CN110632572B - 基于无意调相特性的雷达辐射源个体识别方法及装置 - Google Patents

Abstract

本发明属于雷达信号处理技术领域，特别涉及一种基于无意调相特性的雷达辐射源个体识别方法及装置，该方法包含：建立辐射源相位观测模型并获取无意调相特征曲线，构建有标签的训练数据集；利用训练数据集对构建的卷积网络模型进行离线训练；提取目标信号无意调相序列特征，利用训练后的卷积网络模型进行在线识别，得到辐射源个体识别结果。本发明在考虑有意调制情形下，给出脉内信号相位简化观测模型，并对观测相位序列进行去调制处理，提取无意调相的含噪估计；利用贝塞尔曲线拟合无意调相，降低噪声影响，最后利用卷积网络提取无意调相序列的联合特征，实现雷达辐射源个体识别。并通过仿真实验验证方案的可行性与有效性，具有较好的工程应用前景。

Description

基于无意调相特性的雷达辐射源个体识别方法及装置

技术领域

本发明属于雷达信号处理技术领域，特别涉及一种基于无意调相特性的雷达辐射源个体识别方法及装置。

背景技术

特定辐射源识别(Specific Emitter Identification,SEI)是指通过对接收机截获的辐射源信号进行测量、分析，并根据已有的先验信息达到辨识个体的过程，是电子侦察的重要环节，为后续态势感知和威胁评估提供决策支持。早期雷达辐射源个体识别主要通过载频、脉宽和脉冲重复周期等常规参数进行模板匹配实现。随着雷达技术水平的提高，新体制雷达不断出现,电磁环境日益密集复杂,传统基于外部特征参数测量的方法已经难以满足快速、准确区分辐射源个体的需求。考虑到雷达辐射源个体的差异实际上是由于发射机内部器件固有的非理想特性引起的,这种非理想特性对信号的影响是细微的,称为无意调制(Unintentional Modulation On Pulse,UMOP).在传统方法失去作用的情形下,通过分析信号的UMOP特性以实现特定辐射源识别已成为一个重要的研究方向。

目前，已有从时域、频域、变换域等角度分析提取能够反映UMOP的独立稳定可测特征。现有从实际工程应用出发,在中、高信噪比条件下,通过直接估计脉内瞬时相位的手段提取无意调相(Unintentional Phase Modulation On Pulse,UPMOP)特征曲线作为辐射源个体特征,采样最近邻(Nearest Neighbor,NN)分类算法实现个体识别,并在仿真数据和二次雷达实测数据上验证了该方法的可行性和有效性,取得了较好的识别效果。但仍然存在以下不足:(1)UPMOP特征曲线提取过程只适合于脉内无有意调制的情况,而在实际环境中,常用脉内有意调制信号，因此需要进一步考虑有意调制的情形下,如何有效提取脉冲的UPMOP特征曲线；(2)该算法利用时域加窗平滑对UPMOP特征曲线进行降噪处理,受噪声的影响较大,信噪比相对较低时,降噪处理后UPMOP特征曲线仍弯折抖动明显,不利于分类器学习；3)分类算法采用基于欧式距离的最近邻算法,但UPMOP特征曲线是典型的时间序列,其所有信息都包含在不同时刻的变化中,数据在时间维度上的关联性非常重要,传统基于欧式距离的最近邻分类算法无法很好地解决这一问题。

发明内容

为此，本发明提供一种基于无意调相特性的雷达辐射源个体识别方法及装置，能够较好地对特定辐射源进行分类识别，具有很好的工程应用前景。

按照本发明所提供的设计方案，提供一种基于无意调相特性的雷达辐射源个体识别方法，包含如下内容：

建立辐射源相位观测模型并获取无意调相特征曲线，构建有标签的训练数据集；

利用训练数据集对构建的卷积网络模型进行离线训练；

提取目标信号无意调相序列特征，利用训练后的卷积网络模型进行在线识别，得到辐射源个体识别结果。

作为本发明个体识别方法，进一步地，基于有意调制，建立辐射源脉内信号相位观测模型，并对观测相位序列进行去调制处理，提取无意调相的含噪估计；利用贝塞尔曲线拟合来获取无意调相特征曲线。

