CN111767848B - 一种基于多域特征融合的辐射源个体识别方法 - Google Patents

一种基于多域特征融合的辐射源个体识别方法 Download PDF

Info

Publication number
CN111767848B
CN111767848B CN202010606863.9A CN202010606863A CN111767848B CN 111767848 B CN111767848 B CN 111767848B CN 202010606863 A CN202010606863 A CN 202010606863A CN 111767848 B CN111767848 B CN 111767848B
Authority
CN
China
Prior art keywords
radiation source
neural network
signal data
layer
domain
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
Application number
CN202010606863.9A
Other languages
English (en)
Other versions
CN111767848A (zh
Inventor
高敬鹏
王旭
项建弘
王甫
高路
白锦良
秦鹏
王上月
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202010606863.9A priority Critical patent/CN111767848B/zh
Publication of CN111767848A publication Critical patent/CN111767848A/zh
Application granted granted Critical
Publication of CN111767848B publication Critical patent/CN111767848B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于信息侦测识别技术领域，具体涉及一种基于多域特征融合的辐射源个体识别方法。本发明针对现有辐射源个体识别方法中存在的特征信息不全面，分类器泛化能力弱，专家分析主观性强，辐射源个体识别率低等问题，通过融合时域、时频域和高阶域等多域特征，并设计多层神经网络模型作为分类器进而实现辐射源个体识别。融合多域特征解决了特征信息不全面的问题，采用神经网络模型进行识别分类，避免了识别时依赖辐射源信号调制方式等先验信息和专家系统的主观性较强等问题。同时，神经网络模型提升了系统的泛化能力，得到较好的辐射源个体识别效果。

Description

一种基于多域特征融合的辐射源个体识别方法
技术领域
本发明属于信息侦测识别技术领域，具体涉及一种基于多域特征融合的辐射源个体识别方法。
背景技术
辐射源个体识别作为重要的识别手段之一在战场目标识别中发挥着不可替代的作用。辐射源个体识别是将无源侦察接收机所截获的辐射源信号特征参数与辐射源特征参数数据库进行比较，从而确认辐射源的身份，为后续的任务执行和行动提供信息支撑。辐射源个体识别的重点步骤是特征参数提取和分类器的设计。传统的特征提取是基于脉间有意调制特征参数，如雷达辐射源信号重复周期、载频、脉宽、幅度等参数，进而和参数数据库进行匹配。这些量化后的特征无法精细表达个体差异。传统的分类器的设计是基于门限，随着电磁信号越发复杂、密集，信号样式多样，很明显传统的门限设计已经无能为力。
脉内无意调制是雷达发射机自身的固有属性，对于每部雷达发射机具有唯一性。相比于脉间有意调制特征，雷达辐射源信号的脉内无意调制特征更能反应雷达信号的个体特征。信号脉内无意调制主要是由于大功率雷达辐射源发射机的电源、调制管、发射管等各种元器件和电路本身产生的各种寄生调制。各种寄生调制中较为稳定的是寄生调相，同时辐射源发射机输出的相位噪声也是造成寄生调制的最主要原因之一。
