CN110133599A - 基于长短时记忆模型的智能雷达辐射源信号分类方法 - Google Patents

Abstract

本发明公开了一种基于长短时记忆模型的智能雷达辐射源信号分类方法，主要解决现有技术识别率低和识别速度慢的问题。其实现方案为：1)生成雷达辐射源信号数据集，并对其进行数据预处理；2)从预处理后的数据集中获得训练样本集、测试样本集和验证样本集；3)搭建一个七层长短时记忆单元网络，并设置网络模型的参数；4)调整网络模型的超参数并利用训练样本集和测试样本集对长短时记忆单元网络进行训练；5)将验证样本集输入到训练好的长短时记忆单元网络模型中，获得雷达辐射源信号分类结果。本发明可对一维信号进行自动的特征提取和准确的信号分类，且分类效果优、时间复杂度低、稳定性好，可用于复杂电磁环境下的雷达辐射源信号识别。

Description

基于长短时记忆模型的智能雷达辐射源信号分类方法

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。

在军事通信对抗领域，一般需要对敌方通信进行干扰和侦听，雷达辐射源信号调制方式识别分类是进行干扰和侦听首先要面对的难题。在民用通信领域，无线电频谱检测和管理、雷达信号的确认以及信号的干扰识别等工作都需要用到信号识别技术。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。

基于脉内特征的脉冲参数有助于提高雷达辐射源信号的识别率。当前研究提出了诸多在保留原始PDW功能基础上添加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。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基长短时记忆模型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，满足对实时性要求高的系统。

为实现上述目的，本发明的技术方案包括如下：

1)获取不同调制方式的雷达辐射源信号，组成时序雷达辐射源信号样本集D，该信号样本集包含信号数据D_r和标签数据D_l两部分；

2)对时序雷达辐射源信号样本集中的信号数据D_r先进行min-max标准化处理，再对该样本集数据中的标签数据D_l进行one-hot向量编码，得到预处理后的时序雷达辐射源信号样本集D'；

3)从预处理后的时序雷达辐射源信号样本集D'中随机抽取70％的信号组成训练样本D′₁，从剩余的30％雷达信号中随机抽取20％的样本组成测试样本集x₀，剩余的10％雷达信号作为验证样本集D′₃；

4)搭建一个包括输入层、两个长短时记忆单元层、两个全连接层、一个分类器层和一个输出层，且批大小为128的长短时记忆单元网络LSTMs，用于自动提取雷达时序信号特征并对雷达信号进行智能分类；

5)设置长短时记忆单元网络LSTMs的参数：

5a)设置输入层包含512个输入神经单元；

5b)设置第一层长短时记忆单元节点个数为512，第二层长短时记忆单元节点个数为512及每个节点的遗忘门函数；

5c)设置长短时记忆模型中第一个全连接层和第二个全连接层的节点个数分别为512和128；

5d)设置分类器层为多分类函数中的Softmax函数；

5e)设置全连接层与分类器层之间的激活函数为线性修正单元激活函数；

5f)设置长短时记忆单元深度网络模型中的优化算法为基于自适应矩阵估计优化算法adam、损失函数为交叉熵函数、激活函数为线性修正单元激活函数和双曲正切激活函数；

6)设长短时记忆单元网络LSTMs学习率为0.0008，将训练样本集D′₁和测试样本集D′₂输入到该网络中，迭代训练5000次，得到训练好的长短时记忆单元网络模型；

7)将验证样本集D′₃输入到训练好的长短时记忆单元网络模型中，得到时序雷达辐射源信号的分类结果。

本发明与现有技术相比具有以下优点：

第一，本发明搭建一个自动提取时序雷达信号特征和对雷达辐射源信号进行智能分类的长短时记忆单元网络，克服了现有方法模型复杂和需要对雷达辐射源信号进行特征提取的问题，实现了时序雷达辐射源信号端到端的分类识别，克服了现有技术在进行雷达辐射源信号特征提取时需要大量先验经验的缺点，减少了雷达辐射源信号分类的计算量。

第二，本发明使用的雷达辐射源信号保留了雷达信号的时序性，克服了现有雷达信号分类方法没有考虑到时序信号的时间相关性，无法充分发掘信号的长时间特征进行分类的缺点，提高了信号分类的效率。