作为本发明个体识别方法，进一步地，信号相位观测模型表示为：

其中，ν₂(n)是实高斯白噪声，ψ(n)为信号相位，

为相位观测序列。

作为本发明个体识别方法，进一步地，利用相位观测序列

拟合关于观测样点多项式表达中的调制项g(n),通过

提取无意调制UPMOP的含噪估计。

作为本发明个体识别方法，进一步地，利用贝塞尔曲线对无意调相的含噪估计进行平滑处理，平滑效果通过误差平方和进行衡量，将控制点作为待估计参数，将平滑处理目标函数转化为线性最小二乘问题，得到平滑降噪后的无意调相特征曲线。

作为本发明个体识别方法，进一步地，基于keras搭建卷积网络模型，输入为无意调相特征曲线，通过该网络模型提取无意调相序列特征，输出分类识别结果。

作为本发明个体识别方法，进一步地，卷积网络模型采用长短时记忆加全卷积网络模型架构，从不同角度提取无意调相序列特征。

作为本发明个体识别方法，进一步地，输入无意调相为单变量时间序列，通过全卷积网络模型将时间序列看做多个时间步长的单变量序列处理，长短时记忆网络模型将时间序列看做多变量单步长序列处理，并利用变换Permute层置换输入维度，全卷积网络模型由多个卷积块堆叠，每个卷积块包含时序卷积、批标准化和ReLU非线性变换操作，每个卷积块使用全零填充保持卷积后输出序列特征时间维度不变，做非线性变化前对激活输入值进行批标准化，经卷积后提取多维特征矢量，然后在整个时间维度上进行全局池化聚合产生多个特征值；长短时记忆网络模型利用循环体门结构控制信息传输，挖掘数据中时序信息。

作为本发明个体识别方法，进一步地，将两个网络模型提取的序列特征进行串联，并利用Softmax输出类变量概率分布，以获取分类识别结果。

进一步地，本发明还提供一种基于无意调相特性的雷达辐射源个体识别装置，包含：样本构建模块、模型训练模块和目标识别模块，其中，

样本构建模块，用于建立辐射源相位观测模型并获取无意调相特征曲线，构建有标签的训练数据集；

模型训练模块，用于利用训练数据集对构建的卷积网络模型进行离线训练；

目标识别模块，用于提取目标信号无意调相序列，利用训练后的卷积网络模型进行在线识别，得到辐射源个体识别结果。

本发明的有益效果：

本发明弥补仅适用于接收脉冲为单载频信号的缺陷,能够从任意调制脉冲中提取出UPMOP特征曲线，并通过贝塞尔曲线拟合取得UPMOP更为精确的特征描述；通过引入深度学习技术，构建LSTM-FCN模型自学习UPMOP时间序列特征实现了雷达辐射源个体分类识别，有效解决传统最近邻算法在时间序列分类问题上表现不佳。并通过实验证明，本发明对噪声和样本数量均具有较好的鲁棒性，能够较准确地识别雷达辐射源个体，且识别耗时短，性能优，具有一定的工程应用价值。

附图说明：

图1为实施例中辐射源个体识别方法流程示意图；

图2为实施例中电子侦查系统软件处理流程；

图3为实施例中UPMOP特征曲线提取流程；

图4为实施例中LSTM单元结构示意图；

图5为实施例中FCN结构用于时间序列分类示意图；

图6为实施例中LSTM-FCN网络结构示意图；

图7为实施例中辐射源个体识别装置示意图；

图8为实施例中调制项拟合与去调制仿真结果示意图；

图9为实施例中降噪性能分析示意图；

图10为实施例中两仿真雷达各自100个脉冲的UPMOP特征曲线示意图；

图11为实施例中不同方法识别性能对比示意图；

图12为实施例中不同网络参数下识别性能对比示意图；

图13为实施例中三个信号源各自100个脉冲的UPMOP特征曲线示意图。

具体实施方式：

为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。

脉内无意调相是雷达辐射源个体识别的关键和基础，为解决现有基于UPMOP特性实现雷达辐射源个体识别方法的欠缺，本发明实施例，参见图1所示，提供一种基于无意调相特性的雷达辐射源个体识别方法，包含：

