CN110109059B - 一种基于深度学习网络的雷达辐射源信号识别方法 - Google Patents

Abstract

本发明属于电子对抗中雷达辐射源信号的识别技术领域，公开了一种基于深度学习网络的雷达辐射源信号识别方法；首先对接收的雷达辐射源信号进行降频预处理，然后分别计算接收信号的基于线性正则变换的互模糊函数和基于线性正则域的互模糊函数，并分别提取互模糊函数的截面最大值作为特征样本集，最后通过基于稀疏滤波胶囊网络进行分类识别。本发明通过对信号基于线性正则变换的互模糊函数提取特征，克服了复杂电磁波环境中，特征参数在数据范围上的不确定性，提高了识别可信度；可以自动地学习得到层次化特征表示，无需人工提取特征，有效降低了时间成本，能够更好地实现对雷达信号识别的实时性，提高了雷达信号识别以及分类效率和准确度。

Description

一种基于深度学习网络的雷达辐射源信号识别方法

技术领域

本发明属于电子对抗中雷达辐射源信号的识别技术领域，尤其涉及一种基于深度学习网络的雷达辐射源信号识别方法。

背景技术

雷达辐射源信号识别是电子对抗中的重要组成部分，随着电子信息技术的不断发展，雷达对抗与反对抗的斗争也日趋激烈。各种新体制雷达的出现，使得战场环境中的雷达信号调制复杂且参数多变，当今雷达环境的复杂程度致使对敌我雷达的判断极其重要，只有正确地识别了雷达的属性才能正确引导武器装备进行相应的行动。雷达辐射源信号的正确识别保证了战场武器装备的性能发挥，战区战况的传送，以及对作战军队的监督。

传统的识别方法基于脉冲描述字(pulse description word,PDW)的特征，如：TOA、RF、PA、PW、DOA，只能适应数量单一，参数特定的辐射源环境，已经无法满足现代电子战的需求，所以目前在信号识别领域中，取得了较好的识别效果的时频特征、小波包特征和小波脊频特征等参数被广泛作为信号分选的输入特征，但这些特征仍存在一些值得考虑的问题，特征提取方法在信号识别系统的有效性和普适性值得深入思考，特征提取过程存在耗时，人工定义特征不充分，特征冗余等问题。

目前，业内常用的现有技术是这样的：针对雷达辐射源信号己有算法消耗大量的时间成本，识别的效率低、准确率不高的缺点，其他学者提出一系列方法来解决复杂环境中人工提取过程繁琐、识别能力不足、泛化性较差等问题。现有技术一“一种基于稀疏分解的雷达信号识别方法”公开了一种基于稀疏分解的雷达信号识别方法，将待识别的具有不同脉内调制方式的雷达信号经基于复合差分进化算法的稀疏分解方法进行特征提取，包括时域衰减系数、频域衰减系数和时-频联合系数三种特征，然后采用自底向上二叉树支持向量机BUBTSVM对雷达信号进行识别。但该方法在信噪比较低时，无法实现信号的有效识别；针对现有技术一存在的主要弊端，现有技术二“一种基于时频图像奇异值分解的雷达信号识别方法”公开了一种时频图像奇异值的识别方法，首先通过Choi-Williams分布(CWD)得到信号的时频图像，提取时频图像的奇异值，再使用基于支持向量机的分类器(SVM)实现雷达信号的分类识别。该方法由于奇异值分解鲁棒性好，位移旋转不变性，对噪声不敏感等特点能够在低信噪比条件下实现对雷达信号的有效识别，但该方法由于实际中雷达参数的变化，存在可靠性不高的问题。现有技术三“基于模糊集理论的雷达辐射源识别算法”公开了一种基于模糊集理论的雷达辐射源识别方法，该方法对已知辐射源型号有较强的识别能力，但在复杂环境中该方法的实时性和准确性不高，而存在且需要人工识别手段，消耗大量的时间成本的问题。近年来，随着人工智能技术的大力发展，深度学习算法在雷达辐射源信号识别领域也涌现出了大量的研究成果。“机载相控阵雷达工作模式分析与识别研究”中采用降噪自动编码器模型去自适应学习和识别雷达辐射源在不同工作模式下的信号，避免了传统模式识别中特征提取和特征选择两个繁琐的过程，获得了比较好的识别效果，但是这种方法参数选择方式的计算量较大，且无法保证得到的模型为全局最优。基于深度限制波尔兹曼机的辐射源信号识别”根据现有的雷达常规参数难以有效识别复杂信号的不足，公开了一种基于深度限制波尔兹曼机的识别方法，对多种辐射源进行有效的特征提取和分类识别，具有较高的识别精度和较强的鲁棒性。但该模型存在计算复杂度较高的问题，同时神经元数目和隐藏层层数的设置也需要进一步深入分析。

