CN109471074B - 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 - Google Patents

Abstract

本发明公开了一种基于奇异值分解与一维CNN网络的雷达辐射源识别方法，主要解决现有技术辐射源识别技术识别时间复杂高、识别精度低的问题。其实现方案为：采用分离算法进行信号分离，并将雷达时间序列拆分为矩阵G；对矩阵G作奇异值分解，并从分解后的Σ矩阵中提取对角元素构成向量λ；将多组雷达数据提取出来的奇异值向量，制成训练集、验证集、测试集；针对向量λ设计一维CNN网络结构；使用训练集对一维CNN网络进行训练；使用验证集测试训练完成网络的性能，判断网络是否可用；将测试集送入训练好的网络，网络输出为辐射源类别。本发明在保证识别率可用的条件下，减少了辐射源识别时间，可用于复杂电磁环境下的雷达辐射源识别。

Description

基于奇异值分解与一维CNN网络的雷达辐射源识别方法

技术领域

本发明属于信号处理技术领域，特别涉及一种基于雷达辐射源识别方法，可用于电子情报侦察、电子支援和威胁告警系统中。

背景技术

雷达辐射源信号识别是雷达电子对抗中一个重要组成部分，在电子情报侦察、电子支援和威胁告警系统中的发挥中重要的作用。

随着电子技术的发展，各种新型复杂体制雷达不断出现，使得电子环境复杂多变，对辐射源的精确识别带来了越来越严峻的挑战。传统基于脉冲描述字即载频、脉冲宽度、脉冲幅度、到达时间和到达角的方法，在当代电磁信号密度大或复杂多变环境中，缺陷越来越明显。

目前，考虑到脉内特征作为重要的脉冲参数有助于提高辐射源识别率，诸多学者提出了在保留原始PDW功能基础上添加许多脉内特征分析的方法，如时域分析法、频域分析法、瞬时自相关法、模糊函数切片法和谱相关法等。但这些现有技术存在有两方面缺点：第一个是算法识别率低。即已有算法大多依赖人为选取特征，特征的好坏决定识别率的高低，无法适应日益复杂的电磁环境。第二个缺点是时间复杂度高。现在伴随数据维度的不断升高，已有算法识别时间越来越长，对于实时性要求高的系统无法应用。

针对这些缺点，有学者提出了基于时频变换与二维CNN网络的雷达辐射源识别方法，此方法是将一维雷达序列通过时频变换转换到视频图，再基于时频图采用二维CNN的方法实现雷达辐射源识别。该方法虽说可以有效提高识别率，但仍然存在时间复杂度高这一不足。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于奇异值分解与一维CNN网络的雷达辐射源识别方法，以在保证识别率可用的条件下，减少数据处理量，降低系统时间复杂度。

为实现上述目的，本发明的实现方案包括如下：

1)对从接收机接收到的混叠信号进行分离，得到单一雷达信号时间序列x_k(t)，t＝1，2，...n，x_k(t)为第k个雷达信号样本，n为接收机对雷达信号时间序列的采样点数，k∈(1，H)，H为接收机接收的总共信号组数；

2)将到分离后的雷达时间序列x(t)拆分为N行、M列的二维矩阵G；

3)对二维矩阵G进行奇异值分解，使G＝U∑V^T，其中U是一个N*N的方阵，V是一个M*M正交的方阵，该方阵里面的向量称为右奇异向量，V^T是V矩阵的转置；∑是一个N*M的对角矩阵，该对角矩阵对角线上的元素称为奇异值，对角线外的元素都是0，其具体形式为：

其中λ_j为奇异值，j∈(1，M)；

4)从∑矩阵中提取对角元素的奇异值，排成一维向量：λ^(k)＝[λ₁，λ₂，...λ_j...，λ_M]，其中λ_j为奇异值，其中λ^(k)为第k个雷达数据的奇异值向量；

5)将U组雷达数据提取出来的奇异值向量数据集λ＝[λ⁽¹⁾，λ⁽²⁾，...λ^(k)…，λ^(U)]，制成训练集λ_t、验证集λ_c和测试集λ_o三部分，其中k∈(1，H)，λ^(k)为第k个雷达数据的奇异值向量；

