CN108051781A - 一种基于dbn模型的雷达信号工作模式识别方法 - Google Patents

Abstract

本发明公开了一种基于DBN模型的雷达信号工作模式识别方法，属于雷达信号处理领域。包括以下步骤：通过对雷达信号时频域参数分析，选取合适特征；对输入特征进行归一化处理；将归一化后的各特征加入DBN网络训练，仿真分析识别效果。本发明从雷达工作在不同的工作方式、实现不同的功能时，其发射的脉冲信号存在特有的变化规律的角度出发，选取合适的时频域变化参数特征加入深信度网络(DBN)网络以完成雷达信号不同工作模式的分类识别。DBN作为深度学习的重要模型，具备无监督学习和有监督学习学习的优点，可自动发掘数据所蕴含的规律。仿真证明，基于DBN模型的模式识别可有效识别出雷达的多种工作类型，对电子对抗情报分析工作具有重要意义。

Description

一种基于DBN模型的雷达信号工作模式识别方法

技术领域

本发明属于雷达信号处理领域，具体涉及一种基于DBN模型的雷达信号工作模式识别方法。

背景技术

随着电磁环境的复杂化以及现代新体制雷达的应用，一部雷达往往具有多种工作模式，发射信号的波形也越来越复杂多变。且在电子情报系统的侦察范围内存在多部雷达，各雷达的特征参数可能发生严重重叠，难以形成有效的聚类，因此需要挖掘更多的特征以及更强大的模型用于分类识别。

雷达辐射源信号的特征参数取决于战术用途的选择，工作在不同工作模式下的雷达信号参数有着不同的变化规律和特点，因此可以从雷达信号时频参数变化特点的角度对雷达行为进行分析。深度学习具有优异的自主学习能力，已经在语音、图像识别领域取得了较好的成绩。将深度学习方法应用到雷达信号工作模式识别上，通过对有辨识度的特征进行训练，可以判别当前雷达工作状态。

目前，国内外学者在对多功能雷达工作模式识别方面进行了一定的研究。2011年，电子信息控制重点实验室针对有源相控阵雷达多种工作模式的特点，提出了一种机载雷达工作模式识别的方法。2012年，西安电子科技大学的陈凯在D-S证据理论融合方法的基础上，分析了相控阵雷达状态和信号波形，并提出了利用特征函数识别相控阵雷达状态的方法。2015年，孟祥豪等人利用多功能雷达工作模式的转换规律和脉冲本身的时频域变化参数规律，提出了一种样本体系的成形规律描述技术，该描述方法可以准确的描述雷达脉冲成形规律和模式转换规律，在有漏脉冲和干扰脉冲的情况下依然能够提取其脉冲信号。2016年，空军工程大学的王星提出了一种在多平台协同背景下基于D-S证据理论的雷达工作模式特征层融合识别算法。该算法通过对多平台侦收的同一参数数据进行多平台参数内融合后进行参数间融合获得合成信任度，再依据工作模式判定规则识别雷达工作模式，较好解决了单平台雷达模式识别的不确定性。

发明内容

本发明的目的在于提供解决了单平台雷达模式识别不确定性的一种基于DBN模型的雷达信号工作模式识别方法。

本发明的目的通过如下技术方案来实现：

一种基于DBN模型的雷达信号工作模式识别方法，包括以下步骤：

1.一种基于DBN模型的雷达信号工作模式识别方法，其特征在于，包括以下步骤：

(1)特征选取，通过对雷达信号时频域参数分析，选取合适特征；

(2)对输入特征进行归一化处理；

(3)将归一化后的各特征加入DBN网络训练，仿真分析识别效果；

特别地，

步骤(1)中选取的特征具体为：

载频、PRI、脉宽、发射带宽、占空比、脉冲压缩比、最大非模糊速度、总模糊度、距离分辨率及调制类型十个特征，

(1.1)载频：未调制的无线电、雷达、载波通信或其他发射机产生的频率，即一个特定频率的无线电波，超高频波段(UHF)多为远程警戒雷达，用于监视宇宙飞船、洲际导弹等目标，L波段是地面远程对空警戒雷达的首选频段，频率处于该波段的雷达能够得到较好的目标检测性能；

