[发明专利]基于CWD和改进型AlexNet的雷达有源干扰识别方法

说明书

本发明提供了一种基于CWD和改进型AlexNet的雷达有源干扰识别方法，用于识别通讯信号中的雷达有源干扰信号。该方法首先对不同种类的雷达有源干扰信号进行建模，并对各种所述雷达有源干扰信号叠加所述通讯信号接受现场的噪声。之后对各种所述雷达有源干扰信号进行CWD时频分析，以生成二维CWD时频图；并采用改进型AlexNet模型对各种所述雷达有源干扰信号的CWD时频图进行识别。本发明的基于CWD和改进型AlexNet的雷达有源干扰识别方法，采用CWD时频分析方法和改进型AlexNet模型相结合的干扰识别算法，通过时频分析可以使雷达干扰信号的特征更为明显，并利用改进型AlexNet模型通过改变其激活函数以及优化器，使得在低干噪比的通讯信号情况下仍具有较好的干扰信号识别率。

技术领域

本发明涉及雷达有源干扰信号识别技术领域，具体涉及一种基于CWD和改进型AlexNet的雷达有源干扰识别方法。

背景技术

随着科技水平的不断提高，现代战场环境日益复杂，对雷达干扰信号的识别提出了更高的要求。在噪声完全覆盖干扰信号时，此时提取到的特征参数仅能反映噪声的规律，并不具有识别的意义。特征参数的提取过程也十分复杂，对于一个干扰信号往往要提取多个特征参数，来反映不同域上干扰信号的特点，这种特征参数提取的过程耗费了大量的计算成本。

针对雷达有源干扰识别的问题，主要涉及的算法有基于操作手经验的极大似然准则干扰识别算法和基于特征提取的干扰识别算法。基于操作手经验的极大似然准则干扰识别算法是根据获得的先验信息，运用概率学知识，建立统计模型，结合雷达操作手对雷达显示界面的观察，凭借主观经验来判别受到干扰的类型，这种方法不仅计算量大，而且检测结果主要依赖操作手的经验，可靠性不高。

基于特征提取的干扰识别算法是从不同种类干扰信号的产生机理出发，将干扰信号变换到多个变换域，分析其特征差异，并提取特征参数，建立各种干扰信号特征参数的数据库，当干扰信号到来时，运用分类识别模型对干扰信号进行识别，这种方法避免了人工识别的主观性，识别结果更加可靠。

目前，基于特征提取的干扰识别算法主要有决策树以及BP(back propagation)神经网络。采用决策树分类法，可以直观的看出其分类的流程，对于其中的判断准则也便于理解，计算简便；但是，当分类的类别增加时，可能会与其他类别有相似的判断准则，这样就需要重新设计一个完整的决策树，并且，决策树法受干噪比(系统中信号与干扰和噪声之和的比)的影响较大，在低干噪比下某些判断准则就会失效，进而影响其判断准确率。BP神经网络结构简单，其可以根据干扰信号的输入特征自动训练网络中的参数，避免了决策树识别算法在计算过程中需要人为设计判断准则的缺陷，且其训练得出的参数适用性更广。

但是，BP神经网络训练前期需要对干扰信号进行特征提取，现有的特征提取算法提取出的特征参数较为固定，且低信干噪比对其的影响依然较大，在低信干噪比下，BP神经网络的识别率往往较低。

发明内容

有鉴于此，本发明旨在提出一种基于CWD和改进型AlexNet的雷达有源干扰识别方法，以改善对雷达有源干扰信号的识别率。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于CWD和改进型AlexNet的雷达有源干扰识别方法，用于识别通讯信号中的雷达有源干扰信号；该方法包括如下步骤：

S1、对不同种类的雷达有源干扰信号进行建模，并对各种所述雷达有源干扰信号叠加所述通讯信号接受现场的噪声；

S2、对各种所述雷达有源干扰信号进行CWD时频分析，以生成二维CWD时频图；

S3、采用改进型AlexNet模型对各种所述雷达有源干扰信号的CWD时频图进行识别。

进一步的，所述雷达有源干扰信号包括射频噪声干扰、噪声调幅干扰、噪声调频干扰、匀速距离波门拖引干扰、速度波门拖引干扰、卷积调制干扰和间歇采样干扰中的一种或多种。