专利汇可以提供基于深度卷积神经网络的雷达辐射源识别方法专利检索,专利查询,专利分析的服务。并且本 发明 涉及一种基于深度 卷积神经网络 的雷达 辐射 源识别方法。本发明将雷达辐射源模型产生的一维 波形 信号 ,经过短时傅里叶变换处理之后转化为 频谱 图,再针对一维波形信号和频谱图设计不同的网络结构。本发明首先根据8种雷达辐射源信号模型产生数据,生成波形信号;再将波形信号通过短时傅里叶变换变为频谱图,实现数据增强和波形到图像的转换;将波形信号和频谱图分别输入到深度卷积神经网络,进行卷积和 池化 操作,分别得到各自的特征信息;最后将提取出的特征信息输入到softmax进行分类。采用本发明方法,雷达辐射源信号得到更高的分类识别准确率,雷达信号识别结果会更好。,下面是基于深度卷积神经网络的雷达辐射源识别方法专利的具体信息内容。
1.基于深度卷积神经网络的雷达辐射源识别方法,其特征在于该方法包括以下步骤:
步骤(1).数据产生:
选取八种雷达信号,分别为LFM信号、LFMCW、LFM-BC信号、Frank-LFM信号、S型NLFM信号、Costas编码信号、FSK/PSK信号、P3码编码信号;
其中,对于LFM信号、LFMCW、LFM-BC信号、Frank-LFM信号、S型NLFM信号改变带宽B,从而改变调频斜率μ=B/T的大小,分别产生五类样本数据;对于Costas编码、FSK/PSK信号,将其编码进行全排列,产生两类数据样本;对于P3码编码信号,令Ncτc=25,产生一类数据样本;
分别从8类样本数据中取出信号,将其波形提取出来,将这些雷达波形信号记为:
S={(si(t),yi)|i∈Λ};
其中,si(t)是第i个雷达信号样本,si(t)=[si(0),si(1),...,si(N-1)],i为雷达信号样本个数,N是采样点的个数,yi∈{0,..,C-1}表示第i个雷达信号样本si(t)的类别,一共有C类雷达信号,Λ是样本的索引集合;
步骤(2).数据集预处理:
将步骤(1)产生的8类样本数据进行短时傅里叶变换,在变换过程中对数据进行翻转,实现数据增强,获得翻两倍的数据集;经过短时傅里叶变换之后,得到频谱图;
短时傅里叶变换的数学描述如下:
其中n为短时傅里叶变换过程中需要时间,k为窗滑动的次数,w(·)为窗函数,j为虚数,STFTi(n,k)为第i个雷达信号波形经过短时傅里叶变换的结果,具有2维结构;
步骤(3).建立深度卷积神经网络模型获取雷达辐射源信号特征:
将步骤(1)产生的波形信号和步骤(2)进行翻转之后的频谱图分别输入到深度卷积神经网络,进行深度卷积处理,得到经过短时傅里叶变换后频谱图的特征;
步骤(4).雷达辐射源信号分类:
由步骤(3)得到特征图中的雷达信号特征信息,用softmax分类器将由步骤(1)产生不同类型的雷达辐射源信号进行分类识别;其中softmax分类器的模型公式为:
其中η为雷达辐射源信号特征,y为分类中的某一类,k为分类的全部总数,P为分类器的输出概率,按照输出概率值进行最终的结果分类。
2.如权利要求1所述的基于深度卷积神经网络的雷达辐射源识别方法,其特征在于步骤(1)中五种信号改变带宽B具体如下:
①LFM表示为:
式中,
其中,s(t)为产生的LFM信号,t为时间变量,A为幅度、T为线性调频信号的持续时间、B为LFM信号带宽、f0为起始频率、 为初始相位,μ=B/T为调频斜率,j为虚数;
LFM的瞬时频率f(t)=f0+μt (2);
选取雷达信号仿真参数为信号幅度A=1,起始频率f0=3Ghz,采样频率fs=1024Mhz,脉冲宽度T=25μs,带宽B=20Mhz,初始相位
②LFMCW表示为:
令一次观测时间为Tobs,T1为一个LFM调制周期的时间长度,则观测时间内的LFM调制脉冲数Q=Tobs/T1,h(t)为产生的LFMCW信号,μ=B/T1为调频斜率;mod(·)表示取模运算,mod(a,b)表示a除以b所得的余数,τbias为信号的时间偏移;
选取A=1,f0=3Ghz,fs=1024Mhz,B=20Mhz, T1=1μs,时间偏移τbias=0;
③LFM-BC表示为:
式中, l(t)为产生的LFM-BC信号,Nt为码元数,f0为起始频率,
为二相编码相位参数取1或-1, π;
选取A=1,f0=3Ghz,fs=1024Mhz,T=5μs,B=20Mhz;
