CN109254274B - 一种基于特征融合的雷达辐射源辨识方法 - Google Patents

Abstract

本发明涉及一种基于特征融合的雷达辐射源辨识方法，产生雷达辐射源无意调制信号集；提取AR模型系数、Renyi熵特征、谱峭度特征；计算平滑伪维格纳分布，生成时频图像，进行灰度化和自适应二值化处理，得到自适应二值化图像；提取图像的伪Zernike矩和Hu矩特征；应用AlexNet卷积神经网络提取信号时频图像无意调制特征并分别归一化，进行特征融合，得到融合后特征向量；将融合后特征向量输入支持向量机，训练由粒子群算法优化的支持向量机，将雷达辐射源信号集输入系统完成雷达辐射源辨识。本发明从时域、频域和时频域分析信号，实现多种无意调制特征全面提取，解决提取的无意调制特征适用性低、可靠性差和辐射源辨识困难。

Description

一种基于特征融合的雷达辐射源辨识方法

技术领域

本发明涉及一种雷达辐射源辨识方法，特别是一种基于特征融合的雷达辐射源辨识方法，属于雷达辐射源识别领域。

背景技术

雷达辐射源识别是雷达信息辨识中至关重要的一部分，但无意调制识别已成为该领域的瓶颈。雷达辐射源无意调制特征是由信号发射设备各物理器件的不理想造成的，具有高度的个体属性。由于雷达系统的不断完善和进步，传统单一的雷达辐射源无意调制特征提取已经不能满足雷达辐射源识别的需要。当前，辐射源无意调制特征提取主要包括时域、频域和时频变换方法。

利用时域提取雷达辐射源信号无意调制特征计算量大，且针对具体情况提取不同特征会使得调制效果不一，进而导致系统适用性差、可靠性差、辨识率低。信号的频域特征仅局限于对雷达信号进行分类，无法识别不同体制的雷达。时频变换是常用的无意调制特征提取方法，而提取信号的包络特征、熵特征、矩特征和旋转角等时频特征会产生大量的冗余信息，能够表征信号时频域整体与局部化信息分量的新无意调制特征却未被提及。此外，单纯应用已有技术提取信号的高维度特征会大大降低分类器的运算速度，传输与接收过程中的噪声会直接影响辨识率，且分类器参数设定过于简单会影响最终的辐射源辨识效果。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种能够解决提取的无意调制特征适用性低、可靠性差和辐射源辨识困难，且分别从时域、频域和时频域分析信号，继而实现多种无意调制特征的全面提取的基于特征融合的雷达辐射源辨识方法。

为解决上述技术问题，本发明一种基于特征融合的雷达辐射源辨识方法，包括以下步骤：

步骤1：产生由加入无意调制的五种雷达辐射源信号组成的雷达辐射源无意调制信号集；

步骤2：提取步骤1所述雷达辐射源无意调制信号集在时域中的AR模型系数和Renyi熵特征；

步骤3：提取步骤1所述雷达辐射源无意调制信号集在频域中的谱峭度特征；

步骤4：计算步骤1所述雷达辐射源无意调制信号集的平滑伪维格纳分布，生成时频图像，对时频图像进行灰度化和自适应二值化处理，去除冗余信息，得到二维M×N自适应二值化图像P_(i,j)∈{1,0}；

提取自适应二值化图像P_(i,j)的伪Zernike矩特征和Hu矩特征；

应用经过ImageNet预训练的AlexNet卷积神经网络提取雷达辐射源信号时频图像的无意调制特征；

步骤5：将步骤2、步骤3和步骤4提取的特征分别归一化，并进行特征融合，得到融合后的特征向量；

步骤6：将融合后的特征向量输入支持向量机，训练由粒子群算法优化后的支持向量机，重新选取雷达辐射源信号输入系统完成雷达辐射源辨识。

本发明有益效果：

1.本发明结合两种时域提取方法，首先提取信号自回归模型(AR模型)系数作为辐射源无意调制特征，使辐射源无意调制参数的辨识度得以增强；并提取能够反映辐射源噪声能量集中程度和分布规律的Renyi熵，有效提升了辐射源辨识能力。

2.本发明结合频域提取方法，提取谱峭度作为辐射源无意调制特征，有效地增强了辐射源在频域的区分度，提升了辐射源辨识准确率。

3.本发明结合图像预处理方法，有效剔除噪声与冗余信息，降低数据间的不平衡性，去除时频分布残余的交叉项干扰，提高关键时频图像特征提取鲁棒性，使时频图像特征提取方法更精准。

4.本发明在图像预处理的基础上，利用多种时频图像特征提取技术，获取辐射源伪Zernike矩及Hu矩特征，实现了对辐射源外部形态信息的全部表征，有效提升了辐射源辨识准确率。

5.本发明结合图像融合机制，将时频图像与预处理图像融合，尽可能多的保留了彩色图像信息，消除了外部噪声对辐射源无意调制信息的影响，使特征自提取模块的输入信息得到有效增强，提升了辐射源辨识准确率。

