本發(fā)明涉及認知無線電技術(shù)領(lǐng)域，尤其涉及一種自動識別雷達信號調(diào)制方式的方法和系統(tǒng)。

背景技術(shù)：

隨著現(xiàn)代電子和雷達技術(shù)的迅猛發(fā)展，雷達信號波形的自動識別被廣泛的應(yīng)用到了認知雷達、雷達發(fā)射機識別以及威脅檢測和分析等系統(tǒng)中，成為了電子對抗水平的重要衡量標志。因此，在電子戰(zhàn)中對雷達信號進行高效準確的識別變得越來越重要。

目前，現(xiàn)有技術(shù)中雷達信號波形的自動識別方法大都分為兩個階段：第一階段，一般采用小波變換、時頻分析或高階譜分析等方法提取雷達信號的特征；第二階段，根據(jù)從雷達信號中提取的特征訓練出一個分類器(一般采用聚類、支持向量機或概率圖模型等方法)，利用訓練出的分類器來識別未知調(diào)制方式的雷達信號。

然而，該方法存在以下幾個問題：(1)對雷達信號特征的提取完全依賴于設(shè)計者，導致某些特征非常重要的雷達信號未被提取出來，識別的準確度低，或者提取的雷達信號的特征不具備普適性，只能區(qū)分某幾類雷達信號，適用性差；(2)在低信噪比的環(huán)境下無法對雷達信號的調(diào)制方式進行精確的識別，識別的準確度驟降。

技術(shù)實現(xiàn)要素：

針對上述技術(shù)問題，本發(fā)明提出了一種自動識別雷達信號調(diào)制方式的方法和系統(tǒng)，用以高效準確地識別雷達信號的調(diào)制方式。

該自動識別雷達信號調(diào)制方式的方法包括以下步驟：

S10，對雷達信號進行包括時頻分析的處理，獲得處理后的雷達信號的時頻圖，所述雷達信號包括未知雷達信號和已知雷達信號；

S20，根據(jù)所有處理后的已知雷達信號的時頻圖及其對應(yīng)的類別構(gòu)建訓練集，并利用構(gòu)建的訓練集來訓練卷積神經(jīng)網(wǎng)絡(luò)；

S30，根據(jù)訓練出的卷積神經(jīng)網(wǎng)絡(luò)，對每個處理后的未知雷達信號的時頻圖進行識別，獲得所述未知雷達信號的調(diào)制方式。

根據(jù)本發(fā)明的實施例，上述步驟S10包括以下步驟：

S10.1，對雷達信號進行希爾伯特變換，獲得解析形式下的雷達信號；

S10.2，對解析形式下的雷達信號進行時頻分析，獲得雷達信號的時頻圖；

S10.3，對雷達信號的時頻圖進行濾波，獲得濾波后的雷達信號的時頻圖；

S10.4，對濾波后的雷達信號的時頻圖進行縮放，獲得處理后的雷達信號的時頻圖。

根據(jù)本發(fā)明的實施例，上述步驟S10.3中，通過將雷達信號的時頻圖與濾波器作二維卷積，對雷達信號的時頻圖進行濾波。

根據(jù)本發(fā)明的實施例，上述步驟S20包括以下步驟：

S20.1，將每個處理后的已知雷達信號的時頻圖所屬的類別映射成一個N維向量，獲得所有處理后的已知雷達信號的時頻圖的類別向量，所述N為所有處理后的已知雷達信號的類別數(shù)；

S20.2，將所有處理后的已知雷達信號的時頻圖及其對應(yīng)的類別向量構(gòu)成訓練集，每個處理后的已知雷達信號的時頻圖作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，其對應(yīng)的類別向量作為卷積神經(jīng)網(wǎng)絡(luò)的輸出；

S20.3，設(shè)計符合所述輸入和所述輸出的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，利用卷積神經(jīng)網(wǎng)絡(luò)的訓練算法訓練出卷積神經(jīng)網(wǎng)絡(luò)。

