[发明专利]基于扩张残差网络的雷达辐射源识别方法及装置

权利要求书

1.一种基于扩张残差网络的雷达辐射源识别方法，其特征在于，包含：

A)对雷达信号进行时频分析，将雷达信号时域波形转换成二维时频图像；

B)对时频图像进行预处理，获取深度学习网络的输入数据；

C)构建扩张残差深度学习网络模型，针对输入数据，利用网络模型自学习信号时频图像特征并进行分类识别。

2.根据权利要求1所述的基于扩张残差网络的雷达辐射源识别方法，其特征在于，A)中，针对雷达信号时频分析中，利用指数核函数对信号的模糊函数进行加权后进行二维傅里叶变换，得到二维时频信号。

3.根据权利要求2所述的基于扩张残差网络的雷达辐射源识别方法，其特征在于，采用CWD时频分析，表示为：CWD(t,ω)＝∫∫∫e^j2πξ(μ-t)φ(ξ,τ)·x(μ+τ/2)x^*(μ-τ/2)e^-jωτdξdμdτ，其中，t和ω分别表示时间和角频率，表示指数加权核函数，σ为缩放因子。

4.根据权利要求1所述的基于扩张残差网络的雷达辐射源识别方法，其特征在于，B)中预处理，包含如下内容：首先，利用灰度图保留雷达信号时频分布特征，将原始时频图像能量值转化为灰度值；然后，选取方形结构元素对灰度图像进行开运算，以删除时频分析引起的呈细线的进程噪声；最后，重置图像大小，并对重置后的图像的灰度值进行归一化处理，获取深度学习网络输入数据。

5.根据权利要求4所述的基于扩张残差网络的雷达辐射源识别方法，其特征在于，重置图像大小中，采用双三次插值法来缩小图像大小。

6.根据权利要去1所述的基于扩张残差网络的雷达辐射源识别方法，其特征在于，C)中构建的扩张残差深度学习网络模型，包含四个残差单元和五组卷积操作，第四和五组卷积操作中使用扩张卷积；对输入输出特征图维度不匹配情形，采用设定大小的卷积核对输入特征图进行升维处理；同时在每层做非线性变化前对激活输入值先通过增加批量归一化BN层进行批标准化处理。

7.根据权利要求6所述的基于扩张残差网络的雷达辐射源识别方法，其特征在于，C)利用网络模型自学习并分类识别中，针对输入数据，首先划分为用于稳定模型的训练数据集和用于在线识别的测试数据集；对构建的网络模型进行参数初始化数值，利用训练数据集对网络模型进行离线训练，待模型训练稳定后保存；利用保存的网络模型对测试数据集进行在线分类识别。

8.一种基于扩张残差网络的雷达辐射源识别装置，其特征在于，包含：时频变换模块、预处理模块和分类识别模块，其中，

时频变换模块，用于对雷达信号进行时频分析，将雷达信号时域波形转换成二维时频图像；

预处理模块，用于对时频图像进行预处理，获取深度学习网络的输入数据；

分类识别模块，用于构建扩张残差深度学习网络模型，针对输入数据，利用网络模型自学习信号时频图像特征并进行分类识别。

9.根据权利要求8所述的基于扩张残差网络的雷达辐射源识别装置，其特征在于，预处理模块包含：转化子模块、开运算子模块和重置子模块，其中，

转化子模块，用于利用灰度图保留雷达信号时频分布特征，将原始时频图像能量值转化为灰度值；

开运算子模块，用于选取方形结构元素对灰度图像进行开运算，以删除时频分析引起的呈细线的进程噪声；

重置子模块，用于保留图像细节质量，重置图像大小，并对灰度图像灰度值进行归一化处理，获取深度学习网络输入数据。

10.根据权利要求8所述的基于扩张残差网络的雷达辐射源识别装置，其特征在于，分类识别模块包含：数据划分子模块、离线训练子模块和在线识别子模块，其中，

数据划分子模块，用于将得到的输入数据划分为用于稳定模型的训练数据集和用于在线识别的测试数据集；

离线训练子模块，用于对构建的网络模型进行参数初始化数值，并利用训练数据集对网络模型进行训练学习，待模型训练稳定后保存；

在线识别子模块，用于利用保存的网络模型对测试数据集进行在线分类识别。