样本对msanet模型进行训练，然后使用验证集测试msanet模型，一直训练到msanet模型的损失曲线收敛为止。
23、本专利技术的优点在于针对低信噪比下时频图像污染严重和普通卷积神经网络性能差的问题提出了一种基于时频融合特征与msanet的雷达信号脉冲内调制识别方法。通过融合多种时频特征，提供了更多的有用信息，变现的减少了时频图像污染对准确率的影响。msanet通过使用多种膨胀率的卷积来获取多个尺度下的时频信息，并通过注意力机制来自适应地获取重要信息，更有效地应对雷达信号时频脊线变化快、曲线窄和跨度大的问题。实验结果表明，本专利技术对于12种脉内调制雷达信号，在信噪比低至-12db时，整体识别准确率为92.99％,具有较强的稳健性。
本文档来自技高网...【技术保护点】
1.一种基于时频融合特征与MSANet的雷达信号脉冲内调制识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于时频融合特征与MSANet的雷达信号脉冲内调制识别方法，其特征在于：步骤1中的雷达采样信号包括CW、LFM、NLFM、BPSK、QPSK、FSK、4FSK、FRANK和P1～P4；Winger-Ville时频分析表达式为：
3.根据权利要求1所述的一种基于时频融合特征与MSANet的雷达信号脉冲内调制识别方法，其特征在于：步骤2中采取是二值化方法为自适应阈值二值化；使用的裁剪方法为双三次插值法；建立时频融合特征集的具体过程为：
4.根据权利要求1所述的一种基于时频融合特征与MSANet的雷达信号脉冲内调制识别方法，其特征在于：步骤3中建立的MSANet模型包括5个卷积层、1个池化层、3个膨胀卷积结构、1个展平层、1个全连接层；其中膨胀卷积压缩结构先使用3种膨胀率的卷积、通道信息压缩和空间信息压缩得到多尺度信息，然后通过激活函数、点乘和直接相加的操作将特征信息进行融合得到多尺度融合信息。
5.根据权利要求1所
...【技术特征摘要】
1.一种基于时频融合特征与msanet的雷达信号脉冲内调制识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于时频融合特征与msanet的雷达信号脉冲内调制识别方法，其特征在于：步骤1中的雷达采样信号包括cw、lfm、nlfm、bpsk、qpsk、fsk、4fsk、frank和p1～p4；winger-ville时频分析表达式为：
3.根据权利要求1所述的一种基于时频融合特征与msanet的雷达信号脉冲内调制识别方法，其特征在于：步骤2中采取是二值化方法为自适应阈值二值化；使用的裁剪方法为双三次插值法；建立时频融合特征集的具体过程为：
4.根据权利...
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。