CN108508411B - 基于迁移学习的被动雷达外辐射源信号识别方法 - Google Patents
基于迁移学习的被动雷达外辐射源信号识别方法 Download PDFInfo
- Publication number
- CN108508411B CN108508411B CN201810239621.3A CN201810239621A CN108508411B CN 108508411 B CN108508411 B CN 108508411B CN 201810239621 A CN201810239621 A CN 201810239621A CN 108508411 B CN108508411 B CN 108508411B
- Authority
- CN
- China
- Prior art keywords
- layers
- model
- network
- data set
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
- Character Discrimination (AREA)
Abstract
本发明属于雷达和通信信号识别领域,为提出一种外辐射源信号识别的迁移学习方法,可解决不同采样率信号训练得到的模型的迁移问题。该方法与源域和目标域采样频率的大小关系无关。为此,本发明采用的技术方案是,基于迁移学习的被动雷达外辐射源信号识别方法,首先在一个采样频率数据集上训练得到一个模型作为基础网络,然后将基础网络的模型和参数直接迁移到不同采样频率的数据集目标域,做微调训练,基础网络使用含3层卷积和两层全连接层的神经网络模型。本发明主要应用于雷达和通信信号识别场合。
Description
技术领域
本发明属于雷达和通信信号识别领域,迁移学习领域。基于训练过的深度学习模型,设计了一种基于迁移学习的被动雷达外辐射源信号识别方法。
背景技术
复杂异构的电磁环境,为信号处理带来巨大的挑战,迫切需要发展军民融合特殊应用、公众系统与专用系统相结合的技术,以有效提高频谱利用效率、改善环境、协同共存。因此,未来的雷达系统设计必须从提高频谱资源利用率的角度出发,被动雷达、波形分集、仿生设计和认知方法是解决频谱拥堵的有效方法。
被动雷达(又称无源雷达、外辐射源雷达)自身不发射电磁波,而是利用外辐射源进行目标探测和跟踪,具有较好的隐蔽性、“四抗”(抗干扰、抗低空突防、抗反辐射导弹、抗隐身)能力、无电磁污染、无探测盲区、便携和低成本等优势。但被动雷达波形不受控制、信道传播环境复杂等问题给研究带来挑战。认知或知识辅助能带来雷达系统性能的提升。Simon Hykin首次将认知无线电的概念引入雷达,所提出的认知雷达具有连续感知环境、快速调整系统参数和快速数字信号处理的能力。
被动雷达中对外辐射源信号的准确认知和识别是非常关键的问题,识别出空间中的电磁信号从而选择合适的波形将极大提升被动雷达的性能。传统的信号识别任务往往是通过专家特征工程,如累积量,循环平稳特征和分布距离来实现的。上面提到的基于特征工程的方法能够很好地完成专门的任务,但是缺乏灵活性。这些方法的关键在于先特征提取,然后根据其特点进行分类,缺乏对原始数据的充分利用。原始数据中包含了信号特性很重要的信息,深度学习可以从原始数据中自动学习特征,是一种新型的有效的信号识别方法。
通常,训练一个鲁棒的深度学习模型会耗费很大的成本,而且以不同采样频率采集的数据训练的模型之间的泛化能力并不理想。一般在一个采样频率的数据集上训练得到的模型在另一个采样率的数据集上性能会下降。所以,模型的迁移问题显得很重要。迁移学习(Transfer Learning)目标是将从一个环境中学到的知识用来帮助新环境中的学习任务。具体地,在迁移学习中,我们已有的知识叫做源域(source domain),要学习的新知识叫目标域(target domain)。迁移学习研究如何把源域的知识迁移到目标域上。特别地,在机器学习领域中,迁移学习研究如何将已有模型应用到新的不同的、但是有一定关联的领域中。传统机器学习在应对数据的分布、维度,以及模型的输出变化等任务时,模型不够灵活、结果不够好,而迁移学习放松了这些假设。在数据分布、特征维度以及模型输出变化条件下,有机地利用源域中的知识来对目标域更好地建模。另外,在有标定数据缺乏的情况下,迁移学习可以很好地利用相关领域有标定的数据完成数据的标定。
迁移学习按照学习方式可以分为基于样本的迁移,基于特征的迁移,基于模型的迁移,以及基于关系的迁移。基于样本的迁移通过对源域中有标定样本的加权利用完成知识迁移;基于特征的迁移通过将源域和目标域映射到相同的空间(或者将其中之一映射到另一个的空间中)并最小化源域和目标域的距离来完成知识迁移;基于模型的迁移将源域和目标域的模型与样本结合起来调整模型的参数;基于关系的迁移则通过在源域中学习概念之间的关系,然后将其类比到目标域中,完成知识的迁移。
发明内容
为克服现有技术的不足,本发明旨在提出一种外辐射源信号识别的迁移学习方法,可解决不同采样率信号训练得到的模型的迁移问题。该方法与源域和目标域采样频率的大小关系无关。为此,本发明采用的技术方案是,基于迁移学习的被动雷达外辐射源信号识别方法,首先在一个采样频率数据集上训练得到一个模型作为基础网络,然后将基础网络的模型和参数直接迁移到不同采样频率的数据集目标域,做微调训练,基础网络使用含3层卷积和两层全连接层的神经网络模型。