(1.2)脉冲重复间隔(PRI)：与雷达的性能要求和工作任务有着紧密的联系，PRI类型处于固定模式一般为搜索和跟踪雷达，其扰动在PRI均值的1％，主要用于MTI和脉冲多普勒雷达，PRI为突发类型则有很大的扰动，调度PRI的模式较为复杂，主要用于电子扫描、多功能计算机控制雷达系统，通常PRI值会随着目标的情况不同而自适应调整；

(1.3)脉冲宽度(PW)：电流或者电压随时间有规律变化的时间宽度，影响雷达的作用距离和距离分辨率；

(1.4)发射带宽：发射信号所包含谐波的最高频率与最低频率之差，即该信号所拥有的频率范围；

(1.5)占空比：一个脉冲循环内，通电时间相对于总时间所占的比例；

(1.6)脉冲压缩比；

(1.7)最大非模糊速度：如果两个相邻脉冲的目标回波相位差是2π的倍数，系统则会把目标视为静止目标过滤掉，此时目标的径向运动速度即为最大非模糊速度，计算公式为：

(1.8)总模糊度：雷达的最大非模糊距离和最大非模糊速度的乘积称之为雷达的总模糊度，计算公式为：

(1.9)距离分辨率：雷达信号的距离分辨率与带宽有着密切关系，带宽越大，距离分辨率越低，计算公式为：

(1.10)雷达调制类型：只定义两种脉内调制类型：相位编码脉冲信号，频率编码脉冲信号。

步骤(2)具体为：

采用min-max标准化方法，通过对原始数据进行线性变化，将结果映射到[0,1]之间，转换函数：

其中max为样本数据的最大值，min为样本数据的最小值。

步骤(3)具体为：

(3.1)DBN由受限玻尔兹曼机(RBM)为基本单元搭建信任网络，采用了逐层初始化和在最后一层进行有监督的反向传播微调的方法，实现对数据的降维及分类；

(3.2)RBM是典型的能量模型，在已知可视层v的情况下，隐藏层的各单元h_i之间是相互独立的；在已知隐藏层h的情况下，可视层各单元v_i是相互独立的，即同层之间各单元相互独立，隐藏层与可视层相互影响；

RBM的能量函数E(v,h)定义为

E(v,h)＝-b^Tv-c^Th-h^TWv

其中b,c分别为可视层和隐藏层的偏置，W为可视层与隐藏层之间的权重；

由于在RBM中，同层内各单元相互独立，故

P(h|v)＝Π_ip(h_i|v)

P(v|h)＝Π_jp(v_j|h)

在二元制即v_j,h_i∈{0,1}的情况下，我们可以得到

P(v_j＝1|h)＝sigm(b_j+W′_jh)

(3.3)对比散度(CD)就是通过计算各层单元取值为1的概率对下一层进行重构，是一种成功的用于求解对数似然函数关于未知参数梯度的近似的方法，各参数的更新规则如下：

W←W+ε[P(h_1i＝1|v₁)v₁′-P(h_1i＝1|v₁)]

b←b+ε(v₁-v₂)

c←c+ε[P(h_1.＝1|v₁)-P(h_2.＝1|v₂)]

(3.4)BP网络是一种有监督的分类器，其训练过程分为具体前向和后向。在前向传播过程中，输入特征向量得到输出层的预测分类类别；后向传播的作用是通过实际分类结果和期望分类结果对比，根据误差回调DBN各层权值。

本发明的有益效果在于：

由于现代雷达一般可以根据战术用途选择不同的工作模式，且各种模式间特征参数可能存在重叠，难以获取各模式转换规律，本发明提出一种基于DBN模型的雷达信号工作模式识别方法，该方法首先分析了雷达信号在不同工作模式下的各时频域参数的变化规律及作用，提取了用于工作模式识别的参数特征，然后利用深度学习中DBN模型能有效对特征进行降维重构的特点，实现基于DBN模型的雷达信号工作模式识别。

该算法通过对多平台侦收的同一参数数据进行多平台参数内融合后进行参数间融合获得合成信任度，再依据工作模式判定规则识别雷达工作模式，较好解决了单平台雷达模式识别的不确定性。