第三，本发明采用基于长短时记忆单元网络的智能雷达辐射源信号分类方法自动提取雷达辐射源信号特征和对雷达辐射源信号进行智能分类，在低信噪比情况下依然可以较好的识别雷达辐射源信号，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是本发明中所生成的7种不同调制方式的雷达辐射源信号的波形示意图；

图3是利用本发明中的网络模型对雷达辐射源信号分类的仿真实验结果图。

具体实施方式

下面结合附图对发明的实施例及效果做进一步描述。

参照附图1，对本实施例的实现步骤如下。

步骤1：生成雷达辐射源信号数据集。

通过MATLAB仿真生成雷达信号数据集，雷达辐射源信号数据集包括七中不同调制方式，分别为常规脉冲信号、线性调频信号、非线性调频信号、二相编码信号、四相编码信号、二频编码信号、四频编码信号，其中：

辐射源信号参数设置如下：

采样频率均为2GHz，采样点数均为1024个；

常规脉冲信号、线性调频信号、非线性调频信号、二相编码信号和四相编码信号这五种调制方式的载频为200MHz；

二频编码信号的两个载频分别为200MHz、400MHz；

四频编码信号的四个载频分别是100MHz、300MHz、500MHz和700MHz；

线性调频信号的频偏为50MHz，

二相编码信号和二频编码信号的编码方式采用13位巴克码，

四相编码信号采用16位弗兰克码；

将每种信号从-10dB到4dB以间隔2dB信噪比下生成数量相等的样本，对每个编码调制联合时序信号中的多个数据点进行等间隔采样，连续采样1024个数据点组成一个信号样本，用所有的时序雷达辐射源信号样本组成时序雷达辐射源信号样本集D，该样本集包括信号数据D_r和标签数据D_l两部分。

步骤2：数据预处理。

将生成的时序雷达辐射源信号样本集中的信号数据D_r进行min-max标准化处理，即对该样本集中的所有样本数据，利用转换函数进行线性变换，使数据值落到[0,1]区间，提升模型收敛速度和模型的精度；

将生成的时序雷达辐射源信号样本集中的标签数据D_l进行one-hot向量编码，即先对分类值映射到整数值，再对每个整数值表示为二进制向量，将整数的索引标记为1，其他标记为0，得到预处理后的时序雷达辐射源信号样本集D'。

步骤3：从时序雷达辐射源信号样本集D'中随机抽取70％的信号组成训练样本D′₁，从剩余的30％雷达信号中随机抽取20％的样本组成测试样本集D′₂，最后剩余的10％雷达信号作为验证样本集D′₃。

步骤4：搭建长短时记忆单元网络模型。

搭建一个自动提取雷达时序信号特征并对雷达信号进行智能分类的七层长短时记忆单元网络，其中，第一层为输入层，第二层和第三层为长短时记忆单元层，第四层和第五层为全连接层，第六层为分类器层，第七层为输出层；

步骤5：设置长短时记忆单元深度网络的参数。

5a)设置输入层为512个输入神经单元，将批大小设置为128个；

5b)设置长短时记忆单元网络的各层参数如下：第一层长短时记忆单元节点个数为512，第二层长短时记忆单元节点个数为512及每个节点的遗忘门函数；

5c)设长短时记忆单元中遗忘门函数f_t如下：

f_t＝σ(W_f·[C_t-1,h_t-1,x_t]+b_f)，

其中，σ(·)表示激活函数，W_f表示遗忘门权值，b_f表示遗忘门偏置，C_t-1表示t-1时刻长短时记忆单元选择放弃的信息，h_t-1表示t-1时刻隐含层的输出，x_t表示t时刻的输入信息；

5d)设置长短时记忆模型中第一个全连接层和第二个全连接层的节点个数分别为512和128；

5e)设置分类器层为多分类函数Softmax；

多分类函数中的softmax函数表示如下：

其中，表示多维数据Z的第L维、第j个数据点，表示多维数据Z的第L维、第k个数据点，表示数据Z第L维第j个数据点的概率值；

5f)设置全连接层与分类器层之间的激活函数为线性修正单元激活函数；

线性修正单元激活函数，表示如下：

其中，m表示矩阵x中元素的总数，y_i表示该激活函数的输出矩阵y中的第i个元素，x_i表示矩阵x中第i个元素，该线性修正单元函数将矩阵x内所有负值都设为0，其余值不变；

5g)设置长短时记忆单元深度网络中的优化算法为基于自适应矩阵估计优化算法adam、损失函数为交叉熵函数、激活函数为线性修正单元激活函数和双曲正切激活函数，其中：

(i)损失函数交叉熵的计算方式表示如下：

H(p,q)＝-∑_xp(x)logq(x),

其中，p(x)为样本中的标签，q(x)为模型的预估值，分别代表训练样本和模型的分布；

(ii)双曲正切激活函数表示如下：

式中x_t表示输入数值，通过双曲正切函数该将输入数值x_t压缩到以0为中心，-1到1的区间内，得到输出x₀，使零输入值的映射接近于零，负数输入值的映射仍为负数，正数输入值的映射仍为正数；

步骤6：训练长短时记忆模型。

设长短时记忆单元网络LSTMs学习率为0.0008，将训练样本集D′₁和测试样本集D′₂输入到该网络中，迭代训练5000次，得到训练好的长短时记忆单元网络模型；

步骤7：将验证样本集D′₃输入到训练好的长短时记忆单元网络模型中，得到时序雷达辐射源信号的分类结果。

1.仿真实验条件：

本发明所用的数据为在MATLAB下仿真生成的雷达辐射源信号，数据集由七种不同调制方式的雷达辐射源信号构成，每种信号在-10db到4db每隔2db信噪比下有1200个样本。完成本发明的仿真实验的硬件实验平台为：Intel(R)Core(TM)i5-6500,8GBRAM,软件平台为：MATLABR2014a，Centos7，TensorFlow1.1.1。

2.仿真实验内容：

实验1，对本发明中用到的雷达辐射源信号进行仿真实验，结果如图2，其中：

图2(a)为常规脉冲信号波形示意图；

图(b)为线性调频信号波形示意图；

图2(c)为非线性调频信号波形示意图；

图2(d)为二相编码信号波形示意图；

图2(e)为四相编码信号波形示意图；

图2(f)为二频编码信号波形示意图；

图2(g)为四频编码信号波形示意图；

从图2仿真结果可看出，不同的雷达辐射源信号在时域表示中保留了其时序特性，而且采样后的原始雷达信号数据量小，适用于本发明中的网络模型进行实验。

实验2，用本发明方法对雷达辐射源信号进行分类仿真实验，即将训练样本集输入到长短时记忆模型中训练，得到每次迭代的损失函数值，再计算梯度并反向传播到网络的各层进行权值更新，每隔100次迭代，利用测试集测试网络，得到对雷达辐射源信号的分类结果，如图3，图3中的横轴代表迭代次数，纵轴代表对雷达信号的识别效果。从图3可见，随着迭代次数的增加网络识别率递增并最终收敛至稳定，说明本仿真实验的训练效果随着训练次数的增多而提高。

Claims (9)

1.一种基于长短时记忆模型的智能雷达辐射源信号分类方法，其特征在于：包括如下：

1)获取不同调制方式的雷达辐射源信号，组成时序雷达辐射源信号样本集D，该信号样本集包含信号数据D_r和标签数据D_l两部分；

2)对时序雷达辐射源信号样本集中的信号数据D_r先进行min-max标准化处理，再对该样本集数据中的标签数据D_l进行one-hot向量编码，得到预处理后的时序雷达辐射源信号样本集D'；

3)从预处理后的时序雷达辐射源信号样本集D'中随机抽取70％的信号组成训练样本D’₁，从剩余的30％雷达信号中随机抽取20％的样本组成测试样本集D’₃，剩余的10％雷达信号作为验证样本集D’₃；

4)搭建一个包括输入层、两个长短时记忆单元层、两个全连接层、一个分类器层和一个输出层，且批大小为128的长短时记忆单元网络LSTMs，用于自动提取雷达时序信号特征并对雷达信号进行智能分类；