具体地:
数据集产生,使用矢量信号产生仪产生包括调频信号FM,移动通信系统信号GSM,长期演进信号LTE,宽带码分多址WCDMA,蓝牙Bluetooth和包括五种不同的无线局域网信号WLAN-ac、WLAN-a/g/j/p、WLAN-g、WLAN-b/g、WLAN-n的10种协议信号作为数据集;
参数迁移步骤如下:
步骤1:选择识别模型为包含三层卷积和两层全连接层的神经网络架构A,训练网络并保存模型和参数P作为基础网络;
步骤2:将基础网络的前n层作为目标网络的前n层,用参数P初始化前n层;
步骤3:随机初始化目标网络剩余的层即初始化全连接层;
步骤4:将目标网络在目标域不同采样率数据集重新训练。
本发明的特点及有益效果是:
本发明的迁移学习模型可以很好地解决不同采样率数据集识别模型的泛化问题,把一个预先训练好的模型的部分迁移到一个类似的任务上使用。一方面这节省了训练的时间;另一方面对于某些任务我们可能有很大的数据集而对于另一些相似的任务并没有那么大的数据集,就可以直接迁移训练好的模型和参数,然后做微调即可。
为了将在一种采样率的数据集上训练的模型应用到不同采样率的数据集上,比较了同一种网络在同一类数据集上从零开始训练(Train from Scratch)和迁移学习再训练(Transfer Training)两种方法的结果。图4和图5展示了在Protocol2-Fs250(采样率为25MHz)数据集上训练的基础网络迁移到Protocol2-Fs225(采样率为22.5MHz)数据集和Protocol2-Fs300(采样率为30MHz)数据集上再训练的结果(下面小圆圈的线是目标网络Train from Scratch的结果)。
可以看到,由于提前获取了先前训练得到的结果,迁移学习方法可以使模型在5个epoch(周期)内基本趋于稳定,然而从零开始训练的方法需要至少20个epoch才能稳定。引入迁移学习极大节省了训练时间,提升了效率,使不同采样率训练得到的模型可以方便地移植到其他数据集。
附图说明:
图1迁移学习模型。
图2迁移学习流程图
图3深度学习架构A。
图4在Protocol2-Fs250(采样率为25MHz)数据集上训练的基础网络迁移到Protocol2-Fs225(采样率为22.5MHz)数据集上。
图5在Protocol2-Fs250(采样率为25MHz)数据集上训练的基础网络迁移到Protocol2-Fs300(采样率为30MHz)数据集上。
具体实施方式
本发明旨在设计一种外辐射源信号识别的迁移学习方法,可解决不同采样率信号训练得到的模型的迁移问题。该方法是基于模型的参数迁移,将一个采样频率数据集(源域)上训练的模型和参数,迁移到另外一个采样频率的数据集(目标域)上,只需少量有标签的目标域数据,做短时间的训练,即可得到目标域的识别模型。该方法与源域和目标域采样频率的大小关系无关。
(1)模型结构
本发明的实现模型如图1所示。
首先在一个采样频率数据集上训练得到一个模型作为基础网络,然后将基础网络的模型和参数直接迁移到目标域(不同采样频率的数据集),做微调训练即可。这种方法可以使目标域网络模型参数迅速收敛。基础网络一般使用含3层卷积和两层全连接层的神经网络模型。
(2)数据集产生
本发明使用NI的PXI-5611矢量信号产生仪产生了10种协议信号(FM,GSM,LTE,WCDMA,Bluetooth,WLAN-ac,WLAN-a/g/j/p,WLAN-g,WLAN-b/g,WLAN-n)作为数据集。发射端和接收端采用全向天线辐射的方式接收信号。接收机采样频率分别设为22.5MHz,25MHz和30MHz,得到三个不同采样率的数据集:Protocol1-Fs225,Protocol2-Fs250和Protocol3-Fs300。由于FM信号带宽较窄,三个数据集对应FM信号采样频率分别设为1.125MHz,1.25MHz和1.5MHz。
存储过程中,每个样本分别包含I路(实部)和Q路(虚部)各N个采样点,前期训练模型需要给每个样本添加标签,比如GSM,LTE等。数据集包含10种协议信号数据,一共40000个样本,每个样本存储形式为2×400的I&Q数据。将20000个样本随机打乱作为训练集,余下的20000个样本随机打乱作为测试集。
(3)参数迁移方法
模型迁移学习的主要步骤如下:
步骤1:选择合适的识别模型,如包含三层卷积和两层全连接层的神经网络架构A,训练网络并保存模型和参数P(基础网络)。
步骤2:将基础网络的前n层(一般选择全连接之前的层)作为目标网络的前n层,用参数P初始化前n层。
步骤3:随机初始化目标网络剩余的层(全连接层)。
步骤4:将目标网络在目标域(不同采样率数据集)重新训练(少量时间)。
实现流程图如图2所示。
如图3所示,A模型的每个卷积层采用修正线性单元rectified linear(ReLU)作为激活函数,采用softmax(一种多分类激活函数)作为最后一层的激活函数。为了避免过拟合,模型A采用dropout技术防止过拟合,在每层后面加上dropout层,设置dropout为0.5。采用前向传播和反向传播技术来训练模型,更新权重。模型A采用了Adam(Adaptive MomentEstimation)作为优化函数。Adam利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。Adam的优点主要在于经过偏置校正后,每一次迭代学习率都有个确定范围,使得参数比较平稳。采用批训练的方式,batch size(批大小)为256,模型在GPU上训练30个epoch。