附图说明

图1为DBN参数特征；

图2为DBN模型结构；

图3为RBM模型结构，

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明：

一种基于DBN模型的雷达信号工作模式识别方法，包括以下步骤：

步骤一：对时频域参数进行分析，以选取合适特征。

雷达工作在不同的工作模式以及实现不同的功能时，其发射的脉冲信号存在特有的变化规律。同样，雷达针对不同的任务选择工作模式时，也相应的选择了对应的波形参数，通过对侦察接收机截获的信号进行分选划分后，可以得到具有某些固定结构的脉冲序列，这些序列对应着的一些行为特性如调制类型、频率特性等也与当前雷达执行的任务密切相关。因此，我们可以根据雷达发射脉冲信号的时频参数变化特点对当前雷达的工作模式分析。

1、频域特征

载频是表征雷达信号参数中最为重要的参数，其选择与雷达要实现的功能有密切的关系。如处于超高频波段(UHF)多为远程警戒雷达，用于监视宇宙飞船、洲际导弹等目标，L波段是地面远程对空警戒雷达的首选频段，频率处于该波段的雷达能够得到较好的目标检测性能。一般来说，远程监视雷达在低频上性能更好，而因为高频能提供更宽的带宽以及更窄的波束，提高精度和分辨率，目标位置的精确测量在高频率上性能更好，多用于担负火控、制导任务的雷达。表1为当代典型雷达的频段及功能介绍。

表1典型雷达介绍

2、时域特征

脉冲重复间隔(PRI)与雷达的性能要求和工作任务有着紧密的联系，在雷达分析中起到重要作用。PRI类型处于固定模式一般为搜索和跟踪雷达，其扰动在PRI均值的1％，主要用于 MTI和脉冲多普勒雷达。PRI为突发类型则有很大的扰动，调度PRI的模式较为复杂，主要用于电子扫描、多功能(搜索和跟踪)计算机控制雷达系统，通常PRI值会随着目标的情况不同而自适应调整。

雷达的脉冲宽度简称脉宽(PW)，影响雷达的作用距离和距离分辨率，在信号分选中有一定的参考作用。雷达处于不同的工作模式选择不同的PRI与PW值。表2显示了X波段多功能相控阵雷达在执行不同任务时的时频域参数变化范围。

表2多功能雷达执行任务对应时频域参数

从上述参数还可变换得到一些新的参数特征，如最大非模糊速度：如果两个相邻脉冲的目标回波相位差是2π的倍数，系统则会把目标视为静止目标过滤掉，此时目标的径向运动速度即为最大非模糊速度。最大非模糊速度与雷达发射脉冲的载频和PRI有关。

总模糊度：雷达的最大非模糊距离和最大非模糊速度的乘积称之为雷达的总模糊度。其计算公式如下：

距离分辨率：雷达信号的距离分辨率与带宽有着密切关系，带宽越大，距离分辨率越低。计算公式如下：

雷达调制类型：现代雷达多使用脉冲压缩技术来提高发射的平均功率并保证足够大的作用距离。脉冲压缩雷达可能会包含多种复杂的调制类型，这里只定义两种脉内调制类型：相位编码脉冲信号，频率编码脉冲信号。

通过上述分析及介绍，我们可以获得以下特征，即：载频、PRI、脉宽、发射带宽、占空比、脉冲压缩比、最大非模糊速度、总模糊度、距离分辨率及调制类型十个特征。

步骤二：对输入特征进行归一化处理，以消除各量纲影响；

选取表2中的5种雷达模式：海面搜索、海面跟踪、高功率干扰、火炮测距以及PVU作为待识别的工作模式，每个模式由2000组训练数据构成，各模式的特征参数变化范围如图1(a)、(b)、(c)所示，可以看出各特征参数存在严重的重叠，难以根据某一个特征进行工作模式的分类，且各特征量纲单位不同，需对数据进行归一化处理。

这里采用的方法为min-max标准化方法，通过对原始数据进行线性变化，将结果映射到 [0,1]之间。其转换函数如式(4)所示，其中max为样本数据的最大值，min为样本数据的最小值。

步骤三：将归一化后的各特征加入DBN网络训练，仿真分析识别效果；

首先介绍一下DBN网络，DBN由受限玻尔兹曼机(restricted Boltzmann machine，RBM) 为基本单元搭建信任网络，采用了逐层初始化和在最后一层进行有监督的反向传播(back-propagation，BP)微调的方法，实现对数据的降维及分类，具体模型如图2所示。该方法的提出成功克服了深层网络难以训练的弊端，开启了深度学习的热潮。