目前存在许多基于雷达信号特征完成个体识别的算法，如利用调频指数参数完成辐射源个体识别、利用信号稳定度特征完成辐射源个体识别和利用脉冲包络前沿高阶矩特征完成辐射源个体识别等算法。这些算法存在单类特征不能完整表征辐射源个体信息的缺点。
对于分类器的研究主要集中在方面，一方面如统计决策、模糊决策、模式库匹配和神经网络等机器学习方法。其中统计决策、模糊决策和模式库匹配等方法存在识别辐射源个体时依赖辐射源信号调制方式等先验信息的缺点；神经网络方法存在当特征信息不全面时，神经网络学习效果不佳，泛化能力弱进而导致辐射源个体识别率低的缺点。另一方面是利用专家系统的分析经验来形成的推理规则的识别技术，这种方法依赖专家分析经验，存在分析结果具有较强主观性的缺点。
发明内容
本发明的目的在于提供解决现有辐射源个体识别方法中存在的特征信息不全面，分类器泛化能力弱，专家分析主观性强，辐射源个体识别率低等问题的一种基于多域特征融合的辐射源个体识别方法。
本发明的目的通过如下技术方案来实现：包括以下步骤：
步骤1：输入包含多部不同雷达辐射源发射机发射信号集，对信号集中每一个信号进行离散处理，得到原始数据集；将原始数据集根据设定比例随机划分为循环神经网络信号数据集和已知辐射源发射机信号数据集；
步骤2：利用循环神经网络信号数据集训练循环神经网络，得到循环神经网络特征提取器；
步骤3：从已知辐射源发射机信号数据集中选取一个信号数据xi(n)，将xi(n)输入到循环神经网络特征提取器中，得到时域循环特征Fi1；其中，i＝1,2,...,R，R为已知辐射源发射机信号数据集中数据的个数；n为信号数据xi(n)中的采样点数；
步骤4：获取信号数据xi(n)的时频域相位特征Fi2；
步骤5：获取信号数据xi(n)的双谱聚类特征Fi3；
步骤5.1：计算信号数据xi(n)的三阶累积量C(τ1,τ2)，对C(τ1,τ2)进行傅里叶变换，获得信号数据xi(n)的双谱三维离散图像；
C(τ1,τ2)＝E[x(n)x(n+τ1)x(n+τ2)]
其中，τ、τ1和τ2均为时间延迟；E[·]为期望；双谱三维离散图像中任意一点表示为αm，m＝1,2,...,Y，Y为双谱三维离散图像中的总点数；
步骤5.2：利用K均值聚类算法对双谱三维离散图像进行图像分割，随机选取K个聚类中心点uj，将双谱三维离散图像划分为K个数据簇Zj；其中，j＝1,2,...,K；
步骤5.3：将双谱三维离散图像中每一个点αi划分到与该点欧式距离最小的聚类质心点uj所在的簇Zj；
步骤5.4：对每个簇Zj重新进行聚类中心点计算，完成聚类中心点uj的更新；
Figure BDA0002559499130000021
其中，uj-new为簇Zj更新后的聚类中心点；Qj为簇Zj中的数据点个数；
步骤5.5：判断每个簇Zj更新后的聚类中心点uj-new是否与更新前的聚类中心点uj相同；若每个簇Zj更新后的聚类中心点uj-new与更新前的聚类中心点uj相同，则执行步骤5.6；否则，返回步骤5.3；
步骤5.6：由K个聚类中心uj-new构成双谱聚类特征Fi3，Fi3＝[u1-new,u2-new,...,uk-new]；
步骤6：将信号数据xi(n)的时域循环特征Fi1、时频域相位特征Fi2和双谱聚类特征Fi3进行特征融合，得到信号数据xi(n)多域特征Fi＝[Fi1,Fi2,Fi3]；
步骤7：判断是否完成对已知辐射源发射机信号数据集中所有信号数据的多域特征Fi的计算；若未完成对已知辐射源发射机信号数据集中所有信号数据的多域特征Fi的计算，则返回步骤3；若已完成对已知辐射源发射机信号数据集中所有信号数据的多域特征Fi的计算，则聚合已知辐射源发射机信号数据集中所有信号数据的多域特征Fi，获得训练特征集F，F＝[F1,F2,...,FR]；
步骤8：将训练特征集F划分为训练集和测试集；建立辐射源个体识别神经网络，利用训练集训练辐射源个体识别神经网络；训练结束后，将测试集输入到训练好的辐射源个体识别神经网络中，得到识别结果。
本发明还可以包括：
所述的步骤4中获取信号数据xi(n)的时频域相位特征Fi2的方法具体为：
步骤4.1：对信号数据xi(n)进行崔-威廉斯时频分布计算，得到CWD(n,ω)；对CWD(n,ω)进行时频域处理，得到相位绝对值结果Φ(n,ω)；
