CN111126134A - 基于非指纹信号消除器的雷达辐射源深度学习识别方法 - Google Patents

Abstract

本发明公开了一种基于非指纹信号消除器的雷达辐射源深度学习识别方法，原始的雷达辐射源信号包含指纹特征与非指纹特征部分，对于指纹特征的提取和非指纹特征的抑制与消除将在很大程度上提高雷达辐射源识别精确度。本申请利用深度学习网络作为辐射源信号特征提取器，结合提出的非指纹信号消除器，提取辐射源信号的指纹信息，消除抑制非指纹信号，实现雷达辐射源识别效果的提升。

Description

基于非指纹信号消除器的雷达辐射源深度学习识别方法

技术领域

本发明涉及雷达辐射源识别领域，具体地，涉及一种基于非指纹信号消除器的雷达辐射源深度学习识别方法。

背景技术

雷达辐射源识别(Specific Emitter Identification)是雷达对抗系统的主要功能之一，具有重要的战略和战术意义。机器学习尤其是深度学习已经被广泛应用于解决雷达辐射源识别问题，取得了较高的识别精度。雷达辐射源发射信号的内部特性近年来在辐射源识别领域得到了广泛的关注。特殊的发射器识别意味着能够将独特的电磁特性附加到特定的发射器上。这些特性属于脉冲内调制特性(intra-pulse modulation)，包括有意和无意的脉冲内调制。其中有意调制难以获得，可作为辐射源识别问题中的非指纹特征(un-fingerprint features)。无意脉内调制与发射器内部元器件特性和结构组成有关，可作为辐射源识别问题中的指纹特征(fingerprint features)。

然而，在以往的研究中，信号的指纹(fingerprint features)和非指纹(un-fingerprint features)特征并没有得到明确的区分和解耦，这使两种信号在识别的过程中混杂在一起，对最终识别的精确度产生了较大的影响。

发明内容

本文提出的基于非指纹信号消除器的雷达辐射源深度学习识别方法可以主动识别输入辐射源信号中指纹特征与非指纹特征，消除初始发射信号中的非指纹信息部分，提高辐射源识别任务的识别精度和稳定性。

本发明解决其技术问题所采用的技术方案是：一种基于非指纹信号消除器的雷达辐射源深度学习识别方法，应用本发明提出的结合深度卷积神经网络与非指纹消除器的雷达辐射源识别网络完成雷达辐射源识别完成工作，具体过程包括以下几个步骤：

1)信号预处理；

由于辐射源信号为一维时序数据，每个采样点可测得一个信号强度幅值。而深度学习卷积神经网络需要二维图片数据作为输入，因此要进行数据预处理。固定网络输入图片规格为224像素*224像素*3通道，若辐射源信号采样点数量a≥224²＝50176，则取连续的50176个采样点数据，按顺序逐行填充至矩阵M∈R^224×224中，再将其复制得到矩阵I∈R^{224 ×224×3}，完成数据预处理；若采样点数量a＜50176则在数列后填充0，直至达到某一平方数，填充至某一大小的方阵M，再利用插值算法将其放大到224×224尺寸，再进行复制得到输入图像I。

2)数据集划分；

在深度学习卷积神经网络的训练过程中，数据需要划分为训练集，验证集与测试集。对收集到的辐射源信号进行上述信号预处理过程，并将全部数据打乱，取70％的数据作为训练集，取20％的数据作为验证集，取10％的数据作为测试集。

训练集用于深度学习网络的训练，以训练集作为网络的输入，以最小化损失函数为目标，通过梯度反向传播更新网络参数；验证集用于评估深度学习网络在非训练集数据上的表现，帮助判断网络的训练情况如是否出现对训练集数据的过拟合或是否已经达到预期目标；测试集用于测试深度学习网络在新数据上的表现，作为衡量网络性能的检测数据。

3)搭建特征提取器；

特征提取器用于提取输入辐射源信号的各层特征，由深度卷积神经网络完成。本发明采用50层的ResNet网络，其搭建过程如下：

3.1)第一层：由计算步长为2，尺寸为7×7的64个卷积核和尺寸为3×3，步长为2的最大池化层组成。

3.2)第二层：由3个计算单元组成，每个计算单元包含：64个步长为1，尺寸为1×1的卷积核；64个步长为1，尺寸为3×3的卷积核；256个步长为1，尺寸为1×1的卷积核。

