[发明专利]一种基于深度迁移学习的雷达信号分选方法

权利要求书

1.一种基于深度迁移学习的雷达信号分选方法，其特征在于，包括以下步骤：

S1：利用无源探测系统侦察A、B、C、D四个不同区域的雷达源脉冲信号，包括载频、脉宽、到达时间、脉冲重复间隔，生成一定数量的干扰脉冲用于网络训练；

雷达源脉冲信号在原始图上为矩形区块，根据矩形区块的宽高比例及大小作为区分雷达源的依据，高即区块纵轴RF变化范围，宽即区块横轴PW变化范围；区块宽高比例及大小不同，所对应的雷达源不同；将宽高比例限定在1:1-1:4之间，从这个比例区间均匀选择出40个比例，设定区块高的变化范围为1～3GHz，从该范围中随机出1个具体值，将该具体值分配给某一宽高比例，具体宽高比例小的分配较大的具体值，宽高比例大的分配较小的具体值；

S2：利用PW、RF信息绘制二维脉冲点原始图

雷达源脉冲的PW范围为2～12us，RF范围为1～18GHz，每个区域有10个雷达源，每张脉冲点原始图都是从10个雷达源中随机有放回的抽取6～10次，获得随机个数的雷达源，从选中的雷达源中随机产生5000个脉冲点，其中包含4500个雷达脉冲，500个用于网络训练的干扰脉冲，每个区域生成5000张图像，共计20000张图像；

S3：把原始图转换成256*256大小的灰度图像

利用载频和脉宽生成的图像为RGB彩色图像，把图像通过网格划分方式划分成256*256个网格，通过计算每个网格中包含的脉冲点数目，把每个网格脉冲点数目/最大脉冲点数目作为转换后训练图像的像素值，从而得到用于训练的256*256大小的灰度图像；

S4：把数据集制作成PascalVOC数据集格式

利用步骤1和2生成雷达脉冲序列和标记边界框，根据脉冲参数绘制出图片，把边界框的坐标信息保存在xml文件中，使用Faster RCNN网络，需要将数据集制作成Pascal VOC数据集格式，把图片放在JPEGImages文件夹，把xml文件放在Annotations文件夹中；

S5：使用Faster RCNN网络对B、C、D三个区域的图片进行检测，生成模型的权重信息；

501)将图像输入ResNet50网络得到相应的特征图；

502)利用RPN网络结构生成候选框，将RPN生成的候选框投影到特征图上获得相应的特征矩阵；

503)将每个特征矩阵通过ROI pooling层缩放到7*7大小的特征图，接着将特征图展平通过一系列全连接层，最后得到预测概率和边界框回归参数；

S6：使用上一步骤中的模型信息，对A区域中的图片进行检测；

在上一步骤中使用Faster RCNN网络对B、C、D三个区域中的图片进行了检测，得到模型，把该模型的参数用于检测A区域中的图片，得到最佳的网络模型。