CN109507648A - 基于VAE-ResNet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VAE‑ResNet网络的雷达辐射源识别方法，主要解决现有技术在信号较少的条件下无法完成网络训练、雷达辐射源特征提取不充分和识别准确率低的问题。其实现方案为：生成7种不同的雷达辐射源信号；将雷达信号先以序列的形式输出，再将信号进行时频变换，并以信号时频图的形式输出；在两种形式输出的数据集中标注信号所属的类别，制成训练集和测试集；构建VAE‑ResNet网络；使用训练集对VAE‑ResNet网络进行训练；将测试集送入训练好的网络，网络输出为雷达辐射源类别。本发明提高了雷达辐射源识别特征提取的完整程度和识别精度，可用于复杂电磁环境下的雷达信号识别。

Description

基于VAE-ResNet网络的雷达辐射源识别方法

技术领域

本发明雷达技术领域，具体涉及雷达辐射源信号的识别方法，可用于电子侦察、电子支援和威胁告警系统。

背景技术

雷达辐射源信号识别是电子对抗中一项重要环节，在电子侦察、电子支援和威胁告警系统中都起到了关键的作用。

随着信息化的发展，电子对抗中电磁环境日益复杂。在复杂的电子对抗环境中，雷达信号参数灵活多变且信号之间相互交叠。只有及时、准确的识别雷达辐射源信号才能解决真实环境中面临的严峻情况。传统的基于脉冲描述字(载频、脉冲到达时间、脉冲到达角、脉冲幅度、脉冲宽度)的识别技术已经不能满足需求，研究新体制下雷达辐射源信号识别方式刻不容缓。

西北工业大学申请的专利技术“一种基于深度学习的雷达辐射源类别识别方法”(专利申请号：201711145195.9，授权公告号：CN108090412A)中提出了一种基于深度学习的雷达辐射源类别识别方法。该专利申请的主要步骤为：利用经过预处理的辐射源信号求取其模糊函数的切片作为特征向量；将大量的打好标签的特征向量作为训练样本，通过深度卷积神经网络进行训练，并利用获得的卷积神经网络分类器进行输入特征向量的分类识别；为了实现对于未知类别的辐射源的识别，构建基于支持向量机的meta识别器来判断卷积神经网络分类器的分类结果是否可信，得到最终的识别结果。该专利申请虽然可以在一定程度上提高雷达辐射源识别的准确度。但是仍存在不足的是，网络结构单一、网络层数较浅、提取特征不充分、识别率较低的问题。

发明内容

本发明的发明目的是针对以上现有技术的不足，提出基于VAE-ResNet网络的雷达辐射源识别方法，以在确保较少训练样本情况下，更加充分的提取雷达辐射源信号特征，提高在不同信噪比下的识别率。

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，得到雷达辐射源信号，生成雷达辐射源信号数据集，其中包括7种不同的雷达辐射源信号，分别为常规脉冲信号、线性调频信号、非线性体调频信号、二相编码信号、四相编码信号、二频编码信号和四频编码信号；

2)信号预处理：

2a)将1)中生成的7种不同雷达辐射源信号通过快速傅里叶变换，将其从时域变换到频域，并进行去噪处理；

2b)将去噪后的信号，先以序列的形式输出；再将信号进行时频变换，以信号时频图的形式输出；

2c)将两种形式的雷达辐射源信号进行能量归一化处理，并标注信号所属的类别，在每种类别的信号中随机抽取信号总量的4/5的信号作为训练集，其余为测试集信号；

3)构建VAE-ResNet网络

设变分编码器VAE网络包含：编码网络、中间隐含变量层和解码网络；

设深度残差网络ResNet包含：卷积层、池化层和全连接层；

将变分编码器VAE网络和深度残差网络ResNet这两种网络中含有特征向量的隐含层进行并行融合，得到VAE-ResNet网络，并使用softmax分类器作为该网络的输出层；

