CN109633588A

CN109633588A - 基于深度卷积神经网络的雷达辐射源识别方法

Info

Publication number: CN109633588A
Application number: CN201811642321.6A
Authority: CN
Inventors: 刘伟峰; 孔明鑫; 张敬; 张桂林
Original assignee: Hangzhou Dianzi University
Current assignee: Hangzhou Dianzi University
Priority date: 2018-12-29
Filing date: 2018-12-29
Publication date: 2019-04-16

Abstract

本发明涉及一种基于深度卷积神经网络的雷达辐射源识别方法。本发明将雷达辐射源模型产生的一维波形信号，经过短时傅里叶变换处理之后转化为频谱图，再针对一维波形信号和频谱图设计不同的网络结构。本发明首先根据8种雷达辐射源信号模型产生数据，生成波形信号；再将波形信号通过短时傅里叶变换变为频谱图，实现数据增强和波形到图像的转换；将波形信号和频谱图分别输入到深度卷积神经网络，进行卷积和池化操作，分别得到各自的特征信息；最后将提取出的特征信息输入到softmax进行分类。采用本发明方法，雷达辐射源信号得到更高的分类识别准确率，雷达信号识别结果会更好。

Description

基于深度卷积神经网络的雷达辐射源识别方法

技术领域

本发明属于计算机技术领域，具体是雷达辐射源信号识别领域，具体涉及一种基于深度卷积神经网络的雷达辐射源识别方法。

背景技术

雷达辐射源信号识别当今电子战的重要功能之一，主要就是通过各个辐射源在发射信号时所表现出来的差异，将被测雷达辐射源参数与预先累积的参数进行比较，来对各个辐射源进行识别，从而实现对雷达信号进行截获、定位、分析和识别，进而可以对接收的信号进行分辨，判断出究竟是来自哪个雷达辐射源，最终完成对雷达辐射源信号地识别。所以雷达辐射源识别算法是非常具有挑战性的问题。

近年来，深度学习受到广大研究者的欢迎，进而基于深度学习的方法在许多研究领域取得了显著的成功，例如语音识别，图像分类、图像识别、物体检测、计算机视觉和大数据特征提取等方面都具有广泛的应用。在雷达辐射源识别算法发展中，一系列方法相继提出。将BP神经网络应用到辐射源识别算法中，但是由于多个神经元组成复杂多变量的非线性组合，增加了神经网络在雷达识别算法上的难度，促使研究者另辟新路。进而提出支持向量机(SVM)运用到雷达辐射源的信号识别中，SVM在处理小样本数据时，具有更加出色的识别能力，但是在处理语音或者图像这些问题，SVM会有明显的不足，它的泛化能力受到约束。为了解决上述中存在的问题，许多研究者将深度学习识别算法引入到雷达辐射源，这在深度学习应用领域中也是非常新颖，因此基于深度学习的雷达辐射源识别算法越来越受到人们的重视。研究者进行大量的探索，提出了一些方法，其中一种称为深度卷积神经网络，它可以用原始图像作为输入，直接从图像中提特征。将特征提取与分类器相结合，用卷积神经网络进行数学建模，可以实现端到端学习，具有较强的泛化能力。

发明内容

本发明针对现有技术的不足，提供一种基于深度卷积神经网络的雷达辐射源识别方法。

本发明将雷达辐射源模型产生的一维波形信号，经过短时傅里叶变换(STFT)处理之后转化为频谱图，再针对一维波形信号和频谱图设计不同的网络结构。

本发明方法具体包括以下步骤：

步骤(1).数据产生：

选取八种雷达信号，分别为LFM信号、LFMCW、LFM-BC信号、Frank-LFM信号、S型NLFM信号、Costas编码信号、FSK/PSK信号、P3码编码信号；

其中，对于LFM信号、LFMCW、LFM-BC信号、Frank-LFM信号、S型NLFM信号改变带宽B，从而改变调频斜率μ＝B/T的大小，分别产生五类样本数据；对于Costas编码、FSK/PSK信号，将其编码进行全排列，产生两类数据样本；对于P3码编码信号，令Ncτc＝25，产生一类数据样本；