其训练过程先是通过逐层训练的方式对各层RBM进行训练，最底层是可视层，由训练数据决定，其中的每个神经元代表可视层向量中的一维；低一层RBM的隐藏层输出作为上一层的RBM的可视层输入，通过逐层训练进行这种自下而上的“认知”，无监督地完成对深层网络的权值初始化；接下来通过最后一层的BP网络对预计结果进行有监督的参数调节来实现对权值的微调。

1、受限玻尔兹曼机RBM

RBM是典型的能量模型，其模型如图3所示。从图3可以看出，在已知可视层v的情况下，隐藏层的各单元h_i之间是相互独立的；在已知隐藏层h的情况下，可视层各单元v_i是相互独立的，即同层之间各单元相互独立，隐藏层与可视层相互影响。

RBM的能量函数E(v,h)定义为

E(v,h)＝-b^Tv-c^Th-h^TWv (5)

其中b,c分别为可视层和隐藏层的偏置，W为可视层与隐藏层之间的权重。

由于在RBM中，同层内各单元相互独立，故

P(h|v)＝∏_ip(h_i|v) (6)

P(v|h)＝∏_jp(v_j|h) (7)

在二元制即v_j,h_i∈{0,1}的情况下，我们可以得到

P(v_j＝1|h)＝sigm(b_j+W′_jh) (9)

对比散度(CD)就是通过计算各层单元取值为1的概率对下一层进行重构，是一种成功的用于求解对数似然函数关于未知参数梯度的近似的方法。各参数的更新规则如下：

W←W+ε[P(h_1i＝1|v₁)v₁′-P(h_1i＝1|v₁)] (10)

b←b+ε(v₁-v₂) (11)

c←c+ε[P(h_1.＝1|v₁)-P(h_2.＝1|v₂)] (12)

2、BP网络

BP网络是一种有监督的分类器，其训练过程分为具体前向和后向。在前向传播过程中，输入特征向量得到输出层的预测分类类别；后向传播的作用是通过实际分类结果和期望分类结果对比，根据误差回调DBN各层权值。

实施例：

实施例1：测试选取DBN多层网络层数及节点。

仿真参数设置：输入特征为10种，输出分类结果为5类。简单抽取不同结构的DBN重构误差如表3所示。

表3DBN结构参数测试结果

从表3可以看出，DBN的参数设置对重构误差影响巨大，若参数选择不恰当，会出现第二层重构误差比第一层重构误差更大的情况。这里将DBN的结构参数设为[8 2 6]，在此节点和层数下，DBN能较好的实现降维重构。

实施例2：测试训练迭代次数的分选效果。

将训练好的多层RBM的权值分配到BP网络进行微调，即可得到分类结果，不同迭代次数下的分类结果如表4所示。

表4不同迭代次数下DBN分类结果

从表4可以看出，在训练次数达到15次时，DBN网络逐渐收敛，各模式的分选效果都较好。由于DBN网络中，多层RBM的作用其实也可以理解为对BP网络进行初始化，因此我们做了在相同的结构、激活函数以及训练次数下的BP网络的分类仿真，取50次结果的平均分类总正确率与做DBN对比，可以看出，BP的分类与随机初始化的权值关联太强，平均的分类正确率并不高，而在迭代次数超过15次后，可以明显看出DBN分类效果更好、更稳定。

实施例3：测试边搜索边跟踪的分类效果。

多功能相控阵雷达具有实时跟踪多个空间目标的能力。多数情况下，为节省发射功率和设备量，当雷达确认了目标进行跟踪后，还需要维持对搜索区的搜索。这种情况下，由于搜索模式和跟踪模式对脉宽和PRI选择不同，可以将跟踪时间安插于搜索时间内，两者按照不同的搜索数据率和跟踪数据率进行，其中跟踪数据率要高于搜索数据率。针对这种情况我们进行了仿真实验,DBN的分选结果可以看出基于DBN模型的工作模式识别可以实现正确的分类。

从上述仿真中可以得出如下结论，基于DBN模型的雷达信号工作模式识别方法可利用 DBN模型在降维重构方面的优势，实现对多功能雷达处于不同工作模式下的分类识别，且识别效果较好。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于DBN模型的雷达信号工作模式识别方法，其特征在于，包括以下步骤：

