基于深度学习的雷达信号脉内调制识别方法与流程

技术特征：
1.一种基于深度学习的雷达信号脉内调制识别方法，其特征在于，包括以下步骤：s1、对雷达采样信号进行滤波和去噪预处理；s2、将预处理后的采样信号进行cohen类时频分布处理，得到时频图像；所述行cohen类时频分布处理具体包括以下步骤：s201、计算采样信号的模糊函数，计算公式为：其中，s1为预处理后的雷达脉内调制信号表达式，其中， s
1*
表示s1的共轭函数，τ为时延， v为频移，af（v，τ）表示信号s1的模糊函数，t表示自变量时间；s202、计算choi
‑
williams时频分布函数，计算公式为：其中， 表示核函数，其表达式为：其中，α，β表示指数系数，用来调节核函数的大小，d表示距离中心的距离；s3、对时频图像进行处理后，输入训练好的dcnn
‑
c网络模型中，通过网络模型自动判断输入雷达脉内调制信号类型，完成识别；所述dcnn
‑
c网络模型包括dcnn网络和与之拼接的分类网络。2.根据权利要求1所述的基于深度学习的雷达信号脉内调制识别方法，其特征在于，还包括对所述dcnn
‑
c网络模型进行训练的步骤。3.根据权利要求2所述的基于深度学习的雷达信号脉内调制识别方法，其特征在于，对所述dcnn
‑
c网络模型进行训练的步骤具体为：建立雷达脉内调制信号的样本数据库，所述雷达脉内调制信号的样本数据库中包含12种类别雷达脉内调制信号的灰度时频图像；将样本数据分为测试集和训练集；建立dcnn
‑
c网络；根据所述训练集样本数据以及目标雷达脉内调制信号源信息对上述网络进行训练，通过测试集数据以及目标雷达脉内调制信号源信息对所述雷达辐射源识别模型进行测试，直至测试集的精度达到90%以上。4.根据权利要求3所述的基于深度学习的雷达信号脉内调制识别方法，其特征在于，建立雷达脉内调制信号的样本数据库的具体方法为：在
‑
10db~10db范围内，间隔2db共11个信噪比，每个信噪比下分别对12类雷达脉内调制信号采集100个调制信号作为原始信号，得到共13200个随机雷达脉内调制信号；对所述随机雷达脉内调制信号进行基于双球型核函数的choi
‑
williams时频分布处理得到时频图像，对时频图像进行归一化和灰度处理得到对应的时频域灰度图像，将得到的13200张灰度时频图像作为dcnn
‑
c网络模型的训练样本数据；
在
‑
10db~10db范围内，间隔2db共11个信噪比，每个信噪比下分别对12类雷达脉内调制信号采集20个调制信号作为原始信号，得到共2640个随机雷达脉内调制信号；同样对随机雷达脉内调制信号进行基于双球型核函数的choi
‑
williams时频分布处理得到时频图像，对时频图像进行归一化和灰度处理得到对应的时频域灰度图像，得到共2640张时频域灰度图像作为dcnn
‑
c网络模型的测试集数据。5.根据权利要求1所述的基于深度学习的雷达信号脉内调制识别方法，其特征在于，所述dcnn网络包括7个卷积层，每个卷积层后端都有一个relu函数进行非线性化，所述分类网络层包含256个尺寸为4x4的卷积核、池化层、全连接层和softmax层。6.根据权利要求1所述的基于深度学习的雷达信号脉内调制识别方法，其特征在于，所述雷达信号包括ns信号、lfm信号、eqfm信号、2fsk信号、4fsk信号、dlfm信号、bpsk信号、frank信号、lfm
‑
bpsk信号和2fsk
‑
bpsk信号。7.根据权利要求1所述的基于深度学习的雷达信号脉内调制识别方法，其特征在于，所述步骤s3中，对时频图像进行处理具体包括：对其进行尺寸和幅度归一化调整，以及灰度化处理。

技术总结
本发明属于雷达信号处理技术领域，公开了一种基于深度学习的雷达信号脉内调制识别方法，包括以下步骤：S1、对雷达采样信号进行滤波和去噪预处理；S2、将预处理后的采样信号进行Cohen类时频分布处理，得到时频图像；S3、对时频图像进行处理后，输入训练好的DCNN


技术研发人员：张朝霞 王倩 海泽瑞 王琨琨 鲁雅 周晓玲
受保护的技术使用者：太原理工大学
技术研发日：2021.07.06
技术公布日：2021/11/21