[发明专利]冲击噪声环境下基于演化神经网络的雷达信号识别方法

说明书

本发明提供一种冲击噪声环境下基于演化神经网络的雷达信号识别方法，包括：在冲击噪声环境计算训练集中第m个雷达辐射源信号序列的分数低阶协方差谱；提取四种特征参数，并将这四种特征参数组成特征向量判断是否所有雷达辐射源信号序列分数低阶协方差谱的四种特征参数都被提取完毕；利用训练集的特征矩阵和设计双链编码的量子水蒸发优化算法寻找概率神经网络的最优平滑因子σ，量子水蒸发优化算法记做QWEO；将寻找到的全局最优位置赋值给平滑因子σ，利用优化后的概率神经网络模型对测试集或实测数据集进行识别，给出识别结果。本发明降低了识别方法的计算复杂度，解决了特征指数0＜α≤2时冲击噪声环境下的雷达调制信号识别问题。

技术领域

本发明具体涉及一种冲击噪声环境下基于演化神经网络的雷达信号识别方法，属于雷达信号处理领域。

背景技术

现代战争会发生在各种环境和天气下，复杂的噪声会影响雷达辐射源信号分选与识别的正确率，考虑恶劣情况下，海杂波噪声、大气噪声等冲击性较强的噪声并不能用高斯分布模型来描述，所以一些基于高斯噪声环境设计的雷达信号识别方法的正确率会明显下降。P.Lévy首次提出了Alpha稳定分布的概念，以Nikias为首的研究团队将此概念应用到了信号处理领域，研究结果表明Alpha稳定分布模型能够更加有效地描述噪声。探索和研究不同噪声环境下各种体制雷达辐射源信号的识别方法有着切实的意义和迫切的需求。

近年来，已有学者对Alpha稳定分布噪声下的调制信号识别方法进行了一定的研究。李咏晋(李咏晋.基于模糊函数的雷达脉内特征提取与分类器设计[D].解放军信息工程大学,2017.)设计了分数低阶模糊函数原定径向切片的特征提取算法，在完成组合策略的基础上还需进一步使用CCA与KCCA算法完成降维与特征优化，刘明骞等(刘明骞,李兵兵,曹超凤,李钊.认知无线电中非高斯噪声下数字调制信号识别方法[J].通信学报,2014,35(01):82-88.)提取了分数低阶循环谱截面和频率谱截面以及其投影面的5个相关系数作为识别特征参数，但是以上这两种特征提取方法的计算复杂度较高，实时性较差。赵自璐等(赵自璐,王世练,张炜,谢阳.水下冲激噪声环境下基于多特征融合的信号调制方式识别[J].厦门大学学报(自然科学版),2017,56(03):416-422.)对接收信号进行非线性变换预处理后，提取频谱分形盒维数、信号包络样本熵和S变换时频谱能量熵，利用SVM对调制信号的多特征进行融合识别，但是该方法在低信噪比情况时识别性能较差。李兵兵等(李兵兵,刘明骞,杨吉,贾明利.一种Alpha稳定分布噪声下数字调制信号识别方法:中国,10302963.2[P].2016-05-18)采用分类器设置判决门限来进行调制信号识别，该分类器的缺点是判决门限的值极大影响了识别方法的速度和正确性，如何设置合理的判决门限是件不容易的事情，而且该调制信号识别方法缺乏学习和拓展能力。已有文献的检索结果表明，现有的识别方法计算复杂度较高，适用范围较窄，低信噪比情况时识别性能较差。

发明内容

针对现有方法的缺点和不足，本发明设计了一种冲击噪声环境下基于演化神经网络的雷达信号识别方法，主要解决现有识别方法计算复杂度较高，适用范围较窄的技术难题。该方法计算被截获信号的分数低阶矩协方差谱后，提取近似熵、范数熵、调和平均盒维数和信息维数四种特征参数，这四种特征参数计算简单，无需其它复杂处理，组成特征向量后作为概率神经网络的输入，最后利用设计的量子水蒸发优化(QWEO)算法寻找概率神经网络的最优平滑因子，提高网络的识别正确率。

本发明的目的是这样实现的：步骤如下：

步骤一：在冲击噪声环境计算训练集中第m个雷达辐射源信号序列的分数低阶协方差谱；

步骤二：提取分数低阶协方差谱φ_m(n)的近似熵范数熵调和平均维数和信息维数四种特征参数，并将这四种特征参数组成特征向量

步骤三：判断是否所有雷达辐射源信号序列分数低阶协方差谱的四种特征参数都被提取完毕，如果是，将所有特征向量组成特征矩阵作为概率神经网络的输入，进入步骤四；否则，返回步骤一；