CN111190158B - 复杂雷达辐射源识别方法、装置、电子设备及其存储介质 - Google Patents
复杂雷达辐射源识别方法、装置、电子设备及其存储介质 Download PDFInfo
- Publication number
- CN111190158B CN111190158B CN202010032916.0A CN202010032916A CN111190158B CN 111190158 B CN111190158 B CN 111190158B CN 202010032916 A CN202010032916 A CN 202010032916A CN 111190158 B CN111190158 B CN 111190158B
- Authority
- CN
- China
- Prior art keywords
- data set
- layer
- neurons
- radiation source
- dimension
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000012549 training Methods 0.000 claims abstract description 163
- 238000012360 testing method Methods 0.000 claims abstract description 107
- 230000009467 reduction Effects 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 210000002569 neuron Anatomy 0.000 claims description 124
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 28
- 230000004913 activation Effects 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 13
- 238000011478 gradient descent method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims 1
- 238000010586 diagram Methods 0.000 abstract description 16
- 238000012847 principal component analysis method Methods 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 18
- 238000000513 principal component analysis Methods 0.000 description 18
- 239000013598 vector Substances 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/414—Discriminating targets with respect to background clutter
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种复杂雷达辐射源识别方法、装置、电子设备及其存储介质，方法包括：获取复杂雷达辐射源的数据集；对所述数据集进行短时傅里叶变换时频预处理得到预处理数据集；从所述预处理数据集中选择训练数据集和测试数据集，对所述训练数据集、所述测试数据集进行PCA降维处理得到降维后的训练数据集、降维后的测试数据集；对所述降维后的训练数据集进行训练得到预设结构的多层感知机网络模型；将所述降维后的测试数据集输入到所述预设结构的多层感知机网络模型中得到所述复杂雷达辐射源的识别率。本发明提供的复杂雷达辐射源识别方法采用PCA主成分分析法降维，在时频图基础上提取特征，提高了网络的识别效率，降低了运算量。
Description
技术领域
本发明属于信号处理技术领域，具体涉及一种复杂雷达辐射源识别方法、装置、电子设备及其存储介质。
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。
随着电子技术的不断发展，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。目前常见的雷达辐射源识别方法包括基于SAE-自编码神经网络的雷达辐射源识别方法和基于1-DCNN卷积神经网络的雷达辐射源识别方法：基于SAE-自编码神经网络的雷达辐射源识别方法是一种无监督的学习方法，可以自动从无标签的数据集中学习特征，SAE-自编码神经网络结构是由自编码器和解码器的堆叠而成，该方法深度自编码器既能降低某些函数的计算成本，也可以降低训练数据的数量要求，还能得到更高的压缩效率；基于1-D CNN卷积神经网络的雷达辐射源识别方法在卷积神经网络增加了几个卷积层、池化层(子采样层)的处理来提取特征，在卷积神经网络的卷积层中，一个神经元只与部分神经元链接，由于共享卷积核，对高维数据处理无压力，无需手动选取特征，训练好权重，就可以得到较好的特征分类效果。
但上述两种雷达辐射源识别方法中，基于SAE-自编码神经网络对于数据量过大的雷达辐射源识别效果差，而基于1-D CNN卷积神经网络对设备要求高，需要通过大量的样本进行参数调整，运算量大，耗时。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种复杂雷达辐射源识别方法、装置、电子设备及其存储介质。
