CN111340076A - 一种对新体制雷达目标未知模式的零样本识别方法 - Google Patents

Abstract

本发明提出了一种对新体制雷达目标未知模式的零样本识别方法，通过跨层结构和自编码器机制对传统的辐射源模式识别算法进行改进，为每一个类别提供一个一一对应的语义描述向量，在训练阶段，学习输入样本到语义描述向量的映射，并利用该映射关系，预测测试样本的语义描述，并将该语义描述分别与测试集已知的语义描述向量匹配，最终选择最相近的语义描述向量所代表的类别，在线识别时，只需要进行简单的乘加运算即可得到结果，相较于聚类算法，既提高了准确率又缓解了在线识别的时间复杂度。

Description

一种对新体制雷达目标未知模式的零样本识别方法

技术领域

本发明涉及雷达电子侦察和人工智能的交叉技术领域，具体涉及一种对新体制雷达目标未知模式的零样本识别方法。

背景技术

电子战系统的主要任务是发现辐射源的存在并尽快生成对抗策略，该系统的主要组成部分是需要对辐射源进行监测并识别其当前的工作模式，为后续干扰措施的选择打下基础。

传统的辐射源模式识别算法依赖于已有特征模板的匹配，或是预先采集足够数量样本以进行识别模型的训练。这些已知模板或是可以经过离线学习的模式被称为已知类。然而，当复杂电磁环境信号密度强、存在捷变模式的先进辐射源时，传统分类方法往往无法得到全部的特征模板和数据，会出现从未见过的辐射源未知模式信号，尽管基于聚类的算法例如吸引子传播 (Affinity Propagation，AP)算法和快速密度峰(Cluster of FastSearching Density Peaks,CFS)算法能够在没有任何先验信息的情况下，将信号进行聚类，然而这些完全由数据驱动的方法往往准确率较低并且在线识别的时间复杂度很高，即未知类的数据很难快速准确的识别。

发明内容

为了解决未知辐射源的模式识别问题，本文提出了一种对新体制雷达目标未知模式的零样本学习方法。零样本学习为每一个类别提供一个一一对应的语义描述向量，在训练阶段，学习输入样本到语义描述向量的映射，并利用该映射关系，预测测试样本的语义描述，并将该语义描述分别与测试集已知的语义描述向量匹配，最终选择最相近的语义描述向量所代表的类别，作为该测试样本的所属类别。

本发明的技术方案如下：一种对新体制雷达目标未知模式的零样本识别方法，该方法的模型包括特征提取网络和跨层自编码器网络两部分，特征提取网络提取输入信号样本的特征，作为跨层自编码器的输入，跨层自编码器由编码器和解码器两部分组成，编码器包含视觉特征输入层、中间层、全连接输出层、捷层和语义特征层，视觉特征输入层、中间层和全连接输出层构成了一个两层的全连接神经网络，视觉特征输入层和快捷层构成了一个跨层网络，解码器由转移层、中间层*和视觉特征输出层组成，具体包括以下步骤：

步骤一、选取m个雷达信号特征参数进行雷达辐射源模式语义描述，构建N种m维雷达辐射源模式语义描述向量

i＝{1,2,...,N}和与其对应的辐射源模式u_i,i＝{1,2,...,N}，构建输入信号样本数据集，包括含有C_tr种雷达辐射源模式的训练集I_k,k∈{1,2,…,K}和含有C_te种雷达辐射源模式的测试集I_m,m∈{1,2,…,M}；设置特征提取网络层数L和每层的节点数

设置跨层自编码器网络中的视觉特征输入层、转移层、视觉特征输出层节点数相同，记为

中间层和中间层*节点数为NODE^C，全连接输出层，快捷层和语义特征层的节点数相同为NODE_se，设置编码器权重稀疏化项的权重λ，解码器损失函数权重α以及正则化权重β，训练的迭代次数epo，随机初始化待训练的特征提取神经网络权重W_F和跨层自编码器每层的网络权重W₁,W₂,W₃；