④Frank-LFM表示为:
其相位矩阵中的元素 将相位矩阵中的元素按
行依次串行排列,可得长度为Nm=M2的相位序列
式中, f(t)为产生的Frank-LFM信号,Nm为码元数,τm为码元宽
度;T=Nmτm,T为线性调频信号的持续时间; 为编码相位参数,取1或-
1;f0为起始频率,μ=B/T为调频斜率,B为LFM信号带宽;
选取A=1,fs=1024Mhz,B=20Mhz,τm=1μs,M=5;
⑤S型NLFM表示为:
W(f)=0.54+0.46cos(2πf/B) (6);
得到信号的群延时:
T(f)=0.54Kf+(0.27KB/π)sin(2πf/B),-B/2≤f≤B/2 (7);
令T(f)|f=B/2=T2/2,则常数K=(T2/B)/0.54,带入式(7)得到:
其中,K为常数,T2为信号持续脉宽,B为LFM信号带宽;W(f)为产生的S型NLFM;
选取A=1,f0=3Ghz,fs=1024Mhz,B=20Mhz,T2=25μs;
根据上述给出的信号模型,对LFM、LFMCW、LFM-BC、Frank-LFM、S型NLFM这五类信号改变B的值,从而改变调频斜率μ=B/T的大小,分别产生五类样本数据。
3.如权利要求1所述的基于深度卷积神经网络的雷达辐射源识别方法,其特征在于步骤(1)中对于Costas编码、FSK/PSK信号,将其编码进行全排列,具体是:
①设线性调频信号的持续时间为T,将T分为P个相同宽度的码元,码元宽度τp=T/P,频率编码长度为P,编码序列为a={a1,a2,…,aP};
Costas编码表示为:
式中, c(t)为产生的Costas编码信号,fP=aP/τp,aP是编码序列
中的元素,f0为起始频率,fP为跳频频率;
选取A=1,f0=3Ghz,fs=1024Mhz,τp=5μs,Costas码序列[21534];
②若已知FSK信号的跳频序列为{f0,f1,…,fk-1},BPSK信号的码元为 FSK
信号的持续周期为T4,则信号产生如下:将T4等分为K个宽度为Tf的子脉冲,在各个子脉冲间进行频率跳变,再将每个子脉冲等分为Np个宽度为Tp的跳频子脉冲,对各个跳频子脉冲进行相位编码,得到FSK/PSK信号,表示为:
式中, k(t)为产生的FSK/PSK信号,调制相位θi=πci,ci为二相编码,为初始相位;
选取A=1,f0=3Ghz,fs=1024Mhz, Tp=1μs,FSK序列采用Costas序列即[21534],PSK采用5位Barker码[1 1 1 -1 1];
对于Costas编码、FSK/PSK信号,将其编码进行全排列,产生两类数据样本。
4.如权利要求1所述的基于深度卷积神经网络的雷达辐射源识别方法,其特征在于步骤(1)中对于P3码编码信号,具体是:
P3码编码信号表示为:
式中, p(t)为产生的P3码编码信号Nc为码元数,τc为码元宽度,T
=Ncτc为线性调频信号的持续时间, f0为起始频率, 为初始相位,P3码的第k个码元相位表示为 其中k=0,1,2,···,Nc-1;
选取A=1,f0=3Ghz,fs=1024Mhz, τc=1μs,Nc=25;
对于P3编码信号,保证Nctc=25,产生一类数据样本。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
利用冲击散射对气泡云形成进行优化的组织摧毁术激发序列 | 2021-03-26 | 0 |
一种虾夷扇贝活力快速评价方法 | 2021-02-16 | 2 |
基于带冠叶片耦合特征的叶尖间隙标定测量系统及方法 | 2021-07-12 | 0 |
一种心电图数据分析以及系统 | 2022-09-19 | 0 |
一种氢原子频标储存泡泡口真空密封装置 | 2020-05-30 | 0 |
一种避免高次谐波干扰的无线充电装置 | 2021-05-15 | 0 |
一种用于折叠屏移动终端的保护套 | 2021-07-07 | 0 |
X線分析用信号処理装置 | 2020-06-18 | 2 |
充電方法、アダプター及び移動端末 | 2020-11-24 | 2 |
蝕刻基板的方法 | 2020-12-11 | 2 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。