[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

说明书

传统的雷达信号分类方法在依靠人工提取其特征后，使用特定算法进行分类处理。本发明提出一种循环平稳(Cyclostationary Spectrum Analysis,CSA)与深度卷积神经网络(Deep Convolution neural network，DCNN)结合的信号分选方法。具体步骤如下：步骤一、收集低截获概率的雷达信号；步骤二、使用FAM与DFSM算法对同一信号进行处理，得到双频图像；步骤三、比较上述算法中质量好的图像；步骤四、使用本发明提出的DCNN进行分类；步骤五、输出雷达信号分选结果。本发明提出的方法具有自适应能力，可有效提升我国电子对抗能力。

技术领域

本发明是一种电子对抗领域的技术，具体是一种新型雷达信号分选的方法。

背景技术

为了提高雷达在电子对抗中的侦察与生存能力，雷达越来越多的采用低截获概率(Low Probability Intercept,LPI)雷达信号。LPI雷达信号是一种利用特殊发射波形来防止非合作接收机截获和检测其发射的信号。而为了有效地对抗LPI雷达，在截获LPI雷达信号后，干扰方必须进行快速、准确地分类，判断敌方雷达的信号类型，采取针对性地干扰措施。因此，对雷达信号准确分类是雷达对抗中的重要基础工作，在雷达对抗中具有重要的现实意义和应用价值。

深度卷积神经网络(Deep Convolution neural network，DCNN)已广泛地应用在图像分类中,其主要原理是基于大量的原始样本数据,对其进行训练使隐藏层能逐层深入地学习图像信息,它比传统的人工神经网络能更全面地获取图像特征、更好地表达图像的类别信息，从而达到高正确率地图像分类。目前代表性的卷积神经网络有：

VGG卷积神经网络，它使用VGG的卷积层(convolutional layer)，该层具有同样大小的卷积滤波器(convolutional filter)，大小为3x3，所以它的深度比较容易扩展，同时结构也比较简单。

GoogLeNet卷积神经网络，它在不同层增加loss，同时提出inception结构，不仅加深了网络，同时也加宽了网络，并且减少了参数个数。

ResNet卷积神经网络，它引入了残差网络结构(residual network)，改变神经网络的连接方式，将前一层(输入)直接连接到后一层(输出),这样实现残差的学习。将不同层的组件与身份映射关联起来。信号的直接传播可以消除反向传播过程中梯度消失的问题，从而可以训练非常深的架构。

卷积神经网络能更好地从局部信息块出发,进而描述图像的整体结构,故在计算机视觉领域,越来越多的采用卷积神经网络来解决图像处理问题。

循环平稳谱分析(CSA)基于的信号模型是一个循环平稳过程而不是一个平稳过程。循环平稳处理被用于检测和识别微弱扩频通信信号和SATCOM信号。应用在阵列信号处理方面，估计多窄带信号到达方向，以及构建自适应阵列。同时循环平稳处理的双谱分析技术，对LPI调制能够提供检测和分类的能力。与时域的LPI信号检测不同，CSA将信号转换到频率-循环频率域。计算循环平稳谱的方法有时间平滑FFT累积法和直接频率平滑法。低截获雷达信号(LPI)信号服从非平稳随机过程中的循环平稳过程,表现为信号的二阶统计特性随时间呈周期性的变化,用循环平稳分析方法对其进行分析,研究特征提取和参数估计的高增益处理方法,从而得到性能上的提高。

发明内容

本发明要解决的问题在于：低截获雷达信号具有信噪比高、种类多、难以识别的特点。

本发明使用循环平稳谱分析CSA对LPI信号进行处理，然后通过深度卷积神经网络DCNN对处理后的LPI信号进行分类，具体方案如下：

第一方面，本发明对所有LPI信号使用FAM和DFSM方法处理，产生频率-循环频率图像，并存入数据库中。

第二方面，对两种方法处理产生的图像进行质量比较，把图像质量好的传递下去进行处理。