本发明的一个实施例提供了一种复杂雷达辐射源识别方法，该方法包括：
获取复杂雷达辐射源的数据集；
对所述数据集进行短时傅里叶变换时频预处理得到预处理数据集；
从所述预处理数据集中选择训练数据集和测试数据集，对所述训练数据集、所述测试数据集进行PCA降维处理得到降维后的训练数据集、降维后的测试数据集；
对所述降维后的训练数据集进行训练得到预设结构的多层感知机网络模型；
将所述降维后的测试数据集输入到所述预设结构的多层感知机网络模型中得到所述复杂雷达辐射源的识别率。
在本发明的一个实施例中，对所述训练数据集、所述测试数据集进行PCA降维处理得到降维后的训练数据集、降维后的测试数据集，包括：
分别对所述训练数据集、所述测试数据集进行中心化处理得到中心化后的训练数据集、中心化后的所述测试数据集；
分别构建所述中心化后的训练数据集的协方差矩阵、所述中心化后的所述测试数据集的协方差矩阵；
计算所述中心化后的训练数据集的协方差矩阵的特征值和相对应的特征向量，并进行投影得到所述降维后的训练数据集；
计算所述中心化后的测试数据集的协方差矩阵的特征值和相对应的特征向量，并进行投影得到所述降维后的测试数据集。
在本发明的一个实施例中，对所述降维后的训练数据集进行训练得到预设结构的多层感知机网络模型，包括：
构建所述预设结构的多层感知机网络模型；
将所述降维后的训练数据集输入至所述预设结构的多层感知机网络模型，并采用预设网络优化方法进行训练得到所述预设结构的多层感知机网络模型。
在本发明的一个实施例中，构建的所述预设结构的多层感知机网络包括第一层、第二层、第三层、第四层、第五层、第六层，其中：
所述第一层包括N1个神经元，0<N1<10；
所述第二层包括N2个神经元，24<N2<36，所述N1个神经元与所述N2个神经元之间全部连接；
所述第三层包括N3个神经元，56<N3<68，所述N2个神经元与所述N3个神经元之间全部连接；
所述第四层包括N4个神经元，60<N4<68，所述N3个神经元与所述N4个神经元之间全部连接；
所述第五层包括N5个神经元，28<N5<36，所述N4个神经元与所述N5个神经元之间全部连接；
所述第六层包括N6个神经元，12<N6<24，所述N5个神经元与所述N6个神经元之间全部连接。
在本发明的一个实施例中，所述第一层、所述第二层、所述第三层、所述第四层、所述第五层均采用ReLU激活函数实现。
在本发明的一个实施例中，所述第六层采用softmax激活函数实现。
在本发明的一个实施例中，所述预设网络优化方法包括随机梯度下降方法、小批量梯度下降方法、AdaGrad方法和AdamOptimizer方法。
本发明的另一个实施例提供了一种复杂雷达辐射源识别装置，该装置包括：
数据获取模块，用于获取复杂雷达辐射源的数据集；
第一数据处理模块，用于对所述数据集进行短时傅里叶变换时频预处理得到预处理数据集；
第二数据处理模块，用于从所述预处理数据集中选择训练数据集和测试数据集，对所述训练数据集、所述测试数据集进行PCA降维处理得到降维后的训练数据集、降维后的测试数据集；
网络模型构建模块，用于根据所述降维后的训练数据集构建预设结构的多层感知机网络模型；
数据识别模块，用于将所述降维后的测试数据集输入到所述预设结构的多层感知机网络模型中得到所述复杂雷达辐射源的识别率。
本发明的再一个实施例提供了一种复杂雷达辐射源识别电子设备，该电子设备包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上存放的所述计算机程序时，实现上述任一所述的复杂雷达辐射源识别方法。
本发明的又一个实施例提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的复杂雷达辐射源识别方法。
与现有技术相比，本发明的有益效果：
本发明提供的复杂雷达辐射源识别方法采用PCA主成分分析法降维，在时频图基础上提取特征，提高了网络的识别效率，降低了运算量。
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一种复杂雷达辐射源识别方法的流程示意图；
图2是本发明实施例提供的一种复杂雷达辐射源识别方法中预设结构的多层感知机网络模型的结构示意图；
图3a～3b是本发明实施例提供的三种雷达辐射源识别的对比结果示意图；
图4是本发明实施例提供的一种复杂雷达辐射源识别装置的结构示意图；
图5是本发明实施例提供的一种复杂雷达辐射源识别电子设备的结构示意图；
图6是本发明实施例提供的一种计算机可读存储介质的结构示意图。
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
目前现有基于SAE-自编码神经网络对于数据量过大的雷达辐射源识别效果差，而基于1-D CNN卷积神经网络对设备要求高，需要大量的样本调参数，运算量大，耗时。基于上述存在的问题，请参见图1，图1是本发明实施例提供的一种复杂雷达辐射源识别方法的流程示意图，本实施例提供了一种复杂雷达辐射源识别方法，该方法包括以下步骤：
步骤1、获取复杂雷达辐射源的数据集。
具体而言，本实施例步骤1中获取的复杂雷达辐射源的数据集包括多类雷达辐射源信号的数据集，比如雷达辐射源信号包括线性调频信号、非线性调频信号、二相编码信号、固定频率信号、二频编码信号中的一种或多种，但不局限于线性调频信号、非线性调频信号、二相编码信号、固定频率信号、二频编码信号这五种信号的选择。为了说明本实施例识别方法的鲁棒性，也可以分别在每一类雷达辐射源信号中加入不同信噪比的噪声，再获取复杂雷达辐射源的数据集。其中，获取的复杂雷达辐射源的数据集大小根据实际设计需要而选择。
步骤2、对数据集进行短时傅里叶变换时频预处理得到预处理数据集。