5)设置长短时记忆单元网络LSTMs的参数：

5a)设置输入层包含512个输入神经单元；

5b)设置第一层长短时记忆单元节点个数为512，第二层长短时记忆单元节点个数为512及每个节点的遗忘门函数；

5c)设置长短时记忆模型中第一个全连接层和第二个全连接层的节点个数分别为512和128；

5d)设置分类器层为多分类函数中的Softmax函数；

5e)设置全连接层与分类器层之间的激活函数为线性修正单元激活函数；

5f)设置长短时记忆单元深度网络模型中的优化算法为基于自适应矩阵估计优化算法adam、损失函数为交叉熵函数、激活函数为线性修正单元激活函数和双曲正切激活函数；

6)设长短时记忆单元网络LSTMs学习率为0.0008，将训练样本集D’₁和测试样本集D'₂输入到该网络中，迭代训练5000次，得到训练好的长短时记忆单元网络模型；

7)将验证样本集D’₃输入到训练好的长短时记忆单元网络模型中，得到时序雷达辐射源信号的分类结果。

2.根据权利要求1所述的方法，其特征在于，步骤(1)中的雷达信号调制方式，包括：常规脉冲信号、线性调频信号、非线性调频信号、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这七种调制方式，其中：

常规脉冲信号、线性调频信号、非线性调频信号、二相编码信号和四相编码信号这五种调制方式的载频为200MHz；

二频编码信号的两个载频分别为200MHz、400MHz；

四频编码信号的四个载频分别是100MHz、300MHz、500MHz和700MHz；

线性调频信号的频偏为50MHz，

二相编码信号和二频编码信号的编码方式采用13位巴克码，

四相编码信号采用16位弗兰克码；

雷达辐射源信号的采样频率均设置为2GHz；

每种信号从-10dB到4dB以间隔2dB信噪比生成数量相等的样本，对每个时序信号中的多个数据点进行等间隔采样，连续采样1024个数据点组成一个信号样本，将所有的时序雷达辐射源信号样本组成时序雷达辐射源信号样本集。

3.根据权利要求1所述的方法，其特征在于，步骤(5b)中每个节点的遗忘门函数表示如下：

f_t＝σ(W_f·[C_t-1,h_t-1,x_t]+b_f)，

其中：σ(·)表示激活函数，W_f表示遗忘门权值，b_f表示遗忘门偏置，C_t-1表示t-1时刻长短时记忆单元选择放弃的信息，h_t-1表示t-1时刻隐含层的输出，x_t表示t时刻的输入信息。

4.根据权利要求1所述的方法，其特征在于，步骤(2)中对时序雷达辐射源信号样本集中的信号数据进行min-max标准化处理，是将所有的样本数据，利用转换函数对数据进行线性变换，使数据值落到[0,1]区间，提升模型收敛速度和模型的精度，其中转换函数表示如下：

式中：x为原始样本数据，x^*标准化处理后的数据。

5.根据权利要求1所述的方法，其特征在于，步骤(2)中对样本集数据中的标签数据进行one-hot向量编码，是先将分类值映射到整数值，再将每个整数值表示为二进制向量，即将整数的索引标记为1，其他标记为0。

6.根据权利要求1所述的方法，其特征在于，步骤(5d)中多分类函数中的softmax函数表示如下：

其中，表示多维数据Z的第L维、第j个数据点，表示多维数据Z的第L维、第k个数据点，表示数据Z第L维第j个数据点的概率值。

7.根据权利要求1中所述的方法，其特征在于，步骤(5f)中损失函数交叉熵的计算方式表示如下：

H(p,q)＝-∑_xp(x)logq(x),

其中，p(x)为样本中的标签，q(x)为模型的预估值，分别代表训练样本和模型的分布。

8.根据权利要求1中所述的方法，其特征在于，步骤(5e)中的线性修正单元激活函数，表示如下：

其中，m表示矩阵x中元素的总数，y_i表示该激活函数的输出矩阵y中的第i个元素，x_i表示矩阵x中第i个元素，该线性修正单元函数将矩阵x内所有负值都设为0，其余值不变。

9.根据权利要求1中所述的方法，其特征在于，步骤(5f)中的双曲正切激活函数，表示如下：

式中x_t表示输入数值，通过双曲正切函数该将输入数值x_t压缩到以0为中心，-1到1的区间内，得到输出x₀，使零输入值的映射接近于零，负数输入值的映射仍为负数，正数输入值的映射仍为正数。