1.基于轮廓特征的跳频信号分类方法，其特征是，包括如下步骤：

1)得到二维时频矩阵：对采集到的跳频信号数据x(n)作短时傅里叶变换得到二维时频矩阵STFT(m，n)，表示为公式(1)：其中，h(m)为窗函数，n为对频率w的N点离散化，M为采样点数，且时间行向量为T＝1∶1∶M，归一化频率列向量F为：

2)提取轮廓特征：将经步骤1)短时傅里叶变换得到的二维矩阵STFT和行向量T，归一化频率列向量F构成三维矩阵Z＝[T,F,STFT]，以(T,F)作为坐标矩阵，STFT作为高度值矩阵所表示的等高线图的颜色分布反映信号的特征，提取信号在等高线图上的轮廓，即通过先计算二维矩阵在每个时刻点的最大值y(n)，表示为公式(2)：选取E(n)＝y(n)·σ为判断轮廓点的阈值，即在第k个采样时刻点，能量大于E(k)的点为轮廓内的点，其中，σ为能量阈值调整点，其区间在[0.5，1)，提取的轮廓特征矩阵STFT1(m,n)可表示为公式(3)：

接着将三维矩阵Z更新为Z＝[T,F,STFT1]，并对矩阵Z作等高线图并保存为图像；

3)图像预处理：图像预处理包括图像灰度化、图像增强、图像反转以及图像二值化处理：对步骤2)得到的等高线图进行灰度化处理，得到灰度图像I，其灰度转换公式可表示为公式(4)：

Gray＝R*0.299+G*0.587+B*0.114        (4),其中，Gray为像素点的亮度，R，G，B分别为读取图像的三基色的相对强度，对灰度图像I采用灰度变换增强法进行图像增强，接着进行灰度反转、然后采用最大类间误差法对等高线图像作二值化处理，根据有用信号所占的区域，选择对等高线图像进行裁剪；

4)训练、分类：经过步骤3)图像预处理后，得到了卷积神经网络的输入图像数据，将图像数据分为训练集和测试集，首先初始化所有卷积核的权重和偏差，再将图像输入卷积神经网络的卷积层，进行特征提取，然后通过激励函数ReLU对卷积层的输出结果做非线性映射，接着将非线性映射结果输入到池化层，进行下采样，对特征图稀疏处理，完成特征的降维，然后通过全连接层把局部特征通过权值矩阵组装成完整的图像，最后输入到卷积神经网络的softmax层，得到图像的所属类别标签h，通过误差E来调整卷积神经网络的每层参数，误差E是通过比较样本标签值O和网络输出标签h来计算，误差E的可表示为公式(5)：其中，L表示样本集的数量，C表示样本类型的数量， 表示第l个样本对应的网络输出的第g个输出， 为第l个样本对应的标签的g维，当误差大于期望值时，根据求得误差进行权值更新，即将误差传回网络中，依次求得全连接层、池化层以及卷积层的误差，各层的误差可以理解为对于网络的总误差，网络应承担多少；当误差等于或小于我们的期望值时，结束训练，此时得到训练好的卷积神经网络模型，再将测试图像输入到训练好的卷积神经网络模型，通过训练好的网络模型中的softmax层作为分类器依据公式(6)对图像进行分类：其中，η表示跳频信号的特征，q为类别中的某一类，P为分类器输出概率值，依据输出的概率值，进行最终结果分类。