本发明公开了一种基于人工智能的雷达信号特征识别管理系统及方法，属于雷达信号领域，用于解决雷达信号和电磁环境的复杂化和多样化，导致现有的雷达信号识别已不能满足需求的问题，包括信号处理模块、特征识别模块、图像处理模块，所述图像处理模块用于对雷达信号的时频图像进行处理，得到雷达信号频缩放图像的图像特征集，所述信号处理模块用于对雷达信号的信号频谱进行处理，得到雷达信号的频谱特征集，所述特征识别模块用于将雷达信号的特征集与数据库中雷达信号的特征集进行比对，比对得到目标雷达信号，所述显示终端用于将目标雷达信号进行显示，本发明能够提升对多类型调制雷达辐射源信号的识别精度。
1.一种基于人工智能的雷达信号特征识别管理系统，其特征在于，包括数据采集模块、显示终端、信号处理模块、特征识别模块、图像处理模块以及服务器；
所述数据采集模块用于采集雷达信号的时频图像和信号频谱并发送服务器，所述服务器将时频图像发送至图像处理模块，所述服务器将信号频谱发送至信号处理模块；
所述图像处理模块用于对雷达信号的时频图像进行处理，得到雷达信号频缩放图像的图像特征集反馈至服务器，所述服务器将得到雷达信号频缩放图像的图像特征集发送至特征识别模块；
所述信号处理模块用于对雷达信号的信号频谱进行处理，得到雷达信号的频谱特征集反馈至服务器，所述服务器将雷达信号的频谱特征集发送至特征识别模块；
所述特征识别模块连接有数据库，所述数据库用于存储不同雷达信号的图像标准特征集和频谱标准特征集，所述特征识别模块用于将雷达信号的特征集与数据库中雷达信号的特征集进行比对，比对得到目标雷达信号反馈至服务器，所述服务器将目标雷达信号发送至显示终端，所述显示终端用于将目标雷达信号进行显示；
步骤一：将雷达信号的时频图像标记为u，u=1，2，……，z，z为正整数；
步骤二：将时频图像依次进行灰度处理、滤波处理和缩放处理，得到雷达信号的时频缩放图；
步骤三：利用角二阶矩、相关性、对比度和均匀性作为灰度共生矩阵技术的特征项对时频缩放图进行处理，得到时频缩放图在灰度共生矩阵中各元素的平方和、元素在行或列方向上的相似程度、以及时频缩放图的清晰度和纹理沟纹深浅程度、时频缩放图的局部变化大小；
步骤四：分别在n个方向上分别获取时频缩放图在灰度共生矩阵中的四组特征，即可得到时频缩放图的n*4组特征向量；
步骤五：若干组特征向量组合得到雷达信号时频缩放图像的图像特征集TJu。
2.根据权利要求1所述的一种基于人工智能的雷达信号特征识别管理系统，其特征在于，所述信号处理模块用于对雷达信号的信号频谱进行处理，处理过程具体如下：步骤S1：雷达信号的信号频谱进行归一化处理，得到信号频谱的序列长度；
步骤S2：获取额外的两组基准信号并进行定义，得到两组基准信号的信号序列；
步骤S3：将两组基准信号的信号序列计算，计算得到两组基准信号的高次频谱特征；
步骤S4：同理，对雷达信号的信号频谱的高次频谱特征进行多次提取，得到雷达信号中信号频谱的若干组频谱特征，若干组频谱特征组合得到雷达信号的频谱特征集PJu。
3.根据权利要求2所述的一种基于人工智能的雷达信号特征识别管理系统，其特征在于，所述特征识别模块的具体如下：若图像特征集与图像标准特征集相匹配，且频谱特征集与频谱标准特征集相匹配，则将数据库中图像标准特征集和频谱标准特征集对应的雷达信号标定为目标雷达信号；
若图像特征集与图像标准特征集不匹配或频谱特征集与频谱标准特征集不匹配，继续比对直至比对结束。
4.根据权利要求1所述的一种基于人工智能的雷达信号特征识别管理系统，其特征在于，所述服务器还连接有识别核验模块，所述识别核验模块用于对特征识别成功的雷达信号进行核验，生成核验通过信号或核验失败信号反馈至服务器。
5.根据权利要求4所述的一种基于人工智能的雷达信号特征识别管理系统，其特征在于，所述服务器将核验通过信号或核验失败信号发送至显示终端，所述显示终端用于将核验通过信号或核验失败信号进行显示。