神经网络是深度学习其中的一部分。本发明为迁移学习模型,是将源域中训练好的参数和模型迁移到目标域,可以达到很快的收敛效果。比如在一种采样率采集的数据(源域)训练的参数迁移到另一种采样率采集的数据上(目标域)。
本发明是一种外辐射源信号识别的迁移学习方法,可解决不同采样率信号训练得到的模型的迁移问题,可应用到被动雷达领域。该方法是基于模型的参数迁移,将一个采样频率数据集(源域)上训练的模型和参数,迁移到另外一个采样频率的数据集(目标域)上,只需少量有标签的目标域数据。
外辐射源信号识别的迁移学习主要步骤如下:
步骤1:选择合适的深度学习识别模型,如卷积层和全连接层构成的网络架构,训练网络并保存模型和参数P(基础网络)。
步骤2:将基础网络的前n层(一般选择全连接之前的层)作为目标网络的前n层,用参数P初始化前n层。
步骤3:随机初始化目标网络剩余的层。
步骤4:将目标网络在目标域(不同采样率的数据集)重新训练(少量时间)。
Claims (1)
1.一种基于迁移学习的被动雷达外辐射源信号识别方法,其特征是,首先在一个采样频率数据集上训练得到一个模型作为基础网络,然后将基础网络的模型和参数直接迁移到不同采样频率的数据集目标域,做微调训练,基础网络使用含3层卷积和两层全连接层的神经网络模型;
数据集产生,使用矢量信号产生仪产生包括调频信号FM,移动通信系统信号GSM,长期演进信号LTE,宽带码分多址WCDMA,蓝牙Bluetooth和包括五种不同的无线局域网信号WLAN-ac、WLAN-a/g/j/p、WLAN-g、WLAN-b/g、WLAN-n的10种协议信号作为数据集;
参数迁移步骤如下:
步骤1:选择识别模型为包含三层卷积和两层全连接层的神经网络架构A,训练网络并保存模型和参数P作为基础网络;
步骤2:将基础网络的前n层作为目标网络的前n层,用参数P初始化前n层;
步骤3:随机初始化目标网络剩余的层即初始化全连接层;
步骤4:将目标网络在目标域不同采样率数据集重新训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810239621.3A CN108508411B (zh) | 2018-03-22 | 2018-03-22 | 基于迁移学习的被动雷达外辐射源信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810239621.3A CN108508411B (zh) | 2018-03-22 | 2018-03-22 | 基于迁移学习的被动雷达外辐射源信号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108508411A CN108508411A (zh) | 2018-09-07 |
CN108508411B true CN108508411B (zh) | 2022-04-08 |
Family
ID=63378074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810239621.3A Active CN108508411B (zh) | 2018-03-22 | 2018-03-22 | 基于迁移学习的被动雷达外辐射源信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108508411B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111585925A (zh) * | 2020-04-18 | 2020-08-25 | 西北工业大学 | 一种基于深度学习的稳健实时射频信号调制识别方法 |
CN111582236B (zh) * | 2020-05-27 | 2022-08-02 | 哈尔滨工程大学 | 一种基于稠密卷积神经网络的lpi雷达信号分类方法 |
CN112364994B (zh) * | 2020-08-05 | 2023-06-27 | 华侨大学 | 基于mmd和tsp的频域载荷识别的模型迁移学习源域选择方法 |
CN111914802B (zh) * | 2020-08-17 | 2023-02-07 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于迁移学习的电离层返回散射传播模式识别方法 |
CN112564834B (zh) * | 2020-11-09 | 2023-02-03 | 中国运载火箭技术研究院 | 一种面向无线通信系统的智能认知与干扰方法及系统 |
CN112308008B (zh) * | 2020-11-12 | 2022-05-17 | 电子科技大学 | 基于迁移学习的工作模式开集的雷达辐射源个体识别方法 |
CN112731330B (zh) * | 2021-01-12 | 2022-04-19 | 西安电子科技大学 | 基于迁移学习的雷达载频参数变化稳健目标识别方法 |
