CN109116312A - 基于qmfb与卷积神经网络的雷达信号分类方法 - Google Patents

Abstract

现代雷达通常采用低截获概率雷达信号(Low Probability Intercept，LPI)对目标进行探测，因此在雷达对抗中需要对LPI信号分类。而目前多采用传统人工特征提取算法进行分类，在实际应用中此类算法分类正确率不理想。本发明提出一种基于正交镜像滤波器组和卷积神经网络结合的分类方法。具体方法是，首先对截获的雷达信号进行QMFB处理，得到雷达分层时频图像；再基于本发明的新型卷积神经网络对雷达分层时频图像分类；最后输出LPI雷达信号分类结果。本发明基于卷积神经网络能自动提取出多种LPI信号特征，分类效率和识别正确率较传统算法都有很大提高。

Description

基于QMFB与卷积神经网络的雷达信号分类方法

技术领域

本发明是一种电子对抗领域的技术，具体是一种基于卷积神经网络的LPI雷达信号分选的方法。

背景技术

现代雷达正越来越多的使用低截获概率(Low Probability Intercept,LPI)雷达信号对目标进行侦察，LPI信号能极大地提高现代雷达在现代电子对抗战中的生存与探测能力，目前已普遍在各类型雷达中使用。LPI雷达信号是防止非合作的雷达侦察接收机截获、检测信号类型的特殊雷达波形信号。为了对具有LPI信号的雷达进行干扰和压制，需要对截获后的LPI雷达信号进行分类，为电子干扰、压制措施提供决策依据。因此，对截获后的雷达信号进行更高准确率的分类，是当前雷达对抗研究中的重要内容，在雷达对抗中具有重要的现实意义和应用价值。

正交镜像滤波器(Quadrature Mirror Filter，QMF)是一种具有重采样的滤波器，通过窗口大小地变化，可以改变时间分辨率或频率分辨率。为了分离信号的不连续点，需要使用一些很短的基函数，通过使用长基函数可以获得较好的频率分析。本方法将通过正交镜像滤波器组(Quadrature Mirror Filter Bank，QMFB)树对接收雷达波形进行线性分解，输入雷达信号被分解成一系列时频层，每一个子层都折中考虑了时间和频率分辨率。QMFB接收机方法能够提供准确的LPI信号参数估计，从而区分不同信号的调制和提取参数，能够确定带宽、中心频率、“片”(时频图平面内包含绝大部分小波基函数能量的区域)内的能量分布、相位调制、信号持续时间，以及时频图上的位置等参数。

卷积神经网络(Convolution neural network，CNN)已广泛地应用在各种领域。2012年，在ILSVRC2012比赛中，Alex Krizhevsky使用提出的AlexNet网络结构模型，获得了比赛中的图像分选第一名，top-5测试错误率是15.3％，第二名是26.2％。AlexNet是一种包含5个学习层，5个卷积和3个完全连接层的卷积神经网络。2014年，牛津大学的视觉几何组(Visual Geometry Group)提出了一种新的网络结构VGGNet，并且在ILSVRC-2014中获得了定位任务第一名和分类任务第二名，VGGNet的突出贡献在于证明使用很小的卷积(3*3)，增加网络深度可以有效提升模型的效果，且该网络对其他数据集具有很好的泛化能力。GoogLeNet是由Christian Szegedy等人提出的一种基于inception结构而构建的22层深度卷积神经网络。这种结构的主要特点就是可以加大网络的深度和宽度，并且不增加运算量，同时提高了计算资源的利用效率。微软亚洲研究院的研究员设计了更深但结构更简单的ResNet深度卷积神经网络，凭借此网络在2015年的Imagenet竞赛获得胜利，ResNet网络的跨层连接思想解决了深度卷积神经网络难训练的问题。DenseNet是一种输出不是通过加法而是拼接来与前层的输出合并的网络，使得底层的信息输出会保留的进入上面所有层。

随着雷达信号种类的不断增加，需要提取的雷达信号特征的数量也越来越多。依靠人工提取特征参数的传统LPI雷达分类方法暴露出其局限性。例如，有学者已提出了一种混合分类器，其中包括两个相对独立的辅助网络：卷积神经网络(CNN)和elman神经网络(ENN)，通过专业人员提取特征多达22种的雷达信号特征和图像特征，为ENN构建一个特征向量，以帮助CNN完成识别。而本发明对截获的雷达信号进行QMFB处理，得到雷达时频图像，而后基于本发明的新型卷积神经网络对雷达时频图像分类，输出LPI雷达信号分类结果。本发明的雷达信号分类方法可以自动的提取雷达信号特征，分类效率和识别率较传统方法都有很大提高。