S101)建立辐射源相位观测模型并获取无意调相特征曲线，构建有标签的训练数据集；

S102)利用训练数据集对构建的卷积网络模型进行离线训练；

S103)提取目标信号无意调相序列特征，利用训练后的卷积网络模型进行在线识别，得到辐射源个体识别结果。

作为本发明实施例中的个体识别方法，进一步地，基于有意调制，建立辐射源脉内信号相位观测模型，并对观测相位序列进行去调制处理，提取无意调相的含噪估计；利用贝塞尔曲线拟合来获取无意调相特征曲线。

双通道数字接收机被动接收到的一个雷达脉冲信号可以表示为

其中A(n)为瞬时幅度函数，

为初始相位，f_I为信号中心频率，f_s为接收机采样率,

为相位调制函数,

表示无意调相UPMOP,w(n)是零均值方差为σ²的复高斯白噪声,N为采样点数。常用的

有以下几种：(1)单载频脉冲,

(2)线性调频脉冲LFM,

K＝B/T为调频率,B为带宽,T为脉宽；(3)相位编码脉冲,如BPSK,

在每个子码持续时间内,c(n)＝0或1；(4)频率编码脉冲,如2FSK,

在每个子码持续时间内,f'＝0或ΔF,ΔF表示频率步进。

针对UPMOP，假设瞬时幅度是恒定的,令A(n)＝A,将信号相位记为ψ(n),则式(1)可进一步表示为

x(n)＝Ae^jψ(n)[1+ν(n)],n∈[1,N] (2)

其中ν(n)＝w(n)e^-jψ(n)/A是方差为σ²/A²的复高斯白噪声.令ν(n)＝ν₁(n)+jν₂(n),易知ν₁(n),ν₂(n)均是零均值方差为σ²/2A²的实高斯白噪声,则

在中、高信噪比条件下A²＞＞σ²,则ν₁(n),ν₂(n)＜＜1,式(3)可近似成

将其代入式(2),可进一步将信号的观测模型表示成

则信号的相位观测模型可表示为

其中ν₂(n)是零均值方差为σ²/2A²的实高斯白噪声,即每个采样时刻的观测相位分布均满足:

在工程应用中,常直接将相位观测序列

作为瞬时相位的含噪估计,将ψ(n)展开代入式(5)可得

令

表示调制项,

表示UPMOP的含噪估计,则

为从相位观测序列中提取出UPMOP特征曲线,首先需要去除调制项g(n)。

作为本发明实施例中的个体识别方法，进一步地，利用相位观测序列

拟合关于观测样点多项式表达中的调制项g(n),通过

提取无意调制UPMOP的含噪估计。

调制项g(n)是关于观测样点的多项式表达,因此，可采用最小二乘多项式拟合g(n)。最小二乘法的思想是通过最小化误差平方和以寻求实际数据的最佳匹配。UPMOP是一类随机噪声,均值为0,因此可直接利用相位观测序列

拟合g(n),然后通过

提取UPMOP的含噪估计.相位观测数据为

假设多项式拟合的结果为g'＝[g'₁,g'₂,…g'_N]^T,每个相位观测样点具体表示为

将式(7)记为g'＝TA,其中T是观测矩阵,A＝[a₁,a₂,…a_n]^T是待拟合的多项式系数,则拟合的误差平方和为

根据最小二乘估计准则

可用函数J(A)对A求偏导数,令偏导数等于0得到

解得

则最小二乘多项式拟合结果为

值得说明的是,基于调制识别和调制参数估计任务完成后进行雷达辐射源个体识别,如图2所示,在此基础上能够确定截获信号调制函数

表达式次数以及子码编码规则等参数。当

为单载频脉冲时,调制项g(n)是关于观测样点的一次多项式,此时观测矩阵n取值为1；当

为LFM时,调制项g(n)是关于观测样点的二次多项式,此时观测矩阵n取值为2；BPSK、2FSK在一个脉冲持续时间内根据子码编码的变化

取不同的值,但在每个子码持续时间内调制项g(n)均是观测样点的一次多项式,需根据子码编码状态对脉内信号进行分帧处理,分段完成拟合。

作为本发明实施例中的个体识别方法，进一步地，利用贝塞尔曲线对无意调相的含噪估计进行平滑处理，平滑效果通过误差平方和进行衡量，将控制点作为待估计参数，将平滑处理目标函数转化为线性最小二乘问题，得到平滑降噪后的无意调相特征曲线。