4)对VAE-ResNet网络进行训练：

4a)设置VAE-ResNet网络的学习率为0.01、批量大小设置为10、迭代次数为600；设置变分编码器VAE的损失函数为L；设置卷积层的激活函数为f(x)＝max(0,x)，其中：x表示神经元的输入；

4b)将训练集信号输入至VAE-ResNet网络进行训练，即将序列形式的信号输入至变分编码器中，将时频图形式的信号输入至深度残差网络中同时进行迭代训练，直至达到设置的迭代次数，得到训练好的VAE-ResNet网络；

5)将测试集信号输入至训练好的VAE-ResNet网络中，预测雷达辐射源信号分类，即输出识别结果。

本发明具有如下优点：

第一，本发明使用VAE-ResNet网络可在其隐含变量层含有的两类隐含向量中随机抽取特征向量生成新的训练数据，解决了在信号较少的条件下无法完成网络训练的问题；

第二，本发明使用VAE-ResNet网络与现有的雷达辐射源信号处理方法相比较，层数更深，并极好的解决了极深度条件下深度卷积神经网络性能退化的问题，且分类性能表现出色；

第三，本发明使用的VAE-ResNet网络能对不同表现形式的信号进行特征提取，并将所有提取出的特征向量进行并行融合后再进行分类识别，使特征更为充分，提高了识别的准确率；

附图说明

图1本发明的实现流程图。

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：生成雷达辐射源信号。

对从接收机接收到的混叠信号进行分离，得到雷达辐射源信号；

将雷达辐射源信号从-10dB到6dB每隔2dB信噪比下生成数量相等的生成雷达辐射源信号数据集，其中包括7种不同的雷达辐射源信号，分别为常规脉冲信号、线性调频信号、非线性体调频信号、二相编码信号、四相编码信号、二频编码信号和四频编码信号；

设常规脉冲信号、线性调频信号、非线性体调频信号、二相编码信号和四相编码信号这5种信号的载频均为200MHz；

设二频编码信号的2个载频分别为200MHz、400MHz；

设四频编码信号的4个载频分别为100MHz、300MHz、500MHz和700MHz。

步骤2：信号预处理，获取训练样本和测试样本。

2a)将1)中生成的7种不同雷达辐射源信号通过快速傅里叶变换，将其从时域变换到频域，并进行去噪处理；

2b)将去噪后的信号，先以序列的形式输出；再将信号进行时频变换，以信号时频图的形式输出；

2c)将两种形式的雷达辐射源信号进行能量归一化处理，并标注信号所属的类别，在每种类别的信号中随机抽取信号总量的4/5的信号作为训练集；其余为测试集信号；

步骤3：构建VAE-ResNet网络

设变分编码器VAE网络包含：输入层、编码网络、中间隐含变量层和解码网络；

其中编码网络包含3层全连接网络，隐含变量层包含2个隐含向量，分别代表变分推断中高斯先验的均值μ与方差σ²，解码网络包含2层全连接网络；

设深度残差网络ResNet包含：卷积层、池化层、隐含层和全连接层；

其中ResNet包含17个卷积层和1个全连接层，并在卷积层与卷积层之间加入了残差链接，第1层卷积层的卷积核大小为7×7，第2至17层卷积层的卷积核大小为3×3，最后1层为全连接层；

将变分编码器VAE和深度残差网络ResNet中含有特征向量的隐含层进行并行融合，得到VAE-ResNet网络，并使用softmax分类器作为该网络的输出层。

步骤4：对VAE-ResNet网络进行训练：

4a)设置VAE-ResNet网络的学习率为0.01、批量大小设置为10、迭代次数为600；

设置卷积层的激活函数为：f(x)＝max(0,x)，其中：x表示神经元的输入；

设置变分编码器的损失函数L为：其中L表示变分编码器的损失函数，xn表示第n个信号，表示训练集中第n个信号对应的重构平均距离像，||*||表示取模值操作，tr表示取迹操作，σ_n表示第n个信号的标准差，μ_n表示第n个信号的均值，T表示转置操作，Q表示第n个信号对应的维度数，det表示取行列式操作；