CN112949387B (zh) * | 2021-01-27 | 2024-02-09 | 西安电子科技大学 | 基于迁移学习的智能抗干扰目标检测方法 |
CN115705395A (zh) * | 2021-08-10 | 2023-02-17 | 中兴通讯股份有限公司 | 信号识别方法及装置、计算机可读存储介质 |
CN114021459A (zh) * | 2021-11-05 | 2022-02-08 | 西安晟昕科技发展有限公司 | 一种小样本雷达辐射源的识别方法 |
CN113899948B (zh) * | 2021-12-08 | 2022-03-04 | 成都中星世通电子科技有限公司 | 一种电磁频谱目标特征数据快速提取系统及方法 |
CN114305446A (zh) * | 2021-12-25 | 2022-04-12 | 肇庆星网医疗科技有限公司 | 一种基于人工智能的心房颤动检测方法及系统 |
CN116502139A (zh) * | 2023-04-28 | 2023-07-28 | 哈尔滨工程大学 | 一种基于集成对抗迁移的辐射源信号个体识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102052998A (zh) * | 2010-11-09 | 2011-05-11 | 东南大学 | 转子碰摩声发射信号识别方法 |
CN104268423A (zh) * | 2014-10-11 | 2015-01-07 | 武汉大学 | 大尺度动态演化沙尘型气溶胶反演方法 |
CN105224949A (zh) * | 2015-09-23 | 2016-01-06 | 电子科技大学 | 基于跨领域迁移学习的sar图像地物分类方法 |
EP3151164A2 (en) * | 2016-12-26 | 2017-04-05 | Argosai Teknoloji Anonim Sirketi | A method for foreign object debris detection |
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
CN107561497A (zh) * | 2017-07-27 | 2018-01-09 | 中国船舶重工集团公司第七二四研究所 | Fsk及多种非线性调频信号识别及参数估算方法 |
-
2018
- 2018-03-22 CN CN201810239621.3A patent/CN108508411B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102052998A (zh) * | 2010-11-09 | 2011-05-11 | 东南大学 | 转子碰摩声发射信号识别方法 |
CN104268423A (zh) * | 2014-10-11 | 2015-01-07 | 武汉大学 | 大尺度动态演化沙尘型气溶胶反演方法 |
CN105224949A (zh) * | 2015-09-23 | 2016-01-06 | 电子科技大学 | 基于跨领域迁移学习的sar图像地物分类方法 |
EP3151164A2 (en) * | 2016-12-26 | 2017-04-05 | Argosai Teknoloji Anonim Sirketi | A method for foreign object debris detection |
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
CN107561497A (zh) * | 2017-07-27 | 2018-01-09 | 中国船舶重工集团公司第七二四研究所 | Fsk及多种非线性调频信号识别及参数估算方法 |
Non-Patent Citations (2)
Title |
---|
Deep transfer learning with ontology for image classification;Umang Gupta 等;《2015 Fifth National Conference on Computer Vision, Pattern Recognition, Image Processing and Graphics (NCVPRIPG)》;20160613;1-8 * |
卷积神经网络研究综述;李彦东 等;《计算机应用》;20160910;第36卷(第9期);第2508-2514页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108508411A (zh) | 2018-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108508411B (zh) | 基于迁移学习的被动雷达外辐射源信号识别方法 | |
Zhang et al. | Automatic modulation classification using CNN-LSTM based dual-stream structure | |