Figure BDA0002559499130000031
Figure BDA0002559499130000032
Figure BDA0002559499130000033
其中，*表示共轭操作；σ为缩放因子；ω为角频率，；γ为时移变量；μ为时间变量，；exp均表示指数运算；j为虚数单位；
步骤4.2：获取二维相位图像Fig1；二维相位图像Fig1中位于第n行第
Figure BDA0002559499130000034
列的像素点坐标为
Figure BDA0002559499130000041
灰度值为
Figure BDA0002559499130000042
其中，
Figure BDA0002559499130000043
为角频率ω的正整数值；
Figure BDA0002559499130000044
Figure BDA0002559499130000045
为向下取整符号；
步骤4.3：迁移预训练的卷积神经网络模型，对二维相位图像Fig1进行特征提取，得到时频域相位特征Fi2。
所述的步骤4.3中预训练的卷积神经网络模型为基于ImageNet图像数据集预训练的VGG-16网络模型；所述的VGG-16网络模型含有输入层，隐藏层和输出层，其中隐藏层含有13个卷积层和3个全连接层，VGG-16网络模型的输出层为第三个全连接层。
所述的步骤8中辐射源个体识别神经网络包括四层网络层，网络层之间的神经元采取全连接的方式；辐射源个体识别神经网络的第一层网络层为输入层，输入层维度与多域特征Fi的维度相同；辐射源个体识别神经网络的第二层和第三层网络层为隐藏层，激活函数选择Sigmoid函数；辐射源个体识别神经网络的第四层网络层为输出层，输出层维度与所分类的辐射源个体种类数目相同，激活函数选择Softmax函数。
所述的步骤2中的循环神经网络的第一层为输入层；循环神经网络的第二层到第五层为隐藏层，即循环神经网络层，激活函数选择Sigmoid函数；循环神经网络的第六层为输出层，激活函数选择Softmax函数；所述的步骤2中利用数据预处理后的循环神经网络信号数据集训练循环神经网络，将训练完毕的循环神经网络模型的输出层由第六层改为第五层，得到循环神经网络特征提取器，此时输出为特征行向量。
本发明的有益效果在于：
本发明针对现有辐射源个体识别方法中存在的特征信息不全面，分类器泛化能力弱，专家分析主观性强，辐射源个体识别率低等问题，提出了一种基于多域特征融合的辐射源个体识别方法。本发明通过融合时域、时频域和高阶域等多域特征，并设计多层神经网络模型作为分类器进而实现辐射源个体识别。融合多域特征解决了特征信息不全面的问题，采用神经网络模型进行识别分类，避免了识别时依赖辐射源信号调制方式等先验信息和专家系统的主观性较强等问题。同时，神经网络模型提升了系统的泛化能力，得到较好的辐射源个体识别效果。
附图说明
图1是本发明辐射源个体识别模型的方案设计图。
图2是辐射源个体识别模型中多域特征提取并融合的方案设计图。
图3是辐射源个体识别模型训练过程效果图。
图4是三种辐射源发射机仿真参数表。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明针对现有辐射源个体识别方法中存在的特征信息不全面，分类器泛化能力弱，专家分析主观性强，辐射源个体识别率低等问题，提出了一种基于多域特征融合的辐射源个体识别方法。该方法融合时域、时频域和高阶域等多域特征，并设计多层神经网络模型作为分类器进而实现辐射源个体识别。融合多域特征解决了特征信息不全面的问题，采用神经网络模型进行识别分类，避免了识别时依赖辐射源信号调制方式等先验信息和专家系统的主观性较强等问题。同时，神经网络模型提升了系统的泛化能力，得到较好的辐射源个体识别效果。
实施例1：
一种基于多域特征融合的辐射源个体识别方法，包括以下步骤：
步骤1：输入包含多部不同雷达辐射源发射机发射信号集，对信号集中每一个信号进行离散处理，得到原始数据集；将原始数据集根据设定比例随机划分为循环神经网络信号数据集和已知辐射源发射机信号数据集；
步骤2：利用循环神经网络信号数据集训练循环神经网络，得到循环神经网络特征提取器；
