[发明专利]基于谱图融合和注意力机制的LPI雷达信号识别方法

说明书

本发明公开了一种基于谱图融合和注意力机制的LPI雷达信号识别方法，包括如下步骤：S1、构建数据集，所述数据集包括时频图、频谱图和相谱图；S2、数据集预处理；S3、训练网络模型；S4、SVM分类；去掉前面网络的softmax层，将低维特征送入SVM分类网络，利用SVM分类网络；S5、输出分类结果。通过不同的特征的融合，增强了网络的表征能力，能够解决单谱图的特征不明显，在不牺牲较大计算成本的情况下，考虑到不同LPI雷达信号的多面特征，增强网络的识别准确率。

技术领域

本发明属于LPI雷达信号识别领域，具体是涉及到基于谱图融合和注意力机制的LPI雷达信号识别方法，属于电子战对抗中非合作目标识别方法。

背景技术

近年来，电子战已经成为一场战争能否获胜的关键部分，雷达调制信号识别是电子侦查的重要环节，成为电子战的关键因素，基于截获的信号的雷达脉内调制方式可以识别出威胁的存在以及雷达的其他一些信息，以便于专家系统做出正确的响应举措。现阶段的脉冲压缩等技术降低了雷达信号的功率谱密度，所以在低下噪比情况下，雷达信号脉内调制方式识别的优异性能成为关键。

传统的调制识别方法依赖于五个常规参数，包含特征到达方向与时间(DOA/TOA)、射频(RF)、脉宽(PA)、脉冲重复间隔(PRI)，技术人员通过人工提取这些特征作为辐射源个体重要特征，但是新体制雷达出现，作战环境多变，这种方法已经难以满足现代战争的需求。而近年来，人工智能深度学习领域在图像、语音以及自然语言处理方面都取得了举世瞩目的成就。深度学习可以利用自动提取特征，取代人工提取特征过程，发现影藏的特征关联，然后进行分类。利用深度学习的思想，应用于LPI雷达信号的检测识别，针对低信噪比情况下识别准确率低，科研人员投入研究。Li Peng采用多特征融合算法利用AE、CNN提取不同特征，然后进行特征融合，减少了特征上的冗余信息，可以识别12种不同的调制信号，包括COSTAS、LFM、NLFM、 BPSK、P1-P4和T1-T4码，在-6dB的信噪比下，平均识别成功率为95.5％。XUE NI构造一个多分辨率深度卷积网络对LPI雷达信号进行识别，在低信噪比-8db情况下，该方法对12种不同的LPI雷达信号的整体识别准确率可达95.2％。但是，在低信噪比情况下的识别率还有很大的上升空间。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种基于谱图融合和注意力机制的LPI雷达信号识别方法，解决目前低信噪比下的非合作LPI雷达信号检测的算法的检测准确率不高的问题。该方法首先利用MATLAB仿真出12种不同雷达信号的时频图、频谱图、相谱图数据，包含COSTAS、LFM、Frank、BPSK、P1-P4和T1-T4码，给单信号的时频图、频谱图、相谱图贴上标签，输入到设计的CNN 提取特征层，然后将三个谱图通过CNN特征提取层的输出进行通道融合，融合的特征通过通道注意力机制(SENet)网络，最后通过SVM 分类器进行输出。

为实现上述目的，本发明包含以下步骤：

一种基于谱图融合和注意力机制的LPI雷达信号识别方法，包括如下步骤：

S1、构建数据集，所述数据集包括时频图、频谱图和相谱图；

S2、数据集预处理

S2-1、划分训练集、测试集；

S2-2、中值滤波预处理；

S3、训练网络模型

S3-1、通过CNN提取特征图像，输出具有多尺度的特征图像，并进行通道融合操作，得到多通道具备时频图、频谱图和相谱图融合的通道融合特征；

S3-2、将多通道的三谱图融合的数据特征进行通道注意力机制层，进而将通过通道注意力机制层的输出特征进行线性层映射，得到低维特征，通过softmax层来计算损失误差，然后训练网络参数，通过不断减小误差从而调整网络模型参数，训练得到最佳的网络模型；

S4、SVM分类