[发明专利]基于RNN-DenseNet网络的雷达信号识别方法

说明书

本发明公开了一种基于RNN‑DenseNet网络的雷达信号识别方法，主要解决现有技术对雷达信号特征信息提取不充分和识别精度低的问题。其方案为：用商用软件仿真生成雷达信号的数据集；将雷达数据集的信号先以序列的形式输出，再将数据集信号进行时频变换，并以信号时频图的形式输出；在两种形式输出的数据集中标注信号所属的类别，制成训练集和测试集；设置RNN和DenseNet的网络参数，将这两个网络的最后一层特征融合；使用训练集信号训练RNN‑DenseNet网络；将测试集信号送入训练好的网络，网络输出为雷达信号预测类别。本发明能充分提取雷达信号特征，提高了信号的识别率，可用于复杂电磁环境下的雷达信号识别。

技术领域

本发明属于信号处理技术领域，特别涉及一种雷达信号识别方法，可用于电子情报侦察、电子支援和威胁告警系统中。

背景技术

随着电子信息领域的发展，电子对抗在电子情报侦察、电子支援和威胁告警系统中发挥着重要作用，雷达辐射源信号识别是电子对抗中的重要环节。

随着电子对抗中电磁环境变得非常复杂，具体表现在在雷达辐射源数目繁多、空间分布范围广阔且信号在时域与频域混叠严重。在较短的时间内出现的雷达信号多达数万乃至数十万，在某一时刻会同时出现大量信号。与此同时，信号的调制方式变得复杂，信号的频率等参数变化迅速。随着雷达硬件设备性能的提高，雷达可以按照人们的需求，产生不同调制方式的信号，尤其是在频率和相位上的调制；如今越来越多的研究人员投入到这一领域，大家希望引入更新的方法来克服困难。

西安电子科技大学在其申请的专利文献“基于一维卷积神经网络的雷达辐射源信号的识别方法”(申请号201710361523.2申请公布号CN 107220606 A)中公开了一种基于一维卷积神经网络的雷达辐射源信号的识别方法。通过卷积神经对雷达信号进行提取，避免了传统方法中复杂的人工设计特征过程。但是，该方法仍然存在的不足之处是，网络较浅、结构单一，对特征处理不够充分，识别率仍有提高的空间。

发明内容

本发明是针对雷达辐射源信号识别现有技术存在的不足，提出一种基于RNN-DenseNet网络的方法，以从雷达辐射源信号序列和雷达辐射源信号的时频图两个不同的方面对雷达辐射源信号进行特征提取，提高雷达信号识别率。

为实现上述目的，本发明的实现方案包括如下：

1)用MATLAB软件仿真生成雷达信号的数据集，该数据集信号包括常规脉冲信号、线性调频信号、非线性调频信号、二相编码信号、四相编码信号、二频编码信号和四频编码信号这七种信号，其中每种信号从-10dB到2dB每隔2dB信噪比生成3000个样本；

2)对数据集信号进行预处理：

2a)将1)产生数据集的信号先以序列的形式输出，再将数据集信号进行时频变换，并以信号时频图的形式输出；

2b)在两种形式输出的数据集中标注信号所属的类别，从每类信号中随机抽出2400个样本作为训练样本，600个样本作为测试样本；

3)构建RNN-DenseNet网络：

3a)设置RNN网络参数：

选用循环神经网络RNN中的长短时记忆网络LSTM构建RNN-DenseNet网络，即将LSTM网络中的网络元胞个数设置为2，将遗忘参数设置为1，将LSTM网络的损失函数设置为对数损失函数，使用AdamOptimizer算法来控制学习率，使用指数线性单元函数作为激活函数；

3b)设置DenseNet网络参数：

设DenseNet网络由3个密集块组成，相邻密集块之间依次进行1*1的卷积操作和2*2的平均池化操作，并将该DenseNet网络的增长率设置为32；