步骤3：从已知辐射源发射机信号数据集中选取一个信号数据xi(n)，将xi(n)输入到循环神经网络特征提取器中，得到时域循环特征Fi1；其中，i＝1,2,...,R，R为已知辐射源发射机信号数据集中数据的个数；n为信号数据xi(n)中的采样点数；
步骤4：获取信号数据xi(n)的时频域相位特征Fi2；
步骤5：获取信号数据xi(n)的双谱聚类特征Fi3；
步骤5.1：计算信号数据xi(n)的三阶累积量C(τ1,τ2)，对C(τ1,τ2)进行傅里叶变换，获得信号数据xi(n)的双谱三维离散图像；
C(τ1,τ2)＝E[x(n)x(n+τ1)x(n+τ2)]
其中，τ、τ1和τ2均为时间延迟；E[·]为期望；双谱三维离散图像中任意一点表示为αm，m＝1,2,...,Y，Y为双谱三维离散图像中的总点数；
步骤5.2：利用K均值聚类算法对双谱三维离散图像进行图像分割，随机选取K个聚类中心点uj，将双谱三维离散图像划分为K个数据簇Zj；其中，j＝1,2,...,K；
步骤5.3：将双谱三维离散图像中每一个点αi划分到与该点欧式距离最小的聚类质心点uj所在的簇Zj；
步骤5.4：对每个簇Zj重新进行聚类中心点计算，完成聚类中心点uj的更新；
Figure BDA0002559499130000061
其中，uj-new为簇Zj更新后的聚类中心点；Qj为簇Zj中的数据点个数；
步骤5.5：判断每个簇Zj更新后的聚类中心点uj-new是否与更新前的聚类中心点uj相同；若每个簇Zj更新后的聚类中心点uj-new与更新前的聚类中心点uj相同，则执行步骤5.6；否则，返回步骤5.3；
步骤5.6：由K个聚类中心uj-new构成双谱聚类特征Fi3，Fi3＝[u1-new,u2-new,...,uk-new]；
步骤6：将信号数据xi(n)的时域循环特征Fi1、时频域相位特征Fi2和双谱聚类特征Fi3进行特征融合，得到信号数据xi(n)多域特征Fi＝[Fi1,Fi2,Fi3]；
步骤7：判断是否完成对已知辐射源发射机信号数据集中所有信号数据的多域特征Fi的计算；若未完成对已知辐射源发射机信号数据集中所有信号数据的多域特征Fi的计算，则返回步骤3；若已完成对已知辐射源发射机信号数据集中所有信号数据的多域特征Fi的计算，则聚合已知辐射源发射机信号数据集中所有信号数据的多域特征Fi，获得训练特征集F，F＝[F1,F2,...,FR]；
步骤8：将训练特征集F划分为训练集和测试集；建立辐射源个体识别神经网络，利用训练集训练辐射源个体识别神经网络；训练结束后，将测试集输入到训练好的辐射源个体识别神经网络中，得到识别结果。
步骤5具体为：对信号数据x(n)进行双谱聚类特征提取。信号数据x(n)的三阶累积量为：
C(τ1,τ2)＝E[x(n)x(n+τ1)x(n+τ2)]
式中，C(τ1,τ2)为信号数据x(n)的三阶累积量，τ，τ1和τ2均为时间延迟；E[·]为期望。对C(τ1,τ2)进行傅里叶变换，即可获得信号数据x(n)的双谱B(Ω1,Ω2)。Ω1和Ω2均为角频率。
双谱B(Ω1,Ω2)图像为三维离散图像，图像中任意一点表示为αi，i＝1,2,...,Y，Y为B(Ω1,Ω2)图像中总点数。利用K均值聚类算法对该三位离散图像进行图像分割。随机选择聚类中心点uj，j＝1,2,...,K，则三维离散图像将相应被分为K个数据簇Zj。计算每个数据点αi到各聚类中心点uj的欧式距离，并将αi划分到欧式距离最小的聚类质心uj所在的簇Zj。若αi所在簇为Zr，则
Figure BDA0002559499130000071
每个数据点αi都经过聚类后可得到K个簇Zj，对每个簇Zj重新进行聚类中心计算，完成聚类中心uj的更新，计算公式如下：
Figure BDA0002559499130000072
式中，uj-new为簇Zj更新后的聚类中心，Qj为簇Zj中的数据点个数，αl为聚类到簇Zj中的数据点。K个聚类中心点均更新后，重复公式上述两个公式，直到聚类中心不再发生变化为止，聚类结束。
实施例2：
步骤4中获取信号数据xi(n)的时频域相位特征Fi2的方法具体为：