(1)特征选取，通过对雷达信号时频域参数分析，选取合适特征；

(2)对输入特征进行归一化处理；

(3)将归一化后的各特征加入DBN网络训练，仿真分析识别效果。

2.根据权利要求1所述的一种基于DBN模型的雷达信号工作模式识别方法，其特征在于，所述的步骤(1)中选取的特征具体为：

载频、PRI、脉宽、发射带宽、占空比、脉冲压缩比、最大非模糊速度、总模糊度、距离分辨率及调制类型十个特征，

(1.1)载频：未调制的无线电、雷达、载波通信或其他发射机产生的频率，即一个特定频率的无线电波，超高频波段(UHF)多为远程警戒雷达，用于监视宇宙飞船、洲际导弹等目标，L波段是地面远程对空警戒雷达的首选频段，频率处于该波段的雷达能够得到较好的目标检测性能；

(1.2)脉冲重复间隔(PRI)：与雷达的性能要求和工作任务有着紧密的联系，PRI类型处于固定模式一般为搜索和跟踪雷达，其扰动在PRI均值的1％，主要用于MTI和脉冲多普勒雷达，PRI为突发类型则有很大的扰动，调度PRI的模式较为复杂，主要用于电子扫描、多功能计算机控制雷达系统，通常PRI值会随着目标的情况不同而自适应调整；

(1.3)脉冲宽度(PW)：电流或者电压随时间有规律变化的时间宽度，影响雷达的作用距离和距离分辨率；

(1.4)发射带宽：发射信号所包含谐波的最高频率与最低频率之差，即该信号所拥有的频率范围；

(1.5)占空比：一个脉冲循环内，通电时间相对于总时间所占的比例；

(1.6)脉冲压缩比；

(1.7)最大非模糊速度：如果两个相邻脉冲的目标回波相位差是2π的倍数，系统则会把目标视为静止目标过滤掉，此时目标的径向运动速度即为最大非模糊速度，计算公式为：

(1.8)总模糊度：雷达的最大非模糊距离和最大非模糊速度的乘积称之为雷达的总模糊度，计算公式为：

(1.9)距离分辨率：雷达信号的距离分辨率与带宽有着密切关系，带宽越大，距离分辨率越低，计算公式为：

(1.10)雷达调制类型：只定义两种脉内调制类型：相位编码脉冲信号，频率编码脉冲信号。

3.根据权利要求1所述的一种基于DBN模型的雷达信号工作模式识别方法，其特征在于，所述的步骤(2)具体为：

采用min-max标准化方法，通过对原始数据进行线性变化，将结果映射到[0,1]之间，转换函数：

其中max为样本数据的最大值，min为样本数据的最小值。

4.根据权利要求1所述的一种基于DBN模型的雷达信号工作模式识别方法，其特征在于，所述的步骤(3)具体为：

(3.1)DBN由受限玻尔兹曼机(RBM)为基本单元搭建信任网络，采用了逐层初始化和在最后一层进行有监督的反向传播微调的方法，实现对数据的降维及分类；

(3.2)RBM是典型的能量模型，在已知可视层v的情况下，隐藏层的各单元h_i之间是相互独立的；在已知隐藏层h的情况下，可视层各单元v_i是相互独立的，即同层之间各单元相互独立，隐藏层与可视层相互影响；

RBM的能量函数E(v,h)定义为

E(v,h)＝-b^Tv-c^Th-h^TWv

其中b,c分别为可视层和隐藏层的偏置，W为可视层与隐藏层之间的权重；

由于在RBM中，同层内各单元相互独立，故

P(h|v)＝Π_ip(h_i|v)

P(v|h)＝Π_jp(v_j|h)

在二元制即v_j,h_i∈{0,1}的情况下，我们可以得到

P(v_j＝1|h)＝sigm(b_j+W_j′h)

(3.3)对比散度(CD)就是通过计算各层单元取值为1的概率对下一层进行重构，是一种成功的用于求解对数似然函数关于未知参数梯度的近似的方法，各参数的更新规则如下：

W←W+ε[P(h_1i＝1|v₁)v₁′-P(h_1i＝1|v₁)]

b←b+ε(v₁-v₂)

c←c+ε[P(h_1.＝1|v₁)-P(h_2.＝1|v₂)]

(3.4)BP网络是一种有监督的分类器，其训练过程分为具体前向和后向。在前向传播过程中，输入特征向量得到输出层的预测分类类别；后向传播的作用是通过实际分类结果和期望分类结果对比，根据误差回调DBN各层权值。