具体而言，本实施例步骤2首先将步骤1获取的复杂雷达辐射源的数据集以序列(一维向量)的形式输出，再对该输出的数据集进行短时傅里叶变换时频预处理到预处理数据集。其中，预处理数据集经短时傅里叶变换时域预处理可以获取每个数据集中的数据在时间和瞬时频率之间的关系，根据不同的调制方式，会有不同的输出结果。
步骤3、从预处理数据集中选择训练数据集和测试数据集，对训练数据集、测试数据集进行PCA降维处理得到降维后的训练数据集、降维后的测试数据集。
具体而言，本实施例从步骤2输出的预处理数据集中选择训练数据集和测试数据集，训练数据集中训练数据的个数为N，N为大于0的整数，测试数据集中测试数据个数为M，M为大于的0整数，N、M的取值具体根据实际设计需要而设置，其中，训练数据集中每个训练数据是长度为n*1的一维向量，14≤n≤32，测试数据集中每个测试数据是长度为m*1的一维向量，14≤m≤32，对于复杂雷达辐射源的识别，由于数据集样本数目较大，导致识别效率降低，本实施例为了解决该问题，对选择的训练数据集和测试数据集进行PCA降维处理，从而减少后续运算量，具体步骤3包括步骤3.1、步骤3.2、步骤3.3、步骤3.4：
步骤3.1、分别对训练数据集、测试数据集进行中心化处理得到中心化后的训练数据集、中心化后的测试数据集。
具体而言，本实施例对训练数据集中的每个训练数据进行中心化处理，具体地，首先计算每个训练数据的平均值，每个训练数据分别减去自身的平均值得到该训练数据的中心化后的训练数据，然后对于训练数据集中的所有训练数据进行平均值计算，进而得到中心化后的训练数据集。其中，每个训练数据的平均值计算方式如下：
其中，表示第j个训练数据的平均值，0＜j≤N，/>表示第j个训练数据中第i个向量的值，0＜i≤n。
同理，计算每个测试数据的平均值，计算公式同公式(1)，此时公式(1)中表示第j个测试数据的平均值，0＜j≤M，/>表示第j个测试数据中第i个向量的值，0＜i≤m。
步骤3.2、分别构建中心化后的训练数据集的协方差矩阵、中心化后的测试数据集的协方差矩阵。
具体而言，通过步骤3.1中心化后的训练数据集构建本实施例训练数据集的协方差矩阵，具体地协方差矩阵C计算公式如下：
其中，xj表示第j个训练数据，xp表示第p个训练数据，0＜p≤N且p≠j，对角线上cov(xj,xj)、cov(xp,xp)分别是训练数据xj、训练数据xp的方差，非对角线上cov(xj,xp)、cov(xp,xj)分别是训练数据xj、训练数据xp的协方差。其中，协方差大于0时，表示训练数据xj和训练数据xp有一个增、一个减；协方差为0时，表示训练数据xj和训练数据xp两者独立。协方差绝对值越大，训练数据xj和训练数据xp两者对彼此的影响越大，反之越小。其中，cov(xj,xp)的计算方式如下：
其中，表示第p个训练数据的平均值(计算方法如公式(1))，0＜p≤M且p≠j。cov(xj,xj)、cov(xp,xp)、cov(xp,xj)与cov(xj,xp)的计算方式相同，在此不再对其进行详细的说明。
根据公式(2)，计算得到训练数据集的协方差矩阵C。
同理，通过步骤3.1中心化后的测试数据集构建本实施例测试数据集的协方差矩阵C，计算公式同公式(2)，此时公式(2)中xj表示第j个测试数据，xp表示第p个测试数据，cov(xj,xj)、cov(xp,xp)分别是测试数据xj、测试数据xp的方差，cov(xj,xp)、cov(xp,xj)分别是测试数据xj、测试数据xp的协方差，具体计算过程同训练数据集的计算。
步骤3.3、计算中心化后的训练数据集的协方差矩阵的特征值和相对应的特征向量，并进行投影得到降维后的训练数据集。
具体而言，本实施例计算中心化后的训练数据集中每个训练数据的协方差矩阵C的特征值λ和相对应的特征向量μ，则协方差矩阵C计算更新为：
Cμ＝λμ (4)
将特征值λ按照从大到小的顺序排序，选择最大的前k个特征值λ并将其相对应的k个特征向量并进行投影得到第j个训练数据新的特征向量是即第j个训练数据降维后的训练数据，第j个训练数据降维后的训练数据计算方式如下：
其中，表示第j训练数据对应的向量，此时0＜j≤N，k的取值由PCA的降维率a决定，本实施例优选降维率a取值为10％～15％，此时第j个训练数据选择最大特征值数目k取值为(1-a)*n。
根据公式(5)，计算中心化后的训练数据集中每个训练数据对应的降维后的训练数据，进而得到降维后的训练数据集。
步骤3.4、计算中心化后的测试数据集的协方差矩阵的特征值和相对应的特征向量，并进行投影得到降维后的测试数据集。
具体而言，本实施例步骤3.4采用与步骤3.3相同的方法计算中心化后的测试数据集的协方差矩阵的特征值和相对应的特征向量，并利用公式(5)进行投影得到第j个测试数据降维后的测试数据，此时0＜j≤M，其中，表示第j测试数据对应的向量，测试数据集PCA的降维率也为a，此时第j个测试数据选择最大特征值数目k取值为(1-a)*m。
根据公式(5)，计算中心化后的测试数据集中每个测试数据对应的降维后的测试数据，进而得到降维后的测试数据集。
步骤4、对降维后的训练数据集进行训练得到预设结构的多层感知机网络模型。
具体而言，为了保证利用降维后的训练数据集进行识别的识别率，本实施例构建了一种预设结构的多层感知机网络模型，具体步骤4包括步骤4.1、步骤4.2：
步骤4.1、构建预设结构的多层感知机网络模型。