6.本发明结合迁移学习的思想，利用预训练深层次卷积神经网络提取辐射源无意调制本质特征，提高识别率的同时提升了适用性。

7.本发明同时利用线性判别分析(LDA)降维方法去除冗余信息，并保留重要的线性特征，在降低系统运算量的同时提高辨识率。

8.本发明采用的分类器为支持向量机，其适合小样本训练，有效避免卷积神经网络样本类别数量少导致的全连接层神经元数量陡降的问题，并采用粒子群算法对分类器参数进行寻优，进一步提升辐射源辨识准确率。

9.通过预处理图像和时频图像的融合增强无意调制特征的有用信息，提取外部信息特征在降低了复杂度的同时提高了运算速度和抗噪性。选用粒子群参数寻优的支持向量机作为分类器使得辨识系统适用性强、可靠性好且辨识率优异。

附图说明

图1是本发明采用的AlexNet结构图；

图2是本发明的结构框图；

图3是雷达辐射源的辨识率。

具体实施方式

下面结合附图对本发明具体实施方式进行说明。

本发明能够分别从时域、频域和时频域分析信号，通过提取多种无意调制特征，实现雷达辐射源辨识的新方法。用以解决提取的无意调制特征适用性低、可靠性差和辐射源辨识困难的问题。包括以下步骤：

步骤1：依据表1提供的5类雷达信号参数值，加入表2雷达信号的无意调制特征，产生由FRANK、P1、P2、P3、P4组成的无意调制雷达信号集x_i(t)，t为时间。

表1

表2

步骤2：首先提取雷达辐射源无意调制信号集时域的无意调制特征：

步骤2.1提取辐射源无意调制信号的AR模型系数：

雷达辐射源无意调制信号功率谱密度S_i(f)为：

T为截取信号的时间长度时间，X_i(f)为x_i(t)的傅里叶变换，

为傅里叶变换，根据功率谱密度S_i(f)，得到信号自相关值R(i)：

为傅里叶逆变换，通过信号自相关值R(i)(i＝0,1,...,p+1)，提取雷达辐射源无意调制的回归系数

步骤2.2提取雷达辐射源无意调制信号Renyi熵特征：

A是雷达辐射源无意调制信号x(t)∈x_i(t)通过抽样器产生的离散随机变量，p_i(i＝1,2,...,n)是离散随机变量出现的概率，辐射源无意调制信号的Renyi熵H_α(A)(α＝3,5,7,9)：

其中，α表示α阶广义熵。

步骤3：然后提取雷达辐射源无意调制信号集频域的特征,

提取辐射源无意调制信号谱峭度K：

式中，X(f,t)是辐射源信号x(t)∈x_i(t)在频率f处的复包络，S_n(f)＝E<|X(f,t)|ⁿ>是信号的n阶谱矩，E<·>为均值运算。

步骤4：最后提取雷达辐射源无意调制信号集x_i(t)时频域的特征：

雷达辐射源无意调制信号的解析函数z(t)：

z(t)＝x(t)+jH(x(t)) (7)

其中，H(x(t))是信号x(t)∈x_i(t)的希尔伯特(Hilbert)变换，计算信号的平滑伪维格纳(Wigner-Ville)分布：

g(u)是实的时域偶平滑窗，h(τ)是实的频域偶平滑窗，平滑伪Wigner-Ville分布能够很好地削弱相干项的影响。将生成的时频图像预处理，将三分量为R、G和B的彩色图像转换为灰度图像，I_(i,j)表示该点的亮度：

I_(i,j)＝0.3R_(i,j)+0.59G_(i,j)+0.11B_(i,j) (9)

是图像亮度的均值，图片尺寸大小为M×N{i∈(0,...,M-1),j∈(0,...,N-1)}，灰度时频图像归一化为

随后自适应二值化处理，w₀是前景像素点占整幅图像的比例，w₁是背景像素点占整幅图像的比例：

μ₀是前景平均灰度，μ₁是背景平均灰度，TH是背景和信号的分割阈值，根据w₀和w₁得出整体平均灰度μ：

μ＝ω₀×μ₀+ω₁×μ₁ (13)

类间方差g：

g＝w₀(μ₀-μ)²+w₁(μ₁-μ)² (14)

通过遍历背景和信号的分割阈值TH，求得最大类间方差g，而后寻得对应的最优阈值TH，最终图像二值化

得到二维M×N自适应二值化图像P_(i,j)∈{1,0}。

步骤4.1提取雷达辐射源无意调制信号自适应二值化图像P_(i,j)的伪Zemike矩特征Z：

r是原点到点(i,j)的矢量长度，θ表示矢量r与x轴逆时针方向的夹角，V_nm ^*(r,θ)和V_nm(r,θ)是共轭多项式，V_nm(r,θ)是正交多项式的极坐标表示方式，

步骤4.2提取雷达辐射源无意调制信号自适应二值化图像P_(i,j)的Hu矩特征：

二值图像P_(i,j)的Hu矩是(p+q)阶原点矩m_pq和中心矩u_pq：

其中，

步骤4.3应用经过ImageNet预训练的AlexNet卷积神经网络提取信号时频图像无意调制特征：

将得到的时频图像P_(i,j)与自适应二值化图像

相与，得到干扰噪声较低的图像

对图像

尺寸大小进行变换，得到227×227×3大小的三原色图像。将调整好大小的图像输入图1的AlexNet网络进行特征提取，网络的input输入层至fc7层构成特征提取模块提取特征，AlexNet网络是通过ImageNet预训练并且可以在MatConvNet官网获取到。

是m个n维向量的数据集，数据集分为j类，N_j(j＝1,2,...,k)是样本第j类的个数，X_j(j＝1,2,...,k)是第j类数据集集合，而μ_j(j＝1,2,...,k)是第j类数据集均值向量，Σ_j(j＝1,2,...,k)是第j类数据集协方差矩阵，μ_j和Σ_j的表达式为：

投影到维度为d的空间，对应的基向量(w₁,w₂,...,w_d)组成n×d矩阵W，S_w是类内散度矩阵，S_b是类间散度矩阵：

S_w＝Σ₀+Σ₁ (22)

S_b＝(μ₀-μ₁)(μ₀-μ₁)^T (23)

J(w)为数据集均值点间隔：

J(w)最大值时得出最优结果：

计算

最大的d个特征值和对应的d个特征向量(w₁,w₂,...,w_d)，得到投影矩阵，对数据集中的每一个信号特征x_i,转化为新的信号特征y_i＝W^Tx_i，得到输出数据集

步骤5：将上述步骤二、三和四提取到的特征分别归一化为

和

然后融合得特征向量FEARURES：

步骤6：将特征向量FEARURES输入支持向量机，用粒子群算法对支持向量机参数寻优，确定支持向量机的最优σ和C，粒子群中粒子位置及速度的更新为：

式中，x_i,j(t)是粒子位置，v_i,j(t)是粒子速度，c₁和c₂为加速度常数，r₁和r₂为[0,1]随机函数，w取0或1。

步骤7：选取信噪比为-3～6dB(间隔1dB)情况下的5类共9000段雷达无意调制特征信号输入雷达辐射源识别网络，其中，单一信噪比下每类雷达信号200段。如图3所示，在-3dB取得了87％的识别率，识别率随着噪声比增加呈稳步上升趋势，并在6dB时达到96％。

本发明具体实施方式还包括：

本发明的上述目的主要是通过如下的技术方案实现的：

首先，产生加入无意调制特征的五种辐射源信号组成辐射源信号集。

其次，提取信号在时域中的AR模型和Renyi熵特征，并提取在频域中的谱峭度特征。

然后，计算信号的平滑伪Wigner-Ville分布，生成信号的时频图像以增强特征提取能力。

随后，通过对时频图像进行灰度化和自适应二值化处理，实现冗余信息的去除，进而提取图像的伪Zernike矩和Hu矩特征。

另外，应用图像融合技术实现预处理图像和时频图像的融合，利用迁移思想，按要求图像尺寸调整为227×227×3，并输入经过ImageNet预训练的AlexNet卷积神经网络，在fc7层提取到辐射源无意调制特征，对卷积神经网络提取的特征进行线性降维处理，以减少分类器的运算时间。

最后，提取到的特征数值波动范围不一致，对特征分别归一化处理，并把归一化后的特征进行特征融合。进而训练由粒子群算法优化后的支持向量机，最终将辐射源信号输入系统实现雷达辐射源精确辨识。

本发明提供了多特征融合的雷达辐射源辨识方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (1)

1.一种基于特征融合的雷达辐射源辨识方法，其特征在于，包括以下步骤：

步骤1：产生由加入无意调制的五种雷达辐射源信号组成的雷达辐射源无意调制信号集；

步骤2：提取步骤1所述雷达辐射源无意调制信号集在时域中的AR模型系数和Renyi熵特征；

步骤3：提取步骤1所述雷达辐射源无意调制信号集在频域中的谱峭度特征；

步骤4：计算步骤1所述雷达辐射源无意调制信号集的平滑伪维格纳分布，生成时频图像，对时频图像进行灰度化和自适应二值化处理，去除冗余信息，得到二维M×N自适应二值化图像P_(i,j)∈{1,0}；

提取自适应二值化图像P_(i,j)的伪Zernike矩特征和Hu矩特征；

应用经过ImageNet预训练的AlexNet卷积神经网络提取雷达辐射源信号时频图像的无意调制特征；

步骤5：将步骤2、步骤3和步骤4提取的特征分别归一化，并进行特征融合，得到融合后的特征向量；

步骤6：将融合后的特征向量输入支持向量机，训练由粒子群算法优化后的支持向量机，重新选取雷达辐射源信号输入支持向量机完成雷达辐射源辨识。

Images