由于ρ(n)是UPMOP的含噪估计,噪声造成UPMOP特征曲线上下抖动明显,时序上变化迅速,不利于分类器学习到有效特征.为了得到UPMOP更精确的特征描述,可采用贝塞尔曲线对UPMOP进行平滑。

贝塞尔曲线是图形学和数值分析中常用的参数曲线,它根据曲线的首末点和中间的控制点来构成曲线。d阶贝塞尔表达式为

其中t_k为归一化时间参数,B_d,i(t_k)为d阶伯恩斯坦多项式,P_i为控制点,

为二项式系数.贝塞尔曲线平滑相当于对UPMOP含噪估计ρ＝[ρ₁,ρ₂,…ρ_N]^T进行插值拟合。将平滑贝塞尔曲线表示为C＝[C(t₁),C(t₂),…,C(t_N)]^T＝B_N×(d+1)P_(d+1)×1,平滑效果通过误差平方和进行衡量,则目标函数表示为

min J＝(ρ-BP)^T(ρ-BP) (11)

为了简化贝塞尔曲线的求解过程,可仅将控制点作为待估计参数,并令时间参数t_k＝k/N,k＝1,2,…,N,则式(11)转化为线性最小二乘问题。可以解得

则平滑降噪后的UPMOP为B(B^TB)^-1B^Tρ.根据以上分析UPMOP特征曲线的提取流程如图3所示。

利用UPMOP特征曲线实现辐射源个体识别,实质上是一种时间序列分类问题。时间序列与传统的空间点特征数据区别在于：对于一个时间序列X,其每一个时刻的测量值对应于传统欧式空间的一个维度,在传统的欧式空间中,维度之间的关联关系是有限的,不同维度的数值大小可以千差万别,而时间序列通常会按照某一类模式变化,所有信息都包含在不同时刻的变化中,因此其数据在时间维度上的关联性非常重要,传统基于欧式距离的分类算法无法很好地解决这一问题。

时间序列分类是数据挖掘中一个重要且具有挑战性的问题。随着时间数据可用性的增加,研究人员提出数百种方法来解决该问题,最流行和传统的方法之一是使用最近邻分类器和距离函数,特别是动态时间扭曲(Dynamic Time Warping,DTW)距离函数。但基于DTW距离度量的最近邻分类算法计算复杂度高,在实际环境中的应用受限。深度学习通过构建具有多隐层的神经网络模型来学习更具分类能力的特征,在各种分类任务中取得了巨大成功,因此研究人员将深度学习算法应用于时间序列分类问题,以便以端到端的方式从原始时间序列中学习隐式的判别特征。LSTM-FCN等一系列模型用于解决时间序列分类问题,并在UCR数据集上验证了该模型的识别性能。LSTM是一种特殊的循环神经网络(RecurrentNeural Network,RNN),能够很好地解决长时依赖、RNN梯度消失等问题。与RNN单一tanh循环体结构不同,LSTM是一种拥有三个门结构的特殊网络结构，如图4所示。

相比RNN只有一个传输状态,LSTM有两个传输状态:细胞状态c_t(Cell State)代表长时记忆和隐藏状态h_t(Hidden State)代表短时记忆.三个门分别为遗忘门、输入门和输出门,遗忘门f_t控制是否遗忘上一时刻的细胞状态c_t-1,输入门i_t控制当前输入信息

是否加入上一时刻状态生成新的细胞状态c_t,输出门o_t根据当前细胞状态c_t控制当前时刻的隐藏层输出h_t.信息的前向传播过程以及每个门的运算可以用以下公式表示

其中h_t-1表示上一时刻的隐藏层输出,x_t表示当前时刻输入,σ表示sigmoid激活函数,输出0到1之间的数值,描述当前输入有多少信息可以通过门结构,⊙表示按位相乘,W、b是对应的权值矩阵和偏置项。LSTM利用循环体的门结构来控制信息的传输,可以挖掘数据中时序信息,具有序列建模的能力。