发明内容

本发明要解决的问题在于：LPI雷达信号类型多，许多类型之间有共同的信号特征，仅有细微的区别，通过传统的人工特征提取方法进行分类，结果不理想，无法满足电子对抗战实际需求。

本发明为解决上述问题，公开一种正交镜像滤波与CNN结合方法用于分类LPI雷达信号。正交镜像滤波突出LPI雷达信号特征，从而提高LPI雷达信号在低信噪比情况下的准确率与稳定性。

本发明第一方面提供了一种LPI雷达信号的分类方法，包括：

通过对原始LPI雷达信号使用正交镜像滤波方法处理，产生时-频分布图像；再利用训练后的DCNN模型对所述雷达时-频分布图像分类，得到原始LPI雷达信号类型。

本发明第二方面提供了一种CNN网络结构，包括：

一个卷积块、三个池化块、两个细节构造块、一个分类器以及输入层和输出层。根据数据处理的先后次序，其网络架构分别是输入层、卷积块、池化块、第一细节构造块、池化块、第二细节构造块、池化块、分类器、输出层。

结合第二方面，在卷积块的一种可能的实现方式中，

给定卷积核元素个数为x×x×c条件下，针对输入数据维数不同的情况，使用不同维数的卷积核；其中针对维数为2^k-i×2^k+i，-k≤i≤k的数据，卷积核维数为

结合第二方面，在池化块的一种可能的实现方式中，

给定池化个数为x×x，步长为s×s的条件下，针对输入数据维数不同的情况，使用不同维数的池化方式；其中针对维数为2^k-i×2^k+i，-k≤i≤k的数据，池化维数为步长为

结合第二方面，在细节构造块一种可能的实现方式中，

由多个卷积块并联组成，构造块输出最终由并联的构造块输出与构造块原始输入并联构成；其中构造块中的卷积块的卷积核元素个数互不相等。

从以上技术方案以及实验结果发现，本发明实施例具有以下优点：

本发明实施例中，LPI雷达信号经过正交镜像滤波分析后有利于突出LPI雷达信号特征。使用CNN综合分析后的不同特征。作为LPI雷达信号的分类特征，保证了在低信噪比情况下的准确率和稳定性有显著提升。同时本发明的雷达信号分类方法可以自动的提取雷达信号特征，分类效率和识别率较传统方法都有很大提高。

附图说明

为更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单介绍，显而易见，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明提供的LPI雷达信号分类流程的示意图；

图2为本发明实施例提供的雷达信号分类处理流程的示意图

图3为本发明实施例提供的一种QMFB处理的时频图

图4为本发明实施例提供的一种正交镜像滤波器组树

图5为本发明实施例提供的CNN网络结构示意图

图6为本发明实施例提供的一种细节构造块的结构示意图

具体实施方式

下面将结合本实施例中的附图，对本实施例中的技术方案进行清晰、完整的描述，显然，所描述的实例仅仅是本发明的一部分实例，而不是全部实例。基于本发明中的实例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实例，都属于本发明的保护范围。

如图2所示，本实施例主要步骤包括：第一步，LPI雷达仿真信号生成；第二步，QMFB处理信号数据；第三步，构造新型CNN；第四步，利用产生的仿真数据集训练新型CNN；第五步，信号分类结果输出。具体实施步骤如下：

步骤1，LPI雷达仿真信号生成：

步骤1.1：在-6dB、-4dB、-2dB、0dB、2dB、4dB、6dB共7种信噪比下，产生4种(Bpsk、Fmcw、P1、T1)LPI雷达信号的原始数据；

步骤2，QMFB处理信号数据：

步骤2.1：对在-6dB～6dB信噪比下的4种雷达信号原始数据用QMFB处理方法处理，得到时频图像，部分时频图示例如图3。其中QMFB方法推导如下：

QMFB方法采用正交镜像滤波器来对信号进行处理，正交镜像滤波器(QMF)是一种具有重采样的滤波器对迭代，以产生小波。其中滤波器可使用sinc滤波器。sinc滤波器函数在频率上能量分布均衡的函数在通带内将会有平坦的幅度响应，无限窄通带、过渡带和阻带内全为零。虽然它有无限多的系数，可以通过加窗解决这一问题。sinc滤波器函数的表达式如下：