其中，训练集I_k中每一个信号样本对应一个语义描述向量

A_k是信号样本I_k所属辐射源模式u_k对应的语义描述向量，共对应C_tr种从A_i'中抽取的雷达辐射源模式语义描述向量，测试集I_m包含等待预测的M个雷达辐射源信号样本I_m和C_te个语义描述向量

ctest∈{1,...,C_te}，A_ctest是从A_i'中抽取的所属辐射源模式u_ctest的语义描述向量；

步骤二、将训练集I_k作为训练特征提取网络的输入数据，训练特征提取网络并得到权重W_F，W_F由一组权重组成，其大小为

提取输入数据中间层的输出特征 X_k＝I_kW_F,k∈{1,2,…,K}，作为跨层自编码器的输入；

步骤三、将步骤二的特征提取网络的输出X_k作为输入数据，计算权重值

利用权重值分别计算编码器的损失函数Loss^En、解码器的损失函数Loss^De和正则化项Θ，并加权求和得到跨层自编码器网络的损失函数Loss^CLAE，利用优化算法根据损失函数Loss^CLAE对跨层自编码器网络进行训练，重复步骤三迭代训练epo次，得到跨层自编码器网络权重W₁,W₂,W₃；

步骤四、对测试样本I_m进行特征提取，使测试样本通过步骤二中训练的特征提取网络，利用步骤二中经训练特征网络得到的权重W_F，输出测试样本的特征X_m＝I_mW_F，作为测试时跨层自编码器网络的输入；

步骤五、将测试样本的特征X_m输入到步骤三中训练好的跨层自编码器网络中的编码器部分，编码器部分对测试样本I_m进行编码和分类识别，编码器输出结果即为模型预测的语义描述向量O^En(X_m)，寻找与其最相近的已知的语义描述向量A_ctest进行匹配，得到样本所属的辐射源模式u_ctest。

优选地，步骤一中所述的选取m个雷达信号特征参数进行雷达辐射源语义描述，包括对频率范围、脉冲重复间隔、脉冲重复频率类型和脉冲宽度这四个雷达信号特征参数进行语义描述。

优选地，步骤二中所述的输入数据中间层的输出特征选择是除了特征提取网络第一层和最后一层外的任意一层。

优选地，步骤二中所述的特征提取网络可采用全连接神经网络、卷积神经网络或循环神经网络等多种神经网络。

进一步地，步骤三中所述的跨层自编码器网络损失函数Loss^CLAE具体计算方法为：

3.1所述编码器部分的输出O^En定义如下：

O^En(X_k)＝f(f(X_kW₁)W₂)+f(X_kW₃) (1)

其中W₁,W₂分别是所述视觉特征输入层和中间层、中间层和全连接输出层的权重，W₃是所述快捷层的权重，f(·)是ReLU激活函数；

3.2编码器网络每层的权重加入稀疏化项，并配以步骤一中所述权重λ，编码器所述损失函数Loss^En定义如下：

3.3解码器中使用非对称的结构来保留重建信息，根据所述编码器快捷层权重W₃，将编码器的输出O^En乘以

即：

根据自编码器的原理，(3)式右侧的第二项应该与输入特征X_k相近，解码器部分所述转移层的输出O^Trans为：

该输出应该和

相近，所以解码器的输出O^De为：

O^De应该与输入X_k尽可能的相似，所以所述解码器的损失函数Loss^De为：

3.4正则化项所述Θ，利用类相似矩阵S来保持已知类和未知类的局部信息：

其中W包含了W₁,W₂,W₃，并且S_d,v是雷达辐射源模式u_d和u_v，其中 d,v∈{1,...,C_tr}的视觉特征输入层类别间的语义信息余弦相似度，上式简化为：

Θ＝tr(O^EnT(X_k)L_AO^En(X_k)) (8)

其中L_A是拉普拉斯矩阵,L_A＝D-S,且D是一个对角矩阵，对角线上的元素是D_dd＝∑_vS_d,v,tr(·)是矩阵的迹；

3.5综上，所述跨层自编码器网络损失函数Loss^CLAE为：

Loss^CLAE＝Loss^En+α×Loss^De+β×Θ (9)

优选地，步骤二中所述训练特征提取网络和步骤三中所述训练跨层自编码器网络采用Adam算法。

进一步地，步骤五中所述的模型预测语义描述向量O^En(X_m)，与已知的语义描述向量A_ctest进行匹配的方法为最近邻方法，得到测试样本所属的辐射源模式u_ctest，具体为：

其中ctest是未知类别的标号，D(Q,J)表示向量Q和J的欧氏距离。

本发明的有益效果：本发明通过利用比较容易获得的先验信息，即语义描述向量作为媒介，在离线训练阶段学习了输入信号样本到语义关系的映射，并将其迁移到未知信号样本中，在线识别时，只需要进行简单的乘加运算即可得到结果，相较于聚类算法，既提高了准确率又缓解了在线识别的时间复杂度。

附图说明

图1为本发明的模型架构图；

图2为本发明的算法流程图；

图3为本发明实施例的算法准确率的实验结果；

图4为本发明实施例与其他两种聚类方法的对比实验结果图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

(1)实验的场景设置

本实验将雷达辐射源模式定义为一个固定的特征组合，通常一些雷达信号的特征描述，包括频率范围、脉冲重复间隔、脉冲重复频率类型和脉冲宽度4种特征参数，可以用来描述特定的雷达辐射源模式,将这些描述作为语义信息，构建信号样本的语义描述向量。

本实验在两种不同设置的模拟雷达信号数据集上对该方法进行评估。

①新的特征组合：尽管语义特征的组合是不可见的，但是其单个的特征已经在已知类中出现过。针对上述的4种特征，每个有2个取值情况，选择其中12种特征组合作为雷达模式，其中，将8个模式作为已知类别作为训练集，剩余4个类别被选作未知类别，作为测试集。

②新的特征范围：已知类的生成方式与新的语义组合设置一样，但是语义特征会出现新的范围外的值。针对4个未知类，每个类别至少包含1个未知的特征值，训练集和测试集样本数，与①一致。

传统的零样本学习假定测试过程中，并没有出现已知类别的数据，然而实际测试情况中，只包含未知模式的数据是不现实的。因此，对于更真实的复杂情况，实验同样考虑了广义的零样本学习的场景，即已知类的样本也出现在测试集中。

(2)评价指标设置

实验评价了不同信噪比下，新的特征组合和新的特征范围两种数据集测试集的分类精度。此外，在广义零样本学习中，分别计算已知类和未知类的识别准确率，并且计算了两个准确率的调和平均值H。为了使分类效果更直观的体现，实验利用t-SNE降维的方法，将数据进行可视化。

(3)实验流程

跨层自编码器模型结构图如图1所示，算法流程图如图2所示，具体地：

根据上述两种实验场景设置，根据12个类别中的每一个辐射源描述，对其频率范围、脉冲重复间隔、脉冲重复频率类型和脉冲宽度四个特征进行描述，构建12种四维的语义描述向量

C＝{1,2,...,12}和对应的辐射源模式u_i,i＝{1,2,...,12}，每一个辐射源信号样本的长度为5000，如果不足则用0补齐，准备含有C_tr＝8个辐射源模式的训练集

k∈{1,2,…,K}，其中K＝1200，每个样本对应的语义描述

A_k是信号样本I_k所属辐射源模式u_k对应的语义描述向量，共对应C_tr＝8种从A_i'中抽取的雷达辐射源模式语义描述向量；准备含有C_te＝4个辐射源模式的测试集

m∈{1,2,…,M}，其中，M＝200，每个备选类别u_ctest所对应的语义描述向量为

ctest＝{1,…,4}；设置模型参数，选择全连接神经网络作为特征提取网络，层数L＝5，每层节点数

选择第四层为特征提取的中间层，作为信号样本提取的特征，即p＝4，

中间层和中间层*节点数NODE^C＝50，全连接输出层、快阶层和语义描述层节点数NODE_se＝4，λ＝0.01,α＝10^-5,β＝10^-5，训练迭代总次数epo设置为500次；

3)随机初始化特征提取网络权重W_F和跨层自编码器网络权重W₁,W₂,W₃；

步骤二：用训练集中的所有辐射源信号样本

利用Adam 算法训练特征提取网络，得到W_F∈R^{5000×1000,1000×500,500×150,150×8}，选取中间层输出为 150维的提取特征，即

步骤三：对每一次迭代，将步骤二中提取的训练集中的辐射源信号特征数据

送入跨层自编码器，利用权重

W₁∈R^150×50,W₂∈R^50×4,W₃∈R^150×4，计算编码器的损失函数Loss^En、解码器的损失函数Loss^De和正则化项Θ，并加权求和得到跨层自编码器网络的损失函数 Loss^CLAE，具体为：

3.1根据公式(1)计算编码器部分的输出：

3.2计算样本的损失和权重的稀疏化项，根据公式(2)得到编码器的损失值Loss^En：

3.3根据公式(3)-(5)计算解码器的输出：

根据公式(6)计算解码器的损失值Loss^De:

根据视觉特征输入层类别间的语义信息的余弦相似度构建类相似矩阵 S:

3.4利用公式(8)计算正则化项的值Θ；

3.5根据公式(9)计算总体的Loss^CLAE＝Loss^En+10^-5*Loss^De+10^-5*Θ，并利用Adam优化算法进行训练，迭代epo＝500次后，保存跨层自编码器的权重 W₁,W₂,W₃；

步骤四：对每一个测试样本

经过特征提取网络，得到测试样本的特征

步骤五：输入X_m,并跟据步骤三中保存的跨层自编码器权重W₁,W₂,W₃和公式(1)分别计算模型预测测试样本的语义描述向量

和测试集中的4个语义描述向量

的欧式距离，根据公式(10)，输出该测试样本的对应的语义描述向量所属的类别u_ctest。

(4)结果分析

从图3的表1和表2中可以看出，在两种设置中，即使在较低的信噪比下，跨层自编码器对零样本任务的分类精度很高，而且在广义零样本任务的四个指标上都有不错的效果。随着信噪比的降低，零样本任务和广义零样本任务的精度都逐渐下降。

图4比较了在广义零样本任务中，信噪比在10dB下，跨层自编码器的效果与两种常用的聚类方法(AP和CFS)的可视化分析对比，从图中可以清楚地看到本方法几乎完全符合真实标签。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种对新体制雷达目标未知模式的零样本识别方法，其特征在于，该方法的模型包括特征提取网络和跨层自编码器网络两部分，特征提取网络提取输入信号样本的特征，作为跨层自编码器的输入，跨层自编码器由编码器和解码器两部分组成，编码器包含视觉特征输入层、中间层、全连接输出层、快捷层和语义特征层，视觉特征输入层、中间层和全连接输出层构成了一个两层的全连接神经网络，视觉特征输入层和快捷层构成了一个跨层网络，解码器由转移层、中间层*和视觉特征输出层组成，具体包括以下步骤：

步骤一、选取m个雷达信号特征参数进行雷达辐射源模式语义描述，构建N种m维雷达辐射源模式语义描述向量

和与其对应的辐射源模式u_i,i＝{1,2,...,N}，构建输入信号样本数据集，包括含有C_tr种雷达辐射源模式的训练集I_k,k∈{1,2,…,K}和含有C_te种雷达辐射源模式的测试集I_m,m∈{1,2,…,M}；设置特征提取网络层数L和每层的节点数

设置跨层自编码器网络中的视觉特征输入层、转移层、视觉特征输出层节点数相同，记为

中间层和中间层*节点数为NODE^C，全连接输出层，快捷层和语义特征层的节点数相同为NODE_se，设置编码器权重稀疏化项的权重λ，解码器损失函数权重α以及正则化权重β，训练的迭代次数epo，随机初始化待训练的特征提取神经网络权重W_F和跨层自编码器每层的网络权重W₁,W₂,W₃；

其中，训练集I_k中每一个信号样本对应一个语义描述向量

A_k是信号样本I_k所属辐射源模式u_k对应的语义描述向量，共对应C_tr种从A_i'中抽取的雷达辐射源模式语义描述向量，测试集I_m包含等待预测的M个雷达辐射源信号样本I_m和C_te个语义描述向量

A_ctest是从A_i'中抽取的所属辐射源模式u_ctest的语义描述向量；

步骤二、将训练集I_k作为训练特征提取网络的输入数据，训练特征提取网络并得到权重W_F，W_F由一组权重组成，其大小为

提取输入数据中间层的输出特征X_k＝I_kW_F,k∈{1,2,…,K}，作为跨层自编码器的输入；

步骤三、将步骤二的特征提取网络的输出X_k作为输入数据，计算权重值

利用权重值分别计算编码器的损失函数Loss^En、解码器的损失函数Loss^De和正则化项Θ，并加权求和得到跨层自编码器网络的损失函数Loss^CLAE，利用优化算法根据损失函数Loss^CLAE对跨层自编码器网络进行训练，重复步骤三迭代训练epo次，得到跨层自编码器网络权重W₁,W₂,W₃；

步骤四、对测试样本I_m进行特征提取，使测试样本通过步骤二中训练的特征提取网络，利用步骤二中经训练特征网络得到的权重W_F，输出测试样本的特征X_m＝I_mW_F，作为测试时跨层自编码器网络的输入；

步骤五、将测试样本的特征X_m输入到步骤三中训练好的跨层自编码器网络中的编码器部分，编码器部分对测试样本I_m进行编码和分类识别，编码器输出结果即为模型预测的语义描述向量O^En(X_m)，寻找与其最相近的已知的语义描述向量A_ctest进行匹配，得到样本所属的辐射源模式u_ctest。

2.根据权利要求1所述的一种对新体制雷达目标未知模式的零样本识别方法，其特征在于，步骤一中所述的选取m个雷达信号特征参数进行雷达辐射源语义描述，包括对频率范围、脉冲重复间隔、脉冲重复频率类型和脉冲宽度这四个雷达信号特征参数进行语义描述。

3.根据权利要求1所述的一种对新体制雷达目标未知模式的零样本识别方法，其特征在于，步骤二中所述的特征提取网络可采用全连接神经网络、卷积神经网络或循环神经网络等多种神经网络。

4.根据权利要求3所述的一种对新体制雷达目标未知模式的零样本识别方法，其特征在于，步骤二中所述的输入数据中间层的输出特征选择是除了特征提取网络第一层和最后一层外的任意一层。

5.根据权利要求1所述的一种对新体制雷达目标未知模式的零样本识别方法，其特征在于，步骤三中所述的跨层自编码器网络损失函数Loss^CLAE具体计算方法为：

3.1所述编码器部分的输出O^En定义如下：

O^En(X_k)＝f(f(X_kW₁)W₂)+f(X_kW₃) (1)

其中W₁,W₂分别是所述视觉特征输入层和中间层、中间层和全连接输出层的权重，W₃是所述快捷层的权重，f(·)是ReLU激活函数；

3.2编码器网络每层的权重加入稀疏化项，并配以步骤一中所述权重λ，编码器所述损失函数Loss^En定义如下：

3.3解码器中使用非对称的结构来保留重建信息，根据所述编码器快捷层权重W₃，将编码器的输出O^En乘以

即：

根据自编码器的原理，(3)式右侧的第二项应该与输入特征X_k相近，解码器部分所述转移层的输出O^Trans为：

该输出应该和

相近，所以解码器的输出O^De为：

O^De(X_k)＝O^Trans(X_k)W₃W₂ ^TW₁ ^T (5)

O^De应该与输入X_k尽可能的相似，所以所述解码器的损失函数Loss^De为：

3.4正则化项所述Θ，利用类相似矩阵S来保持已知类和未知类的局部信息：

其中W包含了W₁,W₂,W₃，并且S_d,v是雷达辐射源模式u_d和u_v，其中d,v∈{1,...,C_tr}的视觉特征输入层类别间的语义信息余弦相似度，上式简化为：

Θ＝tr(O^EnT(X_k)L_AO^En(X_k)) (8)

其中L_A是拉普拉斯矩阵,L_A＝D-S,且D是一个对角矩阵，对角线上的元素是D_dd＝∑_vS_d,v,tr(·)是矩阵的迹；

3.5综上，所述跨层自编码器网络损失函数Loss^CLAE为：

Loss^CLAE＝Loss^En+α×Loss^De+β×Θ (9)

6.根据权利要求1所述的一种对新体制雷达目标未知模式的零样本识别方法，其特征在于，步骤二中所述训练特征提取网络和步骤三中所述训练跨层自编码器网络采用Adam算法。

7.根据权利要求1所述的一种对新体制雷达目标未知模式的零样本识别方法，其特征在于，步骤五中所述的模型预测语义描述向量O^En(X_m)，与已知的语义描述向量A_ctest进行匹配的方法为最近邻方法，得到测试样本所属的辐射源模式u_ctest，具体为：

其中ctest是未知类别的标号，D(Q,J)表示向量Q和J的欧氏距离。

Images