CN110378205A - 一种基于改进型cnn网络的复杂雷达辐射源识别算法 - Google Patents

Abstract

本发明公开了一种基于改进型CNN网络的雷达辐射源识别算法，其方案为：用商用软件仿真生成多种雷达信号的数据集；将雷达数据集的信号进行时频变换，并以信号时频图的形式输出，分别制成训练集、验证集和测试集；设置改进型CNN和DenseNet的网络参数；使用训练集信号训练改进型网络；将测试集的数据输入到训练好的改进型CNN网络中，输出在不同信噪比下整体测试信号的识别率。本发明能充分精确提取雷达信号特征，提高了信号的识别率，同时降低了网络的训练、识别时间，具有良好的泛化性能，可用于复杂电磁环境下的雷达信号识别，主要解决了现有技术对雷达信号特征信息提取不充分和识别精度低的问题。

Description

一种基于改进型CNN网络的复杂雷达辐射源识别算法

技术领域

本发明属于信号处理技术领域，具体涉及一种基于改进型CNN网络的复杂雷达辐射源识别算法。

背景技术

随着电子信息领域的发展，电子对抗在电子情报侦察、电子支援和威胁告警系统中发挥着重要作用，雷达辐射源信号识别是电子对抗中的重要环节。而在电子对抗中，由于各类新体制雷达、通信等装备大量应用于现代战场，导致战场电磁环境日益复杂，具体表现在在雷达辐射源数目繁多、空间分布范围广阔且信号在时域与频域混叠严重；在较短的时间内出现的雷达信号多达数万乃至数十万，在某一时刻会同时出现大量信号；信号密度日益增大、波形更加复杂、调制类型越来越多、受环境干扰大等问题，都给雷达相关研究带来诸多难点。随着雷达硬件设备性能的提高，雷达可以按照人们的需求，产生不同调制方式的信号，尤其是在频率和相位上的调制；许多学者针对现代复杂的雷达电磁环境，提出了许多新方法，试图解决现代雷达信号处理有关问题。

西安电子科技大学在其申请的专利文献“基于一维卷积神经网络的雷达辐射源信号的识别方法”(申请号201710361523.2申请公布号CN107220606A)中公开了一种基于一维卷积神经网络(Convolutional Neural Networks，CNN)的雷达辐射源信号的识别方法，通过卷积神经对雷达信号进行提取，避免了传统方法中复杂的人工设计特征过程。

但采用CNN对雷达辐射源脉内特征进行识别时，实验仿真结果表明，该方法仍存在着精确度不高、训练时间长、泛化性能不好等问题。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于改进型CNN网络的复杂雷达辐射源识别算法。

本发明要解决的技术问题通过以下技术方案实现：

一种基于改进型CNN网络的复杂雷达辐射源识别算法：包括以下步骤：

步骤1：生成雷达数据集信号；

步骤2：对所述数据集信号进行预处理，得到训练样本和测试样本；

步骤3：以DenseNet为原型构建改进型CNN网络；

步骤4：根据所述训练样本训练所述改进型CNN网络；

步骤5：将所述测试样本输入到训练好的改进型CNN网络中，输出雷达辐射源信号整体识别率。

在本发明的一个实施例中，步骤1包括：

用MATLAB软件仿真生成八种复杂辐射源信号的数据集，数据集信号包括常规脉冲信号、线性调频信号、线性调频连续波信号、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八种信号，其中每种信号从-1dB到-10dB，间隔1dB，共10个信噪比点，每种信号样本数量为10000个，每个信噪比点上每类信号的样本有1000个；其中，所述八种不同的雷达信号参数设置如下：