US11664910B2 (en) | Processing of communications signals using machine learning | |
Liu et al. | Learning-based predictive beamforming for integrated sensing and communication in vehicular networks | |
US11991658B2 (en) | Learning communication systems using channel approximation | |
CN110365612B (zh) | 一种基于近似消息传递算法的深度学习波束域信道估计方法 | |
Gante et al. | Deep learning architectures for accurate millimeter wave positioning in 5G | |
CN110996343B (zh) | 基于深度卷积神经网络的干扰识别模型的智能识别系统及识别方法 | |
Chen et al. | Automatic modulation classification scheme based on LSTM with random erasing and attention mechanism | |
CN109274624B (zh) | 一种基于卷积神经网络的载波频偏估计方法 | |
Zhang et al. | Deep learning for robust automatic modulation recognition method for IoT applications | |
Utrilla et al. | Gated recurrent unit neural networks for automatic modulation classification with resource-constrained end-devices | |
Jagannath et al. | Multi-task learning approach for automatic modulation and wireless signal classification | |
US20230144796A1 (en) | Estimating direction of arrival of electromagnetic energy using machine learning | |
Han et al. | THz ISAC: A physical-layer perspective of terahertz integrated sensing and communication | |
Li et al. | Wireless sensing with deep spectrogram network and primitive based autoregressive hybrid channel model | |
Liu et al. | Jamming recognition based on feature fusion and convolutional neural network | |
Parmar et al. | Dual-stream CNN-BiLSTM model with attention layer for automatic modulation classification | |
Tedeschini et al. | On the latent space of mmwave MIMO channels for NLOS identification in 5G-advanced systems | |
Zhang et al. | Toward the Automatic Modulation Classification With Adaptive Wavelet Network | |
CN109581291B (zh) | 一种基于人工蜂群的直接定位方法 | |
Wang et al. | Underwater communication signal recognition using sequence convolutional network | |
Ahrens et al. | A machine learning method for prediction of multipath channels | |
Yadav et al. | Application of Machine Learning Framework for Next‐Generation Wireless Networks: Challenges and Case Studies | |
Aer et al. | A Super-Resolution Data Processing for Automatic Modulation Classification Based on Tree Compression Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |