基于STFT-SST和深度卷积网络的多相码雷达信号识别

摘要

多相码雷达信号特征相似,类间差距小,在低信噪比(Signal-to-noise ratio,SNR)下极易混淆.Choi-Williams等时频分布由于受时频分辨率的约束,难以刻画多相码信号的细节特征.为此,本文提出了一种基于同步挤压短时傅里叶变换(Short-time Fourier transform-based synchrosqueezing transform,STFT-SST)和深度卷积网络的自动分类识别算法.在特征选取上,采用STFT-SST对多相码雷达信号进行时频分析,并提出一种频谱增强算法,用于提升低SNR下的时频特征表示,以获得高分辨率的时频特征图像;在分类网络上,设计了一个9层深度卷积网络,并引入Inception模块,提升网络对细节特征的捕获能力.仿真结果表明,当SNR为-8 dB时,该系统对5种特定多相码的平均识别率达91.8％,在低SNR下具有更好的识别性能.