所述8种雷达信号的采样频率均设置为2GHz，采样点数均设置为1024个；

二频编码信号载频分别为120MHz、200MHz，编码方式采用13位巴克码，脉宽为0.5us，码元宽度为0.038us；

四频编码信号的载频分别为20MHz、120MHz、220MHz、320MHz，编码方式采用16位Frank码，脉宽为0.5us，码元宽度为0.03us；

常规脉冲信号载频为200MHz；

线性调频信号的载频为200MHz，带宽为150MHz；

线性调频连续波信号载频为200MHz，带宽为150MHz，仿真周期数M＝4；

非线性调频信号采用余弦调制，载频为200MHz，调制信号为4MHz；

二相编码信号载频为200MHz，编码方式采用13位巴克码，脉宽为0.5us，码元宽度为0.038us；

四相编码信号载频为200MHz，编编码方式采用16位Frank码，脉宽为0.5us，码元宽度为0.03us。

在本发明的一个实施例中，步骤2包括：

2a)选取-1db、-5db以及-10db三个信噪比点信号进行时频预处理；

2b)将步骤1产生数据集的信号先以序列的形式输出，再将所述数据集信号进行傅里叶时频变换，并以信号时频图的形式输出；

2c)在输出的八种信号共80000个样本数据集中，从每类信号中随机抽出6000个样本作为训练集，2000个样本作为验证集，2000个样本作为测试集，得到训练样本和测试样本。

在本发明的一个实施例中，步骤3包括：

3a)设置所述改进型CNN网络：

选用多层小size的卷积核改进循环神经网络CNN，采用两层的3*3卷积模板取代单层5*5的卷积模板，使用全局池化层来替代全连接层；AdaGrad算法控制学习率，使用修正线性单元函数Relu作为激活函数，批量归一化算法用于改进网络收敛速度，参数范数惩罚正则化改进网络泛化性能；

3b)设置DenseNet网络参数：

设DenseNet网络由2个密集块组成，相邻密集块之间依次进行1*1的卷积操作和dropout来随机减少分支，并将卷积与dropout组合为一个单元；并设置批处理单元Batch值为128，卷积核size值为128。

在本发明的一个实施例中，步骤3a)中AdaGrad算法表示如下：

计算梯度：

累计平方梯度：

计算更新：

应用更新：

θ←θ+Δθ

其中，L函数为Loss Function损失函数，g为梯度，m为训练样本的个数，θ为网络的参数，f为关于θ的函数，r为梯度累积变量，r的初始值为0，ε为全局学习率；δ为小常数，设置为10^-7。

在本发明的一个实施例中，步骤3a)中的批量归一化算法表示如下：

算法输入：批处理的输入x：β＝{x_1,2,...m}

算法输出：规范后的网络响应{y_i＝BN_γ,β(x_i)}

核心算法公式：1)

2)

3)

4)

其中，γ与β为需要学习的参数，y为网络响应，μ_β为批处理数据均值，m为数据个数，为批处理数据方差，为规范化后的数据。

在本发明的一个实施例中，步骤3a)中的正则化方法表示如下：

参数范数惩罚正则化是通过对目标函数中添加一个参数范数惩罚项Ω(θ)，正则化后的目标函数记为J～：

J～(θ；X,y)＝J(θ；X,y)+αΩ(θ)

其中，θ表示网络中所有参数，w表示应受惩罚影响的权重，X表示网络输入，y表示数据对应的标签，α∈[0,+∞)为衡量参数范数惩罚程度的超参数，α＝0表示没有正则化，α越大对应正则化惩罚越大。

在本发明的一个实施例中，步骤3a)中的网络激活函数Relu，表示如下：

φ(x)＝max(0,x)

其梯度函数如下：

在本发明的一个实施例中，步骤3b)中的网络密集连接块表示如下：

密集连接块由2个密集块组成，相邻密集块之间依次进行1*1的卷积操作和dropout来随机减少分支，并将卷积与dropout组合为一个单元，其中密集块第l层的输出x_l表示如下：

x_l＝H_l([x₀,x₁,...x_l-1])

