[发明专利]基于RNN-DenseNet网络的雷达信号识别方法

摘要

本发明公开了一种基于RNN‑DenseNet网络的雷达信号识别方法，主要解决现有技术对雷达信号特征信息提取不充分和识别精度低的问题。其方案为：用商用软件仿真生成雷达信号的数据集；将雷达数据集的信号先以序列的形式输出，再将数据集信号进行时频变换，并以信号时频图的形式输出；在两种形式输出的数据集中标注信号所属的类别，制成训练集和测试集；设置RNN和DenseNet的网络参数，将这两个网络的最后一层特征融合；使用训练集信号训练RNN‑DenseNet网络；将测试集信号送入训练好的网络，网络输出为雷达信号预测类别。本发明能充分提取雷达信号特征，提高了信号的识别率，可用于复杂电磁环境下的雷达信号识别。

主权项

1.基于RNN‑DenseNet网络的雷达信号识别方法，其特征在于，包括如下：1)用MATLAB软件仿真生成雷达信号的数据集，该数据集信号包括常规脉冲信号、线性调频信号、非线性调频信号、二相编码信号、四相编码信号、二频编码信号和四频编码信号这七种信号，其中每种信号从‑10dB到2dB每隔2dB信噪比生成3000个样本；2)对数据集信号进行预处理：2a)将1)产生数据集的信号先以序列的形式输出，再将数据集信号进行时频变换，并以信号时频图的形式输出；2b)在两种形式输出的数据集中标注信号所属的类别，从每类信号中随机抽出2400个样本作为训练样本，600个样本作为测试样本；3)构建RNN‑DenseNet网络：3a)设置RNN网络参数：选用循环神经网络RNN中的长短时记忆网络LSTM构建RNN‑DenseNet网络，即将LSTM网络中的网络元胞个数设置为2，将遗忘参数设置为1，将LSTM网络的损失函数设置为对数损失函数，使用AdamOptimizer算法来控制学习率，使用指数线性单元函数作为激活函数；3b)设置DenseNet网络参数：设DenseNet网络由3个密集块组成，相邻密集块之间依次进行1*1的卷积操作和2*2的平均池化操作，并将该DenseNet网络的增长率设置为32；3c)将RNN网络和DenseNet网络的最后一层特征进行融合，并将softmax分类器作为网络的输出层；4)训练RNN‑DenseNet网络：4a)设置RNN‑DenseNet网络的迭代次数为3000，学习率设置为0.01；4b)将信号序列的训练样本数据输入至3a)设置好的LSTM网络中，将信号时频图的训练样本数据输入3b)设置好的DenseNet网络中，当迭代次数达到3000时，结束训练，得到训练好的网络模型；5)将测试集的数据输入到训练好的RNN‑DenseNet网络中，输出每个测试信号的预测类别。