CN111368648B - 雷达辐射源个体识别方法、装置、电子设备及其存储介质 - Google Patents
雷达辐射源个体识别方法、装置、电子设备及其存储介质 Download PDFInfo
- Publication number
- CN111368648B CN111368648B CN202010097575.5A CN202010097575A CN111368648B CN 111368648 B CN111368648 B CN 111368648B CN 202010097575 A CN202010097575 A CN 202010097575A CN 111368648 B CN111368648 B CN 111368648B
- Authority
- CN
- China
- Prior art keywords
- radiation source
- radar radiation
- neural network
- network model
- convolutional neural
- 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
Images
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种雷达辐射源个体识别方法、装置、电子设备及其存储介质,方法包括:获取雷达辐射源包络图像集,所述雷达辐射源包络图像集包括雷达辐射源包络训练图像集、雷达辐射源包络验证图像集、雷达辐射源包络测试图像集;构建卷积神经网络模型,根据所述雷达辐射源包络训练图像集、所述雷达辐射源包络验证图像集对所述卷积神经网络模型进行训练、验证得到训练好的卷积神经网络模型;将所述雷达辐射源包络测试图像集输入至所述训练好的卷积神经网络模型得到雷达辐射源个体识别率。本发明通过构建的卷积神经网络模型可以实现机器自动提取雷达个体特征,克服了传统雷达辐射源个体识别中人工提取特征过程繁琐、更新数据库缓慢等缺点。
Description
技术领域
本发明属于脉内无意调制识别技术领域,具体涉及一种雷达辐射源个体识别方法、装置、电子设备及其存储介质。
背景技术
雷达辐射源个体识别是现代电子情报和电子支援系统的重要研究内容,其不仅在军事应用上具有重要意义,还在民用网络安全接入、认知无线电以及公共安全等领域具有较高的价值。
随着雷达技术的发展,利用雷达信号的个体特征实现对特定辐射源的识别已成为电子侦察领域的热点问题。在传统信号参数相同的情况下,通过特定辐射源识别,可以利用辐射源的无意调制信息完成雷达辐射源之间的区分识别,进而对特定的辐射源进行有效、长期的监视与跟踪。比如,中国航天科工集团八五一一研究所拥有的申请号为201811208283.3的专利公开了一种基于雷达指纹特征的辐射源识别方法,该方法通过对接收的雷达脉冲信号进行有意特征识别与分类,并判断模板库中是否存在该有意识别信号类型的模板,从而确定当前雷达辐射源是否是已知雷达辐射源,如果不是,则形成模板入库。
但是,上述基于雷达指纹特征的辐射源识别方法需要人工提取特征参数,其过程繁琐,且数据库更新缓慢。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种雷达辐射源个体识别方法、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雷达辐射源个体识别方法,该方法包括:
获取雷达辐射源包络图像集,所述雷达辐射源包络图像集包括雷达辐射源包络训练图像集、雷达辐射源包络验证图像集、雷达辐射源包络测试图像集;
构建卷积神经网络模型,根据所述雷达辐射源包络训练图像集、所述雷达辐射源包络验证图像集对所述卷积神经网络模型进行训练、验证得到训练好的卷积神经网络模型;
将所述雷达辐射源包络测试图像集输入至所述训练好的卷积神经网络模型得到雷达辐射源个体识别率。
在本发明的一个实施例中,获取雷达辐射源包络训练图像集,包括:
接收雷达辐射源信号集;
对接收的所述雷达辐射源信号集进行滑窗平均处理得到雷达辐射源实信号集;
对所述雷达辐射源实信号集进行Hilbert变换得到变换后的雷达辐射源解析信号集;
对所述变换后的雷达辐射源解析信号集取模,并做归一化处理,得到所述雷达辐射源包络图像集。
在本发明的一个实施例中,构建的卷积神经网络模型包括依次连接的输入层、第一卷积层、第一dropout层、第一池化层、第二卷积层、第二dropout层、第二池化层、全连接层、第三dropout层、Softmax层、输出层。
在本发明的一个实施例中,根据所述雷达辐射源包络训练图像集、所述雷达辐射源包络验证图像集对所述卷积神经网络模型进行训练、验证得到训练好的卷积神经网络模型,包括:
根据所述雷达辐射源包络训练图像集对所述卷积神经网络模型进行训练得到第一参数集对应的卷积神经网络模型;
根据所述雷达辐射源包络验证图像集对所述第一参数集对应的卷积神经网络模型进行验证来确定所述训练好的卷积神经网络模型。
在本发明的一个实施例中,根据所述雷达辐射源包络验证图像集对所述第一参数集对应的卷积神经网络模型进行验证来确定所述训练好的卷积神经网络模型,包括:
将所述雷达辐射源包络验证图像集输入至所述第一参数集对应的卷积神经网络模型得到第一验证结果;
判断所述第一验证结果大于或等于预设阈值,将所述第一参数集对应的卷积神经网络模型确定为所述训练好的卷积神经网络模型。
在本发明的一个实施例中,根据所述雷达辐射源包络验证图像集对所述第一参数集对应的卷积神经网络模型进行验证来确定所述训练好的卷积神经网络模型,还包括:
判断所述验证结果小于所述预设阈值,根据所述雷达辐射源包络训练图像集对所述第一参数集对应的卷积神经网络模型进行再次训练得到第二参数集对应的卷积神经网络模型;
根据所述雷达辐射源包络验证图像集对所述第二参数集对应的卷积神经网络模型进行验证来确定所述训练好的卷积神经网络模型。
在本发明的一个实施例中,根据所述雷达辐射源包络验证图像集对所述第二参数集对应的卷积神经网络模型进行验证来确定所述训练好的卷积神经网络模型,包括:
将所述雷达辐射源包络验证图像集输入至所述第二参数集对应的卷积神经网络模型得到第二验证结果;
判断所述第二验证结果大于或等于所述预设阈值,将所述第二参数集对应的卷积神经网络模型确定为所述训练好的卷积神经网络模型。
本发明的另一个实施例提供了一种雷达辐射源个体识别装置,该装置包括:
数据获取模块,用于获取雷达辐射源包络图像集,所述雷达辐射源包络图像集包括雷达辐射源包络训练图像集、雷达辐射源包络验证图像集、雷达辐射源包络测试图像集;
模型构建训练模块,用于构建卷积神经网络模型,根据所述雷达辐射源包络训练图像集、所述雷达辐射源包络验证图像集对所述卷积神经网络模型进行训练、验证得到训练好的卷积神经网络模型;
数据识别模块,用于将所述雷达辐射源包络测试图像集输入至所述训练好的卷积神经网络模型得到雷达辐射源个体识别率。
本发明的再一个实施例提供了一种雷达辐射源个体识别电子设备,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雷达辐射源个体识别方法。
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雷达辐射源个体识别方法。
与现有技术相比,本发明的有益效果:
本发明提供的雷达辐射源个体识别方法,通过构建的卷积神经网络模型可以实现机器自动提取雷达个体特征,克服了传统雷达辐射源个体识别中人工提取特征过程繁琐、更新数据库缓慢等缺点。
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雷达辐射源个体识别方法的流程示意图;
图2是本发明实施例提供的一种雷达辐射源个体识别方法中卷积神经网络模型的结构示意图;
图3是本发明实施例提供的一种雷达辐射源个体识别装置的结构示意图;
图4是本发明实施例提供的一种雷达辐射源个体识别电子设备的结构示意图;
图5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
目前雷达辐射源个体识别需要人工提取特征参数,其过程繁琐,且数据库更新缓慢。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雷达辐射源个体识别方法的流程示意图,本实施例提供了一种雷达辐射源个体识别方法,该方法包括以下步骤:
步骤1、获取雷达辐射源包络图像集,雷达辐射源包络图像集包括雷达辐射源包络训练图像集、雷达辐射源包络验证图像集、雷达辐射源包络测试图像集。
具体而言,目前大多雷达辐射源个体识别中都是对雷达辐射源信号直接进行识别处理,本实施例基于卷积神经网络模型进行雷达辐射源个体识别,为了提高识别率,首先将雷达辐射源信号转换为更适合本实施例提出的卷积神经网络模型处理的雷达包络图像数据,具体地步骤1包括步骤1.1、步骤1.2、步骤1.3、步骤1.4:
步骤1.1、接收雷达辐射源信号集。
具体而言,本实施例接收雷达辐射源信号集的方式不限,例如通过侦查机接收雷达辐射源信号集。
步骤1.2、对接收的雷达辐射源信号集进行滑窗平均处理得到雷达辐射源实信号集。
具体而言,本实施例将雷达辐射源信号集转换为雷达辐射源包络图像前,首先对接收到的雷达辐射源信号集做滑窗平均处理得到雷达辐射源实信号集,具体地滑窗平均处理的表达式为:
其中,为第i段雷达辐射源信号集序列的平均值,Ei(n)为第i段雷达辐射源信号集的序列,L为滑窗窗口长度,由ΔFv/τ决定,ΔFv为雷达辐射源信号集视放的带宽,τ为雷达辐射源信号集脉冲宽度,N为总采样长度。