式中，[x₀,x₁,…,x_l-1]为第0层到第l-1层的特征图做通道合并，l为密集块的层数，H_l为BN层Relu激活函数与Conv的组合函数，x₀为输入层数据，x_l为密集块的输出。

在本发明的一个实施例中，步骤4包括：

4a)设置所述改进型CNN网络的迭代次数为1000，学习率设置为0.0001；

4b)将信号时频图的训练样本数据输入至3a)以及3b)设置好的改进型CNN网络中，当迭代次数达到1000时，结束训练，得到训练好的网络模型。

本发明的有益效果：

1、本发明采用多层较小的卷积核取代了单层较大的卷积核，提高了网络的拟合能力，降低了参数量；

2、本发明采用密集连接块结构，加深了网络结构，增强了网络的拟合能力，同时防止网络过深所带来的梯度弥散问题；

3、本发明采用GAP(全局池化层)取代了经典网络层中全连接层，大幅度降低参数量，显著提高了识别率；

4、本发明采用dropout层，加速网络训练过程，防止网络因层数过深导致的过拟合，提高网络的泛化能力。

以下将结合附图及实施例对本发明做进一步详细说明。

附图说明

图1是本发明实施例提供的基于改进型CNN网络的复杂雷达辐射源识别算法流程图；

图2是本发明实施例提供的基于改进型CNN网络的复杂雷达辐射源识别算法的另一种实现流程图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

实施例一

请参见图1和图2，图1是本发明实施例提供的一种基于改进型CNN网络的复杂雷达辐射源识别算法流程图，包括以下步骤：

步骤1：生成雷达信号数据集；

在本实施例中，用MATLAB软件仿真生成复杂雷达辐射源信号数据集，该数据集信号包括常规脉冲信号、线性调频信号、非线性调频信号、线性调频连续波信号、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八种信号，其中每种信号从-1dB到-10dB，间隔1dB，共10个信噪比点，每种信号样本数量为10000个，每个信噪比点上每类信号的样本有1000个。

在本实施例中，这八种不同的雷达信号参数设置如下：

这八种雷达信号的采样频率均设置为2GHz,采样点数均设置为1024个；

2FSK(二频编码)信号载频分别为120MHz、200MHz，编码方式采用13位巴克码，脉宽为0.5us，码元宽度为0.038us；

4FSK(四频编码)信号的载频分别为20MHz、120MHz、220MHz，320MHz，编码方式采用16位Frank码，脉宽为0.5us，码元宽度为0.03us；；

CW(常规脉冲)信号载频为200MHz；

LFM(线性调频)信号的载频为200MHz，带宽为150MHz；

LFMCW(线性调频连续波信号)的载频为200MHz，带宽为150MHz，仿真周期数M＝4；

NLFM(非线性调频信号)采用余弦调制，载频为200MHz，调制信号为4MHz；

BPSK(二相编码)信号的载频为200MHz，编码方式采用13位巴克码，脉宽为0.5us，码元宽度为0.038us；

QPSK(四相编码)信号的载频为200MHz，编编码方式采用16位Frank码，脉宽为0.5us，码元宽度为0.03us。

步骤2：对雷达信号进行预处理，获取训练样本和测试样本。

在本实施例中，选取-1db、-5db以及-10db三个信噪比点信号进行时频预处理。

对步骤1产生数据集的信号先以序列的形式输出，再将数据集信号进行时频变换，并以信号时频图的形式输出；

在输出的八种信号共80000个样本数据集中，从每类信号中随机抽出6000个样本作为训练集，2000个样本作为验证集，2000个样本作为测试集。

步骤3：以DenseNet为原型构建改进型CNN网络。

3a)设置改进型CNN网络参；

3a1)设置多层小size的卷积核；

采用两层的3*3卷积模板取代单层5*5的卷积模板，多层小size卷积核参数量要低于浅层大尺寸的卷积核，两层3*3卷积核的参数为3*3*2+1＝19；

3a2)设置全局池化代替全连接层；

经典网络中，全连接层先将卷积层展开成向量之后，再针对每个特征图进行分类。而本实施例使用全局池化算法就是将上述两个步骤合二为一；使用全局池化层来替代全连接层，减少网络参数，防止过拟合。