具体而言，请参见图2，图2是本发明实施例提供的一种复杂雷达辐射源识别方法中预设结构的多层感知机网络模型的结构示意图，本实施例构建的预设结构的多层感知机网络模型包括第一层、第二层、第三层、第四层、第五层、第六层，第一层、第二层、第三层、第四层、第五层、第六层依次连接，具体地：第一层包括N1个神经元，0<N1<10，第二层包括N2个神经元，24<N2<36，N1个神经元与N2个神经元之间全部连接，第三层包括N3个神经元，56<N3<68，N2个神经元与N3个神经元之间全部连接，第四层包括N4个神经元，60<N4<68，N3个神经元与N4个神经元之间全部连接，第五层包括N5个神经元，28<N5<36，N4个神经元与N5个神经元之间全部连接，第六层包括N6个神经元，12<N6<24，N5个神经元与N6个神经元之间全部连接，上述层与层之间的神经元全部连接构成全连接层，其中，比如第一层神经元个数N1为2、第二层神经元个数N2为3，则第一层与第二层内神经元的全部连接为：第一层第一个神经元与第二层第一个神经元、第二层第二个神经元、第二层第三个神经元连接，第一层第二个神经元与第二层第一个神经元、第二层第二个神经元、第二层第三个神经元连接，进而全部连接后构成全连接层。本实施例构建的预设结构的多层感知机网络模型相比于1-D CNN卷积神经网络，网络结构简单，适用范围广，无需通过大量的样本进行参数调整，进一步降低了运算量，提供了识别的效率。
进一步地，本实施例第一层、第二层、第三层、第四层、第五层均采用激活函数实现。
具体而言，本实施例中激活函数包括sigmoid激活函数、softmax激活函数、tanh激活函数、双曲正切激活函数、线性整流激活函数、非线性单元激活函数和指数线性单元激活函数，本实施例优选线性整流激活函数ReLU，具体地线性整流激活函数ReLU的数学模型表示如下：
φ(x)＝max(0,x) (6)
其梯度函数如下：
进一步地，本实施例第六层采用softmax激活函数实现，具体softmax激活函数在此不做详细说明。
步骤4.2、将降维后的训练数据集输入至预设结构的多层感知机网络模型，并采用预设网络优化方法进行训练得到预设结构的多层感知机网络模型。
具体而言，本实施例将步骤3得到的降维后的训练数据集输入至步骤4.1构建的预设结构的多层感知机网络模型，采用预设网络优化方法进行训练得到最终的预设结构的多层感知机网络模型。其中，网络优化算法包括随机梯度下降方法、小批量梯度下降方法、AdaGrad方法和AdamOptimizer方法，本实施例优选AdaGrad方法，具体AdaGrad方法实现如下：
计算梯度：
累计平方梯度：
r←r+g⊙g (9)
计算更新：
应用更新：
θ←θ+Δθ (11)
其中，l表示AdaGrad方法中批量处理的大小，优选地40≤l≤60，L表示训练函数，x(i)表示输入的训练数据，y(i)表示训练数据经训练后的目标数据，θ表示梯度的夹角，Δθ表示θ的变化量，⊙表示矩阵对应元素相乘，r表示梯度累积变量，r的初始值为0，ε表示全局学习率，根据实际设计需要设置，初始值为0.01，σ表示小常数，为了数值稳定大约设置为10-7。
步骤5、将降维后的测试数据集输入到预设结构的多层感知机网络模型中得到复杂雷达辐射源的识别率。
具体而言，本实施例将步骤3得到的降维后的测试数据集输入至步骤4构建的预设结构的多层感知机网络模型，从而得到步骤1获取的复杂雷达辐射源数据集的识别率。
为了验证本申请提供的复杂雷达辐射源识别方法的有效性，本实施例通过以下仿真实验做以进一步说明：
首先，用MATLAB软件仿真生成五类18种复杂辐射源的数据集，该数据集包括线性调频信号、非线性调频信号、二相编码信号、固定频率信号、二频编码信号这五种信号，每种信号细化到不同参数，共18个种类，其中每种信号从-10dB到10dB，间隔5dB，共5个信噪比点，每种信噪比样本数量为10000个，共50000个样本的数据集，具体参数设置如下：
18种雷达信号的采样频率均设置为10000Hz，采样点数均设置为10000个；
二频编码信号有四种载频分别为500Hz、1000Hz；500Hz、750Hz；250Hz、750Hz；250Hz、500Hz；编码方式采用13位巴克码，脉宽为0.08s，码元宽度为0.0061s；
固定频率信号载频有四种分别为1000Hz，1100Hz，1200Hz，1300Hz；
线性调频信号载频为1000Hz，带宽有四种分别为100Hz，200Hz，300Hz，400Hz；
非线性调频信号采用余弦调制，载频为1000Hz，窗函数有两种分别为汉宁窗、布拉克曼窗；
二相编码信号载频为1000Hz，编码方式有四种分别采用5位、7位、11位、13位巴克码，脉宽为0.08s。
其次，对50000个样本的数据集进行短时傅里叶变换时频预处理，得到50000个样本的预处理数据集，从每个信噪比点样本集中随机抽出N＝9000个样本作为训练数据集，每个信噪比点样本集中剩余M＝1000个样本作为测试数据集，其中，短时傅里叶变换时频预处理中对应短时短时傅里叶变换之后的时频图片的大小为200*200，每个训练数据的长度n取值为28，每个测试数据的长度m取值为28，PCA降维时降维率a为10％，每个训练数据、测试数据降维时k取值为26。
本实施例构建的预设结构的多层感知机网络模型中：第一层的数目N1取值为6，第二层的数目N2取值为32，第三层的数目N3取值为64，第四层的数目N4取值为64，第五层的数目N5取值为32，第六层的数目N6取值为18，其中，预设网络优化方法选择AdaGrad方法，对应批处理个数l取值为50，迭代次数达到1000时，结束训练，得到训练好的预设结构的多层感知机网络模型。
请参见图3a～3b，图3a～3b是本发明实施例提供的三种雷达辐射源识别方法的对比结果示意图，本实施例对比方法具体包括：基于SAE-自编码神经网络的雷达辐射源识别方法、基于1-D CNN卷积神经网络的雷达辐射源识别方法和本申请提供的雷达辐射源识别方法(MLP)，其中，图3a是三种雷达辐射源识别方法的识别率对比结果示意图，横坐标表示信噪比，纵坐标表示识别率，图3b是三种雷达辐射源识别方法的耗时对比结果示意图，横坐标表示信噪比，纵坐标表示识别耗时时间(单位为秒)。可见，在相同信噪比下，本实施例提供的雷达辐射源识别方法不管在识别率，还是在训练时间上均明显高于基于SAE-自编码神经网络的雷达辐射源识别方法；基于1-D CNN卷积神经网络的雷达辐射源识别方法识别率略高于本申请MLP雷达辐射源识别方法，但本申请MLP雷达辐射源识别方法的训练时间明显低于基于1-D CNN卷积神经网络的雷达辐射源识别方法。
综上所述，本实施例提供的复杂雷达辐射源识别方法，采用PCA主成分分析法降维，在时频图基础上提取特征，提高了网络的识别效率，降低了运算量；本实施例构建的预设结构的多层感知机网络模型，网络结构简单，适用范围广，无需通过大量的样本进行参数调整，进一步降低了运算量，提供了识别的效率；本实施例提供的复杂雷达辐射源识别方法虽然采用PCA主成分分析法降维对识别率带来一定的影响，识别率有所降低，但依然保持在一个高的识别率下，更重要的是训练时间大幅度降低，从而提高识别效率。
实施例二
在上述实施例一的基础上，请参见图4，图4为本发明实施例提供的一种复杂雷达辐射源识别装置的结构示意图。本实施例提供了一种复杂雷达辐射源识别装置，该装置包括：
数据获取模块，用于获取复杂雷达辐射源的数据集。
第一数据处理模块，用于对数据集进行短时傅里叶变换时频预处理得到预处理数据集。
第二数据处理模块，用于从预处理数据集中选择训练数据集和测试数据集，对训练数据集、测试数据集进行PCA降维处理得到降维后的训练数据集、降维后的测试数据集。
具体而言，本实施例第二数据处理模块中对训练数据集、测试数据集进行PCA降维处理得到降维后的训练数据集、降维后的测试数据集，包括：
分别对训练数据集、测试数据集进行中心化处理得到中心化后的训练数据集、中心化后的测试数据集；
分别构建中心化后的训练数据集的协方差矩阵、中心化后的测试数据集的协方差矩阵；
计算中心化后的训练数据集的协方差矩阵的特征值和相对应的特征向量，并进行投影得到降维后的训练数据集；
计算中心化后的测试数据集的协方差矩阵的特征值和相对应的特征向量，并进行投影得到降维后的测试数据集。
网络模型构建模块，用于根据降维后的训练数据集构建预设结构的多层感知机网络模型。
具体而言，本实施例网络模型构建模块中对降维后的训练数据集进行训练得到预设结构的多层感知机网络模型，包括：
构建预设结构的多层感知机网络模型；
将降维后的训练数据集输入至预设结构的多层感知机网络模型，并采用预设网络优化方法进行训练得到预设结构的多层感知机网络模型。
进一步地，本实施例构建的预设结构的多层感知机网络包括第一层、第二层、第三层、第四层、第五层、第六层，其中：
第一层包括N1个神经元，0<N1<10；
第二层包括N2个神经元，24<N2<36，N1个神经元与N2个神经元之间全部连接；
第三层包括N3个神经元，56<N3<68，N2个神经元与N3个神经元之间全部连接；
第四层包括N4个神经元，60<N4<68，N3个神经元与N4个神经元之间全部连接；
第五层包括N5个神经元，28<N5<36，N4个神经元与N5个神经元之间全部连接；
第六层包括N6个神经元，12<N6<24，N5个神经元与N6个神经元之间全部连接。
进一步地，本实施例第一层、第二层、第三层、第四层、第五层均采用激活函数实现。
进一步地，本实施例第六层采用softmax激活函数实现。
进一步地，本实施例预设网络优化方法包括随机梯度下降方法、小批量梯度下降方法、AdaGrad方法和AdamOptimizer方法。
数据识别模块，用于将降维后的测试数据集输入到预设结构的多层感知机网络模型中得到复杂雷达辐射源的识别率。
本实施例提供的一种复杂雷达辐射源识别装置，可以执行上述复杂雷达辐射源识别方法实施例，其实现原理和技术效果类似，在此不再赘述。
实施例三
在上述实施例二的基础上，请参见图5，图5为本发明实施例提供的一种复杂雷达辐射源识别电子设备结构示意图。本实施例提供了一种复杂雷达辐射源识别电子设备，该电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口、存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的计算机程序时，该计算机程序被处理器执行时实现以下步骤：
步骤1、获取复杂雷达辐射源的数据集。
步骤2、对数据集进行短时傅里叶变换时频预处理得到预处理数据集。
步骤3、从预处理数据集中选择训练数据集和测试数据集，对训练数据集、测试数据集进行PCA降维处理得到降维后的训练数据集、降维后的测试数据集。
具体而言，本实施例中对训练数据集、测试数据集进行PCA降维处理得到降维后的训练数据集、降维后的测试数据集，包括：
分别对训练数据集、测试数据集进行中心化处理得到中心化后的训练数据集、中心化后的测试数据集；
分别构建中心化后的训练数据集的协方差矩阵、中心化后的测试数据集的协方差矩阵；
计算中心化后的训练数据集的协方差矩阵的特征值和相对应的特征向量，并进行投影得到降维后的训练数据集；
计算中心化后的测试数据集的协方差矩阵的特征值和相对应的特征向量，并进行投影得到降维后的测试数据集。
步骤4、根据降维后的训练数据集构建预设结构的多层感知机网络模型。
具体而言，本实施例中对降维后的训练数据集进行训练得到预设结构的多层感知机网络模型，包括：
构建预设结构的多层感知机网络模型；
将降维后的训练数据集输入至预设结构的多层感知机网络模型，并采用预设网络优化方法进行训练得到预设结构的多层感知机网络模型。
进一步地，本实施例构建的预设结构的多层感知机网络包括第一层、第二层、第三层、第四层、第五层、第六层，其中：
第一层包括N1个神经元，0<N1<10；
第二层包括N2个神经元，24<N2<36，N1个神经元与N2个神经元之间全部连接；
第三层包括N3个神经元，56<N3<68，N2个神经元与N3个神经元之间全部连接；
第四层包括N4个神经元，60<N4<68，N3个神经元与N4个神经元之间全部连接；