分别从8类样本数据中取出信号，将其波形提取出来，将这些雷达波形信号记为：

S＝{(s_i(t),y_i)|i∈Λ}；

其中，s_i(t)是第i个雷达信号样本，s_i(t)＝[s_i(0),s_i(1),...,s_i(N-1)]，i为雷达信号样本个数，N是采样点的个数，y_i∈{0,..,C-1}表示第i个雷达信号样本s_i(t)的类别，一共有C类雷达信号，Λ是样本的索引集合。

步骤(2).数据集预处理：

将步骤(1)产生的8类样本数据进行短时傅里叶变换，在变换过程中对数据进行翻转，实现数据增强，获得翻两倍的数据集；经过短时傅里叶变换之后，得到频谱图。

短时傅里叶变换的数学描述如下：

其中n为短时傅里叶变换过程中需要时间，k为窗滑动的次数，w(·)为窗函数，j为虚数，STFT_i(n,k)为第i个雷达信号波形经过短时傅里叶变换的结果，具有2维结构。

步骤(3).建立深度卷积神经网络模型获取雷达辐射源信号特征：

将步骤(1)产生的波形信号和步骤(2)进行翻转之后的频谱图分别输入到深度卷积神经网络，进行深度卷积处理，得到经过短时傅里叶变换后频谱图的特征。

步骤(4).雷达辐射源信号分类：

由步骤(3)得到特征图中的雷达信号特征信息，用softmax分类器将由步骤(1)产生不同类型的雷达辐射源信号进行分类识别；其中softmax分类器的模型公式为：

其中η为雷达辐射源信号特征，y为分类中的某一类，k为分类的全部总数，P为分类器的输出概率，按照输出概率值进行最终的结果分类。

进一步，步骤(1)中五种信号改变带宽B具体如下：

①LFM表示为：

式中，

其中，s(t)为产生的LFM信号，t为时间变量，A为幅度、T为线性调频信号的持续时间、B为LFM信号带宽、f₀为起始频率、为初始相位，μ＝B/T为调频斜率，j为虚数；

LFM的瞬时频率f(t)＝f₀+μt (2)；

选取雷达信号仿真参数为信号幅度A＝1，起始频率f₀＝3Ghz，采样频率f_s＝1024Mhz，脉冲宽度T＝25μs，带宽B＝20Mhz，初始相位

②LFMCW表示为：

令一次观测时间为T_obs，T₁为一个LFM调制周期的时间长度，则观测时间内的LFM调制脉冲数Q＝T_obs/T₁，h(t)为产生的LFMCW信号，μ＝B/T₁为调频斜率；mod(·)表示取模运算，mod(a,b)表示a除以b所得的余数，τ_bias为信号的时间偏移；

选取A＝1，f₀＝3Ghz，f_s＝1024Mhz，B＝20Mhz，T₁＝1μs，时间偏移τ_bias＝0。

③LFM-BC表示为：

式中，l(t)为产生的LFM-BC信号，N_t为码元数，f₀为起始频率，为二相编码相位参数取1或-1，π；

选取A＝1，f₀＝3Ghz，f_s＝1024Mhz，T＝5μs，B＝20Mhz。

④Frank-LFM表示为：

其相位矩阵中的元素将相位矩阵中的元素按行依次串行排列，可得长度为N_m＝M²的相位序列

式中，f(t)为产生的Frank-LFM信号，N_m为码元数，τ_m为码元宽度；T＝N_mτ_m，T为线性调频信号的持续时间；为编码相位参数，取1或-1；f₀为起始频率，μ＝B/T为调频斜率，B为LFM信号带宽；

