matlab中的方波信号图片_基于深层卷积神经网络和双谱特征的雷达信号识别方法...

[1]刘赢, 田润澜, 王晓峰. 基于深层卷积神经网络和双谱特征的雷达信号识别方法[J]. 系统工程与电子技术, 2019(9).

摘　要：针对复杂电磁环境下利用人工提取特征识别雷达信号存在的主观性强、特征冗余的问题，提出了一种基于深层卷积神经网络的识别方法。该方法首先提取雷达信号的双谱信息作为深层卷积神经网络模型的输入，然后利用模型的自学习能力提取深层特征，实现对不同调制样式雷达信号的识别，最后对不同结构网络模型的识别结果进行对比。仿真实验结果表明，相比传统雷达信号识别方法，该方法对于不同调制类型信号的识别效果优异，并且在识别率、抗噪性上都有所提升。

引　言

随着战场电磁环境日益复杂，雷达种类增多，信号调制样式更加复杂以及各类信号交叠严重，早期基于脉冲描述字对信号提取脉间参数进行识别的方法，已无法满足现代电子战需求[1]。中频直接采样和数字信号处理技术的迅速发展，使得基于脉内特征参数的信号识别方法已经成为雷达对抗侦察系统中的关键技术，如时频特征、小波包特征[2]、小波脊频特征、高阶谱[3]等特征都在信号识别领域取得了不错的效果。其中，信号双谱是一种高阶累计量，不仅包含了信号的振幅和相位信息，还具有时移不变性、尺度不变性、相位保持性、时间无关性等特性，能够有效抑制高斯噪声，因此被广泛应用在信号识别领域。随着近年来深度学习的广泛应用，Ｋ近邻[4]、反向传播神经网络[5]、支持向量机[6]等分类器被应用到信号识别领域上来。其中，卷积神经网络[7-11]是深度学习的一个主要研究方向，具有强大的特征自学习能力，在图像分类[12]、语音识别等领域均有成熟应用。

本文提出一种基于深层卷积神经网络的雷达信号识别方法，首先介绍了信号的双谱分析方法和卷积神经网络结构，然后提取脉冲数据的双谱生成训练集和测试集，最后采用不同结构的卷积神经网络模型进行训练及测试。仿真结果表明，本方法在抗噪性、识别率等方面较传统识别方法有所提升。

1.雷达辐射源信号双谱提取

高于二阶的累积量称为高阶累积量，多维傅里叶变换称为多谱，双谱即三阶谱。侦察接收机接收到的信号，经过预处理之后，含有各种噪声，这类噪声均趋于高斯分布。因此对雷达辐射源信号的处理可以首先提取其双谱信息，双谱定义为：

相比功率谱是表征信号能量随频率变化的分布函数，双谱没有这样清晰的物理意义，无法在能量域上进行分析， 可以理解为信号的偏态在双谱域上的分解。只要信号的双谱信息足够大，即使在SNR很小的情况下，随机信号经过双谱处理后， SNR也将大大提高，有利于信号的检测。双谱不仅很好地反映了辐射源信号的幅度分布特征，并且能有效抑制高斯噪声的干扰。图１是常用调制样式信号在SNR=0dB条件下的双谱图像，分别为连续波（CW）信号、线性调频（LFM)信号、二进制相移键控（BPSK）信号以及正交相移键控（