买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京桂瑞得信息科技有限公司

摘要：本发明公开了一种基于多源融合网络的雷达辐射源个体识别方法，包括：采集来自不同雷达辐射源设备的信号，并对采集到的数据进行预处理；对数据进行多域特征的提取；对提取出的多域特征进行降维处理，构成雷达特征数据集，设计多源融合的神经网络模型并进行训练，利用交叉熵损失进行反向传播对多源融合的神经网络模型进行参数的调优，得到雷达辐射源个体识别的分类器；通过分类器对待测雷达特征数据集进行识别。本发明能够有效提高雷达辐射源特征的全面性，增强了模型的泛化性，从而提高识别的准确率；通过引入神经网络作为分类器避免了专家经验判断过于主观的问题，从而提高了识别系统的稳定性与泛化性，有效的提高了识别准确率。

主权项：1.一种基于多源融合网络的雷达辐射源个体识别方法，其特征在于：具体包括以下步骤：步骤S1：采集来自不同雷达辐射源设备的信号，并对采集到的数据进行预处理，将处理结果以IQ数据的形式存储在存储终端中；预处理过程分为信号时延估计、稳态部分信号提取和功率归一化；步骤S2：对存储终端中的IQ数据进行多域特征的提取，具体为首先对信号进行三阶累积量的计算，并对其进行二维傅里叶变换得到信号的双谱特征，同时对信号进行HHT变换得到信号的时频域特征；步骤S3：对提取出的多域特征进行降维处理，构成雷达特征数据集，具体为：首先对步骤S2中的双谱特征通过照积分路径积分，得到一维双谱特征，再分析一维双谱特征中时频谱中的差异，提取出边际谱作为信号指纹特征，利用降维后的时频特征与双谱特征，构成雷达多域特征数据集；步骤S4：对雷达特征数据集进行切割，分为训练雷达特征数据集和测试雷达特征数据集；步骤S5：设计多源融合的神经网络模型，模型设计具体如下：步骤S51：利用两个卷积块对输入的降维后的雷达多域特征，分别提取出其特征中的隐藏信息；步骤S52：利用自适应平均池化层的输出对多域特征中提取的隐藏信号进行多源特征信息融合；步骤S53：将融合后的信息送入全连接层中；步骤S6：利用步骤S4中的训练雷达特征数据集和测试雷达特征数据集对步骤S5中的多源融合的神经网络模型进行训练，并利用交叉熵损失进行反向传播对多源融合的神经网络模型进行参数的调优，得到雷达辐射源个体识别的分类器，具体包括如下步骤：步骤S61：将雷达特征训练数据集输入多源融合网络中；步骤S62：设置训练优化器为Adam优化器、BatchSize为32、以及初始学习率为0.001；步骤S63：设置损失函数为交叉熵损失如下： 其中M为类别的数量，yic为符号函数，如果样本i的真实类别为c则取1，否则取0，pic为观测样本属于类别c的类别概率；步骤S64：利用最小化交叉熵损失对模型进行反向传播，对模型的参数进行调优，所用公式如下： 其中θ为网络参数，为最小化损失得到最优网络参数；步骤S7：通过步骤S6中的分类器对待测雷达特征数据集进行识别，得到分类结果；三阶累积量计算公式如下：c3xτ1,τ2＝E{x*nxn+τ1xn+τ2}其中，c3xτ1,τ2三阶累积量，xn是预处理后的雷达信号，*表示共轭运算，τ1,τ2代表时延，E{·}代表均值；二维傅里叶变换公式如下： 边际谱为： 其中l为时延，ω为频率；还包括在全连接层后加入dropout层，丢失率设置为0.5，并在最后一层全连接层后，利用SoftMax激活函数得到分类中的概率。

全文数据：

权利要求：

百度查询： 南京桂瑞得信息科技有限公司 一种基于多源融合网络的雷达辐射源个体识别方法