步骤4.1：对信号数据xi(n)进行崔-威廉斯时频分布计算，得到CWD(n,ω)；对CWD(n,ω)进行时频域处理，得到相位绝对值结果Φ(n,ω)；
Figure BDA0002559499130000073
Figure BDA0002559499130000074
Figure BDA0002559499130000075
其中，*表示共轭操作；σ为缩放因子；ω为角频率，；γ为时移变量；μ为时间变量，；exp均表示指数运算；j为虚数单位；由Φ(n,ω)可得到三维相位图像。Φ(n,ω)中角频率ω数值是连续的，对其取正整数并记作
Figure BDA0002559499130000081
n值已经为正整数，可获得离散的相位值
Figure BDA0002559499130000082
对离散的三维相位图像进行二维相位图像Fig1获取。定义一个二维图像，图像中任意一个像素点的位置用
Figure BDA0002559499130000083
表示，即该像素点位于图像中第n行第
Figure BDA0002559499130000084
列。该像素点的灰度值记作
Figure BDA0002559499130000085
可通过对
Figure BDA0002559499130000086
向下取整的方式获得。
步骤4.2：获取二维相位图像Fig1；二维相位图像Fig1中位于第n行第
Figure BDA0002559499130000087
列的像素点坐标为
Figure BDA0002559499130000088
灰度值为
Figure BDA0002559499130000089
其中，
Figure BDA00025594991300000810
为角频率ω的正整数值；
Figure BDA00025594991300000811
Figure BDA00025594991300000812
为向下取整符号；
步骤4.3：迁移预训练的卷积神经网络模型，对二维相位图像Fig1进行特征提取，得到时频域相位特征Fi2。
实施例3：
所述的步骤4.3中预训练的卷积神经网络模型为基于ImageNet图像数据集预训练的VGG-16网络模型；所述的VGG-16网络模型含有输入层，隐藏层和输出层，其中隐藏层含有13个卷积层和3个全连接层，VGG-16网络模型的输出层为第三个全连接层。
实施例4：
所述的步骤8中辐射源个体识别神经网络包括四层网络层，网络层之间的神经元采取全连接的方式；辐射源个体识别神经网络的第一层网络层为输入层，输入层维度与多域特征Fi的维度相同；辐射源个体识别神经网络的第二层和第三层网络层为隐藏层，激活函数选择Sigmoid函数；辐射源个体识别神经网络的第四层网络层为输出层，输出层维度与所分类的辐射源个体种类数目相同，激活函数选择Softmax函数。
实施例5：
所述的步骤2中的循环神经网络的第一层为输入层；循环神经网络的第二层到第五层为隐藏层，即循环神经网络层，激活函数选择Sigmoid函数；循环神经网络的第六层为输出层，激活函数选择Softmax函数；所述的步骤2中利用数据预处理后的循环神经网络信号数据集训练循环神经网络，将训练完毕的循环神经网络模型的输出层由第六层改为第五层，得到循环神经网络特征提取器，此时输出为特征行向量。
本发明与现有技术相比有如下有益效果
1.本发明在时频域进一步提取相位信息，获取二维相位图像，提取时频域相位特征，突出相位信息，增强寄生调相表征能力，提高系统的识别正确率。
2.本发明在三阶域中进行双谱聚类特征提取。本发明对双谱三维图像进行聚类特征提取，进一步突出辐射源个体细微特征，提取更全面有效的个体特征，增强系统的可靠性。
3.本发明实现了特征参数提取的多样性，通过融合时域、时频域和高阶域特征获得多域个体特征，解决单一域特征信息不全面问题，完备特征信息，提高系统的准确率。
4.本发明充分利用深度学习思想，迁移预训练卷积神经网络模型，使系统有着良好的特征提取能力，能够提取丰富的本质特征，增强系统的可靠性；本发明自训练循环神经网络和多层神经网络，两种神经网络的自学习能力提高了系统的适应性，增强系统的泛化能力。
5.本发明中的辐射源个体识别神经网络模型基于融合多域个体特征的思想，特征信息更加有效且全面，获得了较好的识别效果。同时，本发明对所识别的辐射源个体种类数不做限制，具体种类数可根据实际应用情况调整。