式中：k为整数。

带通范围为-π/2＜ω＜π/2或-0.25＜f＜0.25，该sinc函数的零点将会出现在两倍采样周期2T处。为得到滤波器系数，sinc函数以一个归一化的采样周期T＝1采样，一种采样该函数的方式是让主要的样本采样到波形的主瓣中心。然而，实际采样中，需要两个主要样本，并使它们的和尽可能大。如果满足这一点，则两个主要样本距主瓣中心距离相同，系数的平方和也必须归一化，此时改进的滤波器函数为

式中：n为整数。

该滤波器满足小波滤波器标准，唯一的问题是无限长的系数。当滤波器被截断时，会出现小部分的非正交化，在高通滤波器和低通滤波器波形的两端被简单截断(采用时域矩形窗)，则通带内的频率响应会出现一些起伏(Gibbs现象)。解决方法是使用非矩形窗函数，目前广泛使用Hamming窗函数，用该窗函数乘以式(2)中的系数生成有限冲激响应滤波器，即可得到需要的频率响应。

在滤波器转换中，能量会有损失，这主要是滤波器截断引起的非正交化所产生的损失。比在频率上损失能量更好的一种处理方式是允许滤波器之间存在少量互相关，使得某些能量不止在一个“块”中存在。为实现这种原型滤波器，脉冲响应函数的通频带需要略大于π/2，这可以通过稍微压缩式(2)中的sinc滤波器函数的包络来实现。同时，有必要对系数进行重新归一化，使系数平方和等于1。经过上述这些修改，改进的sinc滤波器函数如下：

式中：N/2≤n≤(N-2)/2；C是压缩变量；S为尺度变量；N为系数个数；ω(n)是抑制Gibbs现象的Hamming窗函数。

式(3)就是最终的sinc滤波器，将改进后的滤波器加入到QMFB滤波器组中，用QMF对组成一个充分发达的树形结构，该树形结构称为正交镜像滤波器组树。正交镜像滤波器组树的结构如图4所示，图中G、H分别代表两种不同的带通滤波器，下箭头表示2倍降采样。这样每个滤波器的输出都将连接到下一层的QMF对。每一个QMF对均以π为界将输入数字信号波形分为高频分量和低频分量两部分。

带通滤波器、采样、正交镜像滤波器组树组成QMFB接收机。接收信号通过带通滤波器和奈奎斯特采样，获得数字序列，将数字序列输入到QMFB树形结构进行分解，每层的输出即为QMFB接收机的输出。经过QMFB接收机得到的数据即为QMFB处理方法的最终数据。

步骤3，构造新型CNN：

图5是本发明提出的一种CNN网络结构整体模块示意图，如图所示，CNN网络结构由卷积块201、池化块202、细节构造块203以及输入层、输出层构成。

具体实现中，将经过正交镜像滤波分析后的数据送入网络输入层，之后依次经过卷积块201、池化块202、第一细节构造块、卷积块、池化块、第二细节构造块203、池化块、分类器，最后输出分类结果。

可选地，在构建CNN过程中可重复多次串行或者并行使用卷积块201、池化块以及细节构造块。需要说明的是在重复使用的过程中，操作人员可根据实际情况更改其相关参数。

卷积块201在给定卷积核元素个数为x×x×c条件下，针对输入数据维数不同的情况，使用不同维数的卷积核；其中针对维数为2^k-i×2^k+i，-k≤i≤k的数据，操作人员预设标准卷积核大小x的情况下，卷积核维数为

具体实现中，对于输入数据为每层大小为2^7-i×2⁷⁺ⁱ，-7≤i≤7，对该层数据使用一个卷积核大小为数量为5的卷积核，如此输出可得总共为75层的特征数据。需要说明的是，卷积块与本领域操作人员熟知的卷积层不同，卷积层的输入数据其各个通道的维数相同，而卷积块的输入允许不同，只需数据位数相同，如果遇到不同通道数据位数不同的情况下，利用padding技术是所有通道的数据位数与具有最大数据位数的通道相同。

池化块202在给定卷积核元素个数为x×x×c条件下，针对输入数据维数不同的情况，使用不同维数的池化参数；其中针对维数为2^k-i×2^k+i，-k≤i≤k的数据，操作人员预设标准池化大小x，标准步长s的情况，池化维数为步长为

具体实现中，对于输入数据为每层大小为2^7-i×2⁷⁺ⁱ，-7≤i≤7，对该层数据池化维数为步长为需要说明的是，池化块与本领域操作人员熟知的池化层不同，池化层的输入数据其各个通道的维数相同，而池化块的输入允许不同，只需数据位数相同，如果遇到不同通道数据位数不同的情况下，利用padding技术使所有通道的数据位数与具有最大数据位数的通道相同。

细节构造块由多个卷积块并联组成，构造块输出最终由并联的构造块输出与构造块原始输入并联构成；其中构造块中的卷积块的卷积核元素个数互不相等。

具体实现中，请参阅图6，第二细节构造块由卷积块1、卷积块2、卷积块3构成，其输出由三个卷积块的输出以及细节构造块原始输入共同并联堆叠构成。

优选地，卷积块1的标准卷积核大小为1，数量为10；卷积块2的标准卷积核大小为3，数量为15；卷积块3的标准卷积核大小为5，数量为20。

以上所述不同的卷积块提取不同抽象程度的细节，从而有利于后续分类。

分类模块采用本领域的技术人员熟知的感知器模型和Softmax层完成分类结果。

需要说明的是，对于前述的各个实施例仅列举了部分实施组合，但本领域的技术人员应该知悉，本发明不受简单更改上述方法或者流程顺序限制，某些结构可以增添或者删减，某些参数可以增大或者减小。其次，本领域技术人员也应知悉，说明书所描述的实施例均属于优选实施例，所涉及的参数、结构并不是本发明所必须的。

步骤4，利用产生的仿真数据集训练新型CNN：

步骤4.1：在上述数据预处理的数据中选取样本，样本数据量是每种信噪比条件下：Bpsk、Fmcw、P1各1700份，T13000份。

步骤4.2：采用随机梯度下降法来更新卷积层与全连接层连接的权值，初始学习率为0.0001,在计算损失函数时加入对各个连接权值的L2范数和，对权值规范化，将约束系数设为0.0005；

步骤4.3：训练样本数量为上述所选的全部数据样本，将其乱序排序，训练集和测试集数据从中随机产生，比例为7:3。

步骤5，信号分类结果输出：

步骤5.1：分别将每种信号同一信噪比下时频图放入训练好的新型CNN中进行分类，得到分类结果。

以上对本发明实施例所提供的内容、结构和参数进行了详细介绍，本文应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法以及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上都会有改变之处，综上所述，本说明书不应理解为对本发明的限制。

Claims (7)

1.一种结合正交镜像滤波分析与新型卷积神经网络模型(Convolutional NeuralNetwork,CNN)对低概率截获(Low Probability Intercept,LPI)雷达信号分类的方法，其特征在于，

通过对原始LPI雷达信号使用正交镜像滤波分析方法处理，产生时-频分布数据；再利用训练后的CNN模型对所述雷达时-频分布图像分类，得到原始LPI雷达信号类型。

2.根据权利要求1所述的时-频分布数据，其特征在于，

时-频分布数据由2k+1种矩阵组成，其中k∈N⁺；数据中每种矩阵的元素个数均相同，为2^2k个，并且这些矩阵的维数分别为2^k-i*2^k+i，其中-k≤1≤k。

3.根据权利要求1所述的CNN，其特征在于，

网络结构包括一个卷积块、三个池化块、两个细节构造块、一个分类器以及输入层和输出层。根据数据处理的先后次序，其网络架构分别是输入层、卷积块、池化块、第一细节构造块、池化块、第二细节构造块、池化块、分类器、输出层。

4.根据权利要求2所述的卷积块，其特征在于，

给定卷积核元素个数为x×x×c条件下，针对输入数据维数不同的情况，使用不同维数的卷积核；其中针对维数为2^k-i×2^k+i，-k≤1≤k的数据，卷积核维数为

5.根据权利要求2所述的池化块，其特征在于，

给定池化个数为x×x，步长为s×s的条件下，针对输入数据维数不同的情况，使用不同维数的池化方式；其中针对维数为2^k-i×2^k+i，-k≤1≤k的数据，池化维数为步长为

6.根据权利要求2所述的细节构造块，其特征在于，

由多个卷积块并联组成，构造块输出最终由并联的构造块输出与构造块原始输入并联构成；其中构造块中的卷积块的卷积核元素个数互不相等。

7.根据权利要求2所述分类器，其特征在于，

将输入数据向量化后拼接，通过全连接层和Softmax层进行分类。