3a3)设置网络优化算法AdaGrad：

常见的网络优化算法有随机梯度下降算法、小批量梯度下降算法、AdaGrad算法和AdamOptimizer算法，本实施例选用AdaGrad算法控制学习率，算法表示如下：

计算梯度：

累计平方梯度：

计算更新：

应用更新：

θ←θ+Δθ

上述算法中，其中，L函数为Loss Function损失函数，g为梯度，m为训练样本的个数，θ是网络的参数，f为关于θ的函数，r为梯度累积变量，r的初始值为0，ε为全局学习率，δ为小常数，设置为10^-7。

3a4)设置网络收敛算法；

批量归一化算法用于改进网络收敛速度，算法分析如下：

算法输入：批处理的输入x：β＝{x_1,2,...m}

算法输出：规范后的网络响应{y_i＝BN_γ,β(x_i)}

核心算法公式：1)

2)

3)

4)

其中，γ与β为需要学习的参数，y为网络响应，μ_β为批处理数据均值，m为数据个数，为批处理数据方差，为规范化后的数据。

3a5)设置正则化方法；

常见正则化包含诸多不同形式的方法，如有参数范数惩罚、提前终止、dropout(随机失活)等等，在本实施例中，通过往损失函数添加额外项来进行正则化的方法，即参数范数惩罚正则化，具体方法如下：

参数范数惩罚正则化是通过对目标函数中添加一个参数范数惩罚项Ω(θ)，正则化后的目标函数记为J～：

J～(θ；X,y)＝J(θ；X,y)+αΩ(θ)

其中，θ表示网络中所有参数，w表示应受惩罚影响的权重，X表示网络输入，y表示数据对应的标签，α∈[0,+∞)是衡量参数范数惩罚程度的超参数。α＝0表示没有正则化，α越大对应正则化惩罚越大。

范数惩罚正则化中，其有两种正则化形式，分别为L1、L2正则化两种，简要介绍如下：

(1)L2参数正则化通常被称为权重衰减(weight decay)，是通过向目标函数添加一个正则项Ω(θ)＝w^Tw使权重更加接近原点，L2目标函数如下：

J～(θ；X,y)＝J(θ；X,y)+αw^Tw

(2)L1正则化的参数惩罚项Ω(θ)则为各个参数的绝对值之和，即Ω(θ)＝|w|＝∑w_i，L1目标函数如下：

J～(θ；X,y)＝J(θ；X,y)+α|w|

L2会提取更多特征，使其趋近于0，而L1则使较多特征为0。因此，L1适合于做数据压缩，而L2更加适合于分类、识别问题，所以本实施例选用L2正则化方法更加适合雷达辐射源分类、识别问题。

3a6)设置网络激活函数Relu；

常见的激活函数有sigmoid激活函数、tanh激活函数、双曲正切激活函数、非线性单元激活函数和指数线性单元激活函数，本实施例选用线性整流函数Relu，线性整流激活函数的数学模型表示如下：

φ(x)＝max(0,x)

其梯度函数如下：

3b)设置DenseNet网络参数；

3b1)设置DenseNet网络密集连接块；

请参见图2，图2是本发明实施例提供的基于改进型CNN网络的复杂雷达辐射源识别算法的另一种实现流程图。

在本实施例中，密集连接块由2个密集块组成，相邻密集块之间依次进行1*1的卷积操作和dropout来随机减少分支，并将卷积与dropout组合为一个单元，其中密集块第l层的输出x_l表示如下：

x_l＝H_l([x₀,x₁,...x_l-1])