4b)将训练集信号输入至设置好参数的VAE-ResNet网络进行训练，即将序列形式的信号输入至变分编码器中，将时频图形式的信号输入至深度残差网络中同时进行迭代训练，直至达到设置的迭代次数，得到训练好的VAE-ResNet网络。

步骤5：将测试集信号输入至训练好的VAE-ResNet网络中，得出雷达辐射源信号的类别，即输出识别结果。

以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解本发明的内容和原理后，都可能在不背离发明原理、结构的情况下，进行形式和细节上的修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (5)

1.基于VAE-ResNet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，得到雷达辐射源信号，生成雷达辐射源信号数据集，其中包括7种不同的雷达辐射源信号，分别为常规脉冲信号、线性调频信号、非线性体调频信号、二相编码信号、四相编码信号、二频编码信号和四频编码信号；

2)信号预处理

2a)将1)中生成的7种不同雷达辐射源信号通过快速傅里叶变换，将其从时域变换到频域，并进行去噪处理；

2b)将去噪后的信号，先以序列的形式输出；再将信号进行时频变换，以信号时频图的形式输出；

2c)将两种形式的雷达辐射源信号进行能量归一化处理，并标注信号所属的类别，在每种类别的信号中随机抽取信号总量的4/5的信号作为训练集，其余为测试集信号；

3)构建VAE-ResNet网络

设变分编码器VAE网络包含：编码网络、中间隐含变量层和解码网络；

设深度残差网络ResNet包含：卷积层、池化层和全连接层；

将变分编码器VAE网络和深度残差网络ResNet这两种网络中含有特征向量的隐含层进行并行融合，得到VAE-ResNet网络，并使用softmax分类器作为该网络的输出层；

4)对VAE-ResNet网络进行训练：

4a)设置VAE-ResNet网络的学习率为0.01、批量大小设置为10、迭代次数为600；设置变分编码器VAE的损失函数为L；设置卷积层的激活函数为f(x)＝max(0,x)，其中：x表示神经元的输入；

4b)将训练集信号输入至设置好参数的VAE-ResNet网络进行训练，即将序列形式的信号输入至变分编码器中，将时频图形式的信号输入至深度残差网络中同时进行迭代训练，直至达到设置的迭代次数，得到训练好的VAE-ResNet网络；

5)将测试集信号输入至训练好的VAE-ResNet网络中，预测雷达辐射源信号分类，即输出识别结果。

2.根据权利要求1所述的方法，其特征在于，1)中生成的雷达辐射源信号数据集，是由从-10dB到6dB每隔2dB信噪比下生成数量相等的7种信号构成。

3.根据权利要求1所述的方法，其特征在于，1)中的7种不同雷达辐射源信号，其参数设置如下：

设常规脉冲信号、线性调频信号、非线性体调频信号、二相编码信号和四相编码信号这5种信号的载频均为200MHz；

设二频编码信号的2个载频分别为200MHz、400MHz；

设四频编码信号的4个载频分别为100MHz、300MHz、500MHz和700MHz。

4.根据权利要求1所述的，3)中VAE-ResNet网络，具体结构包括如下：

变分编码器VAE网络包含：编码网络、中间隐含变量层和解码网络，其中编码网络包含3层全连接网络，中间隐含变量层含有2个隐含向量，其分别为变分推断中高斯先验的均值μ与方差σ²，解码网络包含2层全连接网络；

深度残差网络ResNet：含有17个卷积层和1个全连接层，并在卷积层与卷积层之间加入了残差链接，第1层卷积层的卷积核大小为7×7，第2至17层卷积层的卷积核大小为3×3，最后1层为全连接层。

5.跟据权利要求1所述的方法，其特征在于，4)中的损失函数L，表示如下：

其中x_n表示第n个信号，表示训练集中第n个信号对应的重构平均距离像，||*||表示取模值操作，tr表示取迹操作，σ_n表示第n个信号的标准差，μ_n表示第n个信号的均值，T表示转置操作，Q表示第n个信号对应的维度数，det表示取行列式操作。