(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110688330.4 (22)申请日 2021.06.21 (65)同一申请的已公布的文献号 申请公布号 CN 113361204 A (43)申请公布日 2021.09.07 (73)专利权人 黄高明 地址 430033 湖北省武汉市硚口区解 放大 道717号 (72)发明人 黄高明　 (74)专利代理 机构 广州中浚雄杰知识产权代理 有限责任公司 4 4254 代理人 刘刚成 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) (56)对比文件 CN 105403863 A,2016.0 3.16 CN 10971 1314 A,2019.0 5.03 CN 109871757 A,2019.0 6.11CN 110109060 A,2019.08.09 JP 2002277541 A,20 02.09.25 US 6876321 B1,20 05.04.05 叶文强等.栈式降噪自编码器在辐射源信号 识别中的应用. 《空军工程大 学学报》 .2019, 陈涛等.基 于时差多参分选的多层感知器网 络脉间识别. 《电子与信息学报》 .2018,(第07 期), 张景云等.一种基 于全卷积神经网络的雷达 PRI调制样式识别方法. 《电子信息对抗 技术》 .2020, ZHIYU QU等.Radar Signal I ntra-Pulse Modulati on Recogn ition Based o n Convolutional Denoising Autoencoder and Deep Convolutional Neural Netw ork. 《2019 IEEE. Translati ons and co ntent mi ning are permitted for academic researc h》 .2019, Ye Wen-qiang等.Radiant Source Signal Recognition Algorithm based o n SAE. 《MATE C Web of Co nferences》 .2018, 审查员 卢秋茹 (54)发明名称 一种基于SAE的雷达辐射源PRI调制识别方 法 (57)摘要 本发明公开了基于SAE的雷达辐射源PRI调 制样式识别方法， 通过仿真软件产生三种相似度 高的雷达辐射源PRI调制样式的数据集， 将PRI数 值与TOA关联生成二维分布特征， 二值化后逐行 合并为一维向量， 分别产生训练集和测试集； 设 置SAE识别 网络参数， 使用训练集训练SAE网络； 将测试集输入至完成训练的SAE网络， 得到不同 脉冲丢失条件下的PRI调制样式的识别率。 本发 明通过利用SAE网络提取雷达辐射源PRI参数的 特征， 保证脉冲丢失条件下仍可保证良好的识别 能力， 训练耗时少， 提高在脉冲缺失下雷达辐射 源PRI调制样式的识别率。 权利要求书2页 说明书4页 附图1页 CN 113361204 B 2022.04.12 CN 113361204 B 1.一种基于SAE的雷达辐射源PRI调制识别方法， 其特 征在于， 所述方法的步骤如下： 步骤一， 构建雷达辐射源PRI调制样式的数据集： (1a)、 利用Matlab仿真软件生成3种不同雷达辐射源PRI调制的数据集， 包括PRI参差、 PRI组变和PRI滑变； (1b)、 PRI 参差调制变化 规律为： 以19 λ s， 21 μs， 20 μs， 23 λ s四个值周期循环变化， PRI组变调制变化规律为： 以19λs， 19λs， 20 μs， 20 μs， 21μs， 21μs， 23λs， 23λs周期重复， 其中每个值均重复两次， PRI滑变调制变化规律为： 以19 μs， 23 μs， 20 μs， 21μs， 21μs， 20 μs， 23 μs， 19 μs周期循环， 包含19 μs， 23 μs， 20 μs， 21 μs四个值的双向单滑， (1c)、 PRI 参差、 滑变和组变调制的样本包 含若干周期； 步骤二， 对上述3种雷达辐射源PRI调制的数据进行 预处理， 生成训练集和 测试集： (2a)、 将PRI随TOA的变化 规律曲线转 化为PRI‑TOA的二维分布图； (2b)、 将(2a)中的PRI ‑TOA二维分布图二 值化后转换为 一维向量； (2c)、 随机产生不同程度丢失脉冲条件下的PRI参差调制、 PRI滑变调制、 PRI滑变调制 的样本数量每类为1000， 样本总数为3000； 其中， 每类训练样本为700， 总数2100， 构成训练 集； 每类测试样本为3 00， 总数90 0， 构成测试集； 步骤三， 设计SAE网络： (3a)、 利用栈式自动编码器自动提取一维向量的特征， 其结构和参数设计为： 输入层为 一维向量维度 1600， 第一层隐含层节点数为800， 第二层隐含层节点数为50， 输出层为分类 识别数目3， 则SAE整体架构为16 00‑800‑50‑3； (3b)、 训练参数设置为： 学习率 为0.1， 训练块大小为10， 迭代次数为20 0； 步骤四， 利用步骤二产生的训练集输入至步骤三中设计的SAE网络， 完成SAE网络训练： 利用步骤二产生的PRI调制训练集， 通过SAE逐层贪婪预训练和参数微调完成训练， 得 到识别PRI调制的网络； 在本步骤中， 采用梯度下降算法进行 更新自动 编码器的参数； 步骤五， 利用步骤二产生的测试集输入至步骤四中完成训练的SAE网络， 输出雷达辐射 源PRI调制的类别标签， 得到对应的PRI调制样式。 2.根据权利 要求1所述的一种基于SAE的雷达辐射源PRI调制识别方法， 其特征在于， 在 步骤(1c)中， PRI 参差取8个周期， PRI滑变和组变取4个周期。 3.根据权利 要求1所述的一种基于SAE的雷达辐射源PRI调制识别方法， 其特征在于， 在 步骤(2a)生成PRI ‑TOA二维分布过程如下： 第1步， 设定PRI ‑TOA二维分布矩阵为AM×N， 其中M为PRI出现的数值个数， N为PRI循环的 最小周期数； 第2步， 在N个TOA值分别对应的PRI 值处置1， 其 余位置为0， 生成二维0 ‑1矩阵； 第3步， 对二维分布特 征在O×O的二维矩阵内进行随机分布。 4.根据权利 要求3所述的一种基于SAE的雷达辐射源PRI调制识别方法， 其特征在于， 步 骤(2b)将(2a)中生成的二维0 ‑1矩阵AO×O转化成一维0 ‑1矩阵， 维度为O ×O。 5.根据权利 要求4所述的一种基于SAE的雷达辐射源PRI调制识别方法， 其特征在于， 步 骤(2c)生成不同程度丢失脉冲条件下的样本： 第1步， 随机产生丢失脉冲的个数P(0 ≤P≤MN/2)， 保证5 0％以上的完整性；权　利　要　求　书 1/2 页 2 CN 113361204 B 2第2步， 随机产生P个丢失脉冲所在的位置(i， j)， 其中1≤i≤M， 1≤i≤N， 并将对应的 Ai， j由1置为0； 第3步， 训练样本脉冲丢失率设置为0 至10％， 测试样本脉冲丢失率设置为0 至50％。权　利　要　求　书 2/2 页 3 CN 113361204 B 3