一种联合脉内与脉间特征的雷达型号自动识别方法及系统

1.本发明属于雷达信号识别技术领域，尤其涉及一种联合脉内与脉间特征的雷达型号自动识别方法及系统。


背景技术：

2.雷达辐射源识别(emitter identification，eid)是电子情报侦察的关键核心，通过对截获的敌方雷达信号进行分析和识别，为作战指挥员提供了战场态势信息和战术决策行动信息。随着电子科学技术的迅猛发展，传统基于脉冲描述字(pulse description word，pdw)，包括脉宽(pw)、载频(rf)、重复周期(pri)三维特征的雷达信号识别手段，已难以应对如今复杂的战场电磁环境。同时，现有技术还存在复杂电磁环境中不同型号雷达信号参数混叠且界限模糊、脉冲分裂难以避免等问题。因此，亟需设计一种联合脉内与脉间特征的雷达信号自动识别方法。
3.通过上述分析，现有技术存在的问题及缺陷为：
4.传统基于脉冲描述字包括脉宽、载频、重复周期三维特征的雷达信号侦察手段，已难以应对如今复杂的战场电磁环境，现有雷达信号侦察装备仅能依据传统的三维特征进行信号的模板匹配识别，导致当出现两部或多部雷达在三维特征中出现参数混叠、界限模糊时，对目标判证准确率产生影响。


技术实现要素：

5.针对现有技术存在的问题，本发明提供了一种联合脉内与脉间特征的雷达型号自动识别方法、系统，旨在解决现有技术存在的复杂电磁环境中雷达信号传统模板匹配的识别方法准确率低、脉冲分裂难以避免等问题。
6.本发明是这样实现的，一种联合脉内与脉间特征的雷达型号自动识别方法包括：
7.采用传统的特征参数模板匹配法、深度卷积神经网络以及脉内参数分析的逐级识别法，其中，第一级为基于edw(emitter discreption word)参数的特征参数匹配法进行识别，当识别结果仅为1型雷达信号时直接推送识别结果，当识别结果为2型以上雷达信号时进入第二级识别，第二级利用卷积神经网络实现基于时频图像的雷达信号调制方式(包括线性调频、相位编码、常规脉冲(脉内无调制)、频率编码、复合调制、非线性调频等)进行分类，旨在区分第一级识别中载频、脉宽、重复周期三个特征参数相近而脉内调制方式不同的雷达平台，当分类结果仍为2型以上雷达信号时进入第三级识别，第三级对基于特征参数匹配一级识别与脉内调制方式的二级识别分类结果仍为多型雷达时，对于二级识别中分类的线性调频信号、相位编码信号进行雷达中频信号的脉内参数分析，对于常规脉冲(脉内无调制)、复合调制等其他信号进行带宽计算，计算得到的参数数值与雷达辐射源模型数据库进行带有容差的匹配查询，通过多参数联合分类方法实现雷达信号的最终识别结果推送。
8.进一步，所述联合脉内与脉间特征的雷达型号自动识别方法包括以下步骤：
9.步骤一，进行雷达信号分类模型的构建；
10.步骤二，进行雷达信号的分类训练及识别；
11.步骤三，进行雷达信号分类模型的更新。
12.进一步，所述步骤一中的雷达信号分类模型的构建包括；
13.分类方法共分为3级，核心思想为逐级缩小分类识别范围，第1级为基于特征参数匹配的分类，第2级为基于1级分类结果条件下，基于时频图像的卷积神经网络雷达信号脉内调制方式分类，(在该分类模型下进行雷达信号脉内调制方式的分类，分类具体包括：线性调频信号、相位编码信号、常规脉冲(脉内无调制)信号、频率编码信号、非线性调频信号、复合调制信号)，第3级为1级分类与2级分类结果条件下，基于脉内参数分析的识别。
14.进一步，所述步骤一中的雷达信号分类模型的构建包括：
15.第1部分雷达参数模型数据库构建包括：
16.(1)存储已澄清的雷达中频信号及经过分选的参数，包括雷达时域波形、脉内参数与脉间参数，脉间参数包括经过分选后的脉冲重复周期pri、载频rf、脉宽pw，脉内参数包括信号带宽(b)、线性调频信号的调频斜率(y)、相位编码信号的码元宽度(μ)、编码方式(z)；