3.3)第三层：由4个计算单元组成，每个计算单元包含：128个步长为1，尺寸为1×1的卷积核；128个步长为1，尺寸为3×3的卷积核；512个步长为1，尺寸为1×1的卷积核。

3.4)第四层：由6个计算单元组成，每个计算单元包含：256个步长为1，尺寸为1×1的卷积核；256个步长为1，尺寸为3×3的卷积核；1024个步长为1，尺寸为1×1的卷积核。

3.5)第五层：由3个计算单元组成，每个计算单元包含：512个步长为1，尺寸为1×1的卷积核；512个步长为1，尺寸为3×3的卷积核；2048个步长为1，尺寸为1×1的卷积核。

3.6)第六层：由全局平均池化和softmax层组成。其中softmax计算方式如下

其中y_i,y_j分别表示网络全局平均池化后的输出y∈Rⁿ中的第i，j个元素。

网络每层之间存在残差模块，具体实现为网络前一层的输出要与网络后一层的输出做和在输出到网络下一层作为输入，是一种残差学习思想。

最终网络输出为o∈Rⁿ的向量，表示输入信号属于每个类别的置信度。网络的一至五层用于逐层提取输入信号图片的特征，其特征维度逐渐升高，全局语义信息逐渐加强，最终得到最高层的类别信息特征。网络卷积核参数初始化利用均值为零，方差为1的高斯函数。

4)生成参考标签；

深度卷积神经网络训练的参考标签为各类辐射源信号图片的类别信息，以one-hot形式实现，为t∈Rⁿ的向量，和网络输出共同输入到损失函数中。

5)确定损失函数；

本发明中的雷达辐射源识别问题本质上是一个分类问题，选择交叉熵损失函数，其计算方式如下

其中p(x)和q(x)是两个概率分布，用于刻画通过概率分布q(x)来表达概率分布p(x)的困难程度。交叉熵值越小，两个概率分布越接近。本发明中q(x)为网络输出经过softmax计算后的结果o∈Rⁿ，p(x)为输入图片的参考标签t∈Rⁿ，则可通过上式表示出网络对于输入信号的判断与实际类别标签的误差程度。

6)搭建非指纹信号消除器；

本发明中非指纹信号消除器是和输入图片信号尺寸相同的矩阵，共有224×224×3个元素。非指纹信号消除器是和整体识别网络同步训练的，用于消除与抑制输入信号中的非指纹部分，降低整体识别误差。其参数全部初始化为0，表示最初该非指纹信号消除器不起作用，通过训练过程的进行逐步学习到输入图片中阻碍识别的非指纹特征，再输入特征提取器前就将其剔除，达到消除输入信号中非指纹特征的目标。

7)识别网络各模块连接；

首先训练或待检测图片输入，和非指纹信号消除器对应位置作差，输入特征提取器；特征提取器进行逐层特征提取后输出判断结果，该结果和参考标签共同输入损失函数中，计算损失。

8)识别网络的训练与推理；

8.1)训练过程：本申请中将16个信号图作为一个训练数据包输入网络，其尺寸为16×224×224×3，非指纹信号消除器分别于16个信号图对应位置作差，结果输入特征提取器；特征提取器分别对16个信号图进行逐层特征提取，得到16个输出向量；所有输出向量将分别于对应的参考标签作交叉熵损失计算，并对其取均值，作为整个输入数据包的损失值，再使特征提取器和非指纹信号消除器中的每个参数对该误差求梯度，并乘以学习率与对应参数做和更新网络参数，至此完成一次训练。本申请中学习率的选择为0.001，训练轮次为20轮。

8.2)推理过程：在训练完成之后需要保存网络参数，在推理进行之前需要重载训练结果。重载完成后，将待识别数据每16个组成一个数据包，输入识别网络中。识别网络输出16个softmax值后，分别选取置信度最高的那个类别作为网络输入信号的类别，完成一次推理。循环直到所有待测数据输入判断完毕，推理过程结束。