第五层包括N5个神经元，28<N5<36，N4个神经元与N5个神经元之间全部连接；
第六层包括N6个神经元，12<N6<24，N5个神经元与N6个神经元之间全部连接。
进一步地，本实施例第一层、第二层、第三层、第四层、第五层均采用激活函数实现。
进一步地，本实施例第六层采用softmax激活函数实现。
进一步地，本实施例预设网络优化方法包括随机梯度下降方法、小批量梯度下降方法、AdaGrad方法和AdamOptimizer方法。
步骤5、将降维后的测试数据集输入到预设结构的多层感知机网络模型中得到复杂雷达辐射源的识别率。
本实施例提供的一种复杂雷达辐射源识别电子设备，可以执行上述复杂雷达辐射源识别方法实施例和上述复杂雷达辐射源识别装置实施例，其实现原理和技术效果类似，在此不再赘述。
实施例四
在上述实施例三的基础上，请参见图6，图6为本发明实施例提供的一种计算机可读存储介质的结构示意图。本实施例提供的一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现以下步骤：
步骤1、获取复杂雷达辐射源的数据集。
步骤2、对数据集进行短时傅里叶变换时频预处理得到预处理数据集。
步骤3、从预处理数据集中选择训练数据集和测试数据集，对训练数据集、测试数据集进行PCA降维处理得到降维后的训练数据集、降维后的测试数据集。
具体而言，本实施例中对训练数据集、测试数据集进行PCA降维处理得到降维后的训练数据集、降维后的测试数据集，包括：
分别对训练数据集、测试数据集进行中心化处理得到中心化后的训练数据集、中心化后的测试数据集；
分别构建中心化后的训练数据集的协方差矩阵、中心化后的测试数据集的协方差矩阵；
计算中心化后的训练数据集的协方差矩阵的特征值和相对应的特征向量，并进行投影得到降维后的训练数据集；
计算中心化后的测试数据集的协方差矩阵的特征值和相对应的特征向量，并进行投影得到降维后的测试数据集。
步骤4、根据降维后的训练数据集构建预设结构的多层感知机网络模型。
具体而言，本实施例中对降维后的训练数据集进行训练得到预设结构的多层感知机网络模型，包括：
构建预设结构的多层感知机网络模型；
将降维后的训练数据集输入至预设结构的多层感知机网络模型，并采用预设网络优化方法进行训练得到预设结构的多层感知机网络模型。
进一步地，本实施例构建的预设结构的多层感知机网络包括第一层、第二层、第三层、第四层、第五层、第六层，其中：
第一层包括N1个神经元，0<N1<10；
第二层包括N2个神经元，24<N2<36，N1个神经元与N2个神经元之间全部连接；
第三层包括N3个神经元，56<N3<68，N2个神经元与N3个神经元之间全部连接；
第四层包括N4个神经元，60<N4<68，N3个神经元与N4个神经元之间全部连接；
第五层包括N5个神经元，28<N5<36，N4个神经元与N5个神经元之间全部连接；
第六层包括N6个神经元，12<N6<24，N5个神经元与N6个神经元之间全部连接。
进一步地，本实施例第一层、第二层、第三层、第四层、第五层均采用激活函数实现。
进一步地，本实施例第六层采用softmax激活函数实现。
进一步地，本实施例预设网络优化方法包括随机梯度下降方法、小批量梯度下降方法、AdaGrad方法和AdamOptimizer方法。
步骤5、将降维后的测试数据集输入到预设结构的多层感知机网络模型中得到复杂雷达辐射源的识别率。
本实施例提供的一种计算机可读存储介质，可以执行上述复杂雷达辐射源识别方法实施例、上述复杂雷达辐射源识别装置实施例和上述复杂雷达辐射源识别电子设备实施例，其实现原理和技术效果类似，在此不再赘述。
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 (7)
1.一种复杂雷达辐射源识别方法，其特征在于，包括：
获取包括多类雷达辐射源信号的数据集，雷达辐射源信号包括线性调频信号、非线性调频信号、二相编码信号、固定频率信号、二频编码信号中的一种或多种；
分别在每一类雷达辐射源信号中加入不同信噪比的噪声，再获取复杂雷达辐射源的数据集；
对所述数据集进行短时傅里叶变换时频预处理得到预处理数据集；
从所述预处理数据集中选择训练数据集和测试数据集，对所述训练数据集、所述测试数据集进行PCA降维处理得到降维后的训练数据集、降维后的测试数据集；
对所述降维后的训练数据集进行训练得到预设结构的多层感知机网络模型；
将所述降维后的测试数据集输入到所述预设结构的多层感知机网络模型中得到所述复杂雷达辐射源的识别率；所述预设结构的多层感知机网络包括第一层、第二层、第三层、第四层、第五层、第六层，其中：所述第一层包括N1个神经元，0<N1<10；所述第二层包括N2个神经元，24<N2<36，所述N1个神经元与所述N2个神经元之间全部连接；所述第三层包括N3个神经元，56<N3<68，所述N2个神经元与所述N3个神经元之间全部连接；所述第四层包括N4个神经元，60<N4<68，所述N3个神经元与所述N4个神经元之间全部连接；所述第五层包括N5个神经元，28<N5<36，所述N4个神经元与所述N5个神经元之间全部连接；所述第六层包括N6个神经元，12<N6<24，所述N5个神经元与所述N6个神经元之间全部连接；所述第一层、所述第二层、所述第三层、所述第四层、所述第五层均采用激活函数实现；所述第六层采用softmax激活函数实现。
2.根据权利要求1所述的复杂雷达辐射源识别方法，其特征在于，对所述训练数据集、所述测试数据集进行PCA降维处理得到降维后的训练数据集、降维后的测试数据集，包括：
分别对所述训练数据集、所述测试数据集进行中心化处理得到中心化后的训练数据集、中心化后的所述测试数据集；
分别构建所述中心化后的训练数据集的协方差矩阵、所述中心化后的所述测试数据集的协方差矩阵；