选取A＝1，f_s＝1024Mhz，B＝20Mhz，τ_m＝1μs，M＝5。

⑤S型NLFM表示为：

W(f)＝0.54+0.46cos(2πf/B) (6)；

得到信号的群延时：

T(f)＝0.54Kf+(0.27KB/π)sin(2πf/B)，-B/2≤f≤B/2 (7)；

令T(f)|_f＝B/2＝T₂/2，则常数K＝(T₂/B)/0.54，带入式(7)得到：

其中，K为常数，T₂为信号持续脉宽，B为LFM信号带宽；W(f)为产生的S型NLFM；

选取A＝1，f₀＝3Ghz，f_s＝1024Mhz，B＝20Mhz，T₂＝25μs。

根据上述给出的信号模型，对LFM、LFMCW、LFM-BC、Frank-LFM、S型NLFM这五类信号改变B的值，从而改变调频斜率μ＝B/T的大小，分别产生五类样本数据。

进一步，步骤(1)中对于Costas编码、FSK/PSK信号，将其编码进行全排列，具体是：

①设线性调频信号的持续时间为T，将T分为P个相同宽度的码元，码元宽度τ_p＝T/P，频率编码长度为P，编码序列为a＝{a₁,a₂,…,a_P}；

Costas编码表示为：

式中，c(t)为产生的Costas编码信号，f_P＝a_P/τ_p，a_P是编码序列中的元素，f₀为起始频率，f_P为跳频频率；

选取A＝1，f₀＝3Ghz，f_s＝1024Mhz，τ_p＝5μs，Costas码序列[21534]。

②若已知FSK信号的跳频序列为{f₀,f₁,…,f_k-1}，BPSK信号的码元为FSK信号的持续周期为T₄，则信号产生如下：将T₄等分为K个宽度为T_f的子脉冲，在各个子脉冲间进行频率跳变，再将每个子脉冲等分为N_p个宽度为T_p的跳频子脉冲，对各个跳频子脉冲进行相位编码，得到FSK/PSK信号，表示为：

式中，k(t)为产生的FSK/PSK信号，调制相位θ_i＝πc_i，c_i为二相编码，为初始相位；

选取A＝1，f₀＝3Ghz，f_s＝1024Mhz，T_p＝1μs，FSK序列采用Costas序列即[21534]，PSK采用5位Barker码[111-11]。

对于Costas编码、FSK/PSK信号，将其编码进行全排列，产生两类数据样本。

进一步，步骤(1)中对于P3码编码信号，具体是：

P3码编码信号表示为：

式中，p(t)为产生的P3码编码信号N_c为码元数，τ_c为码元宽度，T＝N_cτ_c为线性调频信号的持续时间，f₀为起始频率，为初始相位，P3码的第k个码元相位表示为其中k＝0,1,2,…,N_c-1；

选取A＝1，f₀＝3Ghz，f_s＝1024Mhz，τ_c＝1μs，N_c＝25；

对于P3编码信号，保证Nctc＝25，产生一类数据样本。

经过STFT处理得到的频谱图作为深度卷积神经网络的输入，可使雷达辐射源信号分类识别的准确率比波形信号作为网络输入高出15％。对比目前雷达辐射源识别方法，本次发明方法更能有效的对雷达信号进行分类。本发明方法对STFT处理后的频谱图的泛化能力更强，深度卷积神经网络确实学到了具有区分性的特征表示，从而得到更高的分类识别准确率。也说明频谱图给网络的信息更多，能提取出的特征表示也更多，所以深度卷积神经网络对频谱图的识别效果更好。

本方法运用卷积神经网络进行网络结构建模，极大地减小了模型的复杂程度，具有旋转、位移和缩放不变性等特点，可以将提取的雷达辐射源信号特征精确地区分出来，最终完成雷达辐射源信号的分类识别。