本发明的有益效果主要表现在：所述的基于非指纹信号消除器的雷达辐射源深度学习识别方法具有很高的辐射源识别精度与稳定性，能够快速准确地基于输入信号给出其类别判断，通过有效地消除抑制非指纹特征，提高了识别准确率。

附图说明

图1是本发明的网络结构图；

图2是数据与处理过程图；

图3是ResNet残差模块图。

具体实施方式

下面根据附图具体说明本发明。

1)信号预处理；

由图1，固定网络输入图片规格为224像素*224像素*3通道，若辐射源信号采样点数量a≥224²＝50176，则取连续的50176个采样点数据，按顺序逐行填充至矩阵M∈R^224×224中，再将其复制得到矩阵I∈R^224×224×3，完成数据预处理；若采样点数量a＜50176则在数列后填充0，直至达到某一平方数，填充至某一大小的方阵M，再利用插值算法将其放大到224×224尺寸，再进行复制得到输入图像I。

2)数据集划分；

在深度学习卷积神经网络的训练过程中，数据需要划分为训练集，验证集与测试集。对收集到的辐射源信号进行上述信号预处理过程，并将全部数据打乱，取70％的数据作为训练集，取20％的数据作为验证集，取10％的数据作为测试集。

训练集用于深度学习网络的训练，以训练集作为网络的输入，以最小化损失函数为目标，通过梯度反向传播更新网络参数；验证集用于评估深度学习网络在非训练集数据上的表现，帮助判断网络的训练情况如是否出现对训练集数据的过拟合或是否已经达到预期目标；测试集用于测试深度学习网络在新数据上的表现，作为衡量网络性能的检测数据。

3)搭建特征提取器；

特征提取器用于提取输入辐射源信号的各层特征，由深度卷积神经网络完成。本发明采用50层的ResNet网络，其搭建过程如下：

3.1)第一层：由计算步长为2，尺寸为7×7的64个卷积核和尺寸为3×3，步长为2的最大池化层组成。

3.2)第二层：由3个计算单元组成，每个计算单元包含：64个步长为1，尺寸为1×1的卷积核；64个步长为1，尺寸为3×3的卷积核；256个步长为1，尺寸为1×1的卷积核。

3.3)第三层：由4个计算单元组成，每个计算单元包含：128个步长为1，尺寸为1×1的卷积核；128个步长为1，尺寸为3×3的卷积核；512个步长为1，尺寸为1×1的卷积核。

3.4)第四层：由6个计算单元组成，每个计算单元包含：256个步长为1，尺寸为1×1的卷积核；256个步长为1，尺寸为3×3的卷积核；1024个步长为1，尺寸为1×1的卷积核。

3.5)第五层：由3个计算单元组成，每个计算单元包含：512个步长为1，尺寸为1×1的卷积核；512个步长为1，尺寸为3×3的卷积核；2048个步长为1，尺寸为1×1的卷积核。

3.6)第六层：由全局平均池化和softmax层组成。其中softmax计算方式如下

其中y_i,y_j分别表示网络全局平均池化后的输出y∈Rⁿ中的第i，j个元素。

网络每层之间存在残差模块，如图3，具体实现为网络前一层的输出要与网络后一层的输出做和在输出到网络下一层作为输入，是一种残差学习思想。

最终网络输出为o∈Rⁿ的向量，表示输入信号属于每个类别的置信度。网络的一至五层用于逐层提取输入信号图片的特征，其特征维度逐渐升高，全局语义信息逐渐加强，最终得到最高层的类别信息特征。网络卷积核参数初始化利用均值为零，方差为1的高斯函数。

4)生成参考标签；

深度卷积神经网络训练的参考标签为各类辐射源信号图片的类别信息，以one-hot形式实现，为t∈Rⁿ的向量，和网络输出共同输入到损失函数中。

5)确定损失函数；

本发明中的雷达辐射源识别问题本质上是一个分类问题，选择交叉熵损失函数，其计算方式如下

其中p(x)和q(x)是两个概率分布，用于刻画通过概率分布q(x)来表达概率分布p(x)的困难程度。交叉熵值越小，两个概率分布越接近。本发明中q(x)为网络输出经过softmax计算后的结果o∈Rⁿ，p(x)为输入图片的参考标签t∈Rⁿ，则可通过上式表示出网络对于输入信号的判断与实际类别标签的误差程度。

