欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022113744141
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于FSST2和卷积神经网络的雷达信号脉内调制识别方法,其特征在于,包括下列步骤:

步骤1,产生七种脉内调制雷达信号,包括常规雷达信号CW、线性调频信号LFM、余弦类非线性调频信号CFM、偶二次调频信号EQFM、二频编码信号2FSK、二相编码信号BPSK和四相编码信号QPSK,对以上七种脉内调制雷达信号进行加噪处理;

步骤2,根据二阶同步压缩短时傅里叶变换FSST2表达式,由以上七种脉内调制雷达信号得到FSST2时频图;

步骤3,将得到的时频图进行预处理,先将生成的时频图进行灰度化处理再运用双线性变换改变尺寸大小,并分别产生用于神经网络训练和测试的训练集和测试集;

步骤4,根据卷积神经网络的特点,设计一种新的卷积神经网络模块代替经典的卷积层,将深度卷积和逐点卷积结合,得到一个卷积层的替代模块;

步骤5,设计网络的整体架构,将所提出的卷积模块运用其中代替经典卷积层,得到一个新的网络结构,将产生的训练集送入网络中进行模型训练;

步骤6,利用得到的训练模型,将不同信噪比下的测试集送入神经网络进行分类识别,得到不同信号不同信噪比下的雷达信号识别率。

2.根据权利要求1所述的基于FSST2和卷积神经网络的雷达信号脉内调制识别方法,其特征在于,所述步骤1中的七种脉内调制雷达信号,在单个脉冲持续时间内,其包络形状、脉冲内部的载波频率或相位变化分别构成幅度调制、相位调制或频率调制,统称为脉内调制,信号s(t)的表达式如下:其中,A为脉内调制雷达信号的幅度,这里都取1,fi(t)为第i个脉内调制雷达信号在时间t的频率函数,为第i个脉内调制雷达信号的相位,n(t)为噪声,其中,CW的fi(t)为f0t,f0为起始频率,LFM的fi(t)为k为调频斜率CFM的fi(t)为f0t+cost,EQFM的fi(t)为2FSK的fi(t)为fit,N为2,BPSK和QPSK的fi(t)为f0t,其中,BPSK有两个相位,相位采用13位巴克码[1 1 1 1 1 -1 -1 1 1 -1 1 -1 1]*π进行编码;QPSK有4个相位,相位采用16位Frank码[0,0,0,0,0,π/2,π,3*π/2,0,π,0,π,0,3*π/2,π,π/2]进行编码。

3.根据权利要求1所述的基于FSST2和卷积神经网络的雷达信号脉内调制识别方法,其特征在于:所述步骤2中产生脉内调制雷达信号的FSST2时频图,对于二阶同步压缩短时傅里叶变换FSST2表达式,首先产生局部调制算子,再获得瞬时频率表达式,最后得到雷达信号的FSST2时频图,首先分析FSST2中的短时傅里叶变换STFT,STFT通过将信号乘一个时间有限的窗函数,再作傅里叶变换,得到一组局部的频谱序列,移动窗函数继续作傅里叶变换,直到获得整个信号的局部频谱,信号的STFT表达式如下:其中,η(t)表示窗函数,*表示共轭,s(t)表示时域信号,f表示频率,t表示时间;

进而分析同步压缩短时傅里叶变换FSST,它是一种时频变换,对于信号的集中表示是一种有效方法,该变换属于时频重分配方法族,通过在尺度或频率上重新分配系数,在STFT的时频域上进行操作,得到的时频表示更加明显,使更容易区分不同的信号波形,FSST的Tf(t,ω)是基于STFT的STFT(t,f)从时频分布(t,f)到的修正后的结果,FSST定义如下:其中,ω表示修正后的频率,δ为冲激响应,为局部瞬时频率,表达式为:

其中,表示关于t求偏导数,Re表示实部;

为了更精确的时频表示,在FSST基础上进行扩展,形成2阶同步压缩短时傅里叶变换FSST2,首先,定义2阶局部调制算子为:其中,为局部参考频率,为局部参考时延:

和分别表示STFT(t,f)对t和f的偏导数,由此,定义2阶局部瞬时频率估计如下:

得到FSST2表达式如下:

将脉内调制雷达信号经过STFT和FSST2处理后得到二维时频图。

4.根据权利要求1所述的基于FSST2和卷积神经网络的雷达信号脉内调制识别方法,其特征在于:所述步骤3中对于将时频图进行预处理,先将生成的图像进行灰度化处理,灰度图像占用内存更小,处理起来速度更快,彩色图像转化为灰色图像的过程为灰度化,在这里采用加权平均法将RGB图像变为灰色图像,得到灰度图像再运用双线性变换,将时频图灰度图像的尺寸大小变为d×d,所述的双线性变换是指:假设原始图像大小为Pk×g,改变后的图像大小为Qm×n,采用双线性插值,其计算方法为:Q(x,y)=P(i+a,j+b)

P(i+a,j+b)=(1+a)(1-b)P(i,j)+(1-a)bP(i,j+1)+a(1-b)P(i+1,j)+abP(i+1,j+1)其中,k×g是原始图像大小,m×n是改变图像后的大小,(x,y)表示图像某点的位置,i和a分别是的整数部分和小数部分,j和b分别是的整数部分和小数部分,这样就可生成调整尺寸后的图像,接着产生用于实验的训练集数据和测试集数据。

5.根据权利要求1所述的基于FSST2和卷积神经网络的雷达信号脉内调制识别方法,其特征在于:所述步骤4中述设计一种新的神经网络模块结构代替经典的卷积层,将深度卷积和逐点卷积结合,深度卷积是一个卷积核,只有一个通道是一维的,逐点卷积的卷积核大小为1×1×M,M为输入数据维度,输出与输入数据大小相同,只改变数据维度,得到的结构块为先逐点卷积增加输入数据维度再逐点卷积降低数据维度,最后深度卷积充分提取数据特征,整个作为一个模块替代经典的卷积层,这里采用RELU6激活函数,RELU6激活函数表达式如下:RELU6=min(6,max(0,x))

从而得到一个卷积层的替代模块。

6.根据权利要求1所述的基于FSST2和卷积神经网络的雷达信号脉内调制识别方法,其特征在于:所述步骤5中设计网络的整体架构,将所提出的卷积模块运用其中,代替经典的卷积层,得到一个新的CNN网络结构,包括一个经典卷积层Conv,三个提出的卷积模块Module1、Module2、Module3和三个最大池化层Map1、Map2、Map3以及Flatten层、全连接层和Softmax层,首先将训练集数据送入经典卷积层特征提取,然后依次输入到卷积模块和最大池化层三个交替的结构中提取特征并且降低特征维度,最后送入Flatten层、全连接层和Softmax层得到训练后的模型。

7.根据权利要求1所述的基于FSST2和卷积神经网络的雷达信号脉内调制识别方法,其特征在于:所述步骤6中将每种信号每dB产生的测试集送入模型中测试得到不同信噪比下每种信号识别率结果,完成雷达信号分类识别测试结果。