卷积神经网络(Convolutional Neural Network,CNN)成功应用于图像识别、自然语言处理等领域,受其启发研究人员开始将CNN应用于时序分析领域。对于单变量时间序列X＝[x₁,x₂,...,x_T]使用一维卷积也称时序卷积.时序卷积与二维卷积的差别在于时序卷积的核尺寸是一个整数,表示一维卷积窗口的长度.假设时序卷积窗口长度为d,卷积滤波器数量为K,步长为1,使用全零填充以保持输出序列长度不变,对时间序列X进行时序卷积输出为

C^k、W^k和b^k分别表示第k个滤波器时序卷积输出、权值矩阵和偏置项,*表示内积运算。式(13)表明时序卷积运算相当于对时间序列进行滑动滤波,是一种非线性变换。图5为FCN结构,在一个时间序列上应用多个滤波器产生多变量时间序列,其维度等于所使用的滤波器数量,能够学习到多个判别特征；而堆叠多个时序卷积层能够多层级提取时间序列的组合特征,以便学习到更具分类判别属性的特征。

作为本发明实施例中的个体识别方法，进一步地，基于keras搭建卷积网络模型，输入为无意调相特征曲线，通过该网络模型提取无意调相序列特征，通过卷积聚合，输出分类识别结果。优选的，卷积网络模型采用长短时记忆加全卷积网络模型架构，从不同角度提取无意调相序列特征。进一步地，输入无意调相为单变量时间序列，通过全卷积网络模型将时间序列看做多个时间步长的单变量序列处理，长短时记忆网络模型将时间序列看做多变量单步长序列处理，并利用变换Permute层置换输入维度，全卷积网络模型由多个卷积块堆叠，每个卷积块包含时序卷积、批标准化和ReLU非线性变换操作，每个卷积块使用全零填充保持卷积后输出序列特征时间维度不变，做非线性变化前对激活输入值进行批标准化，经卷积后提取多维特征矢量，然后在整个时间维度上进行全局池化聚合产生多个特征值；长短时记忆网络模型利用循环体门结构控制信息传输，挖掘数据中时序信息。进一步地，将两个网络模型提取的序列特征进行串联，并利用Softmax输出类变量概率分布，以获取分类识别结果。

基于keras搭建网络模型，图6为本发明实施例中设计的模型结构。输入为UPMOP特征曲线,LSTM和FCN分别从不同的角度提取UPMOP序列特征。输入UPMOP为1×N的单变量时间序列，在该网络结构中FCN将时间序列看作多个时间步长的单变量序列处理，而LSTM将时间序列是看作是多变量单步长序列处理，以提高网络模型性能，因此利用Permute层置换输入维度。FCN由3个卷积块堆叠而成,每个块包含三个操作：时序卷积,批标准化(BatchNormalization,BN)和ReLU非线性变换.卷积层滤波器数量分别为128,256,128,对应的卷积窗口长度分别为7,5,3,卷积步长均为1,并使用全零填充保持卷积后输出序列特征时间维度不变。每层做非线性变化前对激活输入值进行批标准化,以加快收敛速度,提高模型泛化能力。经过3组卷积运算后,提取到128×N的特征矢量,最后在整个时间维度上进行全局池化(Global Pooling)聚合产生128个特征值,以减少模型中的参数量。最后将LSTM提取的8个特征值与FCN提取的128个特征值进行串联,并利用Softmax层输出类变量的概率分布,得到分类结果。

基于以上分析,本发明实施例中的算法流程可设计为如下内容：

步骤1:训练数据集生成。首先根据UPMOP特征曲线提取流程,提取出辐射源数据库中脉冲信号的UPMOP序列,生成有标签的训练数据集；

步骤2:离线训练。基于keras构建LSTM-FCN模型,并初始化参数设置,利用训练数据集对模型进行离线训练,当模型达到稳态后,保存模型；

步骤3:目标信号预处理。首先对宽带接收频段进行信号检测,然后利用分选技术对检测到的信号脉冲流进行分选,最后对分选出的脉冲信号逐一进行调制识别,调制参数估计,进而按照UPMOP特征曲线提取流程提取UPMOP序列；

步骤4:在线识别。用保存好的LSTM-FCN模型对预处理后的目标信号进行在线识别,得到个体识别结果。

进一步地，基于上述的方法，本发明还提供一种基于无意调相特性的雷达辐射源个体识别装置，参见图7所示，包含：样本构建模块101、模型训练模块102和目标识别模块103，其中，

