CN110109060A - 一种基于深度学习网络的雷达辐射源信号分选方法及系统 - Google Patents

Abstract

本发明属于电子对抗中雷达辐射源信号的分选技术领域，公开了基于深度学习网络的雷达辐射源信号分选方法及系统，对接收的雷达辐射源信号进行预过滤处理；再对接收信号进行崔‑威廉斯分布时频分析，获取二维时频图像；以及通过基于堆栈混合自编码器提取特征，并利用半监督线性判别法进行降维后对雷达辐射源信号进行分选。本发明通过提取崔‑威廉斯分布时频特征，去除了相关信息之间的冗余，降低了特征维度，同时可以减少信号噪声；由于本发明利用去噪自编码器、稀疏自编码器以及普通自编码器进行堆叠提取特征，这样网络既具有较好的泛化能力也具有提取出更抽象的稀疏特征的能力，增加了网络的鲁棒性和分选正确率。

Description

一种基于深度学习网络的雷达辐射源信号分选方法及系统

技术领域

本发明属于电子对抗中雷达辐射源信号的分选技术领域，尤其涉及一种基于深度学习网络的雷达辐射源信号分选方法及系统。

背景技术

目前，最接近的现有技术：基于循环平稳与深度卷积神经网络的雷达信号分类方法，通过深度卷积神经网络进行分类，比传统的人工提取能更全面地获取图像特征、更好地表达图像的类别信息，而缺陷在于在处理未知信息过多，样本集过于复杂，样本随机性与模糊性较高的雷达信号时，会产生大量不可预测结果，这是由于卷积神经网络依赖大量的原始样本数据，并且卷积神经网络还存在反向传播过程中梯度消失的缺陷，因此不能训练非常深的结构。

雷达信号分选是雷达信号处理的第一步，对电子情报系统具有极大的指导作用，为电子战提供重要的情报信息。雷达信号分选在现代电子对抗系统中发挥着极为重要的功能，而且在雷达特征参数提取、雷达信号识别和威胁等级评估中也起着基础性和限制性作用。

传统雷达信号分选算法主要有：关联法、直方图法和盲分选方法等。上述分选方法都有各自的使用范围，需要根据不同的应用背景选择与之相应的算法。但在现代电磁对抗环境中，随着新体制雷达的大量使用，雷达抗干扰能力的不断完善，雷达信号环境越来越复杂，侦察接收机在同一时刻接收到的信号越来越多，空间信号的混叠程度和脉冲丢失现象也越来越严重，在这种信号环境下，采用串行检测系统的传统算法已经无法正常分选雷达信号。

目前，业内常用的现有技术是这样的：针对雷达辐射源信号传统分选算法对信号分选效率低，缺乏实时性和高效性的缺点，其他学者提出一系列方法来解决复杂环境中信号分选的问题。

现有技术一，专利“一种最小L₁范数下的雷达信号分选方法”(专利申请号201410198248.3，授权公告号CN 103954935A)公开了一种最小L₁范数下的雷达信号分选方法，该方法针对高度密集和复杂信号环境下的雷达信号分选问题有较高的分选效率，但该方法被要求与输入信号具有较强的相关性或匹配性,还要求具备一定的适应性，可以自我进化，导致在信号与过完备字典相关性较低时，雷达信号分选准确性和可靠性不高。

现有技术二，专利“一种基于数据场层次聚类的多模雷达信号分选方法”(专利申请号201510422798.3，授权公告号CN 105005029B)公开了一种基于数据场层次聚类的多模雷达信号分选方法，该方法通过计算数据场势值寻找局域势值最大值,选取距最大值最近的样本数据作为初始聚类中心,然后用传统聚类算法进行聚类，针对高度密集和复杂信号环境下的雷达信号分选问题有较高的分选效率，但数据场势值运算复杂度较高，计算量较大，导致分选的实时性低下。