实施例6：
结合图1至图4，下面以识别三种辐射源个体为例描述本发明的具体过程。
步骤一：对于不同辐射源发射机进行信号源建模，可分别通过对不同调制方式加入相位噪声完成。以单频信号为例，设信号y(t)＝sin(2πfct)，频率为fc。考虑到多个不同频率分量的调制信号对信号相位的影响，总的加入相位噪声的信号可表示为sig(t)：
Figure BDA0002559499130000091
式中，m表示第m个调制信号，Δφm为调相系数，fm为调制频率，t为时间。
通过按采样时间间隔Δυ对信号sig(t)进行逐点采取其瞬时值的方式，完成离散采样过程，将离散采样后获得的离散信号称为信号数据。
三种雷达辐射源发射机仿真参数如图4所示。根据仿真参数进行信号源建模和离散采样处理，可获得由三种已知雷达辐射源发射机个体的信号数据构成的数据集。每种雷达辐射源信号发射机各2000个信号，该集中共6000个信号数据。将该集按2:3分为循环神经网络信号数据集和已知辐射源发射机信号数据集。其中，循环神经网络信号数据集含有2400个信号数据，将参与循环神经网络特征提取器的训练；已知辐射源发射机信号数据集含有3600个信号数据，将参与辐射源个体识别模型的训练。
步骤二：训练循环神经网络，得到循环神经网络特征提取器。循环神经网络层数设置为6层，第一层为输入层，神经单元节点设置为512个；第二层到第五层为隐藏层，即循环神经网络层，每层神经单元节点设置为64个，激活函数选择Sigmoid函数；第六层为输出层，神经单元节点设置为6个，激活函数选择Softmax函数。
Figure BDA0002559499130000101
Figure BDA0002559499130000102
式中，f(·)为Sigmoid函数，ε为Sigmoid函数的自变量；g(·)为Softmax函数，常用于多分类任务，可以将待归一化数值映射为归一化的分类概率，范围在开区间0到1内，全部类别概率之和为1。R为Softmax函数对应的总分类项数，θ和η均为其中某一项分类，θ和η的范围均为1到R，ξη为η类待归一化数值，ξθ为θ类待归一化数值。
基于循环神经网络信号数据集，并利用反向传播算法对所搭建的循环神经网络进行训练。将训练完毕的循环神经网络模型的输出层由第六层改为第五层，得到循环神经网络特征提取器，此时输出为特征行向量，记作时域循环特征。
步骤三：任取已知辐射源发射机信号数据集中一个信号数据记作x(n)，n为正整数。以信号数据x(n)为例来说明多域特征提取并融合的过程。将x(n)送入循环神经网络特征提取器，得到时域循环特征F1，维度为1×64。
步骤四(技术特征一)：对信号数据x(n)进行时频域相位特征提取。
首先，对x(n)崔-威廉斯时频分布计算，公式如下：
Figure BDA0002559499130000103
式中，*表示共轭操作，σ为缩放因子，ω为角频率，γ为时移变量，μ为时间变量，exp均表示指数运算，j为虚数单位。
接着，对CWD(n,ω)进行相位信息转换。为方便表示，在此可定义
Figure BDA0002559499130000104
则
Figure BDA0002559499130000105
由欧拉公式展开
Figure BDA0002559499130000111
由上式可以看出CWD(n,ω)的结果为复数，对CWD(n,ω)进行相位计算，并取绝对值，结果记作Φ(n,ω)，
Figure BDA0002559499130000112
由Φ(n,ω)可得到三维相位图像。Φ(n,ω)中角频率ω数值是连续的，对其取正整数并记作
Figure BDA0002559499130000113
n值已经为正整数，可获得离散的相位值
Figure BDA0002559499130000114
对离散的三维相位图像进行二维相位图像Fig1获取。定义一个二维图像，图像中任意一个像素点的位置用
Figure BDA0002559499130000115
表示，即该像素点位于二维图像中第n行第
Figure BDA0002559499130000116
