[发明专利]基于多级跳线残差网络的雷达辐射源识别方法

说明书

本发明公开了一种基于多级跳线残差网络的雷达辐射源识别方法，属于图像处理领域。该雷达辐射源识别方法包括以下步骤：将雷达辐射源信号进行时频变换以生成所述雷达辐射源信号的时频图像；通过ImageDataGenerator对所述时频图像进行预处理以获得一维时频图像；将所述一维时频图像输入深度残差网络进行特征提取和信号分类以识别获得雷达辐射源。本发明提供的基于多级跳线残差网络的雷达辐射源识别方法在深度残差网络中设置有八个顺序连接的残差块，并用跳线连接形成四个残差单元，由此所构造出总卷积层数为18层的深度残差网络能够提取信号时频图像的深层次信息，同时还避免了网络出现的梯度消失和梯度爆炸等问题。

技术领域

本发明涉及图像处理领域，特别涉及基于多级跳线残差网络的雷达辐射源识别方法。

背景技术

随着近年来人工智能技术的飞速发展，雷达信号的智能化处理已成为重要的发展趋势。深度学习以其自动提取特征、模型泛化性强等优势在图像分类、计算机视觉和语言处理等方面取得突破性进展。

近年来，在基于机器学习的特征提取方法较传统算法效果有较大提升，但仍存在以下不足之处：第一，由于未充分考虑信号自身的特性，而容易造成特征丢失；第二，现有的深层特征学习能力和低信噪比下的识别性能有待提升；第三，因神经网络输入的特征过多，使得网络层数不断增加，导致“维数灾难”。

发明内容

为了解决现有技术中存在的上述问题和缺陷的至少一个方面，本发明提供了一种基于多级跳线残差网络的雷达辐射源识别方法。所述技术方案如下：

本发明的一个目的是提供了一种基于多级跳线残差网络的雷达辐射源识别方法。

根据本发明的一个方面，提供了一种基于多级跳线残差网络的雷达辐射源识别方法，所述雷达辐射源识别方法包括以下步骤：

步骤S1：将雷达辐射源信号进行时频变换以生成所述雷达辐射源信号的时频图像；

步骤S2：通过ImageDataGenerator对所述时频图像进行预处理以获得一维时频图像；

步骤S3：将所述一维时频图像输入深度残差网络进行特征提取和信号分类以识别雷达辐射源；

其中，所述深度残差网络包括多个残差单元和一个全连接层，所述多个残差单元中的每一个残差单元包括依次端对端首尾相接的两个残差块，所述两个残差块通过β倍跳线连接，且所述两个残差块中的每一个残差块由包括依次设置的卷积层、批标准化层、激活层、卷积层、批标准化层和激活层和并通过λ_i倍跳线连接组成，在深度残差网络中，不同的残差单元所设置的卷积核不相同，且同一残差单元中的四个卷积层的卷积核设置相同。

具体地，在步骤S1中，将雷达辐射源信号进行时频变换包括以下步骤：

步骤S11：将雷达辐射源信号进行希尔伯特变换以获得解析信号；

步骤S12：将所述解析信号通过平滑伪Wigner-Ville分布进行时频变换以生成所述时频图像。

具体地，在步骤S2中，通过ImageDataGenerator对所述时频图像进行预处理包括以下步骤：

步骤S21：将所述时频图像通过灰度处理以转化为单通道灰度图像；

步骤S22：将所述单通道灰度图像通过开运算以获得增强能量信号图像；

步骤S23：将所述增强能量信号图像通过均值滤波以获得降噪后的信号图像；

步骤S24：将所述降噪后的信号图像依次通过归一化和尺寸重置处理以获得一维时频图像。

进一步地，在步骤S23中，所述均值滤波为通过均值滤波器处理噪声；