本发明涉及lpi雷达信号脉内调制识别,尤其涉及一种α稳定分布噪声下的lpi雷达信号脉内调制识别方法。
背景技术:
1、低截获概率(low probability of intercept lpi)雷达经过发射波形的复杂调制后能够极大减少被非合作截获接收机截获和检测的概率,在现代战争应用十分广泛。
2、在传统的lpi雷达信号处理研究中,多数研究通常是假设背景噪声为加性高斯白噪声,或者噪声服从高斯分布,对于服从高斯分布的噪声,采用二阶及以上的高阶统计量能够抑制噪声。但是,随着研究发现,很多领域存在很多非高斯的脉冲噪声,例如雷达、通信、水声等领域。特别是在恶劣的战场电磁环境中不只是存在高斯白噪声,因为受到大气环境、随机通信产生的数字脉冲、战场雷达杂波信号、电子对抗装备干扰信号和工业辐射干扰信号等等的影响,导致实际信道环境中充斥着随机的、不同程度的尖锐脉冲噪声。相较于理想环境中的高斯白噪声,脉冲噪声服从α稳定分布,具有非高斯特性,概率密度分布的拖尾更厚,脉冲性更强,这类噪声不存在有限的二阶矩和高阶矩,无法使用常规的二阶及以上的高阶统计量进行分析,使得信号的处理以及识别变得困难。
3、针对上述问题,本文提出一种基于新的非线性压缩变换函数和ca-resnest网络的lpi雷达信号脉内调制识别模型与方法,实现在强脉冲噪声和低信噪比恶劣条件下的lpi雷达信号脉内调制识别。
技术实现思路
1、本发明的目的在于提供一种α稳定分布噪声下的lpi雷达信号脉内调制识别方法,基于非线性压缩变换函数和ca-resnest网络的lpi雷达信号脉内调制识别模型与方法,实现在强脉冲噪声和低信噪比恶劣条件下的lpi雷达信号脉内调制识别。
2、为实现上述目的,本发明提供如下技术方案:α稳定分布噪声下的lpi雷达信号脉内调制识别方法,包括以下步骤:
3、s1:数据预处理,将α稳定分布噪声干扰下的lpi雷达信号样本输入到非线性压缩变换函数中,输出抑制后的lpi雷达信号数据;
4、s2:对lpi雷达信号数据做基于非线性压缩变换的choi-williams时频分析,得到nctcwd时频图谱,划分训练集以及测试集;
5、s3:初始化网络模型参数,将训练集数据送入模型;通过ca-resnest特征提取器提取特征,然后通过分类器学习分类;
6、s4:将测试集输入到训练好的特征提取器ca-resnest和分类器中,得到识别结果。
7、优选的,s1中,所述lpi雷达信号的表达式为:
8、
9、式中,a为幅度;t为脉冲宽度;n(t)为加性噪声;f(t)与分别为载波频率和相位函数,这两个函数决定了lpi雷达信号的调制类型。
10、优选的,s1中,使用广义信噪比msnr计算信号与α稳定分布噪声的关系:
11、
12、式中,为信号的方差,γ为α稳定分布中的分散系数。
13、优选的,s1中,所述非线性压缩变换函数的表达式为:
14、
15、式中,ε为尺度变换参数,ε>0。
16、优选的,s2中,所述基于非线性压缩变换的choi-williams时频分析的计算表达式为:
17、
18、式中,fgauss-nct(x)为非线性压缩变换函数;τ为时延;t为时间;j为复数符号,表示虚部;ω为角频率;σ为可控因子,x*(·)为复共轭运算。
19、优选的,s3中,所述ca-resnest网络模型采用基于分散多径注意力机制的残差卷积神经网络resnest进行训练,使用坐标注意力机制进行特征提取。
20、本发明的有益效果:
21、(1)本发明提出的非线性压缩变换函数fgauss-nct(x)能够较好地抑制α稳定分布噪声,使得cwd时频图不再是一条跨越清晰可见的平行于频率轴的直线,时频特征清晰可见。
22、(2)本发明构建了ca-resnest网络结构模型作为时频图谱特征提取主干的网络模型,增强特征提取能力,提高对lpi雷达信号的识别能力。
23、(3)本发明将多个msnr的α稳定分布噪声数据混合进行训练唯一模型,减少操作复杂性的同时,提升模型的泛化能力。
1.α稳定分布噪声下的lpi雷达信号脉内调制识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的α稳定分布噪声下的lpi雷达信号脉内调制识别方法,其特征在于,s1中,所述lpi雷达信号的表达式为:
3.根据权利要求1所述的α稳定分布噪声下的lpi雷达信号脉内调制识别方法,其特征在于,s1中,使用广义信噪比msnr计算信号与α稳定分布噪声的关系:
4.根据权利要求1所述的一种α稳定分布噪声下的lpi雷达信号脉内调制识别方法,其特征在于,s1中,所述非线性压缩变换函数的表达式为:
5.根据权利要求1所述的α稳定分布噪声下的lpi雷达信号脉内调制识别方法,其特征在于,s2中,所述基于非线性压缩变换的choi-williams时频分析的计算表达式为:
6.根据权利要求1所述的α稳定分布噪声下的lpi雷达信号脉内调制识别方法,其特征在于,s3中,所述ca-resnest网络模型采用基于分散多径注意力机制的残差卷积神经网络resnest进行训练,使用坐标注意力机制进行特征提取。