本实施例提取雷达辐射源信号集包络之前,首先对雷达辐射源信号集做了滑窗平均处理,处理后雷达辐射源信号集的包络形状没有什么变化,但是雷达辐射源信号集的部分高频分量和噪声被滤除,从而大大减小雷达辐射源个体识别的误差,进而提高识别率。
步骤1.3、对雷达辐射源实信号集进行Hilbert变换得到变换后的雷达辐射源解析信号集。
具体而言,本实施例对步骤1.2滑窗平均处理后的雷达辐射源实信号集进行Hilbert变换得到变换后的雷达辐射源解析信号(复信号)集,将变换后的雷达辐射源解析信号集作为后续输入卷积神经网络模型的输入数据,具体地Hilbert变换表达式为:
本实施例通过Hilbert变换,将雷达辐射源实信号集转换为变换后的雷达辐射源解析信号集,该变换后的雷达辐射源解析信号集作为更适合本实施例提出的卷积神经网络模型的输入数据,从而提高网络对雷达辐射源个体的识别率。
步骤1.4、对变换后的雷达辐射源解析信号集取模,并做归一化处理,得到雷达辐射源包络图像集。
具体而言,步骤1.3得到变换后的雷达辐射源解析信号集,为了得到雷达辐射源信号的包络值,本实施例对变换后的雷达辐射源解析信号集进行取模处理。最后,对取模处理后的信号集做归一化处理得到本实施例最终输入卷积神经网络模型的输入数据,即雷达辐射源包络图像集。
本实施例雷达辐射源包络图像集包括雷达辐射源包络训练图像集、雷达辐射源包络验证图像集、雷达辐射源包络测试图像集,即将雷达辐射源包络图像集分为三类,雷达辐射源包络训练图像集用于训练网络模型,雷达辐射源包络验证图像集用于验证训练的网络模型是否作为训练好的网络模型,雷达辐射源包络测试图像集用于测试。其中,雷达辐射源包络训练图像集、雷达辐射源包络验证图像集、雷达辐射源包络测试图像集对应数据集的大小根据实际需要来选择,比如步骤1.4处理后雷达辐射源包络图像集中:80%的数据作为雷达辐射源包络训练图像集,10%的数据作为雷达辐射源包络验证图像集,10%的数据作为雷达辐射源包络测试图像集。
步骤2、构建卷积神经网络模型,根据雷达辐射源包络训练图像集、雷达辐射源包络验证图像集对卷积神经网络模型进行训练、验证得到训练好的卷积神经网络模型。
具体而言,请参见图2,图2是本发明实施例提供的一种雷达辐射源个体识别方法中卷积神经网络模型的结构示意图,本实施例步骤2中构建的卷积神经网络模型包括依次连接的输入层、第一卷积层、第一dropout层、第一池化层、第二卷积层、第二dropout层、第二池化层、全连接层、第三dropout层、Softmax层、输出层。其中,每一层的数学模型可以为常见模型,比如本实施例第一dropout层、第二dropout层、第三dropout层的数学模型表达式可以均为:
其中,Oi表示第一dropout层、第二dropout层、第三dropout层的输出,Xi表示第一dropout层、第二dropout层、第三dropout层中神经元的输出结果(保留或者抛弃),p表示保留概率,i、k分别表示第一dropout层、第二dropout层、第三dropout层中神经元序号和维度序号,xk表示第一dropout层、第二dropout层、第三dropout层的输入数据拆分后的输入向量,di表示第一dropout层、第二dropout层、第三dropout层的输入数据的维度,wk表示权重,b表示偏置量。
再比如,本实施例Softmax层的数学模型表达式可以为:
需要说明的是,输入层、第一卷积层、第一dropout层、第一池化层、第二卷积层、第二dropout层、第二池化层、全连接层、第三dropout层、Softmax层、输出层中每一层的数学模型可以根据实际需要进行选择,基于本实例卷积神经网络模型的实现,均在本申请的保护范围。
进一步地,本实施例基于上述构建的卷积神经网络模型,根据雷达辐射源包络训练图像集、雷达辐射源包络验证图像集对卷积神经网络模型进行训练、验证得到训练好的卷积神经网络模型,具体地包括步骤2.1、步骤2.2:
步骤2.1、根据雷达辐射源包络训练图像集对卷积神经网络模型进行训练得到第一参数集对应的卷积神经网络模型。
具体而言,将雷达辐射源包络训练图像集输入至如图2构建的卷积神经网络模型中,进行训练得到第一参数集对应的卷积神经网络模型,其中,第一参数集包括训练结束后输入层、第一卷积层、第一dropout层、第一池化层、第二卷积层、第二dropout层、第二池化层、全连接层、第三dropout层、Softmax层、输出层中每一层涉及的参数。
步骤2.2、根据雷达辐射源包络验证图像集对第一参数集对应的卷积神经网络模型进行验证来确定训练好的卷积神经网络模型。
具体而言,对于步骤2.1训练得到的第一参数集对应的卷积神经网络模型可能不是本实施例需要的最优卷积神经网络模型,因此本实施例通过雷达辐射源包络验证图像集对第一参数集对应的卷积神经网络模型进行验证,来确定第一参数集对应的卷积神经网络模型是否可以作为训练好的卷积神经网络模型,具体地步骤2.2包括步骤2.2.1、步骤2.2.2:
步骤2.2.1、将雷达辐射源包络验证图像集输入至第一参数集对应的卷积神经网络模型得到第一验证结果。
具体而言,本实施例将雷达辐射源包络验证图像集输入至步骤2.1训练得到的第一参数集对应的卷积神经网络模型中,进行训练得到第一验证结果,通过第一验证结果判断网络模型输出结果是否与预期结果一致。
步骤2.2.2、判断第一验证结果大于或等于预设阈值,将第一参数集对应的卷积神经网络模型确定为训练好的卷积神经网络模型。
具体而言,本实施例中当第一验证结果大于或等于预设阈值时,说明第一参数集对应的卷积神经网络模型输出的结果与预期结果一致,此时,第一参数集对应的卷积神经网络模型可以作为训练好的卷积神经网络模型,不需要进一步地训练。其中,预设阈值根据实际设计需要而设置,比如可以为0.5。
而当第一验证结果小于预设阈值时,说明第一参数集对应的卷积神经网络模型输出的结果与预期结果不一致,此时,将第一参数集对应的卷积神经网络模型作为训练好的卷积神经网络模型不是最佳选择,则本实施根据上述步骤2.1,将雷达辐射源包络训练图像集输入至第一参数集对应的卷积神经网络模型,修改网络模型中的参数,对第一参数集对应的卷积神经网络模型进行再次训练得到第二参数集对应的卷积神经网络模型。同样,对于训练得到第二参数集对应的卷积神经网络模型,进行如第一参数集对应的卷积神经网络模型的验证,将雷达辐射源包络验证图像集输入至第二参数集对应的卷积神经网络模型,对第二参数集对应的卷积神经网络模型进行验证,进而确定第二参数集对应的卷积神经网络模型是否可以作为训练好的卷积神经网络模型,具体地,类似第一参数集对应的卷积神经网络模型验证,将雷达辐射源包络验证图像集输入至第二参数集对应的卷积神经网络模型进行训练将得到第二验证结果,当第二验证结果大于或等于预设阈值时,将第二参数集对应的卷积神经网络模型确定为训练好的卷积神经网络模型。其中,对于第二验证结果小于预设阈值情况,继续修改网络模型中的参数,重复如上训练、验证步骤,直至训练得到满足预期的卷积神经网络模型,将其作为训练好的卷积神经网络模型。
本实施例通过构建的卷积神经网络模型,可以实现机器自动提取雷达个体特征,克服了传统雷达辐射源个体识别中人工提取特征过程繁琐、更新数据库缓慢等缺点;本实施例构建的卷积神经网络模型具有权值共享和局部感受野的特点,能够自动学习图像进行特征提取,并通过权值共享减少训练参数,大大减小了神经网络训练的时间,提高了雷达辐射源个体识别效率,同时提高了雷达辐射源个体识别率。
步骤3、将雷达辐射源包络测试图像集输入至训练好的卷积神经网络模型得到雷达辐射源个体识别率。
具体而言,本实施例将雷达辐射源包络测试图像集输入步骤2得到的训练好的卷积网络模型得到雷达辐射源个体识别率。
综上所述,本实施例对接收到的雷达辐射源信号集做滑窗平均处理以减少噪声影响,然后使用Hilbert变换和取模的方法得到雷达辐射源包络图像集,并对雷达辐射源包络图像集进行归一化处理,最后使用本实施例构建的卷积神经网络模型对整个雷达辐射源包络图像集进行分类识别,最终达到雷达辐射源个体识别的目的。本实施例利用卷积神经网络对雷达辐射源信号集进行分类识别,卷积神经网络自动学习图像进行特征提取,并通过权值共享减少训练参数,大大减小了神经网络训练的时间,提高了雷达辐射源个体识别效率,同时提高了雷达辐射源个体识别率;本实施例通过构建的卷积神经网络模型可以实现机器自动提取雷达个体特征,克服了传统雷达辐射源个体识别中人工提取特征过程繁琐、更新数据库缓慢等缺点。
实施例二
在上述实施例一的基础上,请参见图3,图3为本发明实施例提供的一种雷达辐射源个体识别装置的结构示意图。本实施例提供了一种雷达辐射源个体识别装置,该装置包括:
数据获取模块,用于获取雷达辐射源包络图像集,雷达辐射源包络图像集包括雷达辐射源包络训练图像集、雷达辐射源包络验证图像集、雷达辐射源包络测试图像集。
具体而言,本实施例数据获取模块中获取雷达辐射源包络图像集,包括:
接收雷达辐射源信号集;
对接收的雷达辐射源信号集进行滑窗平均处理得到雷达辐射源实信号集;
对雷达辐射源实信号集进行Hilbert变换得到变换后的雷达辐射源解析信号集;
对变换后的雷达辐射源解析信号集取模,并做归一化处理,得到雷达辐射源包络图像集。
模型构建训练模块,用于构建卷积神经网络模型,根据雷达辐射源包络训练图像集、雷达辐射源包络验证图像集对卷积神经网络模型进行训练、验证得到训练好的卷积神经网络模型。
具体而言,本实施例模型构建训练模块中构建的卷积神经网络模型包括依次连接的输入层、第一卷积层、第一dropout层、第一池化层、第二卷积层、第二dropout层、第二池化层、全连接层、第三dropout层、Softmax层、输出层。