附图说明

图1.本发明中8类雷达信号的实部波形图；

图2.对应图1中的雷达辐射源信号实部波形经过STFT后相对应的频谱图；

图3.STFT之后频谱图所设计的网络架构图；

图4.网络模型混淆矩阵示意图

具体实施方式

下面结合附图对本发明进行进一步的说明。

本发明提出基于深度卷积神经网络的雷达辐射源识别方法，下面根据该方法的流程，并结合附图说明，其具体实施方式如下：

1.数据产生：

如图1，本发明选取8种雷达信号，分别为线性调频信号(LFM)、线性调频连续波(LFMCW)、LFM-BC信号、Frank-LFM信号、S型NLFM信号、Costas编码信号、P3码编码信号、FSK/PSK信号。如步骤(1)所述，对LFM、LFMCW、LFM-BC、Frank-LFM、S型NLFM这五类信号改变带宽B的值，从而改变调频斜率μ＝B/T的大小，产生五类数据样本；对Costas编码、SK/PSK将其编码进行全排列，产生两类数据样本；对P3码编码信号，保证Ncτc＝25，产生一类数据，据此可得八类数据样本，并将八类雷达信号的波形提取出来。图1为八类雷达信号的实部波形图(a-h依次为：Costas编码、Frank-LFM、FSK/PSK、LFM-BC、LFM、LFMCW、S型NLFM、P3码编码信号)。

2.数据集预处理：

由步骤(1)可知产生八类样本数据，但是每类样本个数对深度卷积神经网络来说，数据量较小，在处理雷达辐射源信号分类识别问题上很难，所以需要通过数据增强来扩大数据量从而有效地防止过拟合问题。为解决过拟合问题，我们将步骤(1)产生的样本进行短时傅里叶变换(STFT)，在变换过程中对数据进行翻转，实现数据增强，从而获得翻两倍的数据集。另外经过STFT之后，会得到频谱图。经过波形信号转换为频谱图，还有数据的增强，这对之后网络结构的训练和雷达辐射源的分类识别会更有效。其中STFT的数学描述为：其中w(·)为窗函数，STFT_i(n,k)为短时傅里叶变换结果，具有2维结构。

3.参数的设置：

在步骤2的STFT过程中，采用‘hamming’窗，窗长大小为256，信号长度为25600，重叠点数为128个采样点，窗滑动次数为199。每个样本经过STFT后会产生成为32*199的二维图像。图2是对应图1中8类雷达辐射源信号实部波形经过STFT后得到相对应的频谱图。CNN网络结构在训练过程中选择迭代次数为20000，批操作大小为16，选择学习率为0.01，每隔2000次降低为原来的0.5倍，总共训练1000次。动量和权重衰减系数分别为0.9和0.000005。

4.CNN网络结构设计：

虽然在经过STFT得到的频谱图能够描述雷达信号的时频特性，但是对于不同雷达信号的分类识别问题仍然还是需要提取具有区分性的特征表示。因此，通过建立深度卷积神经网络模型来解决该问题。

设计不同的卷积神经网络模型来不断提高识别率，表1、表2分别是针对一维实部波形和STFT后频谱图设计的两个不同的网络结构。

表1 一维波形实验的网络结构

表2 二维频谱实验的网络结构

(表1中M1d1、M1d2是针对一维实部波形所选出的网络模型，表2中M2d1、M2d2是针对STFT之后得到的实部和双通道频谱图所设计的网络结构。)

其中在表2中M2d2的网络架构图如图3。

5.雷达辐射源信号分类

本实施例对表1、表2中网络结构进行训练和测试，其本算法的仿真实验结果如表3所示：

表3 不同模型测试结果

模型	训练集准确率	测试集准确率
			M1d1	79.17％	77.34％
M1d2	72.15％	71.49％
			M2d1	89.0％	89.35％
M2d2	88.05％	88.89％
			M3d1	91.28％	90.9％
M3d2	92.8％	92.4％

(注：M1d1、M1d2是一维实部波形设计的网络模型；M2d1、M2d2是STFT后得到实部频谱图设计的网络结构；M3d1与M3d2是STFT之后的双通道(实部和虚部)频谱图所设计的网络结构)。

为了更清晰地看清每一类的分类情况，我们将分类结果转化为可视化工具——混淆矩阵。而且也可以从混淆矩阵中看雷达辐射源每类错分的个数。表3中M3d2的混淆矩阵如图4所示。

