[发明专利]基于时频分析与机器学习的雷达信号调制识别方法

权利要求书

1.一种基于时频分析与机器学习相结合的雷达信号调制识别方法，其特征包括：

A)从获得的脉冲流中基于多相滤波结构提取脉冲信号的到达时间与载频；

B)根据接收系统灵敏度判断是否采用采样平均技术对信号进行处理以降低计算量；

C)利用Choi-Williams时频分析获得低截获概率雷达信号的时频图像；

D)利用残差网络对时频图像进行分类；

E)对分类为多相码的信号进行特征提取；

F)针对特征参数集，利用随机森林分类器对多相码信号进行识别。

2.根据权利要求1所述的基于时频分析与机器学习相结合的雷达信号调制识别方法，其特征在于A)对脉冲流信号进行脉冲参数估计与脉冲提取时，考虑到低截获概率雷达信号大时宽带宽特性选用了多相滤波结构对脉冲流信号进行处理，经过自相关积累，采用中值滤波思想的自适应门限设置，门限判决与信道判决后，得到脉冲包络；通过瞬时相位差分法进行脉冲前后沿的测频，并对脉冲包络根据自相关累积点数进行修正，获得对应的到达时间等参数。

3.根据权利要求1所述的基于时频分析与机器学习相结合的雷达信号调制识别方法，其特征在于B)对是否进行采样平均做判断，当截获接收机灵敏度高时，对应的采样频率较高，导致采样点数过大从而影响后续时频分析的效率，增加运算复杂度。通过对采样点分组求平均的方法可以在信噪比损失不大的情况下，降低时间复杂度，并提升时频图效果。

4.根据权利要求1所述的基于时频分析与机器学习相结合的雷达信号调制识别方法，其特征在于C)对处理后的信号进行Choi-Williams时频分析，得到时频图像。对图像进行预处理：经过双三次线性插值改变图像的大小，并通过全局阈值法对信号进行二值化，对二值化后图像进行形态学去噪，提高了图像质量。

5.根据权利要求1所述的基于时频分析与机器学习相结合的雷达信号调制识别方法，其特征在于D)利用常用的低截获概率雷达信号的时频图对残差网络进行训练，从而进行初次调制方式识别，除多相码信号时频图差异较大，通过残差网络的学习，可获得较高的正确识别率，且对于一定范围内的参数变动均适用。

6.根据权利要求1所述的基于时频分析与机器学习相结合的雷达信号调制识别方法，其特征在于E)中根据多相码连通域数量特点，提取了连通域个数，标准差等参数对图像的形态特征进行了提取；并根据多相码时频图间线状与阶梯状的特点，通过提取骨架并构建拟合直线获取两者差值序列，对线状与阶梯状特点进行量化；通过差值序列的标准差，周期性表征形态上的差异；再对时频图像提取模式识别中常用的高阶伪Zernike矩特征对图像细节进行表征。

7.根据权利要求1所述的基于时频分析与机器学习相结合的雷达信号调制识别方法，其特征在于F)中在获得特征参数后，组成特征向量集，送入由500棵树组成的随机森林分类器中进行训练，获得并保存训练好的随机森林结构；对识别分选为多相码的信号进一步分类，得到五种不同多相码调制方式的正确识别率。