式中，[x₀,x₁,…,x_l-1]为第0层到第l-1层的特征图做通道合并，l为密集块的层数，H_l为BN层Relu激活函数与Conv的组合函数，x₀为输入层数据，x_l为密集块的输出。

之所以在密集连接块后采用卷积与dropout组合单元，是因为经过密集连接块运算后的特征图虽然不大，但是在最后拼接之后，输出通道个数很多，需要1*1卷积来减少输入的特征图数量，既能降维减少计算量，又能融合各个通道的特征，同时由于密集连接块中的连接数很多，为了防止网络过拟合，故采用dropout来随机随机减少分支，避免过拟合，所以图2中网络单元设计成组合单元，其中，N表示网络中有多少个组合单元。

3b2)设置批处理单元Batch值为128，卷积核size值128；此时网络训练在1000代时整体识别率稳定。

步骤4：训练改进型CNN网络：

4a)设置改进型CNN网络网络的迭代次数为1000，训练学习率设置为0.0001；

4b)将信号时频图的训练样本数据输入至3a)以及3b)设置好的改进型CNN网络中，对改进型CNN网络进行迭代训练，当迭代次数达到1000时，结束训练，得到训练好的改进型CNN网络模型。

步骤5：将测试集样本输入到训练好的改进型CNN网络中，输出在不同信噪比下整体测试信号的预测识别率。

本实施例提供的基于改进型CNN网络的雷达辐射源识别算法，其方案为：用商用软件仿真生成多种雷达信号的数据集；将雷达数据集的信号进行时频变换，并以信号时频图的形式输出，分别制成训练集、验证集和测试集；设置改进型CNN和DenseNet的网络参数；使用训练集信号训练改进型网络；将测试集的数据输入到训练好的改进型CNN网络中，输出在不同信噪比下整体测试信号的识别率。本发明能充分精确提取雷达信号特征，提高了信号的识别率，同时降低了网络的训练、识别时间，具有良好的泛化性能，可用于复杂电磁环境下的雷达信号识别，主要解决了现有技术对雷达信号特征信息提取不充分和识别精度低的问题。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于改进型CNN网络的复杂雷达辐射源识别算法，其特征在于，包括以下步骤：

步骤1：生成雷达数据集信号；

步骤2：对所述数据集信号进行预处理，得到训练样本和测试样本；

步骤3：以DenseNet为原型构建改进型CNN网络；

步骤4：根据所述训练样本训练所述改进型CNN网络；

步骤5：将所述测试样本输入到训练好的改进型CNN网络中，输出雷达辐射源信号整体识别率。

2.根据权利要求1所述的方法，其特征在于，步骤1包括：

用MATLAB软件仿真生成八种复杂辐射源信号的数据集，数据集信号包括常规脉冲信号、线性调频信号、线性调频连续波信号、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八种信号，其中每种信号从-1dB到-10dB，间隔1dB，共10个信噪比点，每种信号样本数量为10000个，每个信噪比点上每类信号的样本有1000个；其中，所述八种不同的雷达信号参数设置如下：

所述八种雷达信号的采样频率均设置为2GHz，采样点数均设置为1024个；

二频编码信号载频分别为120MHz、200MHz，编码方式采用13位巴克码，脉宽为0.5us，码元宽度为0.038us；

四频编码信号的载频分别为20MHz、120MHz、220MHz、320MHz，编码方式采用16位Frank码，脉宽为0.5us，码元宽度为0.03us；

常规脉冲信号载频为200MHz；

线性调频信号的载频为200MHz，带宽为150MHz；

线性调频连续波信号载频为200MHz，带宽为150MHz，仿真周期数M＝4；

非线性调频信号采用余弦调制，载频为200MHz，调制信号为4MHz；

二相编码信号载频为200MHz，编码方式采用13位巴克码，脉宽为0.5us，码元宽度为0.038us；

四相编码信号载频为200MHz，编编码方式采用16位Frank码，脉宽为0.5us，码元宽度为0.03us。

3.根据权利要求1所述的方法，其特征在于，步骤2包括：

2a)选取-1db、-5db以及-10db三个信噪比点信号进行时频预处理；

2b)将步骤1产生数据集的信号先以序列的形式输出，再将所述数据集信号进行傅里叶时频变换，并以信号时频图的形式输出；

2c)在输出的八种信号共80000个样本数据集中，从每类信号中随机抽出6000个样本作为训练集，2000个样本作为验证集，2000个样本作为测试集，得到训练样本和测试样本。

