[发明专利]基于SACNN的雷达辐射源信号识别方法

权利要求书

1.基于SACNN的雷达辐射源信号识别方法，它包括：

1)构建数据集

将侦收设备侦收到的雷达辐射源信号进行采样并截取固定长度，作为数据并打上标签；

建立训练集、验证集和测试集：将数据和标签对应随机打乱，按照比例划分训练集、验证集和测试集；

2)数据预处理

利用Min-Max归一化算法，对每个生成的训练集、验证集和测试集数据进行归一化处理；

所述Min-Max归一化算法的数学模型表示如下：

其中x表示Min-Max归一化算法的输入，min(x)和max(x)分别为所有输入数据的最小值和最大值，

x′为Min-Max归一化算法的响应；

对所有数据的标签进行one-hot编码；

将归一化处理后的数据进行两次切片处理，第一次将形状为(1024,1)的数据切分成形状为(8,128,1)的数据，第二次将形状为(8,128,1)的数据切分成形状为(8,8,16,1)的数据；

3)构建SRNN局部特征提取模块：

搭建一个3层SRNN局部特征提取模块，输入形状为(8,8,16,1)的数据；

模块网络结构为：

第0层的输入为长度为16的最小子序列，每个子序列对应标准RNN结构，输出为第0层的隐状态；

其中，表示第0层上的第t个隐状态；表示第0层的循环单元；mss表示第0层的最小子序列；l₀为第0层最小子序列长度，取值为16；第0层的输出为第1层的输入为第0层输出的隐状态由隐状态组成的子序列对应标准RNN结构，输出为第1层的隐状态，即

其中，表示第1层上的第t个隐状态；表示第一层的循环单元；l₀为第0层最小子序列长度，取值为16；

第2层的输入为第1层输出的隐状态由隐状态组成的子序列对应标准RNN结构，输出为第2层的隐状态，即也就是3层SRNN局部特征提取模块的输出；

其中，F表示3层SRNN局部特征提取模块的输出；表示第2层上的第t个隐状态；表示第2层的循环单元；l₁为第1层最小子序列长度，取值为128；

以上搭建的3层SRNN局部特征提取模块中，循环单元均采用门控循环单元GRU；GRU中，输出单元设置为32，激活函数设置为tanh；

所述激活函数tanh的数学模型表示如下：

4)构建Attention模块；

5)构建CNN全局特征提取模块；

6)训练雷达辐射源识别网络；

7)对雷达辐射源信号进行识别。

2.根据权利要求1所述的基于SACNN的雷达辐射源信号识别方法，其特征在于：所述的步骤4)构建Attention模块，包括：搭建一个Attention模块，其结构总共4层，依次为：第一Permute层、全连接层、第二Permute层、Multiply层；其中第一、第二Permute层根据给定的模式置换输入的维度；全连接层的激活函数为softmax；Multiply层将第二Permute层的输出与第一Permute层的输入对位相乘，结果作为Attention模块的输出；

注意力状态转换的实现表示如下：

其中F表示Attention模块的输出；a_i表示归一化的匹配程度；h_i表示输入的隐藏状态；e_i表示注意力打分机制；和W_i表示i时刻的权重系数；b_i为i时刻相应的偏移量。