现有技术三，徐赛等人在其发表的论文“一种基于样本熵的雷达辐射源信号分选”(《电子世界》,2018,21(2):8-10.)公开了一种基于样本熵的雷达辐射源信号分选方法，该方法通过对雷达辐射源信号的样本熵和功率谱熵特征提取以及支持向量机进行分类，整体分选率较好，由于样本熵在计算时间序列复杂度时,没有考虑到序列中相似向量的分布以及构成序列向量的复杂性对时间序列复杂度的影响，导致在信噪比较低时，单种信号识别率不高。

现有技术四，专利“一种将信息融合应用到雷达信号分选中的方法”(专利申请号201710722269.4，授权公告号CN 107656245A)公开了一种将信息融合应用到雷达信号分选中的方法，该方法在雷达信号分选前对脉冲描述字进行数据级融合，在分选后对分选结果进行了特征级融合，将描述同一雷达的参数统一并对分选结果进行可信度排序，解决了单一接收设备接收脉冲丢失可能存在的分选失败，但是由于D-S数据融合方法在所提供证据指向冲突很大的特殊情况下不能准确判定，所以当雷达参数存在交叠时会出现分选错误的可能，需要进一步改进。

综上所述，现有技术存在的问题是：

(1)现有技术中，没有通过提取崔-威廉斯分布时频特征，去除了相关信息之间的冗余，降低了特征维度，不能减少信号噪声。

现有技术没有利用去噪自编码器、稀疏自编码器以及普通自编码器进行堆叠提取特征，在成网络不具有较好的泛化能力，使网络的鲁棒性和分选正确率低。

现有技术没有把堆栈混合自编码器和半监督线性判别法结合，造成无标签及有标签的样本集非线性数据特征提取效果差的问题。

(2)现有技术运算复杂度较高，计算量较大，不能实现实时分选。

(3)现有技术在信噪比较低时，个别信号分选率不高。

解决上述技术问题的难度：为了解决特征提取效果差的问题，提出了基于深度学习进行信号分选的方法，该方法的难度在于将堆栈混合自编码器和半监督线性判别法结合，利用半监督线性判别法进行降维，提取非线性数据特征。

解决上述技术问题的意义：雷达信号分选是雷达侦察干扰的核心技术,也是雷达截获领域一个从未停止的理论研究与技术实现问题，在雷达环境的复杂程度越来越高的情况下，雷达信号的准确和实时分选在现代电子对抗系统起到了基础性和限制性作用。

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分选方法及系统。

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分选方法，所述基于深度学习网络的雷达辐射源信号分选方法对接收的雷达辐射源信号进行预过滤处理，过滤参数段不相关的脉冲，排除完全不相关的脉冲；再对接收信号进行崔-威廉斯分布时频分析，获取二维时频图像，去除了相关信息之间的冗余，降低了特征维度；以及通过基于堆栈混合自编码器提取特征，并利用半监督线性判别法进行降维后对雷达辐射源信号进行分选，特征提取效果较好。本发明能够在低信噪比条件下获得更好的分选效果，提高了雷达信号分选的智能化。

进一步，所述基于深度学习网络的雷达辐射源信号分选方法具体包括：

步骤一，接收机接收雷达脉冲信号，对信号进行预过滤处理；

步骤二，对接收信号进行崔-威廉斯分布时频分析，获取二维时频图像并进行预处理；

步骤三，将步骤二得到的二维时频图像输入堆栈混合自编码器进行特征提取；

步骤四，利用步骤三得到的有标签的样本通过半监督线性判别法进行降维，实现信号分选。

进一步，步骤一中，对接收的雷达辐射源信号进行预处理，将接收的每个信号与样本库每个样本的参数范围进行粗相关，参数相关的信号存入所述样本对应的活动雷达缓存中，过滤参数段不相关的脉冲，排除完全不相关的脉冲，实现信号的预过滤。

