[发明专利]开集场景下基于深度卷积网络的雷达有源干扰识别方法

权利要求书

1.一种开集场景下基于深度卷积网络的雷达有源干扰识别方法，其特征在于，构建了一个深度卷积网络，用于输出有源干扰信号的后验分布，设计了一个置信分数指标，用于检测有源干扰信号是否为未知干扰类型，该识别方法的步骤包括如下：

步骤1，获取雷达有源干扰信号：

对雷达接收机接收的含有干扰的有源信号，依次进行混频、滤波处理后得到该有源信号中所有种类的干扰信号；

步骤2，对每个干扰信号进行归一化处理：

利用归一化公式，对每个干扰信号进行归一化处理，得到归一化处理后的干扰信号，将归一化处理后的干扰信号组合成干扰信号集合；

步骤3，生成训练集和验证集：

随机抽取干扰信号集合的每一种类型中75％的信号组合成训练集，余下的25％组成验证集；

步骤4，构建深度卷积网络：

(4a)搭建一个14层的深度卷积网络，其结构依次为：输入层，第一卷积层，第一Dropout层，第一池化层，第一批量归一化，第二卷积层，第二Dropout层，第二池化层，第二批量归一化，第三卷积层，第一全连接层，第三Dropout层，第二全连接层，SoftMax层；

(4b)将输入层的通道数设置为3600个；将第一、第二、第三卷积层的卷积核的数目均设置为32个，每个卷积核的大小均设置为30，每个卷积核的激活函数均设置为relu激活函数；将第一、第二池化层均设置为最大池化；将第一、第二、第三Dropout层的丢失率均设置为0.5；将第一、第二全连接层的全连接神经元的数目分别设置为256个和8个；

步骤5，训练深度卷积网络：

(5a)使用随机采样算法，打乱训练集中干扰信号的顺序，得到乱序后的训练集；

(5b)将乱序后的训练集输入到深度卷积网络中，使用Adam优化算法迭代更新深度卷积网络的参数，直到交叉熵损失函数收敛为止，得到训练好的深度卷积网络；

步骤6，获取待识别有源干扰信号的后验分布：

采用与步骤2相同的方式，对待识别的有源干扰信号做归一化处理，得到归一化处理后的有源干扰信号，将归一化处理后的有源干扰信号输入到训练好的深度卷积网络中，输出有源干扰信号的后验分布；

步骤7，计算有源干扰信号后验分布的置信分数：

(7a)利用下述置信分数公式，计算有源干扰信号的后验分布的置信分数：

其中，C表示有源干扰信号后验分布的置信分数，log₂(·)表示底数为2的对数操作，y表示训练集中干扰类型的总数，∑表示求和操作，k表示干扰类型的编号，p_k表示有源干扰信号的后验分布；

(7b)设计置信分数阈值的目标函数如下：

其中，λ表示有源干扰信号后验分布的置信分数的阈值，表示求函数f(x)的极值点，N表示验证集中已知干扰类型的信号数，M表示验证集中未知干扰类型信号的总数，sign(·)表示符号函数，若括号中的值大于零则该函数值为1，否则，函数值为-1，c_i表示第i个已知干扰信号的后验分布的置信分数，表示第i个未知干扰信号的后验分布的置信分数，w₁表示已知干扰类型被准确识别的奖励权值重，w₂表示未知干扰类型被准确检测的奖励权值重，将w₁和w₂分别设置为1和10；

(7c)使用遗传算法，优化置信分数的阈值，得到最优的置信分数阈值；

步骤8，判断待识别有源干扰信号后验分布的置信分数是否超过阈值，若是，则执行步骤9，否则，执行步骤10；

步骤9，选择有源干扰信号后验分布中后验概率最高的干扰作为识别结果输出；

步骤10，将待识别有源干扰信号判定为未知干扰类型输出。

2.根据权利要求1所述的开集场景下基于深度卷积网络的雷达有源干扰识别方法，其特征在于，步骤2中所述的归一化公式如下：

其中，X_i,j表示第i个干扰信号中第j个采样点的幅值，Y_i,j表示第i个干扰信号中第j个采样点的幅值归一化处理后的幅值，X_min,j表示所有干扰信号的第j个采样点幅值的最小值，X_max,j表示所有干扰信号幅值的第j个采样点幅值的最大值。