Claims

1.基于深度卷积神经网络的雷达辐射源识别方法，其特征在于该方法包括以下步骤：

步骤(1).数据产生：

S＝{(s_i(t),y_i)|i∈Λ}；

其中，s_i(t)是第i个雷达信号样本，s_i(t)＝[s_i(0),s_i(1),...,s_i(N-1)]，i为雷达信号样本个数，N是采样点的个数，y_i∈{0,..,C-1}表示第i个雷达信号样本s_i(t)的类别，一共有C类雷达信号，Λ是样本的索引集合；

步骤(2).数据集预处理：

将步骤(1)产生的8类样本数据进行短时傅里叶变换，在变换过程中对数据进行翻转，实现数据增强，获得翻两倍的数据集；经过短时傅里叶变换之后，得到频谱图；

短时傅里叶变换的数学描述如下：

其中n为短时傅里叶变换过程中需要时间，k为窗滑动的次数，w(·)为窗函数，j为虚数，STFT_i(n,k)为第i个雷达信号波形经过短时傅里叶变换的结果，具有2维结构；

将步骤(1)产生的波形信号和步骤(2)进行翻转之后的频谱图分别输入到深度卷积神经网络，进行深度卷积处理，得到经过短时傅里叶变换后频谱图的特征；

步骤(4).雷达辐射源信号分类：

2.如权利要求1所述的基于深度卷积神经网络的雷达辐射源识别方法，其特征在于步骤(1)中五种信号改变带宽B具体如下：

①LFM表示为：

式中，

LFM的瞬时频率f(t)＝f₀+μt (2)；

②LFMCW表示为：

选取A＝1，f₀＝3Ghz，f_s＝1024Mhz，B＝20Mhz，T₁＝1μs，时间偏移τ_bias＝0；

③LFM-BC表示为：

选取A＝1，f₀＝3Ghz，f_s＝1024Mhz，T＝5μs，B＝20Mhz；

④Frank-LFM表示为：其相位矩阵中的元素将相位矩阵中的元素按行依次串行排列，可得长度为N_m＝M²的相位序列

选取A＝1，f_s＝1024Mhz，B＝20Mhz，τ_m＝1μs，M＝5；

⑤S型NLFM表示为：

W(f)＝0.54+0.46cos(2πf/B) (6)；

得到信号的群延时：

T(f)＝0.54Kf+(0.27KB/π)sin(2πf/B)，-B/2≤f≤B/2 (7)；

令T(f)|_f＝B/2＝T₂/2，则常数K＝(T₂/B)/0.54，带入式(7)得到：

选取A＝1，f₀＝3Ghz，f_s＝1024Mhz，B＝20Mhz，T₂＝25μs；

3.如权利要求1所述的基于深度卷积神经网络的雷达辐射源识别方法，其特征在于步骤(1)中对于Costas编码、FSK/PSK信号，将其编码进行全排列，具体是：

Costas编码表示为：

选取A＝1，f₀＝3Ghz，f_s＝1024Mhz，τ_p＝5μs，Costas码序列[21534]；

选取A＝1，f₀＝3Ghz，f_s＝1024Mhz，T_p＝1μs，FSK序列采用Costas序列即[21534]，PSK采用5位Barker码[1 1 1 -1 1]；

4.如权利要求1所述的基于深度卷积神经网络的雷达辐射源识别方法，其特征在于步骤(1)中对于P3码编码信号，具体是：

P3码编码信号表示为：

式中，p(t)为产生的P3码编码信号N_c为码元数，τ_c为码元宽度，T＝N_cτ_c为线性调频信号的持续时间，f₀为起始频率，为初始相位，P3码的第k个码元相位表示为其中k＝0,1,2,···,N_c-1；

选取A＝1，f₀＝3Ghz，f_s＝1024Mhz，τ_c＝1μs，N_c＝25；

对于P3编码信号，保证Nctc＝25，产生一类数据样本。