[发明专利]基于循环平稳与深度卷积神经网络的雷达信号分类方法

权利要求书

1.一种结合循环平稳谱分析(Cyclostationary Spectrum Analysis,CSA)与深度卷积神经网络模型(Deep Convolutional Neural Network,DCNN)对低截获概率(LowProbability Intercept,LPI)雷达信号分类的方法，其特征在于，包括：

首先使用CSA对LPI雷达信号进行处理，将LPI雷达信号转换到频率-循环频率域，通过计算生成频率-循环频率(双频)图像，再基于双频图像数据对本发明提出的DCNN进行训练，让训练后的DCNN达到期望正确率，最后使用训练好地DCNN对截获LPI雷达信号分类，输出信号类型及其概率。

2.根据权利要求1所述的循环平稳谱分析(CSA)方法，其特征在于，

LPI雷达信号通过时间平滑快速傅里叶变换(Fast Fourier Transformation，FFT)积累法与直接频率平滑法处理，再进行数据可视化，得到双频图像，通过业内已知图像质量判断算法进行优劣分析，选择出质量好的图像进行分类处理。

3.根据权利要求1所述的DCNN是一种嵌套卷积神经网络，其特征在于，

包括五个子模块和两个网络层，每个子模块嵌套多个构造块，且构造块由不同基本构造块组成，基本构造块由不同卷积层组成；五个子模块分别是第一、二、三、四子模块和分类子模块，两个网络层分别是输入层和输出层；根据数据处理的先后次序，其网络架构由底向上分别是输入层、第一子模块、第二子模块、第三子模块、第四子模块、分类子模块和输出层。

4.根据权利要求3所述的第一、二、三、四子模块的结构相同，其特征在于，

该类子模块总体是串结构，含有两个构造块，一个Relu运算器和一个池化层；其网络架构由底向上分别是两个构造块、relu运算层和池化层；输入数据流程分为两个支路，一条支路对输入数据不进行任何处理，直接汇集到relu运算层；另一条支路对数据通过两个构造块处理后再汇集到relu运算层；汇集后的数据经过relu运算层计算后，结果经池化层处理后输出。

5.根据权力要求4所述构造块由基本构造块组成，其特征在于，

等比例基本构造块、第一放大基本构造块、第二放大基本构造块、第三放大基本构造块并行排列组成构造块；其中，等比例基本构造块的配置是一个Conv1；第一放大基本构造块的配置是一个Conv2与一个Conv3堆叠；第二放大基本构造块的配置是一个Conv3与一个Conv4堆叠；第三放大基本构造块的配置是一个Conv4与一个Conv5堆叠；其中Conv1、Conv2、Conv3、Conv4、Conv5表示不同卷积核的卷积层，卷积核大小关系为Conv1小于Conv2小于Conv3小于Conv4小于Conv5。