[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

说明书

本发明属于雷达信号处理技术领域，特别涉及一种基于扩张残差网络的雷达辐射源识别方法及装置，该方法包含：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；对时频图像进行预处理，获取深度学习网络的输入数据；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。本发明克服传统方法对噪声敏感、提取特征有效性和普适性低等问题，在信噪比较低的环境下，对复杂多类雷达信号仍能保持优异的识别效果；能够解决简单深度模型学习能力弱、混淆时频图像相似信号等问题，抗混淆性能好，识别结果精确，识别准确率高；同时可以应用到具有更多类别雷达辐射源识别，具有很强适应性和推广性。

技术领域

本发明属于雷达信号处理技术领域，特别涉及一种基于扩张残差网络的雷达辐射源识别方法及装置。

背景技术

随着电磁环境日趋复杂，雷达信号样式复杂多变，雷达辐射源识别面临严峻的挑战，传统的基于脉冲描述字外部特征进行测量的方法，已经不能满足快速、准确区分辐射源的需求，故研究重点转向提取信号的脉内特征，如脉内时域特征、模糊函数特征、时频域特征，但此类人为设计提取特征的方法存在针对性强、低信噪比下失效等缺陷，因此亟需一种可以表示不同雷达信号本质特征的方法。深度学习通过构建具有多隐层的神经网络学习模型和海量的训练数据来学习更具分类能力的特征，与人工规则构造特征方法相比，该方法所提取的特征更具鲁棒性，更能反映目标信号的本质属性。借鉴深度学习在图像和语音等领域的成熟应用，近年来，国内外学者已经开始将深度学习技术用于雷达辐射源识别领域的研究，如利用深度模型自动提取雷达信号时频图像特，此类方法在低信噪比下取得了较高的识别率。但是仍存在一些问题：(1)覆盖的雷达信号样式不全、类别数较少，当类别数较多时，所用深度模型是否能够达到相当的效果；(2)识别时容易混淆时频图像较为相似的调制信号，根本原因是采用的深度模型不能充分表示不同调制信号时频图像的细节部分、微小差异。

发明内容

为此，本发明提供一种基于扩张残差网络的雷达辐射源识别方法及装置，克服人工提取特征方法对信号质量要求高、有效性低、针对性强等问题，实现在低信噪比下对复杂多类雷达信号的分类识别，具有很强的应用前景。

按照本发明所提供的设计方案，一种基于扩张残差网络的雷达辐射源识别方法，包含如下内容：

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。

上述的，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。

优选的，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。

上述的，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。

优选的，重置图像大小中，采用双三次插值法缩小时频图像大小。

上述的，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。