6.根据权利要求4所述的一种基于人工智能的雷达信号特征识别管理系统，其特征在于，所述识别核验模块的核验过程具体如下：步骤SS1：分别获取目标雷达信号的目标信号频谱和当前雷达信号的当前信号频谱；
步骤SS2：将目标信号频谱和当前信号频谱均调整至相同规格，并将目标信号频谱和当前信号频谱在线裁剪为若干个相同大小的频谱格；
步骤SS3：在目标信号频谱和当前信号频谱中选定相同坐标位置的频谱格；
步骤SS4：计算目标信号频谱的频谱格和当前信号频谱的频谱格中所有像素点的像素点占比；
步骤SS5：若目标信号频谱的频谱格和当前信号频谱的频谱格中所有颜色像素点的像素点占比均相同，则生成核验通过信号；
步骤SS6：若目标信号频谱的频谱格和当前信号频谱的频谱格中任意颜色像素点的像素点占比不相同，则按照步骤SS3～步骤SS4二次比对频谱格中所有颜色像素点的像素点占比；
步骤SS7：二次比对中，若目标信号频谱的频谱格和当前信号频谱的频谱格中所有颜色像素点的像素点占比均相同，则生成核验通过信号；
若目标信号频谱的频谱格和当前信号频谱的频谱格中任意颜色像素点的像素点占比不相同，则生成核验失败信号。
7.一种基于权利要求1‑6任一项所述的基于人工智能的雷达信号特征识别管理系统实现的方法，其特征在于，方法具体如下：步骤S101，数据采集模块采集雷达信号的时频图像和信号频谱，时频图像发送至图像处理模块、信号频谱发送至信号处理模块；
步骤S102，利用图像处理模块对雷达信号的时频图像进行处理，得到雷达信号的图像特征集发送至特征识别模块；
步骤S103，通过信号处理模块对雷达信号的信号频谱进行处理，得到雷达信号的频谱特征集发送至特征识别模块；
步骤S104，特征识别模块将雷达信号的特征集与数据库中雷达信号的特征集进行比对，得到目标雷达信号利用显示终端进行显示；
步骤S105，识别完毕，通过识别核验模块对特征识别成功的雷达信号进行核验，生成核验通过信号或核验失败信号发送至显示终端。
一种基于人工智能的雷达信号特征识别管理系统及方法
技术领域
[0001] 本发明属于雷达信号领域，涉及特征识别技术，具体是一种基于人工智能的雷达信号特征识别管理系统及方法。
背景技术
[0002] 雷达，是用无线电的方法发现目标并测定它们的空间位置。因此，雷达也被称为“无线电定位”。雷达是利用电磁波探测目标的电子设备。雷达发射电磁波对目标进行照射并接收其回波，由此获得目标至电磁波发射点的距离、距离变化率（径向速度）、方位、高度等信息。雷达信号占用的典型频段是从500兆赫‑18吉赫，毫米波雷达的工作频率达到40吉赫甚至更高，雷达侦察系统事先不能确切知道会有哪些雷达将要工作，也不可能知道这些雷达发出信号的频率。
[0003] 现有技术中，由于雷达信号和电磁环境的复杂化和多样化，导致现有的雷达信号识别已不能满足需求，为此，我们提出一种基于人工智能的雷达信号特征识别管理系统及方法。
发明内容
[0004] 针对现有技术存在的不足，本发明目的是提供一种基于人工智能的雷达信号特征识别管理系统及方法。
[0005] 本发明所要解决的技术问题为：
[0006] 如何提升针对多类型调制雷达辐射源信号的识别精度。
[0007] 本发明的目的可以通过以下技术方案实现：
[0008] 一种基于人工智能的雷达信号特征识别管理系统，包括数据采集模块、显示终端、信号处理模块、特征识别模块、图像处理模块以及服务器；
[0009] 所述数据采集模块用于采集雷达信号的时频图像和信号频谱并发送服务器，所述服务器将时频图像发送至图像处理模块，所述服务器将信号频谱发送至信号处理模块；
[0010] 所述图像处理模块用于对雷达信号的时频图像进行处理，得到雷达信号频缩放图像的图像特征集反馈至服务器，所述服务器将得到雷达信号频缩放图像的图像特征集发送至特征识别模块；
[0011] 所述信号处理模块用于对雷达信号的信号频谱进行处理，得到雷达信号的频谱特征集反馈至服务器，所述服务器将雷达信号的频谱特征集发送至特征识别模块；