进一步，步骤二中，观测信号的崔-威廉斯分布时频分布式为：

C(t,w)＝∫∫∫_∞e^j2πξ(s-t)f(ξ,τ)·x(s+τ/2)x^*(s-τ/2)e^-jwτdξdsdτ

式中，是核函数，σ是衰减系数，取σ＝1，C(t,w)是崔-威廉斯分布时频分布结果，x(t)是观测信号，x^*(t)是观测信号的共轭，t和w分别代表时间和频率；

进一步，步骤二中，对通过崔-威廉斯分布时频分析得到的二维时频原始图像进行预处理操作，具体包括：

1)通过迭代法将雷达信号时频图转化为黑白二值图像；

2)通过图像剪切算法搜索确定信号存在的区域，并将没有信号分布的区域裁剪掉；

3)采用双3次插值算法把剪切后的时频图像调整为32×32的图像。

进一步，步骤1)的迭代法包括：

步骤1，灰度化时频图像，定义灰度图像G(x,y)的最大值为maxG(x,y)，最小值为minG(x,y)，设定初始阈值为T：

T＝(maxG(x,y)+minG(x,y))/2；

步骤2，用初始阈值T将时频图像分为两个部分，大于等于T的像素点被分为G₁，小于T的像素点被分为G₂；

步骤3，分别计算G₁与G₂的平均灰度值μ₁与μ₂；

步骤4，更新阈值T为μ₁与μ₂的平均值；

T＝(μ₁+μ₂)/2；

步骤5，重复步骤3到步骤4，直到两组平均灰度值不再发生变化为止；

步骤6.，二值化灰度图像G(x,y)，并定义二值化后的像素值为B(x,y)；

步骤7，输出二值化图像B(x,y)。

进一步，步骤2)的图像剪切算法包括：

步骤1，令经过二值化图像处理的时频图像矩阵为A。

步骤2，从上到下正向搜索时频矩阵A的每一行，记录下正向搜索时第一次出现像素值为1的点的行数r_min。

3)从下到上逆向搜索时频矩阵A的每一行，记录下逆向搜索时第一次出现像素值为1的点的行数r_max。

4)从左至右顺时针搜索时频矩阵A每一列，记录下顺时针搜索时第一次出现像素值为1的点的列数c_min。

5)从右至左逆时针搜索时频矩阵A每一列，记录下逆时针搜索时第一次出现像素值为1的点的列数c_max。

6)令A(r_min:r_max:c_min:c_max)为剪切后的时频图像矩阵。

进一步，步骤三中，结合堆栈混合自编码器提取特征，并利用半监督线性判别法进行降维，实现雷达辐射源信号的分选，堆栈混合自编码器进行特征提取的方法包括：

预训练：用训练样本去训练去噪自编码层，使用低维特征进行输入数据重构，并使用梯度下降法减小重构误差，重构误差达到要求时，表明去噪自编码器训练完成。再将去噪自编码器的隐藏层提取的特征作为输入进入稀疏自编码层，按照去噪自编码器的训练过程训练出一个稀疏自编码器；并训练普通的自编码器；

将预训练中的去噪自编码器、稀疏自编码器以及普通的自编码器进行级联，并加上softmax分类器，组成5层的神经网络进行特征提取，最终输出y；

通过有标签样本y，利用半监督线性判别法进行降维，提取最终的分类特征，最后接分类层softmax，用于多分类任务。

进一步，步骤四通过半监督线性判别法进行降维的方法包括：

第一步，初始化各项参数，目标函数中的调节系数α，α固定在0到1之间；

第二步，构造近邻图，得到同类近邻矩阵S_ij′和异类近邻矩阵S_ij″；

其中X＝{x₁,...,x_n}为样本集，β是调整核函数的比例因子；

第三步，计算类间散度矩阵S_b和类内离散度矩阵S_w：

式中，权重为n_i，表示所有样本均值，μ_i表示i类样本的均值，c_i为第i类数据集，k为数据集的类别数；

第四步，计算正则项，F_L＝W^TXL′X^TW-W^TXL″X^TW，其中，L″＝D″-S″是拉普拉斯矩阵，D″是一个对角矩阵，L′＝D′-S′是拉普拉斯矩阵，D′是对角矩阵，