根據(jù)本發(fā)明的實施例，上述步驟S30包括以下步驟：

S30.1，將每個處理后的未知雷達信號的時頻圖輸入給訓練出的卷積神經(jīng)網(wǎng)絡(luò)，得到與其對應(yīng)的輸出類別向量；

S30.2，根據(jù)所述輸出類別向量中最大元素對應(yīng)的下標，獲得所述未知雷達信號的調(diào)制方式。

此外，本發(fā)明還提供了一種自動識別雷達信號調(diào)制方式的系統(tǒng)，包括：

信號處理模塊，用于對雷達信號進行包括時頻分析的處理，獲得處理后的雷達信號的時頻圖，所述雷達信號包括未知雷達信號和已知雷達信號；

訓練模塊，其連接所述信號處理模塊，用于根據(jù)所有處理后的已知雷達信號的時頻圖及其對應(yīng)的類別構(gòu)建訓練集，并利用構(gòu)建的訓練集來訓練卷積神經(jīng)網(wǎng)絡(luò)；

識別模塊，其連接所述信號處理模塊和訓練模塊，用于根據(jù)訓練出的卷積神經(jīng)網(wǎng)絡(luò)，對每個處理后的未知雷達信號的時頻圖進行識別，獲得所述未知雷達信號的調(diào)制方式。

根據(jù)本發(fā)明的實施例，所述信號處理模塊包括：

預處理單元，用于對雷達信號進行希爾伯特變換，獲得解析形式下的雷達信號；

時頻分析單元，其連接所述預處理單元，用于對解析形式下的雷達信號進行時頻分析，獲得雷達信號的時頻圖；

濾波單元，其連接所述時頻分析單元，用于對雷達信號的時頻圖進行濾波，獲得濾波后的雷達信號的時頻圖；

縮放單元，其連接所述濾波單元，用于對濾波后的雷達信號的時頻圖進行縮放，獲得處理后的雷達信號的時頻圖。

根據(jù)本發(fā)明的實施例，所述濾波單元具體用于：

通過將雷達信號的時頻圖與濾波器作二維卷積，對雷達信號的時頻圖進行濾波。

根據(jù)本發(fā)明的實施例，所述訓練模塊包括：

映射單元，用于將每個處理后的已知雷達信號的時頻圖所屬的類別映射成一個N維向量，獲得所有處理后的已知雷達信號的時頻圖的類別向量，所述N為所有處理后的已知雷達信號的類別數(shù)；

構(gòu)建單元，其連接所述映射單元，用于將所有處理后的已知雷達信號的時頻圖及其對應(yīng)的類別向量構(gòu)成訓練集，每個處理后的已知雷達信號的時頻圖作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，其對應(yīng)的類別向量作為卷積神經(jīng)網(wǎng)絡(luò)的輸出；

訓練單元，其連接所述構(gòu)建單元，用于設(shè)計符合所述輸入和所述輸出的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，利用卷積神經(jīng)網(wǎng)絡(luò)的訓練算法訓練出卷積神經(jīng)網(wǎng)絡(luò)。

根據(jù)本發(fā)明的實施例，所述識別模塊包括：

運算單元，用于將每個處理后的未知雷達信號的時頻圖輸入給訓練出的卷積神經(jīng)網(wǎng)絡(luò)，得到與其對應(yīng)的輸出類別向量；

識別單元，其連接所述運算單元，用于根據(jù)所述輸出類別向量中最大元素對應(yīng)的下標，獲得所述未知雷達信號的調(diào)制方式。

與現(xiàn)有技術(shù)相比，本發(fā)明的一個或多個實施例可以具有如下優(yōu)點：

1)本發(fā)明利用時頻分析和卷積神經(jīng)網(wǎng)絡(luò)對雷達信號的調(diào)制方式進行識別，克服了人為提取雷達信號特征的缺點，提高了識別的準確度和適用性。

2)本發(fā)明解決了在極低信噪比的環(huán)境下對雷達信號調(diào)制方式精確識別的難題，并通過對雷達信號的時頻圖進行濾波處理，進一步提高了極低信噪比的環(huán)境下對雷達信號調(diào)制方式識別的準確度。

本發(fā)明的其它特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點可通過在說明書、權(quán)利要求書以及附圖中所特別指出的結(jié)構(gòu)來實現(xiàn)和獲得。

附圖說明

附圖用來提供對本發(fā)明的進一步理解，并且構(gòu)成說明書的一部分，與本發(fā)明的實施例共同用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的限制。在附圖中：