[0012] 所述特征识别模块连接有数据库，所述数据库用于存储不同雷达信号的图像标准特征集和频谱标准特征集，所述特征识别模块用于将雷达信号的特征集与数据库中雷达信号的特征集进行比对，比对得到目标雷达信号反馈至服务器，所述服务器将目标雷达信号发送至显示终端，所述显示终端用于将目标雷达信号进行显示。
[0013] 进一步地，所述图像处理模块的处理过程具体如下：
[0014] 步骤一：将雷达信号的时频图像标记为u，u=1，2，……，z，z为正整数；
[0015] 步骤二：将时频图像依次进行灰度处理、滤波处理和缩放处理，得到雷达信号的时频缩放图；
[0016] 步骤三：利用角二阶矩、相关性、对比度和均匀性作为灰度共生矩阵技术的特征项对时频缩放图进行处理，得到时频缩放图在灰度共生矩阵中各元素的平方和、元素在行或列方向上的相似程度、以及时频缩放图的清晰度和纹理沟纹深浅程度、时频缩放图的局部变大小；
[0017] 步骤四：分别在n个方向上分别获取时频缩放图在灰度共生矩阵中的四组特征，即可得到时频缩放图的n*4组特征向量；
[0018] 步骤五：若干组特征向量组合得到雷达信号时频缩放图像的图像特征集TJu。
[0019] 进一步地，所述信号处理模块用于对雷达信号的信号频谱进行处理，处理过程具体如下：
[0020] 步骤S1：雷达信号的信号频谱进行归一化处理，得到信号频谱的序列长度；
[0021] 步骤S2：获取额外的两组基准信号并进行定义，得到两组基准信号的信号序列；
[0022] 步骤S3：将两组基准信号的信号序列计算，计算得到两组基准信号的高次频谱特征；
[0023] 步骤S4：同理，对雷达信号的信号频谱的高次频谱特征进行多次提取，得到雷达信号中信号频谱的若干组频谱特征，若干组频谱特征组合得到雷达信号的频谱特征集PJu。
[0024] 进一步地，所述特征识别模块的具体如下：
[0025] 若图像特征集与图像标准特征集相匹配，且频谱特征集与频谱标准特征集相匹配，则将数据库中图像标准特征集和频谱标准特征集对应的雷达信号标定为目标雷达信号；
[0026] 若图像特征集与图像标准特征集不匹配或频谱特征集与频谱标准特征集不匹配，继续比对直至比对结束。
[0027] 进一步地，所述服务器还连接有识别核验模块，所述识别核验模块用于对特征识别成功的雷达信号进行核验，生成核验通过信号或核验失败信号反馈至服务器。
[0028] 进一步地，所述服务器将核验通过信号或核验失败信号发送至显示终端，所述显示终端用于将核验通过信号或核验失败信号进行显示。
[0029] 进一步地，所述识别核验模块的核验过程具体如下：
[0030] 步骤SS1：分别获取目标雷达信号的目标信号频谱和当前雷达信号的当前信号频谱；
[0031] 步骤SS2：将目标信号频谱和当前信号频谱均调整至相同规格，并将目标信号频谱和当前信号频谱在线裁剪为若干个相同大小的频谱格；
[0032] 步骤SS3：在目标信号频谱和当前信号频谱中选定相同坐标位置的频谱格；
[0033] 步骤SS4：计算目标信号频谱的频谱格和当前信号频谱的频谱格中所有像素点的像素点占比；
[0034] 步骤SS5：若目标信号频谱的频谱格和当前信号频谱的频谱格中所有颜色像素点的像素点占比均相同，则生成核验通过信号；
[0035] 步骤SS6：若目标信号频谱的频谱格和当前信号频谱的频谱格中任意颜色像素点的像素点占比不相同，则按照步骤SS3～步骤SS4二次比对频谱格中所有颜色像素点的像素点占比；
[0036] 步骤SS7：二次比对中，若目标信号频谱的频谱格和当前信号频谱的频谱格中所有颜色像素点的像素点占比均相同，则生成核验通过信号；
[0037] 若目标信号频谱的频谱格和当前信号频谱的频谱格中任意颜色像素点的像素点占比不相同，则生成核验失败信号。
[0038] 一种基于人工智能的雷达信号特征识别管理系统的方法，方法具体如下：
[0039] 步骤S101，数据采集模块采集雷达信号的时频图像和信号频谱，时频图像发送至图像处理模块、信号频谱发送至信号处理模块；
[0040] 步骤S102，利用图像处理模块对雷达信号的时频图像进行处理，得到雷达信号的图像特征集发送至特征识别模块；