目前，最接近的现有技术是：基于卷积网络的雷达信号识别，利用预训练后的卷积神经网络对图像进行自动地深层特征提取，然而需要接受数量巨大的预训练，并且卷积神经网络在池化层丢失大量细节信息，容易保留不住信号特征，导致识别率较低的缺陷。

综上所述，现有技术存在的问题是：现有技术存在着在复杂环境中识别率低和需要人工特征提取消耗大量时间成本。

解决上述技术问题的难度：为了解决人工选择特征的复杂度高的问题，提出深度学习网络，可以自动学习输入的结构化特征，该网络的难度在于，将稀疏滤波和胶囊网络结合构建出最优模型，并且要选取合适的参数，获得更好的性能。

解决上述技术问题的意义：基于深度学习网络实现复杂雷达辐射源信号的自动学习和识别，提高信号的识别率。

发明内容

针对现有技术存在的问题，本发明提供了一种基于深度学习网络的雷达辐射源信号识别方法。

本发明是这样实现的，一种基于深度学习网络的雷达辐射源信号识别方法，所述基于深度学习网络的雷达辐射源信号识别方法包括：

第一步，接收机接收雷达脉冲信号，对信号进行降频预处理；

第二步，计算基于线性正则变换的互模糊函数和基于线性正则域的互模糊函数，再提取各自互模糊函数图的M个等间隔截面的最大值作为特征向量，共同组成特征样本集；

第三步，将得到的特征向量输入稀疏滤波胶囊网络进行分类识别。

进一步，所述第一步接收机接收雷达脉冲信号，对信号进行降频预处理具体包括：

先经过低通滤波器完成从高频信号到中频信号的降频；

对信号进行模数采样处理。

进一步，所述第二步计算基于线性正则变换的互模糊函数和基于线性正则域的互模糊函数，再提取各自互模糊函数图的M个等间隔截面的最大值作为特征向量，共同组成特征样本集具体包括：

(1)雷达信号第v个频移和第τ个时移下的基于线性正则变换的互模糊函数为：

其中，

表示观测信号f₁(t)关于线性正则变换的互模糊函数，R表示全体实数，v为频移，τ为延时，F_A ⁽¹⁾(u)为信号f₁(t)的线性正则变换，F_A ^(2)*(u)为时延信号f₂(t)线性正则变换的共轭；

选择X轴作平行于YOZ平面的等间隔截面，得到M个截面，取M个截面的最大值作为特征向量，得到新的一维特征向量R_X ^A：

其中，

为关于线性正则变换的互模糊函数以X轴作平行于YOZ平面的第m个等间隔截面；

(2)雷达信号第v个频移和第τ个时移下的基于线性正则域的互模糊函数为：

其中，AFL^f _A(τ,u)表示观测信号f₁(t)关于线性正则域的互模糊函数，R表示全体实数，f₁(t)表示观测信号，f₂ ^*(t)表示时延信号的共轭，u为频移，τ为延时，

为线性正则变换的核函数；

选择X轴作平行于YOZ平面的等间隔截面，得到M个截面，取M个截面的最大值作为特征向量，得到新的一维特征向量R_X ^AFL，即二维特征图：

其中

为关于线性正则域的互模糊函数以X轴作平行于YOZ平面的第m个等间隔截面。

进一步，所述第三步将得到的特征向量输入稀疏滤波胶囊网络进行分类识别具体包括：

1)第一层是卷积层，目的是把输入图像降维，提取输入图像的特征，输入图像经卷积层进行原始卷积运算得到初级胶囊层；

2)第二层是初级胶囊层，用32个步长为2的9x9x256的滤波器作8次卷积操作，做完卷积后数据重塑成2维数据，每个元素是1x8的向量；

3)第三层是数字胶囊层，把初级胶囊层的输出作为输入，每个胶囊里放着一个一维向量，有多少种类就有多少输出，胶囊层的计算公式如下：

其中，

是高层特征，u_i是低层特征，W_ij是权重矩阵，s_j是squash函数输入向量，c_ij由动态路由计算得出。

进一步，所述动态路由的具体方法包括：

(1)确定路由迭代次数r；

(2)定义b_ij为第l层低层胶囊层连接下一层高层胶囊层的可能性，初始值为0；

(3)循环执行4～7r次；

(4)对l层的低层胶囊层，将b_ij用softmax转化成概率c_ij：

c_ij＝softmax(b_ij)；

(5)对l+1层，加权求和

(6)对l+1层，使用激活函数得到输出向量v_i：

(7)根据

和v_i的关系来更新b_ij：

进一步，利用稀疏滤波代替传统的反向传播算法迭代更新权重矩阵W_ij，通过直接对样本特征矩阵进行L₁范数和L₂范数联合约束来学习稀疏特征，则对样本X进行稀疏滤波即是最小化目标函数，对

依次进行行、列归一化后得归一化矩阵R和O，其中

其中N为样本向量维数，M为样本数量，

是高层特征，目标函数如下：

为了求解目标函数，反向推导权值偏导，利用有限内存拟牛顿算法对L(W)进行迭代直至收敛，输出W_ij。

本发明的另一目的在于提供一种应用所述基于深度学习网络的雷达辐射源信号识别方法的雷达。

综上所述，本发明的优点及积极效果为：由于本发明通过对信号基于线性正则变换的互模糊函数提取特征，克服了复杂环境中，特征参数在数据范围上的不确定性，提高了识别可信度。由于本发明用采用稀疏滤波胶囊网络进行雷达辐射源信号识别，深层网络相比于神经网络和支持向量机等“浅层学习”方法而言，可以自动地学习得到层次化的特征表示，无需人工提取特征，有效降低了时间成本，能够更好地实现对雷达信号识别的实时性，提高了雷达辐射源信号识别以及分类的效率和准确度。

本发明填补了利用稀疏胶囊网络识别雷达辐射源信号的空白。无监督学习是深度学习的未来，胶囊网络的无监督化是人们一直渴望解决、但始终未能获得成功的技术难题，由于稀疏滤波胶囊网络并不像以往的胶囊网络采用反馈算法，解决了传统神经网络需要大量标签数据预训练的难题。

附图说明

图1是本发明实施例提供的基于深度学习网络的雷达辐射源信号识别方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在着在复杂环境中识别率低和需要人工特征提取消耗大量时间成本的问题。本发明通过对信号基于线性正则变换的互模糊函数提取特征，克服了复杂电磁波环境中，特征参数在数据范围上的不确定性，提高了识别可信度。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的基于深度学习网络的雷达辐射源信号识别方法包括以下步骤：

S101：接收机接收雷达脉冲信号，对信号进行降频预处理；

S102：计算基于线性正则变换的互模糊函数和基于线性正则域的互模糊函数，再提取各自互模糊函数图的M个等间隔截面的最大值作为特征向量，共同组成特征样本集；

S103：将得到的特征向量输入稀疏滤波胶囊网络进行分类识别。

在本发明的优选实施例中，步骤S101具体实施过程为：

先经过低通滤波器完成从高频信号到中频信号的降频；

对信号进行模数采样处理。

在本发明的优选实施例中，步骤S102具体实施过程为：

雷达信号第v个频移和第τ个时移下的基于线性正则变换的互模糊函数为：

其中，

表示观测信号f₁(t)关于线性正则变换的互模糊函数，R表示全体实数，v为频移，τ为延时，F_A ⁽¹⁾(u)为信号f₁(t)的线性正则变换，F_A ^(2)*(u)为时延信号f₂(t)线性正则变换的共轭。

由于互模糊函数图为三维特征图，不便于进行分选，所以选择X轴作平行于YOZ平面的等间隔截面，得到M个截面，取M个截面的最大值作为特征向量，得到新的一维特征向量R_X ^A：

其中，

为关于线性正则变换的互模糊函数以X轴作平行于YOZ平面的第m个等间隔截面。

雷达信号第v个频移和第τ个时移下的基于线性正则域的互模糊函数为：

其中，AFL^f _A(τ,u)表示观测信号f₁(t)关于线性正则域的互模糊函数，R表示全体实数，f₁(t)表示观测信号，f₂ ^*(t)表示时延信号的共轭，u为频移，τ为延时，

为线性正则变换的核函数。

由于互模糊函数图为三维特征图，不便于进行分选，所以选择X轴作平行于YOZ平面的等间隔截面，得到M个截面，取M个截面的最大值作为特征向量，得到新的一维特征向量R_X ^AFL，即二维特征图：

其中

为关于线性正则域的互模糊函数以X轴作平行于YOZ平面的第m个等间隔截面。

在本发明的优选实施例中，步骤S103具体实现步骤如下：

1)第一层是卷积层，目的是把输入图像降维，提取输入图像的特征，输入图像经卷积层进行原始卷积运算得到初级胶囊层；

2)第二层是初级胶囊层，用32个步长为2的9x9x256的滤波器作8次卷积操作，做完卷积后数据重塑成2维数据，每个元素是1x8的向量；

3)第三层是数字胶囊层，把初级胶囊层的输出作为输入，每个胶囊里放着一个一维向量，有多少种类就有多少输出，胶囊层的计算公式如下：

其中，

是高层特征，u_i是低层特征，W_ij是权重矩阵，s_j是squash函数输入向量，c_ij由动态路由计算得出。动态路由算法是一种迭代的路由算法，以下是动态路由的具体方法：

1、确定路由迭代次数r；

2、定义b_ij为第l层低层胶囊层连接下一层高层胶囊层的可能性，初始值为0；

3、循环执行4～7r次；

4、对l层的低层胶囊层，将b_ij用softmax转化成概率c_ij：

c_ij＝softmax(b_ij)；

5、对l+1层，加权求和

6、对l+1层，使用激活函数得到输出向量v_i：

7、根据

和v_i的关系来更新b_ij：

利用稀疏滤波代替传统的反向传播算法迭代更新权重矩阵W_ij，可以实现胶囊网络的无监督化，通过直接对样本特征矩阵进行L₁范数和L₂范数联合约束来学习稀疏特征，则对样本X进行稀疏滤波即是最小化目标函数，对

依次进行行、列归一化后得归一化矩阵R和O，其中

其中N为样本向量维数，M为样本数量，

是高层特征。目标函数如下：

为了求解目标函数，需要反向推导权值偏导，利用有限内存拟牛顿算法对L(W)进行迭代直至收敛，输出W_ij。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于深度学习网络的雷达辐射源信号识别方法，其特征在于，所述基于深度学习网络的雷达辐射源信号识别方法包括：

第一步，接收机接收雷达脉冲信号，对信号进行降频预处理；

第二步，计算基于线性正则变换的互模糊函数和基于线性正则域的互模糊函数，再提取各自互模糊函数图的M个等间隔截面的最大值作为特征向量，共同组成特征样本集；

第三步，将得到的特征向量输入稀疏滤波胶囊网络进行分类识别；

所述第一步接收机接收雷达脉冲信号，对信号进行降频预处理具体包括：

先经过低通滤波器完成从高频信号到中频信号的降频；然后对信号进行模数采样处理；

所述第二步计算基于线性正则变换的互模糊函数和基于线性正则域的互模糊函数，再提取各自互模糊函数图的M个等间隔截面的最大值作为特征向量，共同组成特征样本集具体包括：

(1)雷达信号第v个频移和第τ个时移下的基于线性正则变换的互模糊函数为：

其中，

表示观测信号f₁(t)关于线性正则变换的互模糊函数，R表示全体实数，v为频移，τ为延时，F_A ⁽¹⁾(u)为信号f₁(t)的线性正则变换，F_A ^(2)*(u)为时延信号f₂(t)线性正则变换的共轭；

选择X轴作平行于YOZ平面的等间隔截面，得到M个截面，取M个截面的最大值作为特征向量，得到新的一维特征向量R_X ^A：

其中，

为关于线性正则变换的互模糊函数以X轴作平行于YOZ平面的第m个等间隔截面；

(2)雷达信号第v个频移和第τ个时移下的基于线性正则域的互模糊函数为：

其中，AFL^f _A(τ,u)表示观测信号f₁(t)关于线性正则域的互模糊函数，R表示全体实数，f₁(t)表示观测信号，f₂ ^*(t)表示时延信号的共轭，u为频移，τ为延时，

为线性正则变换的核函数；

选择X轴作平行于YOZ平面的等间隔截面，得到M个截面，取M个截面的最大值作为特征向量，得到新的一维特征向量R_X ^AFL，即二维特征图：

其中

为关于线性正则域的互模糊函数以X轴作平行于YOZ平面的第m个等间隔截面；

所述第三步将得到的特征向量输入稀疏滤波胶囊网络进行分类识别具体包括：

1)第一层是卷积层，目的是把输入图像降维，提取输入图像的特征，输入图像经卷积层进行原始卷积运算得到初级胶囊层；

2)第二层是初级胶囊层，用32个步长为2的9x9x256的滤波器作8次卷积操作，做完卷积后数据重塑成2维数据，每个元素是1x8的向量；

3)第三层是数字胶囊层，把初级胶囊层的输出作为输入，每个胶囊里放着一个一维向量，有多少种类就有多少输出，胶囊层的计算公式如下：

其中，

是高层特征，u_i是低层特征，W_ij是权重矩阵，s_j是squash函数输入向量，c_ij由动态路由计算得出。

2.如权利要求1所述的基于深度学习网络的雷达辐射源信号识别方法，其特征在于，所述动态路由的具体方法包括：

(1)确定路由迭代次数r；

(2)定义b_ij为第l层低层胶囊层连接下一层高层胶囊层的可能性，初始值为0；

(3)循环执行4～7r次；

(4)对l层的低层胶囊层，将b_ij用softmax转化成概率c_ij：

c_ij＝softmax(b_ij)；

(5)对l+1层，加权求和

(6)对l+1层，使用激活函数得到输出向量v_i：

(7)根据

和v_i的关系来更新b_ij：

3.如权利要求1所述的基于深度学习网络的雷达辐射源信号识别方法，其特征在于，利用稀疏滤波代替传统的反向传播算法迭代更新权重矩阵W_ij，通过直接对样本特征矩阵进行L₁范数和L₂范数联合约束来学习稀疏特征，则对样本X进行稀疏滤波即是最小化目标函数，对

依次进行行、列归一化后得归一化矩阵R和O，其中

其中N为样本向量维数，M为样本数量，

是高层特征，目标函数如下：

为了求解目标函数，反向推导权值偏导，利用有限内存拟牛顿算法对L(W)进行迭代直至收敛，输出W_ij。

4.一种应用权利要求1～3任意一项所述基于深度学习网络的雷达辐射源信号识别方法的雷达。

Images