[发明专利]基于卷积神经网络的雷达信号类别确定方法

权利要求书

1.一种基于卷积神经网络的雷达信号类别确定方法，其特征在于，包括如下步骤：

S10，将待分类信号转换为设定格式的待测二值图像；

S20，将所述待测二值图像输入预先训练得到的卷积神经网络模型，获取所述卷积神经网络模型输出的概率向量；所述卷积神经网络模型为检测输入信号与各类雷达信号之间相似度的计算模型；

S30，根据所述概率向量确定待分类信号的类别。

2.根据权利要求1所述的基于卷积神经网络的雷达信号类别确定方法，其特征在于，在所述将所述待测二值图像输入预先训练得到的卷积神经网络模型之前，还包括：

获取包括各类别雷达信号的训练样本；

针对所述训练样本进行模型训练，得到所述卷积神经网络模型。

3.根据权利要求2所述的基于卷积神经网络的雷达信号类别确定方法，其特征在于，所述针对所述训练样本进行模型训练，得到所述积神经网络模型包括：

将所述训练样本中各个信号转换为所述设定格式的训练二值图像；

将各个训练二值图像输入卷积神经网络进行训练；

在表征卷积神经网络各层输出结果的误差的代价函数收敛时，依据所述积神经网络在所述代价函数收敛时的模型参数确定所述积神经网络模型。

4.根据权利要求3所述的基于卷积神经网络的雷达信号类别确定方法，其特征在于，所述将各个训练二值图像输入卷积神经网络进行训练包括：

在所述卷积神经网络的卷积层采用卷积核对各个训练二值图像进行卷积操作，得到各个第一输出特征图；

在所述卷积神经网络的池化层对各个第一输出特征图进行池化操作，得到各个第二输出特征图；

将所述各个第一输出特征图或者所述各个第二输出特征图拼接为相应的一维特征信息，将所述一维特征信息输入述卷积神经网络的全连接层；

在所述全连接层对所述一维特征信息进行加权求和，将加权求和的结果通过激活函数的响应得到所述全连接层的输出向量；

在所述卷积神经网络的输出层采用Softmax逻辑对所述全连接层的输出向量进行分类处理，得到所述训练样本中各个信号的分类结果。

5.根据权利要求4所述的基于卷积神经网络的雷达信号类别确定方法，其特征在于，在所述卷积神经网络的输出层采用Softmax逻辑对所述全连接层的输出向量进行分类处理，得到所述训练样本中各个信号的分类结果之后，还包括：

获取所述输出层的期望输出结果；

根据所述输出层输出的分类结果与所述期望输出结果误差往前倒推，计算所述卷积神经网络各层模型参数的灵敏度，根据所述灵敏度更新各层的权值和偏置；

循环执行根据所述输出层输出的分类结果与所述期望输出结果误差往前倒推，计算所述卷积神经网络各层模型参数的灵敏度，根据所述灵敏度更新各层的权值和偏置的过程，直到代价函数收敛。

6.根据权利要求3所述的基于卷积神经网络的雷达信号类别确定方法，其特征在于，所述将所述训练样本中各个信号转换为所述设定格式的训练二值图像包括：

通过瞬时自相关算法提取所述训练样本中各个信号的样本包络信息；

将各个样本包络信息分部转换为所述设定格式的二值图像，得到各个训练二值图像。

7.根据权利要求6所述的基于卷积神经网络的雷达信号类别确定方法，其特征在于，所述将各个样本包络信息分部转换为所述设定格式的二值图像包括：

建立设定型号的二维判决矩阵；

将所述一维包络信息映射到所述判决矩阵中；

将所述判决矩阵中落入所述样本包络信息的像素格的像素值设为第一像素值，将所述判决矩阵中未落入所述样本包络信息的像素格的像素值设为第二像素值。

8.根据权利要求1至7任一项所述的基于卷积神经网络的雷达信号类别确定方法，其特征在于，所述将待分类信号转换为设定格式的待测二值图像包括：

通过瞬时自相关算法提取所述待分类信号的一维包络信息；

将所述一维包络信息转换为所述设定格式的二值图像，得到所述待测二值图像。

9.根据权利要求8所述的基于卷积神经网络的雷达信号类别确定方法，其特征在于，所述将所述一维包络信息转换为所述设定格式的二值图像包括：

建立设定型号的二维判决矩阵；

将所述一维包络信息映射到所述判决矩阵中；

将所述判决矩阵中落入所述一维包络信息的像素格的像素值设为第一像素值，将所述判决矩阵中未落入所述一维包络信息的像素格的像素值设为第二像素值。