进一步地,根据雷达辐射源包络训练图像集、雷达辐射源包络验证图像集对卷积神经网络模型进行训练、验证得到训练好的卷积神经网络模型,包括:
根据雷达辐射源包络训练图像集对卷积神经网络模型进行训练得到第一参数集对应的卷积神经网络模型;
根据雷达辐射源包络验证图像集对第一参数集对应的卷积神经网络模型进行验证来确定训练好的卷积神经网络模型。
进一步地,根据雷达辐射源包络验证图像集对第一参数集对应的卷积神经网络模型进行验证来确定训练好的卷积神经网络模型,包括:
将雷达辐射源包络验证图像集输入至第一参数集对应的卷积神经网络模型得到第一验证结果;
判断第一验证结果大于或等于预设阈值,将第一参数集对应的卷积神经网络模型确定为训练好的卷积神经网络模型。
进一步地,根据雷达辐射源包络验证图像集对第一参数集对应的卷积神经网络模型进行验证来确定训练好的卷积神经网络模型,还包括:
判断验证结果小于预设阈值,根据雷达辐射源包络训练图像集对第一参数集对应的卷积神经网络模型进行再次训练得到第二参数集对应的卷积神经网络模型;
根据雷达辐射源包络验证图像集对第二参数集对应的卷积神经网络模型进行验证来确定训练好的卷积神经网络模型。
进一步地,根据雷达辐射源包络验证图像集对第二参数集对应的卷积神经网络模型进行验证来确定训练好的卷积神经网络模型,包括:
将雷达辐射源包络验证图像集输入至第二参数集对应的卷积神经网络模型得到第二验证结果;
判断第二验证结果大于或等于预设阈值,将第二参数集对应的卷积神经网络模型确定为训练好的卷积神经网络模型。
数据识别模块,用于将雷达辐射源包络测试图像集输入至训练好的卷积神经网络模型得到雷达辐射源个体识别率。
本实施例提供的一种雷达辐射源个体识别装置,可以执行上述雷达辐射源个体识别方法实施例,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4,图4为本发明实施例提供的一种雷达辐射源个体识别电子设备结构示意图。本实施例提供了一种雷达辐射源个体识别电子设备,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、获取雷达辐射源包络图像集,雷达辐射源包络图像集包括雷达辐射源包络训练图像集、雷达辐射源包络验证图像集、雷达辐射源包络测试图像集。
具体而言,本实施例步骤1中获取雷达辐射源包络图像集,包括:
接收雷达辐射源信号集;
对接收的雷达辐射源信号集进行滑窗平均处理得到雷达辐射源实信号集;
对雷达辐射源实信号集进行Hilbert变换得到变换后的雷达辐射源解析信号集;
对变换后的雷达辐射源解析信号集取模,并做归一化处理,得到雷达辐射源包络图像集。
步骤2、构建卷积神经网络模型,根据雷达辐射源包络训练图像集、雷达辐射源包络验证图像集对卷积神经网络模型进行训练、验证得到训练好的卷积神经网络模型。
具体而言,本实施例步骤2中构建的卷积神经网络模型包括依次连接的输入层、第一卷积层、第一dropout层、第一池化层、第二卷积层、第二dropout层、第二池化层、全连接层、第三dropout层、Softmax层、输出层。
进一步地,根据雷达辐射源包络训练图像集、雷达辐射源包络验证图像集对卷积神经网络模型进行训练、验证得到训练好的卷积神经网络模型,包括:
根据雷达辐射源包络训练图像集对卷积神经网络模型进行训练得到第一参数集对应的卷积神经网络模型;
根据雷达辐射源包络验证图像集对第一参数集对应的卷积神经网络模型进行验证来确定训练好的卷积神经网络模型。
进一步地,根据雷达辐射源包络验证图像集对第一参数集对应的卷积神经网络模型进行验证来确定训练好的卷积神经网络模型,包括:
将雷达辐射源包络验证图像集输入至第一参数集对应的卷积神经网络模型得到第一验证结果;
判断第一验证结果大于或等于预设阈值,将第一参数集对应的卷积神经网络模型确定为训练好的卷积神经网络模型。
进一步地,根据雷达辐射源包络验证图像集对第一参数集对应的卷积神经网络模型进行验证来确定训练好的卷积神经网络模型,还包括:
判断验证结果小于预设阈值,根据雷达辐射源包络训练图像集对第一参数集对应的卷积神经网络模型进行再次训练得到第二参数集对应的卷积神经网络模型;
根据雷达辐射源包络验证图像集对第二参数集对应的卷积神经网络模型进行验证来确定训练好的卷积神经网络模型。
进一步地,根据雷达辐射源包络验证图像集对第二参数集对应的卷积神经网络模型进行验证来确定训练好的卷积神经网络模型,包括:
将雷达辐射源包络验证图像集输入至第二参数集对应的卷积神经网络模型得到第二验证结果;
判断第二验证结果大于或等于预设阈值,将第二参数集对应的卷积神经网络模型确定为训练好的卷积神经网络模型。
步骤3、将雷达辐射源包络测试图像集输入至训练好的卷积神经网络模型得到雷达辐射源个体识别率。