6)搭建非指纹信号消除器；

本发明中非指纹信号消除器是和输入图片信号尺寸相同的矩阵，共有224×224×3个元素。非指纹信号消除器是和整体识别网络同步训练的，用于消除与抑制输入信号中的非指纹部分，降低整体识别误差。其参数全部初始化为0，表示最初该非指纹信号消除器不起作用，通过训练过程的进行逐步学习到输入图片中阻碍识别的非指纹特征，再输入特征提取器前就将其剔除，达到消除输入信号中非指纹特征的目标。

7)识别网络各模块连接；

首先训练或待检测图片输入，和非指纹信号消除器对应位置作差，输入特征提取器；特征提取器进行逐层特征提取后输出判断结果，该结果和参考标签共同输入损失函数中，计算损失。

8)识别网络的训练与推理；

8.1)训练过程：由图2和图3，本申请中将n＝16个信号图作为一个训练数据包输入网络，其尺寸为16×224×224×3，非指纹信号消除器分别于16个信号图对应位置作差，结果输入特征提取器；特征提取器分别对16个信号图进行逐层特征提取，得到16个输出向量；所有输出向量将分别于对应的参考标签作交叉熵损失计算，并对其取均值，作为整个输入数据包的损失值，再使特征提取器和非指纹信号消除器中的每个参数对该误差求梯度，并乘以学习率与对应参数做和更新网络参数，至此完成一次训练。本申请中学习率的选择为0.001，训练轮次为20轮。

8.2)推理过程：在训练完成之后需要保存网络参数，在推理进行之前需要重载训练结果。重载完成后，将待识别数据每16个组成一个数据包，输入识别网络中。识别网络输出16个softmax值后，分别选取置信度最高的那个类别作为网络输入信号的类别，完成一次推理。循环直到所有待测数据输入判断完毕，推理过程结束。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (1)

1.一种基于非指纹信号消除器的雷达辐射源深度学习识别方法，其特征是：结合深度学习网络与提出的非指纹信号消除器，提取辐射源信号的指纹信息，消除抑制非指纹信号，实现雷达辐射源识别。具体过程包括以下几个步骤：

1)信号预处理；

由于辐射源信号为一维时序数据，每个采样点可测得一个信号强度幅值。而深度学习卷积神经网络需要二维图片数据作为输入，因此要进行数据预处理。固定网络输入图片规格为224像素*224像素*3通道，若辐射源信号采样点数量a≥224²＝50176，则取连续的50176个采样点数据，按顺序逐行填充至矩阵M∈R^224×224中，再将其复制得到矩阵I∈R^{224 ×224×3}，完成数据预处理；若采样点数量a＜50176则在数列后填充0，直至达到某一平方数，填充至某一大小的方阵M，再利用插值算法将其放大到224×224尺寸，再进行复制得到输入图像I。

2)数据集划分；

在深度学习卷积神经网络的训练过程中，数据需要划分为训练集，验证集与测试集。对收集到的辐射源信号进行上述信号预处理过程，并将全部数据打乱，取70％的数据作为训练集，取20％的数据作为验证集，取10％的数据作为测试集。

训练集用于深度学习网络的训练，以训练集作为网络的输入，以最小化损失函数为目标，通过梯度反向传播更新网络参数；验证集用于评估深度学习网络在非训练集数据上的表现，帮助判断网络的训练情况如是否出现对训练集数据的过拟合或是否已经达到预期目标；测试集用于测试深度学习网络在新数据上的表现，作为衡量网络性能的检测数据。

3)搭建特征提取器；

特征提取器用于提取输入辐射源信号的各层特征，由深度卷积神经网络完成。本发明采用50层的ResNet网络，其搭建过程如下：

3.1)第一层：由计算步长为2，尺寸为7×7的64个卷积核和尺寸为3×3，步长为2的最大池化层组成。

3.2)第二层：由3个计算单元组成，每个计算单元包含：64个步长为1，尺寸为1×1的卷积核；64个步长为1，尺寸为3×3的卷积核；256个步长为1，尺寸为1×1的卷积核。