[0041] 步骤S103，通过信号处理模块对雷达信号的信号频谱进行处理，得到雷达信号的频谱特征集发送至特征识别模块；
[0042] 步骤S104，特征识别模块将雷达信号的特征集与数据库中雷达信号的特征集进行比对，得到目标雷达信号利用显示终端进行显示；
[0043] 步骤S105，识别完毕，通过识别核验模块对特征识别成功的雷达信号进行核验，生成核验通过信号或核验失败信号发送至显示终端。
[0044] 与现有技术相比，本发明的有益效果是：
[0045] 本发明利用图像处理模块对雷达信号的时频图像进行处理，得到雷达信号的图像特征集，并通过信号处理模块对雷达信号的信号频谱进行处理，得到雷达信号的频谱特征集，雷达信号的图像特征集和频谱特征集发送至特征识别模块，特征识别模块将雷达信号的特征集与数据库中雷达信号的特征集进行比对，得到目标雷达信号并通过显示终端进行显示，本发明能够提升对多类型调制雷达辐射源信号的识别精度。
附图说明
[0046] 为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。
[0047] 图1为本发明的整体系统框图；
[0048] 图2为本发明的又一系统框图；
[0049] 图3为本发明的工作流程图。
具体实施方式
[0050] 下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0051] 实施例一
[0052] 请参阅图1所示，一种基于人工智能的雷达信号特征识别管理系统，包括数据采集模块、显示终端、信号处理模块、特征识别模块、图像处理模块以及服务器；
[0053] 本实施例中，在雷达信号出现时，数据采集模块用于采集雷达信号的时频图像和信号频谱，并将时频图像和信号频谱发送服务器；
[0054] 在具体实施时，可以采用常见的时频分析法得到时频图像，具体可以有短时傅里叶变换、CWD 时频分析法等；
[0055] 服务器将时频图像发送至图像处理模块，服务器将信号频谱发送至信号处理模块；
[0056] 图像处理模块用于对雷达信号的时频图像进行处理，处理过程具体如下：
[0057] 步骤一：将雷达信号的时频图像标记为u，u=1，2，……，z，z为正整数；
[0058] 步骤二：将时频图像依次进行灰度处理、滤波处理和缩放处理，得到雷达信号的时频缩放图；
[0059] 步骤三：利用角二阶矩、相关性、对比度和均匀性作为灰度共生矩阵技术的特征项对时频缩放图进行处理，得到时频缩放图在灰度共生矩阵中各元素的平方和、元素在行或列方向上的相似程度、以及时频缩放图的清晰度和纹理沟纹深浅程度、时频缩放图的局部变大小；
[0060] 其中，时频缩放图在灰度共生矩阵中各元素的平方和、元素在行或列方向上的相似程度、以及时频缩放图的清晰度和纹理沟纹深浅程度、时频缩放图的局部变大小均为现有技术，因此在此不作具体陈述；
[0061] 可理解的是，时频缩放图在灰度共生矩阵中各元素的平方和、元素在行或列方向上的相似程度、以及时频缩放图的清晰度和纹理沟纹深浅程度、时频缩放图的局部变大小中的各个取值，在实际计算中可以采用数据进行代替，程度等可以采用等级进行表示，并通过等级所对应的数值进行代替；
[0062] 步骤四：分别在n个方向上分别获取时频缩放图在灰度共生矩阵中的四组特征，即可得到时频缩放图的n*4组特征向量；
[0063] 步骤五：若干组特征向量组合得到雷达信号时频缩放图像的图像特征集TJu；
[0064] 图像处理模块将得到雷达信号频缩放图像的图像特征集TJu反馈至服务器，服务器将得到雷达信号频缩放图像的图像特征集TJu发送至特征识别模块；
[0065] 信号处理模块用于对雷达信号的信号频谱进行处理，处理过程具体如下：
[0066] 步骤S1：雷达信号的信号频谱进行归一化处理，得到信号频谱的序列长度；
[0067] 步骤S2：获取额外的两组基准信号并进行定义，得到两组基准信号的信号序列；