6)根据向量λ设计一个由五个卷积层、三个池化层、三个规范化层组成的十六层一维卷积神经网络CNN网络；

7)利用5)中提取的训练集λ_t，对6)设计的一维CNN网络中进行训练：

7a)按如下公式对权重w、偏置b进行初始化：

其中，w^(l)为卷积神经网络第l层的权重，b^(l)为卷积神经网络第l层的偏置，x∈(-∞，+∞)间的随机数，n_l为一维卷积神经网络CNN网络第l层的输入节点个数；

7b)将5)中提取的训练集奇异值向量λ_t，送入6a)中已经初始化权重、偏置的网络中，逐步进行卷积和池化运算，得到网络输出结果；

7c)根据网络输出结果，按如下公式计算网络损失值J(X，y；w)：

其中m为batch的样本个数，y为标签，a为网络的输出，λ为惩罚因子，w为网络的权重参数，w^T为w的转置；

7d)根据损失值，按如下公式对权重、偏置参数进行更新：

上式中，w^(l)为卷积神经网络第l层的权重，b^(l)为卷积神经网络第l层的偏置，l为网络的层数，α为学习率，m为batch的样本个数，λ为惩罚因子，J为损失函数，

为损失函数对l层权重的偏导，

为损失函数对l层偏置的偏导；

7e)判断迭代次数或者损失值达到设定的阈值，若是，则训练结束，否则，返回(6b)；

8)将5)中得到验证集λ_c送入训练完成的网络，并计算网络在验证集上的识别率，若识别率低于设定的阈值p＝0.9，则返回5)，否则，执行7)；

9)将5)中得到测试集奇异值向量λ_o，送入训练好的神经网络中计算，网络输出结果即为雷达辐射源类别。

本发明具有如下优点：

第一，本发明将原始雷达信号序列进行拆分成二维矩阵，再对矩阵进行奇值提取，即将维度为n的数据，通过奇异值变换，降维成维度为M的数据

大大降低了数据的处理量，减少了处理时间。

第二，本发明采用一维CNN网络进行训练、识别，通过实验表明，最终的识别率可以达到90％以上，能够应用于复杂电磁环境下的雷达辐射源识别。

附图说明

图1是本发明的实现流程图；

图2是本发明中的网络结构图。

具体实施方式

参照图1，本发明的雷达辐射源识别方法，其实现步骤如下：

步骤1：利用信号分离算法进行信号分离。

由于现实电磁环境复杂，从接收机接收到信号的混叠严重，因此需采用分离算法进行信号分离。最常用的分离算法是盲分离算法，其主要有A)基于信息论的盲分离算法、B)基于二阶统计量的盲分离算法、C)基于高阶统计量的盲分离算法。

本发明采用但不限于B)，即基于二阶统计量的盲分离算法对混叠信号进行分离，得到单一雷达信号时间序列x_k(t)，t＝1，2，...n，n为接收机对雷达信号时间序列的采样点数，再将x_k(t)作为第k个雷达信号样本，k∈(1，H)，H为接收机接收到的雷达信号总数。

步骤2：将一维信号拆分为二维矩阵。

将步骤1中得到分离后的雷达时间序列x_k(t)进行拆分，拆分采用商用软件MATLABR2014a中的reshape函数实现，具体拆分为N行、M列的二维矩阵G，其形式如下：

其中i∈(1，N)，j∈(1，M)。

步骤3：对信号矩阵进行奇异值分解。

对步骤2中得到的二维矩阵G进行奇异值分解，使G＝U∑V^T，其中U是一个N*N的正交方阵，V是一个M*M的正交方阵，V^T是V矩阵的转置；∑是一个N*M的对角矩阵，该对角矩阵对角线上的元素称为奇异值，对角线外的元素都是0，其具体形式为：