17.(2)依据已侦收且澄清的雷达参数数据建立相应的雷达辐射源模型数据库s(以下简称数据库s)，数据库s中字段包含：步骤一中的步骤(1)获得的雷达信号载频(rf)、脉宽(pw)、脉冲重复周期(pri)、单脉冲经过时频变换后的时频图像(pic)、脉内调制类型(modu)、信号带宽(b)、线性调频信号的调频斜率(y)、相位编码信号的码元宽度(μ)、编码方式(z)、雷达型号(target)。
18.第2部分为基于时频图像的卷积神经网络模型构建。形成雷达信号脉内调制方式的卷积神经网络模型。
19.(1)将第1部分的步骤(1)得到的雷达时域信号通过时频变换后，筛选出相同调制方式、不同信噪比的信号，得到若干时频图像集λ1；
20.(2)将第2部分的步骤(1)得到的时频图像集λ1分别建立雷达信号脉内调制方式分类数据集λ2与测试集λ3；
21.(3)构建卷积神经网络，将时频图像数据集λ2输入卷积神经网络进行训练，形成一次分类神经网络模型，并用测试集λ3验证模型准确性；
22.进一步，所述步骤(1)中，采用短时傅里叶变换(stft)等时频变换方法对雷达中频信号进行时频变换，得到若干时频图像。
23.所述第2部分步骤(3)中的卷积神经网络结构包括采用n个卷积层、m个池化层、k个全连接层的网络结构，其中n、m及k为大于等于2的整数；n个卷积层的激活函数为relu激活函数，采用softmax进行多目标分类，卷积核大小为m*m，其中m为大于3小于31的奇数整数，输出为相应的雷达信号脉内调制类型或某型特殊脉内调制方式的直接分类识别。
24.第3部分为将线性调频、相位编码、常规脉冲(脉内无调制)、复合调制等信号的脉内调制参数进行分析并录入数据库s，线性调频信号通过计算得到调频斜率y，相位编码信号计算得到码元宽度μ以及编码方式z，常规脉冲(脉内无调制)、复合调制等其他调制方式通过计算得到信号带宽b。
25.进一步，所述步骤二中的雷达信号分类训练及识别包括：
26.(1)新侦获雷达信号时，将经过分选的雷达信号包括载频(cf)、重复周期(pri)和脉宽共三个参数，将信号三个参数与数据库s中的三个模板参数数据进行带有容差的比较
查询，在设定的容差范围内进行目标的一级识别；
27.(2)一级识别条件下，在与数据库s中的模板数据匹配有且仅有一个目标结果时，直接向用户推送识别结果；
28.(3)一级识别条件下，在与数据库s中的模板数据匹配有两个及以上目标结果时，进行第二级信号的识别流程。
29.(4)在上一步出现多种雷达信号界限模糊的信号中，对待识别脉冲信号r
x
进行时频转换，形成时频图像后输入第2部分模型进行二级识别，输出调制方式的分类结果；
30.(5)将输出的调制方式识别结果为常规脉冲(脉内无调制)，频率编码，非线性调频，复合调制等调制方式的信号，输入第3部分模型，输出相同调制方式下的信号带宽计算结果，以雷达辐射源信号模型数据库s建立模板数据，进行带有容差的数据库语句比较查询，并推送识别结果；
31.(6)将输出的调制方式识别结果为线性调频信号、相位编码信号的脉内调制参数进行分析，计算信号的调频斜率构成数据参数y，相位编码信号计算得到信号的编码方式z以及码元宽度μ，以雷达辐射源信号模型数据库s建立模板数据，进行带有容差的数据库语句比较查询，并推送识别结果；
32.进一步，所述步骤三中的雷达信号分类模型更新包括：
33.(1)在步骤二的(1)中，分选后的信号与数据库s中的模板数据匹配无结果时，向用户提示无雷达信号模板匹配，用户可进行数据库s参数的更新，在特征参数匹配中可进一步筛选未知信号。
34.(2)将新侦收未知调制方式的雷达信号建立标签，导入训练数据集进行重新训练，更新卷积神经网络模型；
35.(3)将新侦收的雷达信号进行脉内参数与脉间参数分析，更新数据库s。
36.本发明的另一目的在于提供一种应用所述的联合脉内与脉间特征的雷达型号自动识别方法的联合脉内与脉间特征的雷达型号自动识别系统，所述联合脉内与脉间特征的雷达型号自动识别系统包括：
37.模型构建模块，用于进行雷达信号分类模型的构建；
38.训练识别模块，用于进行雷达信号的分类训练及识别；
39.模型更新模块，用于进行雷达信号分类模型的更新。
40.本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
41.采用特征参数匹配法、深度学习卷积神经网络与脉内参数估计三级分类法；其中，第一级为基于传统的特征参数匹配法的载频、重复周期及脉宽的三个脉间分类，第二级为卷积神经网络的图像分类，利用卷积神经网络实现基于图像识别的雷达信号调制方式的二次分类；第三级为对雷达脉内参数估计后的分类，利用时频域多参数联合分类方法实现雷达信号三次分类识别。
42.本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的联合脉内与脉间特征的雷达型号自动识别系统。
43.结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优
点及积极效果为：
44.本发明提供的联合脉内与脉间特征的雷达信号自动识别方法将多级分类方式结合，利用多参数联合判证，引入深度学习框架，在提升准确率的同时实现了雷达信号快速识别。
45.本发明通过分析雷达脉内参数，得到雷达信号的脉内调制特征，通过联合脉间与脉内的雷达信号参数，提升雷达信号识别准确率。
46.本发明利用传统特征参数匹配法实现基于特征参数的雷达型号一次识别，在识别模糊的情况下使用卷积神经网络，实现基于时频图像的雷达信号调制方式的二次分类；在二次分类识别模糊的情况下，利用脉内参数分析方法实现雷达脉内线性调频、相位编码、常规脉冲(脉内无调制)等信号的三次识别，能够有效提升雷达信号识别的准确率。
47.在雷达信号识别的工程应用领域，仅使用了传统的特征参数匹配法，本发明使用的特征参数匹配、卷积神经网络时频图像分类、脉内参数特征结合的方法进行识别，增加了信号识别的维度信息，提升信号的识别方法的可靠性以及准确率。
48.本发明与专利号cn 113156391 a区别很大，该专利与本发明在用途上存在根本的不同，该专利应用于雷达信号分选，本发明应用于雷达型号的准确识别。
附图说明
49.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
50.图1是本发明实施例提供的联合脉内与脉间特征的雷达型号自动识别方法流程图；
51.图2是本发明实施例提供的联合脉内与脉间特征的雷达型号自动识别系统结构框图；
52.图3是本发明实施例提供的具体网络结构图；
53.图中：1、模型构建模块；2、训练识别模块；3、模型更新模块。
具体实施方式
54.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
55.针对现有技术存在的问题，本发明提供了一种联合脉内与脉间特征的雷达型号自动识别方法及系统，下面结合附图对本发明作详细的描述。
56.为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
57.本发明实施例提供的联合脉内与脉间特征的雷达型号自动识别方法包括：采用特征参数匹配法、深度学习卷积神经网络与脉内参数估计融合的三级分类法；其中，第一级基于特征参数匹配法的容差范围分类，第二级为卷积神经网络的图像分类，利用卷积神经网
络实现基于图像识别的雷达信号调制方式二次分类；第三级为针对不同调制方式下，包括线性调频信号、相位编码信号的脉内调制参数分类，常规脉冲(脉内无调制)、复合调制等信号的带宽参数分类，利用时频域多参数联合分类方法实现雷达信号三级分类。本发明的雷达型号自动识别方法，将多级分类结合，利用多参数联合判证，引入深度学习框架，在提升准确率的同时实现了雷达信号快速识别。本发明通过分析雷达脉内参数，得到了雷达信号的脉内调制特征；通过联合脉间与脉内的雷达信号参数，提升了雷达信号识别准确率。
58.如图1所示，本发明实施例提供的联合脉内与脉间特征的雷达型号自动识别方法包括以下步骤：
59.s101，进行雷达信号分类模型构建；
60.sa1、侦收存储雷达信号及参数，侦收雷达信号即装备采集雷达时域信号，存储经过分选后的参数，参数包含脉内参数及脉间参数，脉间参数包括经过分选后的脉冲重复周期pri、载频rf、脉宽pw，脉内参数包括信号带宽(b)、线性调频信号的调频斜率(y)、相位编码信号的码元宽度(μ)、编码方式(z)等；
61.sa2、将步骤sa1中侦获的原始雷达信号进行时频变换，根据不同时频图像特征通过人工筛选出同类调制方式、不同信噪比的信号，得到若干时频图像集λ1；
62.sa3、形成雷达辐射源参数模型数据库s，数据库中字段包括，雷达信号载频(rf)、脉宽(pw)、脉冲重复周期(pri)、脉冲时频图像(pic)、脉内调制类型(modu)、信号带宽(b)(常规脉冲(脉内无调制)、频率编码、复合调制信号等)、雷达型号(target)、调频斜率(y)(仅线性调频信号)、码元宽度(μ)与编码方式(z)(仅相位编码信号)。
63.sa4、将步骤sa2得到的时频图像集λ1建立雷达信号脉内调制方式的一次分类数据集λ2与测试集λ3；
64.sa5、构建调制方式分类的卷积神经网络：
65.sa5-1、具体为：采用n个卷积层、m个池化层、k个全连接层的网络结构，其中n、m、k为大于等于2的整数；n个卷积层的激活函数为relu激活函数，采用softmax进行分类，输出为相应的调制类型，卷积核大小为m*m，其中m为大于3小于31的奇数整数，如图3所示，为本发明以n＝2，m＝3时的具体网络结构，其中，n为待分类目标种类数，卷积层在图3中的表示方法为“卷积层(卷积核)@(卷积核大小)”；池化层在图3中的表示方法为“池化层@(池化窗口大小)”；全连接层在图*中表示方法为“全连接层@(神经元数目)”。其中，各个卷积层对应的卷积核大小分别为：m*m*3，16*m*m，m为大于3小于31的奇数整数；为减小卷积层输出后训练参数的数量，利用池化层减少训练参数。
66.sa5-2、将步骤sa3得到的时频图像进行分类，建立雷达信号调制方式的分类数据集λ2，所述雷达信号分类数据集中，按照雷达信号脉内的调制方式分成六类：线性调频信号、非线性调频信号、相位编码信号、常规脉冲(脉内无调制)信号、频率编码信号、复合调制信号，输入神经网络最终形成基于时频图像的卷积神经网络调制方式的分类模型，并用测试集λ3验证模型准确性；
67.s102，进行雷达信号分类训练及识别；
68.sb1、新侦获雷达信号时，通过计算与的数据库s中的模板数据在设定的容差范围内进行比较查询，进行目标的一级判别；
69.sb2、经sb1计算后，在新侦获信号的容差范围内与数据库s中的模板数据匹配有且
仅有一个目标结果时，直接向用户推送识别结果；
70.sb3、经sb1计算后，在新侦获信号与数据库s中的模板数据匹配有两个及以上目标结果时，证明在分选后的信号中存在多种雷达信号界限模糊，进行下一步信号的识别流程；
71.sb4、在sb3中出现雷达信号混叠的信号中，对模糊的信号脉冲信号r
x
进行时频转换，形成时频图像输入第2部分模型，输出调制方式的分类结果；
72.sb5-1、将输出的调制方式识别结果为常规脉冲(脉内无调制)，频率编码，非线性调频，复合调制等调制方式的信号，输入第3部分模型，得到信号带宽的参数，通过与数据库s进行带有容差的数据库比较查询并推送识别结果；
73.sb5-2、将输出的调制方式识别结果为线性调频信号、相位编码信号的脉内调制参数进行分析，输入第3部分模型，得到脉内调制参数，通过与数据库s进行带有容差的数据库比较查询并推送识别结果；
74.sb5-3、所述步骤(6)中，对步骤(4)分类得到调制方式为线性调频信号的雷达单脉冲时域信号，计算信号的调频斜率构成数据参数y，对分类得到调制方式为相位编码信号计算得到信号的编码方式z以及码元宽度μ。
75.s103，进行雷达信号分类模型更新：
76.sc1、经sb1计算后，若容差范围内与数据库s中的模板数据匹配无结果时，向用户提示无雷达信号模板匹配，用户可进行模板数据库及参数特征库的更新，在特征参数匹配中可进一步筛选未知信号。
77.sc2、将新侦收未知调制方式的雷达信号建立标签，导入训练数据集进行重新训练，更新卷积神经网络模型；
78.sc3、将新侦收的雷达信号进行脉内参数与脉间参数分析，更新数据库s。
79.如图2所示，本发明实施例提供的联合脉内与脉间特征的雷达型号自动识别系统包括：
80.模型构建模块1，用于进行雷达信号分类模型的构建；
81.训练识别模块2，用于进行雷达信号的分类训练及识别；
82.模型更新模块3，用于进行雷达信号分类模型的更新。
83.应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
84.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种联合脉内与脉间特征的雷达型号自动识别方法，其特征在于，所述联合脉内与脉间特征的雷达型号自动识别方法包括：采用特征参数模板匹配法、深度卷积神经网络以及脉内参数分析的逐级识别法进行雷达信号的最终识别结果推送，所述逐级识别法包括：第一级为基于edw(emitter discreption word)参数的特征参数匹配法进行识别，当识别为1型雷达辐射源时直接推送识别结果；第二级利用卷积神经网络实现基于图像的雷达信号调制方式进行分类，并在一级识别的结果上进行二次分类；第三级对常规脉冲(脉内无调制)、复合调制、线性调频、相位编码等信号进行雷达中频信号的脉内参数分析，并在二级识别的结果上进行三次分类。2.如权利要求1所述的联合脉内与脉间特征的雷达型号自动识别方法，其特征在于，所述联合脉内与脉间特征的雷达型号自动识别方法具体包括以下步骤：步骤一，进行雷达信号分类模型的构建；步骤二，进行雷达信号的分类训练及识别；步骤三，进行雷达信号分类模型的更新。3.如权利要求2所述的联合脉内与脉间特征的雷达型号自动识别方法，其特征在于，在步骤一中分类模型包括：基于特征参数匹配的模型；基于时频图像的卷积神经网络雷达信号脉内调制方式分类模型；常规脉冲(脉内无调制)、复合调制、线性调频、相位编码等信号的脉内调制参数分析识别。4.如权利要求3所述的联合脉内与脉间特征的雷达型号自动识别方法，其特征在于，雷达信号分类模型包括：(1)存储雷达中频信号及经过分选的参数，包括雷达时域波形、脉内参数与脉间参数，脉间参数包括经过分选后的脉冲重复周期pri、载频rf、脉宽pw，脉内参数包括信号带宽(b)、线性调频信号的调频斜率(y)、相位编码信号的码元宽度(μ)、编码方式(z)等；(2)依据已侦收且判明的雷达参数数据建立相应的雷达参数数据库s，数据库中字段包含：步骤一中的步骤(1)获得的雷达信号载频(rf)、脉宽(pw)、脉冲重复周期(pri)、单脉冲经过短时傅里叶变换后的时频图像(pic)、脉内调制类型(modu)、信号带宽(b)、线性调频信号调频斜率(y)、相位编码信号码元宽度(μ)、编码方式(z)、雷达平台型号(target)；调制方式的识别，在分选信号特征参数匹配模糊的条件下，基于卷积神经网络的图像识别，形成雷达信号脉内调制方式的识别模型；1)将步骤(1)得到的雷达时域信号通过时频变换后，筛选出相同调制方式、不同信噪比的信号，得到若干时频图像集λ1；采用短时傅里叶变换(stft)等方法对雷达中频信号进行时频变换，得到若干时频图像；2)将步骤1)得到的时频图像集λ1分别建立雷达信号脉内调制方式分类数据集λ2与测试集λ3；3)构建卷积神经网络，将时频图像数据集λ2输入卷积神经网络进行训练，形成一次分类神经网络模型，并用测试集λ3验证模型准确性；所述卷积神经网络结构包括n个卷积层、m个池化层、m个全连接层，其中，n、m、k为大于等于2的整数；n个卷积层的激活函数为relu激活函数，采用softmax进行多目标分类，输出
为相应的雷达信号脉内调制类型或某型特殊脉内调制方式的直接分类识别。5.如权利要求4所述的联合脉内与脉间特征的雷达型号自动识别方法，其特征在于，将常规脉冲(脉内无调制)、复合调制、频率编码、线性调频、相位编码等信号的脉内调制参数进行分析并录入数据库s，常规脉冲(脉内无调制)、复合调制、频率编码等信号计算信号带宽b，线性调频信号计算调频斜率y，相位编码信号计算码元宽度μ以及编码方式z。6.如权利要求2所述的联合脉内与脉间特征的雷达型号自动识别方法，其特征在于，所述步骤二中的雷达信号分类训练及识别包括：(1)新侦获雷达信号时，将经过分选的雷达信号与数据库s中的模板数据进行带有容差的比较查询，在设定的容差范围内进行目标的一级判别；(2)在容差范围内与数据库s中的模板数据匹配有且仅有一个目标结果时，直接向用户推送识别结果；(3)在容差范围内与数据库s中的模板数据匹配有两个及以上目标结果时，证明在分选后的信号中存在多种雷达信号界限模糊或分选参数有误，进行下一步信号的识别流程；(4)将一级识别分选的脉冲信号r
x
进行时频转换，形成时频图像输入第2部分模型，输出调制方式的分类结果；(5)对步骤(4)分类得到调制方式为线性调频信号的雷达单脉冲时域信号计算调频斜率构成数据参数y，对分类得到调制方式为相位编码信号计算得到信号的编码方式z以及码元宽度μ，对分类得到的常规脉冲(脉内无调制)，频率编码，非线性调频，复合调制信号计算得到信号带宽b，通过基于容差的数据库s比较查询，输出识别结果。7.如权利要求2所述的联合脉内与脉间特征的雷达型号自动识别方法，其特征在于，所述步骤三中的雷达信号分类模型更新包括：(1)在步骤二的(1)中，出现容差范围内与数据库s中的模板数据匹配无结果时，向用户提示无雷达信号模板匹配，用户可进行模板数据库及参数特征库的更新，在特征参数匹配中可进一步筛选未知信号；(2)将新侦收未知调制方式的雷达信号建立标签，导入训练数据集进行重新训练，更新卷积神经网络模型；(3)将新侦收的雷达信号进行脉内参数与脉间参数分析，更新数据库s。8.一种联合脉内与脉间特征的雷达型号自动识别系统，其特征在于，所述联合脉内与脉间特征的雷达型号自动识别系统包括：模型构建模块，用于进行雷达信号分类模型的构建；训练识别模块，用于进行雷达信号的分类训练及识别；模型更新模块，用于进行雷达信号分类模型的更新。9.一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～8任意一项所述的联合脉内与脉间特征的雷达型号自动识别方法。

技术总结
本发明属于雷达信号识别技术领域，公开了一种联合脉内与脉间特征的雷达型号自动识别方法及系统，采用特征参数匹配法、深度学习卷积神经网络与脉内参数分析的三级分类法；第一级基于特征参数匹配法的容差范围分类，第二级为卷积神经网络的图像分类，利用卷积神经网络实现基于图像识别的雷达信号调制方式二次分类；第三级为针对常规脉冲(脉内无调制)、频率编码、复合调制、非线性调频、线性调频信号、相位编码信号的脉内调制参数分类，利用时频域多参数联合分类方法实现雷达信号三级分类。本发明通过分析雷达脉内参数，得到了雷达信号的脉内调制特征；通过联合脉间与脉内的雷达信号参数，提升了雷达信号识别准确率。提升了雷达信号识别准确率。提升了雷达信号识别准确率。


技术研发人员：张森 刘佳欢 吴媛媛 侯海平 田威
受保护的技术使用者：中国人民解放军海军工程大学
技术研发日：2023.02.15
技术公布日：2023/8/24