[发明专利]基于残差深度学习的雷达信号特征提取方法

摘要

本发明涉及一种基于残差深度学习的雷达信号特征提取方法，通过设计的残差深度学习网络，可用于对复杂电磁环境下的雷达辐射源信号进行深层次的特征提取。其实现步骤是：首先利用数据库中现有的雷达数据训练残差深度网络的参数。然后将截获到的数据送入到残差深度网络输入端，通过多个隐层映射后输出结果，我们将输出的结果作为该脉冲串的深度特征。再次利用聚类方法对获得的深度特征进行聚类，依据相关性准则，计算聚类后的两两辐射源的相关程度进行处理。最后计算融合后每个辐射源的参数，完成分选。本发明能够挖掘数据间的深层次特征，具有分选精度高的优点，可用于目标侦察和干扰源定位领域。

主权项

1.一种基于残差深度学习的雷达信号特征提取方法，其特征在于，其包括如下步骤：(1)利用数据库中现有的雷达数据训练残差深度网络的参数；(2)当截获到一连串的脉冲序列时，将该脉冲串内的每一个脉冲用多维度特征来表示，包括：频率、到达时间、幅度、脉宽、方位、相位、调频系数、调制码码型、带宽、上升沿下降沿和信号类型；(3)将步骤(2)的结果作为已训练的残差深度网络输入端，通过多个隐层映射后输出结果，将输出的结果作为该脉冲串的深度特征；(4)利用聚类方法对脉冲串的深度特征进行聚类，聚为c类；(5)计算c个类中每一类的特征参数Fi，其中i＝1,2,...,c，Fi包括中心向量、频率、幅度、重复周期；(6)依据相关性准则，计算聚类后的两两辐射源的相关程度；相关程度越高，则辐射源属于同一目标的可能性就越大，融合两个辐射源；相关性准则ρ定义为：式中，z1和z2表示聚类后两个辐射源的特征向量；ρ表示两个辐射源信号的相似程度，其中0≤ρ≤1，如果两个辐射源信号来自于同一个目标，则ρ趋近于1，否则，ρ趋近于0；(7)计算融合后每个辐射源的参数，完成信号分选。