[发明专利]一种基于深度迁移学习的雷达信号分选方法

说明书

本发明属于雷达信号处理技术领域，提供了一种基于深度迁移学习的雷达信号分选方法，该方法是基于载频和脉宽参数，通过将接收到不同区域的雷达脉冲序列转化为图片进行雷达辐射源的分选，采用基于Faster RCNN网络的目标检测方法，先对其他区域的图片进行训练，得到模型的权重参数，然后将该模型迁移到当前区域。本发明提高了检测的准确度，对于重叠的雷达辐射源，依然能够准确的检测出来。

技术领域

本发明属于雷达信号领域，尤其涉及到一种基于深度迁移学习的雷达信号分选方法。

背景技术

在现代高科技战争中，电子战已经融入到陆、海、空领域，并且成为最重要的作战手段，雷达侦察是电子对抗技术的重要组成部分，精准和高效的雷达侦察技术是进行电子干扰和防御的基础。只有有效的获取和识别到敌方信息，我方才能准确判断出敌方的战略意图，进而针对敌方目标采取有效的干扰措施，因此，在现代信息化战争时代，雷达侦察技术的强弱决定了战争主动权的归属。雷达信号分选是雷达侦察的关键步骤，高效可靠的分选技术是侦察系统信息处理分析的前提和保障。

传统的雷达信号分选、识别方法主要基于载频(RF)、脉宽(PW)、到达时间(TOA)、到达角(DOA)、脉冲幅度(PA)和脉冲重复间隔(PRI)等参数构成的特征矢量。当信号样式为常规雷达辐射源，脉冲信号密度不高时，该方法能取到一定的效果。随着信息技术的快速发展，作战电磁环境变得日益复杂，在同一时刻同一频段的各种辐射源信号交叠严重、分布形式复杂，雷达信号的分选分析越来越困难。同时，电子反侦察技术不断发展，雷达参数多变，体制复杂化也给雷达信号分选系统带来极大的挑战，信号分选中的虚警、漏警等问题直接关系到了侦察系统的可用性和有效性。

传统的信号识别方法中，特征提取、特征选择环节一般靠人工经验设计、计算复杂，而深度迁移学习是一种能用来自动学习数据重要深层特征的方法，同时其模型的层次结构和参数可调，可以拟合复杂的线性关系，具有很强的综合信息能力，并且鲁棒性和容错性强，使用起来方便容易，因此可以把深度迁移学习应用于雷达信号分选。

发明内容

本发明针对现有研究的一些不足之处，提出了基于深度迁移学习的雷达信号分选方法，该方法使用基于FasterRCNN网络目标检测的方法根据脉冲流参数PW和RF对接收脉冲序列进行分选，将不同辐射源所属的脉冲分离开来，该方法能够尽可能准确的识别出不同的雷达辐射源。

本发明的技术方案：

一种基于深度迁移学习的雷达信号分选方法，该方法包括以下步骤：

S1：利用无源探测系统侦察了A、B、C、D四个不同区域的雷达脉冲信号，包括载频(RF)、脉宽(PW)、到达时间(TOA)、脉冲重复间隔(PRI)，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(RF)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(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个干扰脉冲(用于网络训练)，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。