圖1是本發(fā)明的實施例中自動識別雷達信號調(diào)制方式的方法的流程圖；

圖2是圖1所示實施例中步驟S10所示的對雷達信號進行處理的方法的流程圖；

圖3是本發(fā)明的實施例中通過仿真產(chǎn)生的五類雷達信號濾波前后的時頻圖；

圖4是圖1所示實施例中步驟S20所示的訓練卷積神經(jīng)網(wǎng)絡(luò)的方法的流程圖；

圖5是本發(fā)明的實施例中設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖；

圖6是本發(fā)明的實施例中在不同信噪比環(huán)境下對雷達信號的調(diào)制方式識別的準確率曲線；

圖7是本發(fā)明的實施例中自動識別雷達信號調(diào)制方式的系統(tǒng)的組成結(jié)構(gòu)示意圖。

具體實施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，以下結(jié)合附圖和實施例對本發(fā)明作進一步地詳細說明。

實施例一

圖1是本發(fā)明的實施例中自動識別雷達信號調(diào)制方式的方法的流程圖。下面結(jié)合圖1詳細地說明各個步驟及其原理。

步驟S10，對雷達信號進行包括時頻分析的處理，獲得處理后的雷達信號的時頻圖，所述雷達信號包括未知雷達信號和已知雷達信號。

針對上述未知雷達信號和已知雷達信號，應(yīng)當說明的是：本實施例中涉及的未知雷達信號指的是未知調(diào)制方式的雷達信號，已知雷達信號指的是已知調(diào)制方式的雷達信號。

圖2示出了本發(fā)明的一個實施例中對雷達信號進行上述時頻處理的方法的流程圖。具體過程如下：

步驟S10.1，對雷達信號進行希爾伯特變換，獲得解析形式下的雷達信號。

在本實施例中，通過對任一雷達信號進行希爾伯特變換，得到與其對應(yīng)的解析形式的雷達信號。例如，假設(shè)任一雷達信號可以表示為x(n),n＝1,2…,L，其中L為該雷達信號的長度。對于不同的雷達信號，L的取值可以不同。那么任一解析形式的雷達信號可以表示為y(n)＝x(n)+Hilbert(x(n))，其中Hilbert()表示希爾伯特變換。

步驟S10.2，對解析形式下的雷達信號進行時頻分析，獲得雷達信號的時頻圖。

在該步驟中，通過對任一解析形式的雷達信號進行時頻分析，得到與其對應(yīng)的雷達信號的時頻圖。本實施例中優(yōu)選采用Wigner-Ville分布計算每個解析形式的雷達信號y(n)的二維時頻圖W(k,ω)，具體地，

其中，ω為角頻率，k∈[0，L-1]。

步驟S10.3，對雷達信號的時頻圖進行濾波，獲得濾波后的雷達信號的時頻圖。

為了進一步提高識別雷達信號調(diào)制方式的準確度，可以優(yōu)選地對雷達信號的時頻圖進行濾波處理，降低噪聲對雷達信號的時頻圖的影響。在本實施例中，優(yōu)選地將任一雷達信號的時頻圖與濾波器作二維卷積，實現(xiàn)對任一雷達信號的時頻圖的濾波處理。具體地：假設(shè)某雷達信號的時頻圖為TF_D×D，濾波器為Fil_F×F，濾波后的時頻圖(濾波后的該雷達信號的時頻圖)為TFA_D×D，其中D×D為時頻圖的尺寸(時頻圖中像素的個數(shù))，F(xiàn)×F為濾波器的尺寸(濾波器中元素的個數(shù))，并且濾波器Fil中的所有元素求和等于1。則TFA等于TF和Fil的二維卷積。

例如，令濾波器Fil的尺寸等于23×23，即F＝23，且濾波器Fil的任意一個元素的取值等于1/(23×23)，則濾波后的時頻圖TFA可以由以下算式得到：

其中，表示對(F-1)/2向下取整，TFA(i,j)表示濾波后的時頻圖中第i行與第j列交叉點處的像素，TF(m,n)表示雷達信號的時頻圖中第m行與第n列交叉點處的像素，F(xiàn)il(i-m,j-n)表示濾波器矩陣中第i-m行與第j-n列交叉點處的元素。