本实施例提供的一种雷达辐射源个体识别电子设备,可以执行上述雷达辐射源个体识别方法实施例和上述雷达辐射源个体识别装置实施例,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5,图5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、获取雷达辐射源包络图像集,雷达辐射源包络图像集包括雷达辐射源包络训练图像集、雷达辐射源包络验证图像集、雷达辐射源包络测试图像集。
具体而言,本实施例步骤1中获取雷达辐射源包络图像集,包括:
接收雷达辐射源信号集;
对接收的雷达辐射源信号集进行滑窗平均处理得到雷达辐射源实信号集;
对雷达辐射源实信号集进行Hilbert变换得到变换后的雷达辐射源解析信号集;
对变换后的雷达辐射源解析信号集取模,并做归一化处理,得到雷达辐射源包络图像集。
步骤2、构建卷积神经网络模型,根据雷达辐射源包络训练图像集、雷达辐射源包络验证图像集对卷积神经网络模型进行训练、验证得到训练好的卷积神经网络模型。
具体而言,本实施例步骤2中构建的卷积神经网络模型包括依次连接的输入层、第一卷积层、第一dropout层、第一池化层、第二卷积层、第二dropout层、第二池化层、全连接层、第三dropout层、Softmax层、输出层。
进一步地,根据雷达辐射源包络训练图像集、雷达辐射源包络验证图像集对卷积神经网络模型进行训练、验证得到训练好的卷积神经网络模型,包括:
根据雷达辐射源包络训练图像集对卷积神经网络模型进行训练得到第一参数集对应的卷积神经网络模型;
根据雷达辐射源包络验证图像集对第一参数集对应的卷积神经网络模型进行验证来确定训练好的卷积神经网络模型。
进一步地,根据雷达辐射源包络验证图像集对第一参数集对应的卷积神经网络模型进行验证来确定训练好的卷积神经网络模型,包括:
将雷达辐射源包络验证图像集输入至第一参数集对应的卷积神经网络模型得到第一验证结果;
判断第一验证结果大于或等于预设阈值,将第一参数集对应的卷积神经网络模型确定为训练好的卷积神经网络模型。
进一步地,根据雷达辐射源包络验证图像集对第一参数集对应的卷积神经网络模型进行验证来确定训练好的卷积神经网络模型,还包括:
判断验证结果小于预设阈值,根据雷达辐射源包络训练图像集对第一参数集对应的卷积神经网络模型进行再次训练得到第二参数集对应的卷积神经网络模型;
根据雷达辐射源包络验证图像集对第二参数集对应的卷积神经网络模型进行验证来确定训练好的卷积神经网络模型。
进一步地,根据雷达辐射源包络验证图像集对第二参数集对应的卷积神经网络模型进行验证来确定训练好的卷积神经网络模型,包括:
将雷达辐射源包络验证图像集输入至第二参数集对应的卷积神经网络模型得到第二验证结果;
判断第二验证结果大于或等于预设阈值,将第二参数集对应的卷积神经网络模型确定为训练好的卷积神经网络模型。
步骤3、将雷达辐射源包络测试图像集输入至训练好的卷积神经网络模型得到雷达辐射源个体识别率。
本实施例提供的一种计算机可读存储介质,可以执行上述雷达辐射源个体识别方法实施例、上述雷达辐射源个体识别装置实施例和上述雷达辐射源个体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)
1.一种雷达辐射源个体识别方法,其特征在于,包括:
获取雷达辐射源包络图像集,所述雷达辐射源包络图像集包括雷达辐射源包络训练图像集、雷达辐射源包络验证图像集、雷达辐射源包络测试图像集;
构建卷积神经网络模型,根据所述雷达辐射源包络训练图像集、所述雷达辐射源包络验证图像集对所述卷积神经网络模型进行训练、验证得到训练好的卷积神经网络模型;
将所述雷达辐射源包络测试图像集输入至所述训练好的卷积神经网络模型得到雷达辐射源个体识别率;
获取雷达辐射源包络训练图像集,包括:
接收雷达辐射源信号集;
对接收的所述雷达辐射源信号集进行滑窗平均处理得到雷达辐射源实信号集;
对所述雷达辐射源实信号集进行Hilbert变换得到变换后的雷达辐射源解析信号集;
对所述变换后的雷达辐射源解析信号集取模,并做归一化处理,得到所述雷达辐射源包络图像集;
其中,构建的卷积神经网络模型包括依次连接的输入层、第一卷积层、第一dropout层、第一池化层、第二卷积层、第二dropout层、第二池化层、全连接层、第三dropout层、Softmax层、输出层;
根据所述雷达辐射源包络训练图像集、所述雷达辐射源包络验证图像集对所述卷积神经网络模型进行训练、验证得到训练好的卷积神经网络模型,包括:
根据所述雷达辐射源包络训练图像集对所述卷积神经网络模型进行训练得到第一参数集对应的卷积神经网络模型;
根据所述雷达辐射源包络验证图像集对所述第一参数集对应的卷积神经网络模型进行验证来确定所述训练好的卷积神经网络模型。
2.根据权利要求1所述的雷达辐射源个体识别方法,其特征在于,根据所述雷达辐射源包络验证图像集对所述第一参数集对应的卷积神经网络模型进行验证来确定所述训练好的卷积神经网络模型,包括:
将所述雷达辐射源包络验证图像集输入至所述第一参数集对应的卷积神经网络模型得到第一验证结果;
判断所述第一验证结果大于或等于预设阈值,将所述第一参数集对应的卷积神经网络模型确定为所述训练好的卷积神经网络模型。
3.根据权利要求2所述的雷达辐射源个体识别方法,其特征在于,根据所述雷达辐射源包络验证图像集对所述第一参数集对应的卷积神经网络模型进行验证来确定所述训练好的卷积神经网络模型,还包括:
判断所述验证结果小于所述预设阈值,根据所述雷达辐射源包络训练图像集对所述第一参数集对应的卷积神经网络模型进行再次训练得到第二参数集对应的卷积神经网络模型;
根据所述雷达辐射源包络验证图像集对所述第二参数集对应的卷积神经网络模型进行验证来确定所述训练好的卷积神经网络模型。
4.根据权利要求3所述的雷达辐射源个体识别方法,其特征在于,根据所述雷达辐射源包络验证图像集对所述第二参数集对应的卷积神经网络模型进行验证来确定所述训练好的卷积神经网络模型,包括:
将所述雷达辐射源包络验证图像集输入至所述第二参数集对应的卷积神经网络模型得到第二验证结果;
判断所述第二验证结果大于或等于所述预设阈值,将所述第二参数集对应的卷积神经网络模型确定为所述训练好的卷积神经网络模型。
5.一种雷达辐射源个体识别装置,其特征在于,所述装置包括:
数据获取模块,用于获取雷达辐射源包络图像集,所述雷达辐射源包络图像集包括雷达辐射源包络训练图像集、雷达辐射源包络验证图像集、雷达辐射源包络测试图像集;
模型构建训练模块,用于构建卷积神经网络模型,根据所述雷达辐射源包络训练图像集、所述雷达辐射源包络验证图像集对所述卷积神经网络模型进行训练、验证得到训练好的卷积神经网络模型;
数据识别模块,用于将所述雷达辐射源包络测试图像集输入至所述训练好的卷积神经网络模型得到雷达辐射源个体识别率;
所述数据获取模块,具体用于接收雷达辐射源信号集;对接收的所述雷达辐射源信号集进行滑窗平均处理得到雷达辐射源实信号集;对所述雷达辐射源实信号集进行Hilbert变换得到变换后的雷达辐射源解析信号集;对所述变换后的雷达辐射源解析信号集取模,并做归一化处理,得到所述雷达辐射源包络图像集;
其中,构建的卷积神经网络模型包括依次连接的输入层、第一卷积层、第一dropout层、第一池化层、第二卷积层、第二dropout层、第二池化层、全连接层、第三dropout层、Softmax层、输出层;
所述模型构建训练模块,具体用于根据所述雷达辐射源包络训练图像集对所述卷积神经网络模型进行训练得到第一参数集对应的卷积神经网络模型;根据所述雷达辐射源包络验证图像集对所述第一参数集对应的卷积神经网络模型进行验证来确定所述训练好的卷积神经网络模型。
6.一种雷达辐射源个体识别电子设备,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任一所述的雷达辐射源个体识别方法。
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任一所述的雷达辐射源个体识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010097575.5A CN111368648B (zh) | 2020-02-17 | 2020-02-17 | 雷达辐射源个体识别方法、装置、电子设备及其存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010097575.5A CN111368648B (zh) | 2020-02-17 | 2020-02-17 | 雷达辐射源个体识别方法、装置、电子设备及其存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111368648A CN111368648A (zh) | 2020-07-03 |
CN111368648B true CN111368648B (zh) | 2023-07-07 |
Family
ID=71211455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010097575.5A Active CN111368648B (zh) | 2020-02-17 | 2020-02-17 | 雷达辐射源个体识别方法、装置、电子设备及其存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368648B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111913156B (zh) * | 2020-08-05 | 2022-06-24 | 电子科技大学 | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 |
CN112163457A (zh) * | 2020-09-03 | 2021-01-01 | 中国联合网络通信集团有限公司 | 一种通信电台识别方法及装置 |
CN113255548B (zh) * | 2021-06-03 | 2023-04-07 | 西南交通大学 | 基于胶囊神经元的无线网络设备个体识别方法与应用 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103220055B (zh) * | 2013-05-10 | 2014-12-10 | 厦门大学 | 无线发射机信号的多重分形梯度特征指纹识别方法 |
CN107301381A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学昆山创新研究院 | 基于深度学习和多任务学习策略的雷达辐射源识别方法 |
CN109784325A (zh) * | 2017-11-10 | 2019-05-21 | 富士通株式会社 | 开集识别方法和设备及计算机可读存储介质 |
-
2020
- 2020-02-17 CN CN202010097575.5A patent/CN111368648B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111368648A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368648B (zh) | 雷达辐射源个体识别方法、装置、电子设备及其存储介质 | |
US11487995B2 (en) | Method and apparatus for determining image quality | |
CN108399428B (zh) | 一种基于迹比准则的三元组损失函数设计方法 | |
CN112200211B (zh) | 一种基于残差网络和迁移学习的小样本鱼识别方法及系统 | |
CN110988804B (zh) | 一种基于雷达脉冲序列的雷达辐射源个体识别系统 | |
CN111126481A (zh) | 一种神经网络模型的训练方法及装置 | |
CN108052959A (zh) | 一种提高深度学习图片识别算法鲁棒性的方法 | |
CN112232395B (zh) | 一种基于联合训练生成对抗网络的半监督图像分类方法 | |
CN111126361A (zh) | 基于半监督学习和特征约束的sar目标鉴别方法 | |
CN110543832A (zh) | 基于随机森林和卷积神经网络的脑电数据分类方法 | |
CN115941407A (zh) | 基于递归式卷积网络和注意力机制的信号调制识别方法 | |
CN112347910A (zh) | 一种基于多模态深度学习的信号指纹识别方法 | |
CN114980122A (zh) | 一种小样本射频指纹智能识别系统与方法 | |
CN111383217B (zh) | 大脑成瘾性状评估的可视化方法、装置及介质 | |
CN110288002B (zh) | 一种基于稀疏正交神经网络的图像分类方法 | |
CN114387524B (zh) | 基于多层级二阶表征的小样本学习的图像识别方法和系统 | |
CN116343016A (zh) | 一种基于轻量型卷积网络的多角度声呐图像目标分类方法 | |
CN117036843A (zh) | 目标检测模型训练方法、目标检测方法和装置 | |
CN110222622B (zh) | 一种环境土壤检测方法及装置 | |
CN114220145A (zh) | 人脸检测模型生成方法和装置、伪造人脸检测方法和装置 | |
CN112579670A (zh) | 一种精细油藏分布的勘察数据分析方法及系统 | |
CN116388933B (zh) | 基于深度学习的通信信号盲识别系统 | |
CN116645727B (zh) | 一种基于Openpose模型算法的行为捕捉识别方法 | |
Zenkov | Machine Learning. Correlational Convolution Method for Image Classification | |
Priyadharsini et al. | Performance Investigation of Handwritten Equation Solver using CNN for Betterment |
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 |