[0068] 在具体实施时，可以定义为矩形信号序列、圆形信号序列、三角形信号序列等；
[0069] 步骤S3：利用对称Holder系数技术将两组基准信号的信号序列计算，计算得到两组基准信号的高次频谱特征；
[0070] 其中，Holder系数技术为现有技术，对称 Holder 系数由相像系数演变而来，简化了相像系数并降低了算法复杂度，相较于相像系数可以更好地描述两信号之间的差异；
[0071] 步骤S4：同理，利用对称Holder系数技术对雷达信号的信号频谱的高次频谱特征进行多次提取，得到雷达信号中信号频谱的若干组频谱特征，若干组频谱特征组合得到雷达信号的频谱特征集PJu；
[0072] 信号处理模块将雷达信号的频谱特征集PJu反馈至服务器，服务器将雷达信号的频谱特征集PJu发送至特征识别模块；
[0073] 特征识别模块连接有数据库，数据库用于存储不同雷达信号的图像标准特征集和频谱标准特征集，特征识别模块用于将雷达信号的特征集与数据库中雷达信号的特征集进行比对，具体如下：
[0074] 若图像特征集与图像标准特征集相匹配，且频谱特征集与频谱标准特征集相匹配，则将数据库中图像标准特征集和频谱标准特征集对应的雷达信号标定为目标雷达信号；
[0075] 若图像特征集与图像标准特征集不匹配或频谱特征集与频谱标准特征集不匹配，继续比对直至比对结束；
[0076] 特征识别模块将目标雷达信号反馈至服务器，服务器将目标雷达信号发送至显示终端，显示终端用于将目标雷达信号进行显示。
[0077] 本实施例在具体实施时，数据采集模块采集雷达信号的时频图像和信号频谱，并将时频图像和信号频谱发送服务器，服务器将时频图像发送至图像处理模块，服务器将信号频谱发送至信号处理模块；
[0078] 通过图像处理模块对雷达信号的时频图像进行处理，将雷达信号的时频图像标记为u，将时频图像依次进行灰度处理、滤波处理和缩放处理，得到雷达信号的时频缩放图，利用角二阶矩、相关性、对比度和均匀性作为灰度共生矩阵技术的特征项对时频缩放图进行处理，得到时频缩放图在灰度共生矩阵中各元素的平方和、元素在行或列方向上的相似程度、以及时频缩放图的清晰度和纹理沟纹深浅程度、时频缩放图的局部变大小，分别在n个方向上分别获取时频缩放图在灰度共生矩阵中的四组特征，即可得到时频缩放图的n*4组特征向量，若干组特征向量组合得到雷达信号时频缩放图像的图像特征集TJu，图像处理模块将得到雷达信号频缩放图像的图像特征集TJu反馈至服务器，服务器将得到雷达信号频缩放图像的图像特征集TJu发送至特征识别模块；
[0079] 通过信号处理模块对雷达信号的信号频谱进行处理，雷达信号的信号频谱进行归一化处理，得到信号频谱的序列长度，获取额外的两组基准信号并进行定义，得到两组基准信号的信号序列，利用对称Holder系数技术将两组基准信号的信号序列计算，计算得到两组基准信号的高次频谱特征，同理，利用对称Holder系数技术对雷达信号的信号频谱的高次频谱特征进行多次提取，得到雷达信号中信号频谱的若干组频谱特征，若干组频谱特征组合得到雷达信号的频谱特征集PJu，信号处理模块将雷达信号的频谱特征集PJu反馈至服务器，服务器将雷达信号的频谱特征集PJu发送至特征识别模块；
[0080] 特征识别模块连接有数据库，数据库用于存储不同雷达信号的图像标准特征集和频谱标准特征集；
[0081] 通过特征识别模块将雷达信号的特征集与数据库中雷达信号的特征集进行比对，若图像特征集与图像标准特征集相匹配，且频谱特征集与频谱标准特征集相匹配，则将数据库中图像标准特征集和频谱标准特征集对应的雷达信号标定为目标雷达信号，若图像特征集与图像标准特征集不匹配或频谱特征集与频谱标准特征集不匹配，继续比对直至比对结束，特征识别模块将目标雷达信号反馈至服务器，服务器将目标雷达信号发送至显示终端，显示终端用于将目标雷达信号进行显示。
[0082] 实施例二
[0083] 请参阅图2所示，服务器还连接有识别核验模块，识别核验模块用于对特征识别成功的雷达信号进行核验，核验过程具体如下：