其中λ_j为奇异值，j∈(1，M)。

步骤4：提取奇异值向量。

从步骤3中的∑矩阵中提取对角元素的奇异值，排成一维向量：

λ^(k)＝[λ₁，λ₂，...λ_j…，λ_M]，其中λ_j为奇异值，其中λ^(k)为第k个雷达数据的奇异值向量，k∈(1，H)。

步骤5：制作训练集、验证集、测试集。

将U组雷达数据所提取出来的所有奇异值向量，合并组成数据集：

λ＝[λ⁽¹⁾，λ⁽²⁾，...λ^(k)…，λ^(U)]，λ^(k)为第k个雷达数据的奇异值向量，k∈(1，H)；

再将数据集λ按照6∶2∶2比例分成训练集λ_t、验证集λ_c和测试集λ_o三部分。

步骤6：设计一维CNN网络结构。

根据奇异值向量λ设计一个由五个卷积层、三个池化层、三个规范化层组成的十六层一维卷积神经网络CNN网络，其具体结构如下：

第一层是输入层，

第二层是模板大小为7的一维卷积层，

第三层是模板大小为5的最大池化层，

第四层是第一规范化层，

第五层是模板大小为5的一维卷积层，

第六层是模板大小为3的一维卷积层，

第七层是模板大小3的最大池化层，

第八层是第二规范化层，

第九层是模板大小为3的一维卷积层，

第十层是模板大小为5的一维卷积层，

第十一层是模板大小为2的最大池化层，

第十二层是第三规范化层，

第十三层是第一全连接层，

第十四层是Dropout层，

第十五层是第二全连接层，

第十六层是输出层。

网络中每层都含有权重w、偏置b参数，最终所设计出来的一维CNN网络结构如图2所示。

步骤7：对设计好的网络进行训练。

7a)按如下公式对步骤6所设计网络中每层的权重w、偏置b参数进行初始化：

其中，w^(l)为卷积神经网络第l层的权重，b^(l)为卷积神经网络第l层的偏置，x∈(-∞，+∞)间的随机数，n_l为一维卷积神经网络CNN网络第l层的输入节点个数，l∈(1，16)；

7b)将步骤5中提取的训练集奇异值向量λ_t，送入7a)中已经初始化权重w、偏置b的网络中，逐步进行卷积和池化运算，得到网络输出结果；

7c)根据网络输出结果，按如下公式计算网络损失值J(X，y；w)：

其中m为batch的样本个数，y为标签，a为网络的输出，λ为惩罚因子，w为网络的权重参数，w^T为w的转置；

7d)根据损失值，按如下公式对网络的权重、偏置参数进行更新：

上式中，w^(l)为卷积神经网络第l层的权重，b^(l)为卷积神经网络第l层的偏置，l为网络的层数，α为学习率，m为batch的样本个数，λ为惩罚因子，J(X，y；w)为损失值，

为损失函数对l层权重的偏导，

为损失函数对l层偏置的偏导；

7e)根据数据集λ维度和网络层数大小设定训练结束阈值，判断迭代次数或者损失值是否达到设定的训练结束阈值，若是，则训练结束，执行步骤8，否则，返回7b)。

步骤8：对训练完成的网络进行性能测试。

将步骤5中得到验证集λ_c送入训练完成的网络，并计算网络在验证集上的识别率，若识别率低于设定的识别率阈值p＝0.9，则返回步骤6，否则，执行步骤9。

步骤9：将步骤5中得到测试集λ_o，送入训练好的神经网络中计算，网络输出结果即为雷达辐射源类别。

本发明的效果可通过以下仿真说明：

1.仿真条件

本发明采用的数据为MATLAB生成的雷达辐射源信号数据，数据集由五种不同调制方式的信号组成，每类信号信噪比由-10dB到4dB间隔2dB，每种信号样本数量为3000个，每个信噪比点上每类信号的样本有375个，其中1800个样本作为训练集，600个样本作为验证集，600个样本作为测试集。

实验硬件平台为：Intel(R)Core(TM)i5-6500，8GBRAM，软件平台为：MATLABR2014a，Centos7，TensorFlow1.1.1。

为了进一步评价本发明的性能，对多次独立的实验结果进行了平均，并采用网络在不同测试集上的识别率平均值作为评价指标：

计算样本x_i的识别率：

根据样本x_i的识别率计算网络识别率：

其中a_i为样本x_i的网络输出，y_i为样本x_i的标签，m为batch的样本个数。本仿真采用本发明算法进行。

2.仿真内容与结果：

在上述仿真条件下，用本发明的方法对不同信噪比、不同类型型号进行识别，并统计识别率，最终得到的识别率如表1所示：

表1

从表1可以看到，在低信噪比时线性调频信号与四频编码信号识别率都比较高，二相编码信号的识别率最低。当信噪比为-4dB时，五种信号的识别率都很高，在98％以上。整体上，随着信噪比的升高，识别率也伴随着升高，但在低信噪比时，二相编码信号识别率明显低于其他类型信号。

仿真结果表明，本发明减少了数据处理量，降低了系统时间复杂度，同时保证了识别率可用。

Claims (4)