進一步地，本實施例中通過仿真產(chǎn)生了五類雷達信號，分別為：線調(diào)頻雷達信號、單載波雷達信號、三元素Barker碼(110)相位編碼雷達信號、三元素Costas碼(132)頻率編碼雷達信號以及非線性調(diào)頻雷達信號。對于每一類雷達信號，在20個不同的信噪比(-10dB至9dB，以1dB為間隔)環(huán)境下各產(chǎn)生了200個雷達脈沖。圖3示出了這五類雷達信號在信噪比等于0dB時濾波前后的時頻圖。從中可以看出，通過濾波處理能夠明顯降低噪聲對時頻圖的影響。

步驟S10.4，對濾波后的雷達信號的時頻圖進行縮放，獲得處理后的雷達信號的時頻圖。

在本實施例中，將任一濾波后的雷達信號的時頻圖縮放為固定尺寸M×M，得到與其對應(yīng)的縮放后的雷達信號的時頻圖，即處理后的雷達信號的時頻圖。其中尺寸參數(shù)M的大小具體根據(jù)所要構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)的輸入來確定。在該步驟中通過縮放的處理，一方面能夠使所有處理后的雷達信號的時頻圖的尺寸保持一致，另一方面可以提高訓練卷積神經(jīng)網(wǎng)絡(luò)的速度。

應(yīng)當說明的是，對雷達信號的時頻圖進行降噪、縮放的處理方法并不局限于本實施例中所采用的濾波和縮放方法。在具體實施過程中，本領(lǐng)域技術(shù)人員可以根據(jù)實際需要對其進行選擇。任何熟悉本技術(shù)的技術(shù)人員在不背離本發(fā)明的原理和思想的情況下，對上述方法步驟的調(diào)整或替換，都應(yīng)在本發(fā)明的保護范圍之內(nèi)。

步驟S20，根據(jù)所有處理后的已知雷達信號的時頻圖及其對應(yīng)的類別構(gòu)建訓練集，并利用構(gòu)建的訓練集來訓練卷積神經(jīng)網(wǎng)絡(luò)。

在本實施例中，可以優(yōu)選地按照圖4所示的流程圖來訓練卷積神經(jīng)網(wǎng)絡(luò)，以學習卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)。具體過程如下：

步驟S20.1，將每個處理后的已知雷達信號的時頻圖所屬的類別映射成一個N維向量，獲得所有處理后的已知雷達信號的時頻圖的類別向量，所述N為所有處理后的已知雷達信號的類別數(shù)。

具體地，假設(shè)總共有N類已知雷達信號，則將這些類別分別標記為1，2，…，N。對于任一雷達信號，假設(shè)其所屬類別為K，K∈[1，N]，則將此類別映射成一個N維的向量，其中只有第K維等于1，其它維都等于0。當然，并不限于此類映射方式。

步驟S20.2，將所有處理后的已知雷達信號的時頻圖及其對應(yīng)的類別向量構(gòu)成訓練集，每個處理后的已知雷達信號的時頻圖作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，其對應(yīng)的類別向量作為卷積神經(jīng)網(wǎng)絡(luò)的輸出。

在本實施例中，分別將上述仿真產(chǎn)生的五類雷達信號處理后的時頻圖作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，并將其對應(yīng)的類別向量作為卷積神經(jīng)網(wǎng)絡(luò)的輸出，即卷積神經(jīng)網(wǎng)絡(luò)的輸出為五維的向量。

步驟S20.3，設(shè)計符合所述輸入和所述輸出的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，利用卷積神經(jīng)網(wǎng)絡(luò)的訓練算法訓練出卷積神經(jīng)網(wǎng)絡(luò)。

本實施例設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。該卷積神經(jīng)網(wǎng)絡(luò)總共有八層，其中卷積層有四層，池化層有三層，全連接層有一層。輸入時頻圖尺寸為50×50(將濾波后的雷達信號的時頻圖縮放為50×50，即M＝50)，輸出類別向量尺寸為5×1。第一層和第二層的卷積層的卷積核尺寸均為3×3，卷積輸出的特征圖個數(shù)分別為20和12；第三層和第四層卷積層的卷積核尺寸為2×2，卷積輸出的特征圖個數(shù)分別為12和8；最后一層卷積層輸出的八張?zhí)卣鲌D分別被向量化，并組成一個128維的向量，該向量和輸出向量構(gòu)成全連接層。進一步地，根據(jù)設(shè)計好的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，優(yōu)選地利用卷積神經(jīng)網(wǎng)絡(luò)的后向傳播算法對卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)進行學習，訓練出卷積神經(jīng)網(wǎng)絡(luò)。