3.3)第三层：由4个计算单元组成，每个计算单元包含：128个步长为1，尺寸为1×1的卷积核；128个步长为1，尺寸为3×3的卷积核；512个步长为1，尺寸为1×1的卷积核。

3.4)第四层：由6个计算单元组成，每个计算单元包含：256个步长为1，尺寸为1×1的卷积核；256个步长为1，尺寸为3×3的卷积核；1024个步长为1，尺寸为1×1的卷积核。

3.5)第五层：由3个计算单元组成，每个计算单元包含：512个步长为1，尺寸为1×1的卷积核；512个步长为1，尺寸为3×3的卷积核；2048个步长为1，尺寸为1×1的卷积核。

3.6)第六层：由全局平均池化和softmax层组成。其中softmax计算方式如下：

其中y_i,y_j分别表示网络全局平均池化后的输出y∈Rⁿ中的第i，j个元素。

网络每层之间存在残差模块，具体实现为网络前一层的输出要与网络后一层的输出做和在输出到网络下一层作为输入，是一种残差学习思想。

最终网络输出为o∈Rⁿ的向量，表示输入信号属于每个类别的置信度。网络的一至五层用于逐层提取输入信号图片的特征，其特征维度逐渐升高，全局语义信息逐渐加强，最终得到最高层的类别信息特征。网络卷积核参数初始化利用均值为零，方差为1的高斯函数。

4)生成参考标签；

深度卷积神经网络训练的参考标签为各类辐射源信号图片的类别信息，以one-hot形式实现，为t∈Rⁿ的向量，和网络输出共同输入到损失函数中。

5)确定损失函数；

本发明中的雷达辐射源识别问题本质上是一个分类问题，选择交叉熵损失函数，其计算方式如下

其中p(x)和q(x)是两个概率分布，用于刻画通过概率分布q(x)来表达概率分布p(x)的困难程度。交叉熵值越小，两个概率分布越接近。本发明中q(x)为网络输出经过softmax计算后的结果o∈Rⁿ，p(x)为输入图片的参考标签t∈Rⁿ，则可通过上式表示出网络对于输入信号的判断与实际类别标签的误差程度。

6)搭建非指纹信号消除器；

本发明中非指纹信号消除器是和输入图片信号尺寸相同的矩阵，共有224×224×3个元素。非指纹信号消除器是和整体识别网络同步训练的，用于消除与抑制输入信号中的非指纹部分，降低整体识别误差。其参数全部初始化为0，表示最初该非指纹信号消除器不起作用，通过训练过程的进行逐步学习到输入图片中阻碍识别的非指纹特征，再输入特征提取器前就将其剔除，达到消除输入信号中非指纹特征的目标。

7)识别网络各模块连接；

首先训练或待检测图片输入，和非指纹信号消除器对应位置作差，输入特征提取器；特征提取器进行逐层特征提取后输出判断结果，该结果和参考标签共同输入损失函数中，计算损失。

8)识别网络的训练与推理；

8.1)训练过程：将16个信号图作为一个训练数据包输入网络，其尺寸为16×224×224×3，非指纹信号消除器分别于16个信号图对应位置作差，结果输入特征提取器；特征提取器分别对16个信号图进行逐层特征提取，得到16个输出向量；所有输出向量将分别于对应的参考标签作交叉熵损失计算，并对其取均值，作为整个输入数据包的损失值，再使特征提取器和非指纹信号消除器中的每个参数对该误差求梯度，并乘以学习率与对应参数做和更新网络参数，至此完成一次训练。学习率的选择为0.001，训练轮次为20轮。

8.2)推理过程：在训练完成之后需要保存网络参数，在推理进行之前需要重载训练结果。重载完成后，将待识别数据每16个组成一个数据包，输入识别网络中。识别网络输出16个softmax值后，分别选取置信度最高的那个类别作为网络输入信号的类别，完成一次推理。循环直到所有待测数据输入判断完毕，推理过程结束。

Images