4.根据权利要求1所述的方法，其特征在于，步骤3包括：

3a)设置所述改进型CNN网络：

选用多层小size的卷积核改进循环神经网络CNN，采用两层的3*3卷积模板取代单层5*5的卷积模板，使用全局池化层来替代全连接层；采用AdaGrad算法控制学习率，使用修正线性单元函数Relu作为激活函数，采用批量归一化算法改进网络收敛速度，采用参数范数惩罚正则化改进网络泛化性能；

3b)设置DenseNet网络参数：

设DenseNet由2个网络密集块组成，相邻密集块之间依次进行1*1的卷积操作和dropout，并将卷积与dropout组合为一个单元；设置批处理单元Batch值为128，卷积核size值为128。

5.根据权利要求4所述的方法，其特征在于，步骤3a)中AdaGrad算法表示如下：

计算梯度：

累计平方梯度：

计算更新：

应用更新：

θ←θ+Δθ

其中，L函数为Loss Function损失函数，g为梯度，m为训练样本的个数，θ为网络的参数，f为关于θ的函数，r为梯度累积变量，r的初始值为0，ε为全局学习率，δ为小常数，设置为10^-7。

6.根据权利要求4所述的方法，其特征在于，步骤3a)中的批量归一化算法表示如下：

算法输入：批处理的输入x：β＝{x_1,2,...m}

算法输出：规范后的网络响应{y_i＝BN_γ,β(x_i)}

核心算法公式：1)

2)

3)

4)

其中，γ与β为需要学习的参数，y为网络响应，μ_β为批处理数据均值，m为数据个数，为批处理数据方差，为规范化后的数据。

7.根据权利要求4所述的方法，其特征在于，步骤3a)中的正则化方法表示如下：

参数范数惩罚正则化是通过对目标函数中添加一个参数范数惩罚项Ω(θ)，正则化后的目标函数记为J～：

J～(θ；X,y)＝J(θ；X,y)+αΩ(θ)

其中，θ表示网络中所有参数，w表示应受惩罚影响的权重，X表示网络输入，y表示数据对应的标签，α∈[0,+∞)为衡量参数范数惩罚程度的超参数，α＝0表示没有正则化，α越大对应正则化惩罚越大。

8.根据权利要求4所述的方法，其特征在于，步骤3a)中的网络激活函数Relu表示如下：

φ(x)＝max(0,x)

其梯度函数如下：

9.根据权利要求4所述的方法，其特征在于，步骤3b)中的网络密集连接块表示如下：

密集连接块由2个密集块组成，相邻密集块之间依次进行1*1的卷积操作和dropout来随机减少分支，并将卷积与dropout组合为一个单元，其中密集块第l层的输出x_l表示如下：

x_l＝H_l([x₀,x₁,...x_l-1])

式中，[x₀,x₁,…,x_l-1]为第0层到第l-1层的特征图做通道合并，l为密集块的层数，H_l为BN层Relu激活函数与Conv的组合函数，x₀为输入层数据，x_l为密集块的输出。

10.根据权利要求3所述的方法，其特征在于，步骤4包括：

4a)设置所述改进型CNN网络的迭代次数为1000，学习率设置为0.0001；

4b)将所述信号时频图的训练样本数据输入至3a)以及3b)设置好的改进型CNN网络中，当迭代次数达到1000时，结束训练，得到训练好的网络模型。