[0084] 步骤SS1：分别获取目标雷达信号的目标信号频谱和当前雷达信号的当前信号频谱；
[0085] 步骤SS2：将目标信号频谱和当前信号频谱均调整至相同规格，并将目标信号频谱和当前信号频谱在线裁剪为若干个相同大小的频谱格；
[0086] 步骤SS3：在目标信号频谱和当前信号频谱中选定相同坐标位置的频谱格；
[0087] 步骤SS4：计算目标信号频谱的频谱格和当前信号频谱的频谱格中所有像素点的像素点占比；
[0088] 即：频谱格中某种颜色像素点的数量比对频谱格的像素点总数；
[0089] 步骤SS5：若目标信号频谱的频谱格和当前信号频谱的频谱格中所有颜色像素点的像素点占比均相同，则生成核验通过信号；
[0090] 步骤SS6：若目标信号频谱的频谱格和当前信号频谱的频谱格中任意颜色像素点的像素点占比不相同，则按照步骤SS3～步骤SS4二次比对频谱格中所有颜色像素点的像素点占比；
[0091] 步骤SS7：二次比对中，若目标信号频谱的频谱格和当前信号频谱的频谱格中所有颜色像素点的像素点占比均相同，则生成核验通过信号；
[0092] 若目标信号频谱的频谱格和当前信号频谱的频谱格中任意颜色像素点的像素点占比不相同，则生成核验失败信号；
[0093] 识别核验模块将核验通过信号或核验失败信号反馈至服务器，服务器将核验通过信号或核验失败信号发送至显示终端，显示终端用于将核验通过信号或核验失败信号进行显示；
[0094] 本实施例在具体实施时，通过识别核验模块对特征识别成功的雷达信号进行核验，分别获取目标雷达信号的目标信号频谱和当前雷达信号的当前信号频谱，将目标信号频谱和当前信号频谱均调整至相同规格，并将目标信号频谱和当前信号频谱在线裁剪为若干个相同大小的频谱格，在目标信号频谱和当前信号频谱中选定相同坐标位置的频谱格，计算目标信号频谱的频谱格和当前信号频谱的频谱格中所有像素点的像素点占比，若目标信号频谱的频谱格和当前信号频谱的频谱格中所有颜色像素点的像素点占比均相同，则生成核验通过信号，若目标信号频谱的频谱格和当前信号频谱的频谱格中任意颜色像素点的像素点占比不相同，则按照上述步骤二次比对频谱格中所有颜色像素点的像素点占比，二次比对中，若目标信号频谱的频谱格和当前信号频谱的频谱格中所有颜色像素点的像素点占比均相同，则生成核验通过信号，若目标信号频谱的频谱格和当前信号频谱的频谱格中任意颜色像素点的像素点占比不相同，则生成核验失败信号，识别核验模块将核验通过信号或核验失败信号反馈至服务器，服务器将核验通过信号或核验失败信号发送至显示终端，显示终端将核验通过信号或核验失败信号进行显示。
[0095] 上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置，权重系数和比例系数的大小是为了将各个参数进行量化得到的一个具体的数值，便于后续比较，关于权重系数和比例系数的大小，只要不影响参数与量化后数值的比例关系即可。
[0096] 实施例三
[0097] 请参阅图3所示，现提出一种基于人工智能的雷达信号特征识别管理方法，方法具体如下：
[0098] 步骤S101，数据采集模块采集雷达信号的时频图像和信号频谱，时频图像发送至图像处理模块、信号频谱发送至信号处理模块；
[0099] 步骤S102，利用图像处理模块对雷达信号的时频图像进行处理，得到雷达信号的图像特征集发送至特征识别模块；
[0100] 步骤S103，通过信号处理模块对雷达信号的信号频谱进行处理，得到雷达信号的频谱特征集发送至特征识别模块；
[0101] 步骤S104，特征识别模块将雷达信号的特征集与数据库中雷达信号的特征集进行比对，得到目标雷达信号利用显示终端进行显示；
[0102] 步骤S105，识别完毕，通过识别核验模块对特征识别成功的雷达信号进行核验，生成核验通过信号或核验失败信号发送至显示终端。
[0103] 以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