第五步，进行广义特征值分解，得到投影矩阵W。

本发明的另一目的在于提供一种实施所述基于深度学习网络的雷达辐射源信号分选方法的基于深度学习网络的雷达辐射源信号分选控制系统。

本发明的另一目的在于提供一种实施所述基于深度学习网络的雷达辐射源信号分选方法的电子对抗雷达。

综上所述，本发明的优点及积极效果为：

本发明通过提取崔-威廉斯分布时频特征，去除了相关信息之间的冗余，降低了特征维度，同时可以减少信号噪声。

由于本发明利用去噪自编码器、稀疏自编码器以及普通自编码器进行堆叠提取特征，这样网络既具有较好的泛化能力也具有提取出更抽象的稀疏特征的能力，增加了网络的鲁棒性和分选正确率。

由于本发明把堆栈混合自编码器和半监督线性判别法结合，可利用无标签及有标签的样本集进行非线性特征提取以取得更好的效果。

本发明结合堆栈混合自编码器和半监督线性判别法，解决了在复杂雷达环境下特征提取效果差的技术难题，目前国内外学者大都采用人工定义特征的方式提高分选率，本发明填补了国内外利用无监督深度学习实现雷达信号分选的空白。

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分选方法流程图。

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。

现有技术中，没有通过提取崔-威廉斯分布时频特征，去除了相关信息之间的冗余，降低了特征维度，不能减少信号噪声。现有技术没有利用去噪自编码器、稀疏自编码器以及普通自编码器进行堆叠提取特征，在成网络不具有较好的泛化能力，使网络的鲁棒性和分选正确率低。现有技术没有把堆栈混合自编码器和半监督线性判别法结合，造成无标签及有标签的样本集非线性数据特征提取效果差。

为解决上述问题，下面结合具体方案对本发明作详细描述。

如图1所示，本发明实施提供的图基于深度学习网络的雷达辐射源信号分选方法包括以下步骤：

S101，接收机接收雷达脉冲信号，对信号进行预过滤处理。

S102，对接收信号进行崔-威廉斯分布时频分析，获取二维时频图像并对其进行预处理。

S103，将步骤S102得到的二维时频图像输入堆栈混合自编码器进行特征提取。

S104，利用步骤S103得到的有标签的样本通过半监督线性判别法进行降维，并实现信号分选。

步骤S101具体实施过程为：

将接收的每个信号首先与样本库每个样本的参数范围进行粗相关，参数相关的信号存入该样本对应的活动雷达缓存中。

过滤参数段不相关的脉冲，排除完全不相关的脉冲。

步骤S102具体实施过程为：

雷达信号的崔-威廉斯分布时频分布定义如下：

C(t,w)＝∫∫∫_∞e^j2πξ(s-t)f(ξ,τ)·x(s+τ/2)x^*(s-τ/2)e^-jwτdξdsdτ

其中，是核函数，σ是衰减系数，本发明取σ＝1，C(t,w)是崔-威廉斯分布时频分布结果，x(t)是观测信号，x^*(t)是观测信号的共轭，t和w分别代表时间和频率。

对通过崔-威廉斯分布时频分析得到的二维时频原始图像进行预处理操作，具体流程如下：

1)通过迭代法将雷达信号时频图转化为黑白二值图像。

2)通过图像剪切算法搜索确定信号存在的区域，并将没有信号分布的区域裁剪掉，减少信息的冗余。

3)采用双3次插值算法把剪切后的时频图像调整为32×32的图像。

作为本发明优选实施例，步骤1)中，迭代法具体处理过程如下：

步骤1.灰度化时频图像，定义灰度图像G(x,y)的最大值为maxG(x,y)，最小值为minG(x,y)，设定初始阈值为T：

T＝(maxG(x,y)+minG(x,y))/2。

步骤2.用初始阈值T将时频图像分为两个部分，大于等于T的像素点被分为G₁，小于T的像素点被分为G₂。

步骤3.分别计算G₁与G₂的平均灰度值μ₁与μ₂。

步骤4.更新阈值T为μ₁与μ₂的平均值；

T＝(μ₁+μ₂)/2。

步骤5.重复步骤3到步骤4，直到两组平均灰度值不再发生变化为止。

步骤6.二值化灰度图像G(x,y)，并定义二值化后的像素值为B(x,y)。

步骤7.输出二值化图像B(x,y)。

步骤S103具体实施过程为：

预训练。首先用训练样本去训练去噪自编码层，训练方法就是使用低维特征进行输入数据重构，并使用梯度下降法来减小重构误差，当重构误差达到要求时，表明去噪自编码器训练完成。随后将去噪自编码器的隐藏层提取的特征作为输入进入稀疏自编码层，同理按照去噪自编码器的训练过程训练出一个稀疏自编码器。然后同理训练一个普通的自编码器。

将预训练中的去噪自编码器、稀疏自编码器以及普通的自编码器进行级联，并加上一个softmax分类器，组成一个5层的神经网络进行特征提取，最终输出y，堆栈混合自编码器结构如图2所示。

步骤S104具体实施过程为：

通过有标签样本y，利用半监督线性判别法进行降维，提取最终的分类特征，最后接分类层softmax，用于多分类任务，半监督线性判别分析算法具体流程如下：

a)初始化各项参数，目标函数中的调节系数α，α固定在0到1之间；

b)构造近邻图，得到同类近邻矩阵S_ij′和异类近邻矩阵S_ij″；

其中X＝{x₁,...,x_n}为样本集，β是调整核函数的比例因子。

c)计算类间散度矩阵S_b和类内离散度矩阵S_w：

其中，权重为n_i，表示所有样本均值，μ_i表示i类样本的均值，c_i为第i类数据集，k为数据集的类别数。

d)计算正则项，F_L＝W^TXL′X^TW-W^TXL″X^TW，其中，L″＝D″-S″是拉普拉斯矩阵，D″是一个对角矩阵，L′＝D′-S′是拉普拉斯矩阵，D′是对角矩阵，

e)进行广义特征值分解，得到投影矩阵W。

本发明实施例提供一种实施所述基于深度学习网络的雷达辐射源信号分选方法的基于深度学习网络的雷达辐射源信号分选控制系统。

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 (10)

1.一种基于深度学习网络的雷达辐射源信号分选方法，其特征在于，所述基于深度学习网络的雷达辐射源信号分选方法对接收的雷达辐射源信号进行预过滤处理；再对接收信号进行崔-威廉斯分布时频分析，获取二维时频图像；以及通过基于堆栈混合自编码器提取特征，并利用半监督线性判别法进行降维后对雷达辐射源信号进行分选。

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分选方法，其特征在于，所述基于深度学习网络的雷达辐射源信号分选方法具体包括：

步骤一，接收机接收雷达脉冲信号，对信号进行预过滤处理；

步骤二，对接收信号进行崔-威廉斯分布时频分析，获取二维时频图像并进行预处理；

步骤三，将步骤二得到的二维时频图像输入堆栈混合自编码器进行特征提取；

步骤四，利用步骤三得到的有标签的样本通过半监督线性判别法进行降维，实现信号分选。

3.如权利要求2所述的基于深度学习网络的雷达辐射源信号分选方法，其特征在于，步骤一中，对接收的雷达辐射源信号进行预处理，将接收的每个信号与样本库每个样本的参数范围进行粗相关，参数相关的信号存入所述样本对应的活动雷达缓存中，过滤参数段不相关的脉冲，排除完全不相关的脉冲，实现信号的预过滤。

4.如权利要求2所述的基于深度学习网络的雷达辐射源信号分选方法，其特征在于，步骤二中，观测信号的崔-威廉斯分布时频分布式为：

C(t,w)＝∫∫∫_∞e^j2πξ(s-t)f(ξ,τ)·x(s+τ/2)x^*(s-τ/2)e^-jwτdξdsdτ

式中，是核函数，σ是衰减系数，取σ＝1，C(t,w)是崔-威廉斯分布时频分布结果，x(t)是观测信号，x^*(t)是观测信号的共轭，t和w分别代表时间和频率。

5.如权利要求2所述的基于深度学习网络的雷达辐射源信号分选方法，其特征在于，步骤二中，对通过崔-威廉斯分布时频分析得到的二维时频原始图像进行预处理操作，具体包括：

1)通过迭代法将雷达信号时频图转化为黑白二值图像；

2)通过图像剪切算法搜索确定信号存在的区域，并将没有信号分布的区域裁剪掉；

3)采用双3次插值算法把剪切后的时频图像调整为32×32的图像。

6.如权利要求5所述的基于深度学习网络的雷达辐射源信号分选方法，其特征在于，步骤1)的迭代法包括：

步骤1，灰度化时频图像，定义灰度图像G(x,y)的最大值为maxG(x,y)，最小值为minG(x,y)，设定初始阈值为T：

T＝(maxG(x,y)+minG(x,y))/2；

步骤2，用初始阈值T将时频图像分为两个部分，大于等于T的像素点被分为G₁，小于T的像素点被分为G₂；

步骤3，分别计算G₁与G₂的平均灰度值μ₁与μ₂；

步骤4，更新阈值T为μ₁与μ₂的平均值；

T＝(μ₁+μ₂)/2；

步骤5，重复步骤3到步骤4，直到两组平均灰度值不再发生变化为止；

步骤6.，二值化灰度图像G(x,y)，并定义二值化后的像素值为B(x,y)；

步骤7，输出二值化图像B(x,y)。

7.如权利要求5所述的基于深度学习网络的雷达辐射源信号分选方法，其特征在于，步骤2)的图像剪切算法包括：

步骤1，令经过二值化图像处理的时频图像矩阵为A。

步骤2，从上到下正向搜索时频矩阵A的每一行，记录下正向搜索时第一次出现像素值为1的点的行数r_min。

3)从下到上逆向搜索时频矩阵A的每一行，记录下逆向搜索时第一次出现像素值为1的点的行数r_max。

4)从左至右顺时针搜索时频矩阵A每一列，记录下顺时针搜索时第一次出现像素值为1的点的列数c_min。

5)从右至左逆时针搜索时频矩阵A每一列，记录下逆时针搜索时第一次出现像素值为1的点的列数c_max。

6)令A(r_min:r_max:c_min:c_max)为剪切后的时频图像矩阵。

8.如权利要求2所述的基于深度学习网络的雷达辐射源信号分选方法，其特征在于，步骤三中，结合堆栈混合自编码器提取特征，并利用半监督线性判别法进行降维，实现雷达辐射源信号的分选，堆栈混合自编码器进行特征提取的方法包括：

预训练：用训练样本去训练去噪自编码层，使用低维特征进行输入数据重构，并使用梯度下降法减小重构误差，再将去噪自编码器的隐藏层提取的特征作为输入进入稀疏自编码层，按照去噪自编码器的训练过程训练出一个稀疏自编码器；并训练普通的自编码器；

将预训练中的去噪自编码器、稀疏自编码器以及普通的自编码器进行级联，并加上softmax分类器，组成5层的神经网络进行特征提取，最终输出y；

通过有标签样本y，利用半监督线性判别法进行降维，提取最终的分类特征，最后接分类层softmax，用于多分类任务。

9.如权利要求2所述的基于深度学习网络的雷达辐射源信号分选方法，其特征在于，步骤四通过半监督线性判别法进行降维的方法包括：

第一步，初始化各项参数，目标函数中的调节系数α，α固定在0到1之间；

第二步，构造近邻图，得到同类近邻矩阵S_ij′和异类近邻矩阵S_ij″；

其中X＝{x₁,...,x_n}为样本集，β是调整核函数的比例因子；

第三步，计算类间散度矩阵S_b和类内离散度矩阵S_w：

式中，权重为n_i，表示所有样本均值，μ_i表示i类样本的均值，c_i为第i类数据集，k为数据集的类别数；

第四步，计算正则项，F_L＝W^TXL′X^TW-W^TXL″X^TW，其中，L″＝D″-S″是拉普拉斯矩阵，D″是一个对角矩阵，L′＝D′-S′是拉普拉斯矩阵，D′是对角矩阵，

第五步，进行广义特征值分解，得到投影矩阵W。

10.一种实施权利要求1～9任意一项所述基于深度学习网络的雷达辐射源信号分选方法的电子对抗雷达。