步驟S30，根據(jù)訓練出的卷積神經(jīng)網(wǎng)絡(luò)，對每個處理后的未知雷達信號的時頻圖進行識別，獲得與該處理后的未知雷達信號的時頻圖相對應(yīng)的未知雷達信號的調(diào)制方式。在該步驟中：

首先，將每個處理后的未知雷達信號的時頻圖輸入給訓練出的卷積神經(jīng)網(wǎng)絡(luò)，得到與其對應(yīng)的輸出類別向量。然后，根據(jù)輸出類別向量中最大元素對應(yīng)的下標，獲得與該處理后的未知雷達信號的時頻圖相對應(yīng)的未知雷達信號的調(diào)制方式。

具體地，本實施例中通過仿真再次產(chǎn)生上述五類雷達信號。對于每一類雷達信號，在20個不同的信噪比(-10dB至9dB，以1dB為間隔)環(huán)境下各產(chǎn)生100個雷達脈沖。并且，暫時隱藏所產(chǎn)生的雷達信號的所屬類別。將任一未知調(diào)制方式的雷達信號經(jīng)過處理后的時頻圖輸入給訓練得到的卷積神經(jīng)網(wǎng)絡(luò)，得到輸出類別向量。取輸出類別向量中最大元素對應(yīng)的下標作為該未知調(diào)制方式雷達信號的所屬類別，從而獲得該未知調(diào)制方式雷達信號的調(diào)制方式。其中，輸出類別向量中最大元素對應(yīng)的下標是指最大元素在該向量中所處的位置。例如，如果輸出的類別向量是列向量，此位置即指該列向量中最大元素所位于的行數(shù)。

進一步地，圖6示出了本發(fā)明的實施例中利用步驟S20學習得到的神經(jīng)網(wǎng)絡(luò)對步驟S30產(chǎn)生的不同信噪比環(huán)境下雷達信號調(diào)制方式的識別準確率曲線。從中可以看出，當信噪比高于-2dB的時候，識別準確率能夠達到100％，即便是信噪比下降到-7dB，識別率仍然能夠達到90％以上。因而，本發(fā)明的基于時頻分析和卷積神經(jīng)網(wǎng)絡(luò)的雷達信號波形自動識別方法不僅能夠高效準確的識別雷達信號的調(diào)制方式，而且還解決了在極低信噪比環(huán)境下對多種雷達信號波形精確識別的難題。

實施例二

基于同一發(fā)明構(gòu)思，本發(fā)明實施例中還提供了一種自動識別雷達信號調(diào)制方式的系統(tǒng)。圖7是本發(fā)明的實施例中自動識別雷達信號調(diào)制方式的系統(tǒng)的組成結(jié)構(gòu)示意圖。下面結(jié)合圖7詳細地說明該系統(tǒng)的具體結(jié)構(gòu)。

在本發(fā)明的描述中，需要說明的是，除非另有明確的規(guī)定和限定，術(shù)語“相連”、“連接”應(yīng)做廣義理解，例如，可以是固定連接，也可以是可拆卸連接，或一體地連接；可以是機械連接，也可以是電連接；可以是直接相連，也可以通過中間媒介間接相連，可以是兩個元件內(nèi)部的連通。對于本領(lǐng)域的普通技術(shù)人員而言，可以具體情況理解上述術(shù)語在本發(fā)明中的具體含義。

該自動識別雷達信號調(diào)制方式的系統(tǒng)10主要包括信號處理模塊100、訓練模塊110以及識別模塊120。其中：

信號處理模塊100，用于對雷達信號進行包括時頻分析的處理，獲得處理后的雷達信號的時頻圖，所述雷達信號包括未知雷達信號和已知雷達信號。

進一步地，信號處理模塊100主要包括預處理單元101、時頻分析單元102、濾波單元103以及縮放單元104。其中，

預處理單元101，用于對輸入的雷達信號進行希爾伯特變換，獲得解析形式下的雷達信號。

時頻分析單元102，其輸入端連接預處理單元101的輸出端，用于對預處理單元101輸出的解析形式下的雷達信號進行時頻分析，獲得雷達信號的時頻圖。

濾波單元103，其輸入端連接時頻分析單元102的輸出端，用于對時頻分析單元102輸出的雷達信號的時頻圖進行濾波，獲得濾波后的雷達信號的時頻圖。具體地，濾波單元103通過將時頻分析單元102輸出的雷達信號的時頻圖與濾波器作二維卷積，對雷達信號的時頻圖進行濾波。其中，濾波器中的所有元素求和等于1。

縮放單元104，其輸入端連接濾波單元103的輸出端，用于對濾波單元103輸出的濾波后的雷達信號的時頻圖進行縮放，獲得與其對應(yīng)的縮放后的雷達信號的時頻圖，即處理后的雷達信號的時頻圖。

訓練模塊110，其連接信號處理模塊100，用于根據(jù)所有處理后的已知雷達信號的時頻圖及其對應(yīng)的類別構(gòu)建訓練集，并利用構(gòu)建的訓練集來訓練卷積神經(jīng)網(wǎng)絡(luò)。

進一步地，訓練模塊110主要包括映射單元111、構(gòu)建單元112和訓練單元113。其中，

映射單元111，其輸入端連接信號處理模塊100中的縮放單元104的輸出端，用于將縮放單元104輸出的每個處理后的已知雷達信號的時頻圖所屬的類別映射成一個N維向量，獲得所有處理后的已知雷達信號的時頻圖的類別向量，所述N為所有處理后的已知雷達信號的類別數(shù)。

構(gòu)建單元112，其輸入端連接映射單元111的輸出端，用于將映射單元111輸出的所有處理后的已知雷達信號的時頻圖及其對應(yīng)的類別向量構(gòu)成訓練集，每個處理后的已知雷達信號的時頻圖作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，其對應(yīng)的類別向量作為卷積神經(jīng)網(wǎng)絡(luò)的輸出。

訓練單元113，其輸入端連接構(gòu)建單元112的輸出端，用于根據(jù)構(gòu)建單元112輸出的訓練集，設(shè)計符合構(gòu)建單元112構(gòu)建的輸入和輸出的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，利用卷積神經(jīng)網(wǎng)絡(luò)的訓練算法訓練出卷積神經(jīng)網(wǎng)絡(luò)。

識別模塊120，其連接信號處理模塊100和訓練模塊110，用于根據(jù)訓練出的卷積神經(jīng)網(wǎng)絡(luò)，對每個處理后的未知雷達信號的時頻圖進行識別，獲得與該處理后的未知雷達信號的時頻圖相對應(yīng)的未知雷達信號的調(diào)制方式。

在本實施例中，識別模塊120主要包括運算單元121和識別單元122。其中，

運算單元121，其輸入端分別連接信號處理模塊100中的縮放單元104的輸出端和訓練模塊110中的訓練單元113的輸出端，用于將縮放單元104輸出的每個處理后的未知雷達信號的時頻圖輸入給訓練單元113訓練出的卷積神經(jīng)網(wǎng)絡(luò)，得到與其對應(yīng)的輸出類別向量。

識別單元122，其輸入端連接運算單元121的輸出端，用于根據(jù)運算單元121輸出的類別向量中最大元素對應(yīng)的下標，獲得與該處理后的未知雷達信號的時頻圖相對應(yīng)的未知雷達信號的調(diào)制方式。

需要說明的是，本發(fā)明實施例的自動識別雷達信號調(diào)制方式的系統(tǒng)的具體實施方式與本發(fā)明實施例的自動識別雷達信號調(diào)制方式的方法的具體實施方式類似，具體請參見方法部分的描述。為了減少冗余，在此不做贅述。

另外，本發(fā)明實施例的自動識別雷達信號調(diào)制方式的系統(tǒng)的其它構(gòu)成以及作用對于本領(lǐng)域的技術(shù)人員而言都是已知的，為了減少冗余，在此不做贅述。

以上所述，僅為本發(fā)明的具體實施案例，本發(fā)明的保護范圍并不局限于此，任何熟悉本技術(shù)的技術(shù)人員在本發(fā)明所述的技術(shù)規(guī)范內(nèi)，對本發(fā)明的修改或替換，都應(yīng)在本發(fā)明的保護范圍之內(nèi)。