计算所述中心化后的训练数据集的协方差矩阵的特征值和相对应的特征向量，并进行投影得到所述降维后的训练数据集；
计算所述中心化后的测试数据集的协方差矩阵的特征值和相对应的特征向量，并进行投影得到所述降维后的测试数据集。
3.根据权利要求1所述的复杂雷达辐射源识别方法，其特征在于，对所述降维后的训练数据集进行训练得到预设结构的多层感知机网络模型，包括：
构建所述预设结构的多层感知机网络模型；
将所述降维后的训练数据集输入至所述预设结构的多层感知机网络模型，并采用预设网络优化方法进行训练得到所述预设结构的多层感知机网络模型。
4.根据权利要求3所述的复杂雷达辐射源识别方法，其特征在于，所述预设网络优化方法包括随机梯度下降方法、小批量梯度下降方法、AdaGrad方法和AdamOptimizer方法。
5.一种复杂雷达辐射源识别装置，其特征在于，所述装置包括：
数据获取模块，用于获取包括多类雷达辐射源信号的数据集，雷达辐射源信号包括线性调频信号、非线性调频信号、二相编码信号、固定频率信号、二频编码信号中的一种或多种；分别在每一类雷达辐射源信号中加入不同信噪比的噪声，再获取复杂雷达辐射源的数据集；
第一数据处理模块，用于对所述数据集进行短时傅里叶变换时频预处理得到预处理数据集；
第二数据处理模块，用于从所述预处理数据集中选择训练数据集和测试数据集，对所述训练数据集、所述测试数据集进行PCA降维处理得到降维后的训练数据集、降维后的测试数据集；
网络模型构建模块，用于根据所述降维后的训练数据集构建预设结构的多层感知机网络模型；
数据识别模块，用于将所述降维后的测试数据集输入到所述预设结构的多层感知机网络模型中得到所述复杂雷达辐射源的识别率；所述预设结构的多层感知机网络包括第一层、第二层、第三层、第四层、第五层、第六层，其中：所述第一层包括N1个神经元，0<N1<10；所述第二层包括N2个神经元，24<N2<36，所述N1个神经元与所述N2个神经元之间全部连接；所述第三层包括N3个神经元，56<N3<68，所述N2个神经元与所述N3个神经元之间全部连接；所述第四层包括N4个神经元，60<N4<68，所述N3个神经元与所述N4个神经元之间全部连接；所述第五层包括N5个神经元，28<N5<36，所述N4个神经元与所述N5个神经元之间全部连接；所述第六层包括N6个神经元，12<N6<24，所述N5个神经元与所述N6个神经元之间全部连接；所述第一层、所述第二层、所述第三层、所述第四层、所述第五层均采用激活函数实现；所述第六层采用softmax激活函数实现。
6.一种复杂雷达辐射源识别电子设备，其特征在于，所述电子设备包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上存放的所述计算机程序时，实现权利要求1～4任一所述的复杂雷达辐射源识别方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1～4任一所述的复杂雷达辐射源识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010032916.0A CN111190158B (zh) | 2020-01-13 | 2020-01-13 | 复杂雷达辐射源识别方法、装置、电子设备及其存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010032916.0A CN111190158B (zh) | 2020-01-13 | 2020-01-13 | 复杂雷达辐射源识别方法、装置、电子设备及其存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111190158A CN111190158A (zh) | 2020-05-22 |
| CN111190158B true CN111190158B (zh) | 2024-01-30 |
Family
ID=70708216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010032916.0A Active CN111190158B (zh) | 2020-01-13 | 2020-01-13 | 复杂雷达辐射源识别方法、装置、电子设备及其存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111190158B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111723740A (zh) * | 2020-06-19 | 2020-09-29 | 深圳前海微众银行股份有限公司 | 数据识别方法、装置、设备及计算机可读存储介质 |
| CN113926865B (zh) * | 2020-06-29 | 2024-03-08 | 宝山钢铁股份有限公司 | 铸坯夹渣预报方法、机清控制方法、计算设备及存储介质 |
| CN112183659B (zh) * | 2020-10-15 | 2023-04-07 | 电子科技大学 | 一种基于卷积神经网络的未知信号辐射源识别方法 |
| CN114429156B (zh) * | 2022-01-21 | 2023-06-20 | 西安电子科技大学 | 雷达干扰多域特征对抗学习与检测识别方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378205A (zh) * | 2019-06-06 | 2019-10-25 | 西安电子科技大学 | 一种基于改进型cnn网络的复杂雷达辐射源识别算法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8842035B2 (en) * | 2010-04-08 | 2014-09-23 | L-3 Communications Security And Detection Systems, Inc. | Sensor head |
-
2020
- 2020-01-13 CN CN202010032916.0A patent/CN111190158B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378205A (zh) * | 2019-06-06 | 2019-10-25 | 西安电子科技大学 | 一种基于改进型cnn网络的复杂雷达辐射源识别算法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于联合时频辐射源信号识别方法;叶文强等;《电子信息对抗技术》(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111190158A (zh) | 2020-05-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111190158B (zh) | 复杂雷达辐射源识别方法、装置、电子设备及其存储介质 | |
| CN109522857B (zh) | 一种基于生成式对抗网络模型的人数估计方法 | |
| Hyvärinen | Statistical models of natural images and cortical visual representation | |
| CN113673312B (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
| CN112115924A (zh) | 基于一维cnn和lstm的雷达辐射源识别方法 | |
| Wen et al. | HRRP target recognition with deep transfer learning | |
| CN110647788A (zh) | 一种基于微多普勒特征的人类日常行为分类方法 | |
| KR20200018868A (ko) | 강화학습을 이용한 적응형 뇌파 분석 방법 및 장치 | |
| CN110933633A (zh) | 一种基于csi指纹特征迁移的船载环境室内定位方法 | |
| Su et al. | Parameter estimation processor for chirp signals based on a complex-valued deep neural network | |
| Fukuda et al. | Analysis of dynamics in chaotic neural network reservoirs: Time-series prediction tasks | |
| CN109345497B (zh) | 基于模糊算子的图像融合处理方法及系统、计算机程序 | |
| CN114500335A (zh) | 基于模糊c均值和混合核最小二乘支持向量机的sdn网络流程控制方法 | |
| Geva | Hierarchical-fuzzy clustering of temporal-patterns and its application for time-series prediction | |
| CN116482618B (zh) | 基于多损失特征自校准网络的雷达有源干扰识别方法 | |
| CN109919171A (zh) | 一种基于小波神经网络的红外图像识别方法 | |
| Cao et al. | Deep representation method for radar emitter signal using wavelet packets decomposition | |
| Kil | Function Approximation Based on a Network with Kernel Functions of Bounds and Locality: an Approach of Non‐Parametric Estimation | |
| CN114742091A (zh) | 基于卷积块注意力的雷达个体辐射识别方法、系统及介质 | |
| CN114296041A (zh) | 基于DCNN和Transformer的雷达辐射源识别方法 | |
| CN109946667B (zh) | 基于卷积神经网络的识别变体飞机高分辨距离像方法 | |
| Yu et al. | The role of spiking nonlinearity in contrast gain control and information transmission | |
| Fang et al. | CNN-based realized covariance matrix forecasting | |
| Barreto et al. | Nonstationary time series prediction using local models based on competitive neural networks | |
| Qasim et al. | A new hybrid algorithm based on binary gray wolf optimization and firefly algorithm for features selection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |