1.基于双谱自编码特征的雷达辐射源识别方法,其特征在于包括如下步骤:步骤1、采集雷达辐射源信号,对雷达辐射源信号进行预处理及滤噪;
步骤2、对采样后得到的离散辐射源信号使用直接估计法计算离散信号的双谱图像;
步骤3.采用超限学习机稀疏性自编码算法对所提取的双谱图像做特征学习,最后使用超限学习机分类算法构建雷达辐射源识别模型;
所述步骤1的具体实现包括以下几个部分:
1-1.将采集的雷达辐射源信号X(t)经模数转换器采样得到离散雷达信号X(n){x(1),...,x(n),...,x(N)};
所述步骤2包括雷达辐射源信号分帧及每帧信号的双谱特征求解;使用非参数直接估计法求解双谱特征,具体实现流程如下:
2-1.将离散雷达信号X(n){x(1),...,x(n),...,x(N)}分成K段,每段M个样本,即N=KM,并减去每段的样本均值;N表示样本的总长度,n表示第n个离散雷达信号样本;
2-2计算每段离散雷达信号X(n)的离散傅里叶变换(DFT)的系数Y(i):其中,x(i)(t)(t=0,1,Λ,M-1)为第i段的离散辐射源信号;
2-3.计算第i段雷达信号的双谱特征
(i=1,2,Λ,K)其中,0≤λ2≤λ1,λ1+λ2≤fs/2,且fs为采样频率,Δ0=fs/N0是频率样本间所要求的空间,N0和L1满足M=(2L1+1)N0,N0是每段数据未补0时的信号长度,k1和k2表示相关的时延。
2-4.离散雷达信号的双谱估计值通过求取K段的平均结果得出,即:其中ω1=2πf1λ1/N0和ω2=2πf2λ2/N0;
所述的步骤3实现具体如下:
3-1.基于超限学习机稀疏自编码器对雷达信号双谱特征学习,其中超限学习机的稀疏性自编码器的特征学习模型为:其中,X1×d表示双谱图像特征数据,H表示自编码隐层神经元映射输出矩阵,β是得到的隐藏层权重;
3-2.采用所提取的双谱特征构建基于超限学习机算法的智能分类器,针对多层堆叠的自编码器,级联的两个自编码器之间的数学表达式为:Hi=g(Hi-1·β)
其中Hi是第i层输出,Hi-1是第i-1层输出,g(·)是自编码层的激活函数;假设共采用K层超限学习机稀疏自编码器做雷达辐射源双谱特征提取,则第K层自编码器的输出HK便是从输入双谱信号中提取的双谱自编码特征,即自编码后提取的特征为:HK=g(HK-1·β);
3-3.将ELM自编码器输出的提取特征HK作为ELM分类器的输入,训练ELM分类器,其输出则是最终的雷达辐射源识别结果Y=g(HKβ+b),其中β是ELM分类器的输出权重,g(·)是ELM分类器隐层的激活函数,HK是特征向量,b是偏置。
2.根据权利要求1所述的基于双谱自编码特征的雷达辐射源识别方法,其特征在于自编码器优化算法中加入了稀疏行限制,同时使用了λ1修正进行优化。
3.根据权利要求2所述的基于双谱自编码特征的雷达辐射源识别方法,其特征在于自编码器优化算法采用了一种快速迭代收缩阈值算法来降低光滑凸函数的复计算杂度。
4.根据权利要求2所述的基于双谱自编码特征的雷达辐射源识别方法,其特征在于所述的采样频率满足大于等于信号最高频率的两倍。