1.一种基于奇异值分解与一维CNN网络的雷达辐射源识别方法，其特征在于，包括如下：

1)对从接收机接收到的混叠信号进行分离，得到单一雷达信号时间序列x_k(t),t＝1,2,...n，n为接收机对雷达信号时间序列的采样点数，将x_k(t)作为第k个雷达信号样本，k∈(1,H)，H为接收机接收的总共信号组数；

2)将分离后的雷达时间序列x_k(t)拆分为N行、M列的二维矩阵G；

3)对二维矩阵G进行奇异值分解，使G＝U∑V^T，其中U是一个N*N的方阵，V是一个M*M正交的方阵，V^T是V矩阵的转置；Σ是一个N*M的对角矩阵，该对角矩阵对角线上的元素称为奇异值，对角线外的元素都是0，其具体形式为：

其中λ_j为奇异值，j∈(1,M)；

4)从Σ矩阵中提取对角元素的奇异值，排成一维向量：λ^(k)＝[λ₁,λ₂,...λ_j...,λ_M]，其中λ_j为奇异值，其中λ^(k)为第k个雷达数据的奇异值向量；

5)将U组雷达数据提取出来的奇异值向量数据集λ＝[λ⁽¹⁾,λ⁽²⁾,...λ^(k)...,λ^(U)]，制成训练集λ_t、验证集λ_c和测试集λ_o三部分，其中k∈(1,H)，λ^(k)为第k个雷达数据的奇异值向量；

6)根据向量数据集λ设计一个由五个卷积层、三个池化层、三个规范化层组成的十六层一维卷积神经网络CNN网络；

7)利用5)中提取的训练集λ_t，对6)设计的一维CNN网络进行训练：

7a)按如下公式对权重w、偏置b进行初始化：

其中,w^(l)为卷积神经网络第l层的权重，b^(l)为卷积神经网络第l层的偏置，x∈(-∞,+∞)间的随机数，n_l为一维卷积神经网络CNN网络第l层的输入节点个数；

7b)将5)中提取的训练集奇异值向量λ_t，送入6a)中已经初始化权重、偏置的网络中，逐步进行卷积和池化运算，得到网络输出结果；

7c)根据网络输出结果，按如下公式计算网络损失值J(X,y；w)：

其中m为batch的样本个数，y为标签，a为网络的输出，λ'为惩罚因子，w为网络的权重参数，w^T为w的转置；

7d)根据损失值，按如下公式对权重、偏置参数进行更新：

上式中，w^(l)为卷积神经网络第l层的权重，b^(l)为卷积神经网络第l层的偏置，l为网络的层数，α为学习率，m为batch的样本个数，λ'为惩罚因子，J(X,y；w)为损失函数，

为损失函数对l层权重的偏导，

为损失函数对l层偏置的偏导；

7e)判断迭代次数或者损失值是否达到设定的阈值，若是，则训练结束，执行8)，否则，返回7b)；

8)将5)中得到验证集λ_c送入训练完成的网络，并计算网络在验证集上的识别率，若识别率低于设定的阈值p＝0.9，则返回5)，否则，执行9)；

9)将5)中得到测试集奇异值向量λ_o，送入训练好的神经网络中计算，网络输出结果即为雷达辐射源类别。

2.根据权利要求1所述的方法，其特征在于2)中的二维矩阵G，表示如下：

其中i∈(1,N),j∈(1,M)。

3.根据权利要求1所述的方法，其特征在于6)中的十六层一维卷积神经网络CNN网络，具体结构如下：

第一层是输入层，

第二层是模板大小为7的一维卷积层，

第三层是模板大小为5的最大池化层，

第四层是第一规范化层，

第五层是模板大小为5的一维卷积层，

第六层是模板大小为3的一维卷积层，

第七层是模板大小3的最大池化层，

第八层是规范化层，

第九层是模板大小为3的一维卷积层，

第十层是模板大小为5的一维卷积层，

第十一层是模板大小为2的最大池化层，

第十二层是第一规范化层，

第十三层是第一全连接层，

第十四层是Dropout层，

第十五层是第二全连接层，

第十六层是输出层。

4.根据权利要求1所述的方法，其特征在于8)中计算网络在验证集上的识别率，其实现如下：

计算样本x_i的识别率：

根据样本x_i的识别率计算网络识别率：

其中，a_i为样本x_i的网络输出，y_i为样本x_i的标签，m为batch的样本个数。

Images