基于深度迁移学习的雷达有源干扰信号识别方法

技术特征：
1.一种基于深度迁移学习的雷达有源干扰信号识别方法，其特征在于，构建深度迁移学习网络，利用生成数据集和大样本数据集对网络训练两次；该方法的步骤包括如下：步骤1，生成训练集：步骤1.1，生成至少包含8类雷达有源干扰信号，每类雷达有源干扰信号至少包含400个样本的雷达有源干扰信号数据集；步骤1.2，对雷达有源干扰信号数据集中每个干扰信号依次进行崔-威廉斯分布cwd变换、预处理，得到雷达有源干扰信号时频图像训练集；步骤2，搭建深度迁移学习网络：步骤2.1，搭建一个22层的卷积神经网络，其结构依次为：第一卷积层，第二卷积层，第一池化层，第三卷积层，第四卷积层，第二池化层，第五卷积层，第六卷积层，第七卷积层，第三池化层，第八卷积层，第九卷积层，第十卷积层，第四池化层，第十一卷积层，第十二卷积层，第十三卷积层，第五池化层，第六池化层，第一全连接层，第二全连接层，softmax层；步骤2.2，设置深度迁移学习网络的参数：将第一、第二卷积层的卷积核数目均设置为64，第三、第四卷积层的卷积核数目均设置为128，第五至第七卷积层的卷积核数目均设置为256，第八至第十三卷积层的卷积核数目均设置为512，第一至第十三卷积层的卷积核大小均设置为3，卷积核的激活函数均设置为relu激活函数；将第一至第五池化层均设置为最大池化，第六池化层设置为平均池化，第一、第二全连接层的全连接神经元的数目分别设置为256、8；步骤3，对深度迁移学习网络进行第一次训练：步骤3.1，将第一次训练深度迁移学习网络初始参数中的初始学习率设置为0.01，选择sgd随机梯度下降算法，将随机梯度下降算法sgd中的动量项设置为0.9，权值衰减系数设置为0.0005；步骤3.2，将大数据集中的图像按批次依次输入到深度迁移学习网络中，输出初始分类结果，计算初始分类结果与真实标签的交叉熵损失，利用梯度下降法，迭代更新网络参数，直到损失函数收敛为止，得到第一次训练后的深度迁移学习网络；步骤4，对第一次训练后的深度迁移学习网络进行第二次训练：固定第一次训练后深度迁移学习网络第一至第十三卷积层、第一至第五池化层的参数，重新设置训练的学习率为0.001，将步骤1生成的训练集按批次依次输入到第一次训练后的深度迁移学习网络中，使用适应性矩估计adam优化算法，迭代更新第一次训练后深度迁移学习网络全连接层的参数，直到交叉熵损失函数收敛为止，得到训练好的深度迁移学习网络；步骤5，对待识别的雷达有源干扰信号进行识别：步骤5.1，采用与步骤1.2相同的方法对待识别的雷达有源干扰信号进行处理；步骤5.2，将处理后待识别的雷达有源干扰信号输入到训练好的深度迁移学习网络中，输出雷达有源干扰信号的识别结果。2.根据权利要求1所述的基于深度迁移学习的雷达有源干扰信号识别方法，其特征在于：步骤1.2中所述的cwd变换是由下式实现的：
其中，cwd
i
(t,f)表示第i个雷达有源干扰信号在时刻t、频率f的cwd变换时频分布功率谱密度，π表示圆周率，σ表示正值缩放因子，τ表示雷达有源干扰信号的时延，e(
·
)表示以自然常数e为底的指数操作，u表示雷达有源干扰信号的局部时间，j表示虚数单位符号，j
i
(
·
)表示第i个雷达有源干扰信号的时间序列，*表示共轭操作。3.根据权利要求1所述的基于深度迁移学习的雷达有源干扰信号识别方法，其特征在于：步骤1.2中所述的预处理指的是：对雷达有源干扰信号数据集中每个干扰信号的cwd变换时频图像依次进行裁剪、灰度化、中值滤波、二值化处理，得到雷达有源干扰信号时频图像训练集；所述裁剪指的是将雷达有源干扰信号时频图像裁剪成大小为224*224的时频图像；灰度化指的是对裁剪后的时频图像进行灰度化处理，得到灰度图像；中值滤波指的是对灰度图像进行中值滤波，得到消除图像噪声后的时频图像；二值化处理指的是通过设定的阈值0.9，从消除噪声的时频图像创建二值化图像的过程，得到只有黑白两色的时频图像。4.根据权利要求1所述的基于深度迁移学习的雷达有源干扰信号识别方法，其特征在于：步骤3.2和步骤4中所述的批次指的是：每次输入到网络中进行训练的图像张数，批次包含图像的张数依赖于电脑的内存容量。

技术总结
一种基于深度迁移学习的雷达有源干扰信号识别方法，其步骤包括：1、生成雷达有源干扰信号数据集，2、构建雷达有源干扰信号时频图像训练集、验证集和测试集，3、搭建深度迁移学习网络，4、对深度迁移学习网络进行第一次训练，5、对第一次训练后的深度迁移学习网络进行第二次训练，6、利用深度迁移学习网络预测测试集。本发明能够在雷达有源干扰信号样本数量不充足、不易获取雷达有源干扰信号的条件下实现雷达有源干扰信号的准确分类，加快网络训练时的收敛速度，提高雷达有源干扰信号识别的效率，有利于及时选取有效的抗干扰措施，提升雷达的生存率。达的生存率。达的生存率。


技术研发人员：饶鲜 张思柔 赵成义 李文博
受保护的技术使用者：西安电子科技大学
技术研发日：2022.05.26
技术公布日：2022/8/12