样本构建模块101，用于建立辐射源相位观测模型并获取无意调相特征曲线，构建有标签的训练数据集；

模型训练模块102，用于利用训练数据集对构建的卷积网络模型进行离线训练；

目标识别模块103，用于提取目标信号无意调相序列，利用训练后的卷积网络模型进行在线识别，得到辐射源个体识别结果。

为验证本发明技术方案的有效性，下面通过具体仿真实验做进一步解释说明：

假设雷达发射脉冲的信号模型为

式中f₀是信号载频，PW＝0.5μs为脉宽，

为相位调制函数，f(t)＝0.5Bsin[2π(t/PW-0.5)]为正弦形式的脉内无调频函数，其中B＝2MHz表示频率调制带宽，即用2π∫f(t)dt仿真UPMOP。产生数字仿真信号时，设信号经接收机下变频至中频f_I为60MHz，接收机A/D模块采样率f_s为250MHz。

首先模拟同一部雷达发射不同调制脉冲的情况下，利用最小二乘多项式拟合调制项的有效性。测试的调制脉冲包括：单载频、LFM、BPSK、2FSK，其中LFM调制带宽为50MHz；BPSK编码规则为5位巴克码[1,1,1,0,1]，其中1对应相位为π；2FSK频率1比频率2低10MHz，编码规则也为5位巴克码，其中1对应频率1。图8是信噪比为25dB时，(a)、(b)、(c)、(d)分贝对应单载频、LFM、BPSK、2FSK不同调制脉冲调制项拟合和去调制的结果。从图中可以看到，利用最小二乘多项式拟合调制项效果较好，对观测相位进行去调制后，能够有效提取辐射源的UPMOP特征。

其次通过对比贝塞尔平滑方法和时域加窗平滑方法的降噪性能，来验证贝塞尔平滑方法能够获得UPMOP更有效、更精确的特征描述。实验采用UPMOP估计均方根误差(RMSE)衡量不同降噪方法的性能。

利用贝塞尔曲线对UPMOP进行平滑降噪时，首先需要确定合适的贝塞尔阶数。信噪比为25dB时，分别测试了1～8阶贝塞尔的降噪性能，每个阶数下均进行100次蒙特卡洛仿真，统计结果如图9(a)所示。从图中可以看出UPMOP估计误差随着贝塞尔阶数的增大而逐渐减小，当阶数为4时均方根误差小于0.05并趋于稳定，此时能够获得UPMOP较为精确的特征描述。因此综合考虑降噪性能和计算复杂度，后续实验可均采用4阶贝塞尔对UPMOP进行平滑降噪。

信噪比变换范围为10～45dB，每隔5dB对两种降噪方法分别进行100次蒙特卡洛仿真，计算各自的RMSE统计均值，结果如图9(b)所示，其中时域加窗平滑的窗长

从图中可以看出随着信噪比的提高，UPMOP估计误差越小，降噪性能越好；并且在不同信噪比下，贝塞尔平滑后的估计误差均远低于时域加窗平滑后的误差。实验证明，本发明技术方案能够有效的从各种调制脉冲中提取出UPMOP特征曲线，并且利用贝塞尔平滑方法能够获得UPMOP更精确的特征描述。

通过仿真实验检验基于UPMOP特性和LSTM-FCN模型的个体识别方法的可行性与有效性，并与其他基于UPMOP特性的辐射源个体识别方法进行对比。仿真两部雷达，信号模型同上述式(14)，仅在频率调制带宽上有细微差别分别为：B₁＝2MHz,B₂＝(B₁+ΔB)MHz。图10给出了SNR＝25dB,ΔB＝0.3MHz的条件下，提取两部雷达各100个脉冲的UPMOP特征曲线，从图中可以看出两部雷达UPMOP特征曲线有明显的区别，具有良好的分类属性，因此利用合适的识别算法能够很好地解决个体识别问题。

利用LSTM-FCN进行个体识别时，首先构造训练数据集对LSTM-FCN进行离线训练以获得稳定模型，然后利用稳定模型对新的脉冲样本进行在线识别。当ΔB固定为0.3MHz时，在每个信噪比下两部雷达各产生10个样本构成训练数据集；当信噪比固定为25dB时，在每个ΔB下两部雷达各产生80个脉冲样本构成训练数据集。在不同信噪比及不同ΔB条件下，分别进行100次蒙特卡洛个体识别实验，每次实验均对两部雷达各100个样本进行识别，统计5种方法的平均识别正确率，结果如图11所示，图中beizer、smooth分别表示贝塞尔平滑降噪和时域加窗平滑降噪，knn-ed、knn-dtw分别表示基于欧式距离和基于DTW距离的最近邻识别算法，本发明技术方案方法表示为bezier-lstm-fcn，多普勒效应脉冲无意调制特征比较中的方法表示为smooth-knn-ed，从图中可以看出贝塞尔平滑降噪法均有利于雷达辐射源个体识别，相比于时域加窗平滑降噪法能够获得更高的识别正确率；无论基于欧式距离还是基于DTW距离度量的最近邻识别算法性能均不如LSTM-FCN。图11(a)显示，当SNR＜25dB时，本发明技术方案方法能够取得较其他方法更高的识别正确率，对噪声的鲁棒性更强。图11(b)说明，在相同信噪比条件下，本发明技术方案方法能够更好的区分相似的目标。基于以上分析可知，本发明技术方案是可行有效的，并且在不同信噪比或者不同ΔB条件下其识别性能更优。

分别从网络结构和训练数据量两个角度测试网络参数对识别性能的影响。首先比较LSTM-FCN、LSTM和FCN三种网络结构对个体识别性能的影响。结果如图12(a)所示，从图中可以看出，LSTM-FCN模型能够获得更高的识别正确率，识别性能优于单独使用LSTM或FCN，实验结果表明LSTM-FCN能够从不同的角度提取UPMOP序列特征形成更为丰富的联合特征表示，特征刻画能力强，因此识别性能更优。训练数据量的大小同样对个体识别性能产生影响，在不同训练数据量下训练获得稳定模型后分别进行100次蒙特卡洛个体识别实验，每次实验对两部雷达各100个样本进行识别，统计平均识别正确率。实验结果如图12(b)所示，可以看出信噪比越低，训练数据量的大小对识别正确率的影响越大。并且随着训练数据的增加，个体识别正确率也逐渐增加，但当训练数据量超过160个样本时，在不同信噪比条件下识别正确率已趋于稳定，该实验验证了即使在样本数量较少的情况下，本发明技术方案仍具有优异的分类性能，对雷达辐射个体识别具有重要意义。

利用三个信号源A、B、C模拟雷达发射机发射信号，利用实时频谱分析仪进行信号采集，其中信号源A、B、C型号分别为Tektronix AWG70002A、Tektronix AWG70002B和Agilent E8267D，实时频谱分析仪型号为Tektronix RSA5126B，各个仪器设备均经过严格标校，且在标校有效期内。信号源A、B、C发射脉冲脉宽均为1μs，载频均为1GHz，信号源A、B发射LFM信号，带宽为100MHz，C发射单载频信号；实时频谱分析仪分别采集存储各信号源500个脉冲进行实验，采样频率为200MHz.采用实时频谱分析仪直接以馈线的方法进行信号采集，因此在信号传播过程中几乎没有加入新的噪声，采集的信号具有较高的信噪比。从采集的脉冲中各随机选择100个脉冲样本，提取UPMOP特征曲线如图13所示，从图中可以看出不同个体均存在UPMOP，并且UPMOP能够反映不同个体独有属性，因此在实际工程应用中利用UPMOP特性实现个体识别是可行的。该实验随机选取三个信号源各80个脉冲提取UPMOP序列作为训练样本集，剩下1260个脉冲作为测试样本集，识别时分别采用基于欧式距离的最近邻识别算法、基于DTW距离的最近邻识别算法和本发明识别算法LSTM-FCN。实验次数20，得到各识别算法平均识别耗时和平均识别正确率如表1所示。从表中可以看出，本发明识别算法能够取得更高的识别正确率，平均识别耗时较短，能够做到实时识别。因此，综合考虑本发明识别算法性能更优，具有较好的工业应用前景以及研究价值。

表1不同分类算法对实测数据的分类性能比较

基于以上内容，本发明中基于UPMOP特性的雷达辐射源个体识别方法，能够较准确地识别雷达辐射源个体。该方法弥补了仅适用于接收脉冲为单载频信号的缺陷，能够从任意调制脉冲中提取出UPMOP特征曲线，并通过贝塞尔曲线拟合取得了UPMOP更为精确的特征描述。引入深度学习技术，构建LSTM-FCN模型自学习UPMOP时间序列特征实现了雷达辐射源个体分类识别，有效解决了传统最近邻算法在时间序列分类问题上表现不佳。实验证明，对噪声和样本数量均具有较好的鲁棒性，识别耗时短，性能优，具有一定的工程应用价值。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。

基于上述的方法，本发明实施例还提供一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的方法。

基于上述的方法，本发明实施例还提供一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现上述的方法。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (2)

1.一种基于无意调相特性的雷达辐射源个体识别方法，其特征在于，包含如下内容：

建立辐射源相位观测模型并获取无意调相特征曲线，构建有标签的训练数据集；

利用训练数据集对构建的卷积网络模型进行离线训练；

提取目标信号无意调相序列特征，利用训练后的卷积网络模型进行在线识别，得到辐射源个体识别结果；

基于有意调制，建立辐射源脉内信号相位观测模型，并对观测相位序列进行去调制处理，提取无意调相的含噪估计；

利用贝塞尔曲线拟合来获取无意调相特征曲线；信号相位观测模型表示为：

其中，ν₂(n)是实高斯白噪声，ψ(n)为信号相位，

为相位观测序列；d阶贝塞尔表达式表示为

t_k∈[0,1]，t_k为归一化时间参数,B_d,i(t_k)为d阶伯恩斯坦多项式,P_i为控制点,

为二项式系数；

利用相位观测序列

拟合关于观测样点多项式表达中的调制项g(n),通过

提取无意调制UPMOP的含噪估计；设定贝塞尔曲线平滑视为对UPMOP含噪估计ρ＝[ρ₁,ρ₂,…ρ_N]^T进行插值拟合；将平滑贝塞尔曲线表示为C＝[C(t₁),C(t₂),…,C(t_N)]^T＝B_N×(d+1)P_(d+1)×1,平滑效果通过误差平方和进行衡量，目标函数表示为min J＝(ρ-BP)^T(ρ-BP)，将控制点作为待估计参数,并令时间参数t_k＝k/N,k＝1,2,…,N，将目标函数转化为线性最小二乘问题，通过求解获取平滑降噪后的UPMOP为B(B^TB)^-1B^Tρ；

基于keras搭建卷积网络模型，输入为无意调相特征曲线，通过该网络模型提取无意调相序列特征，输出分类识别结果；

卷积网络模型采用长短时记忆加全卷积网络模型架构，从不同角度提取无意调相序列特征；

输入无意调相为单变量时间序列，通过全卷积网络模型将时间序列看做多个时间步长的单变量序列处理，长短时记忆网络模型将时间序列看做多变量单步长序列处理，并利用变换Permute层置换输入维度，全卷积网络模型由多个卷积块堆叠，每个卷积块包含时序卷积、批标准化和ReLU非线性变换操作，每个卷积块使用全零填充保持卷积后输出序列特征时间维度不变，做非线性变化前对激活输入值进行批标准化，经卷积后提取多维特征矢量，然后在整个时间维度上进行全局池化聚合产生多个特征值；长短时记忆网络模型利用循环体门结构控制信息传输，挖掘数据中时序信息；

将两个网络模型提取的序列特征进行串联，并利用Softmax输出类变量概率分布，以获取分类识别结果。

2.一种基于无意调相特性的雷达辐射源个体识别装置，其特征在于，基于权利要求1所述的方法实现，包含：样本构建模块、模型训练模块和目标识别模块，其中，

样本构建模块，用于建立辐射源相位观测模型并获取无意调相特征曲线，构建有标签的训练数据集；

模型训练模块，用于利用训练数据集对构建的卷积网络模型进行离线训练；

目标识别模块，用于提取目标信号无意调相序列，利用训练后的卷积网络模型进行在线识别，得到辐射源个体识别结果。

Images