列。该像素点的灰度值记作
Figure BDA0002559499130000117
可通过对相位值
Figure BDA0002559499130000118
向下取整的方式获得，公式如下：
Figure BDA0002559499130000119
式中，
Figure BDA00025594991300001110
为向下取整符号。将二维图像中每个点的像素值都通过公式(9)计算获得后，可获得二维相位图像即为Fig1。
迁移基于ImageNet图像数据集预训练的VGG-16网络模型，对Fig1进行特征提取。VGG-16网络模型含有输入层，隐藏层和输出层。隐藏层含有13个卷积层和3个全连接层。将输出层改为第三个全连接层，该层含有1000个神经元，输出时频域相位特征，记作F2，维度为1×1000。
备注：步骤四的现有技术：对信号数据x(n)进行时频图像转换，获得时频图像Fig2，迁移基于ImageNet图像数据集预训练的VGG-16网络模型，对Fig2进行特征提取。VGG-16网络模型含有输入层，隐藏层和输出层。隐藏层含有13个卷积层和3个全连接层。将输出层改为第三个全连接层，该层含有1000个神经元，输出时频域特征，记作F2，1×1000。
步骤五(技术特征二)：对信号数据x(n)进行双谱聚类特征提取。信号数据x(n)的三阶累积量为：
C(τ1,τ2)＝E[x(n)x(n+τ1)x(n+τ2)] (10)
式中，C(τ1,τ2)为信号数据x(n)的三阶累积量，τ，τ1和τ2均为时间延迟；E[·]为期望。对C(τ1,τ2)进行傅里叶变换，即可获得信号数据x(n)的双谱B(Ω1,Ω2)。Ω1和Ω2均为角频率。
双谱B(Ω1,Ω2)图像为三维离散图像，图像中任意一点表示为αi，i＝1,2,...,Y，Y为B(Ω1,Ω2)图像中总点数。利用K均值聚类算法对该三位离散图像进行图像分割。随机选择聚类中心点uj，j＝1,2,...,K，则三维离散图像将相应被分为K个数据簇Zj。令K＝36。计算每个数据点αi到各聚类中心点uj的欧式距离，并将αi划分到欧式距离最小的聚类质心uj所在的簇Zj。
若αi所在簇为Zr，则
Figure BDA0002559499130000121
每个数据点αi都经过聚类后可得到K个簇Zj，对每个簇Zj重新进行聚类中心计算，完成聚类中心uj的更新，计算公式如下：
Figure BDA0002559499130000122
式中，uj-new为簇Zj更新后的聚类中心，Qj为簇Zj中的数据点个数，αl为聚类到簇Zj中的数据点。K个聚类中心点均更新后，重复公式(11)(12)，直到聚类中心不再发生变化为止，聚类结束，得到K个经过更新的聚类中心uj-new。将双谱聚类特征记作F3，F3＝[u1,u2,...,uj-new,...,uK]，维度为1×36。
备注：步骤五的现有技术：通过公式(10)获取信号x(n)的双谱B(Ω1,Ω2)，并进行双谱正对角切片提取，输出双谱对角切片。并利用PCA对双谱对角切片进行特征降维，输出双谱特征记作F3，维度为1×36。
步骤六：将步骤四得到的时域循环特征F1，步骤五得到的时频域相位特征F2和步骤六得到的双谱聚类特征F3进行特征融合，得到多域特征F＝[F1,F2,F3]，维度为1×1100。
步骤七：将已知辐射源发射机信号数据集中每个信号数据依次进行步骤三、步骤四、步骤五和步骤六，可得到每个信号数据对应的多域特征F，由已知辐射源发射机信号数据集中全部信号数据对应的不同多域特征F构成的训练特征集。
搭建并训练辐射源个体识别神经网络。搭建辐射源个体识别神经网络，共包括四层网络层，且网络层之间的神经元采取全连接的方式。第一层网络层为输入层，神经元个数为1100，对应多域特征F的维度；第二层和第三层网络层为隐藏层，每层神经元个数均为1200，激活函数选择Sigmoid函数；第四层网络层为输出层，神经元个数为3，激活函数选择Softmax函数。基于训练特征集，并利用反向传播算法对辐射源个体识别神经网络进行训练，训练过程如图3所示。训练结束后可得到辐射源个体识别神经网络模型。
当辐射源个体识别神经网络模型用于识别辐射源个体时，通过步骤一中的信号源建模和离散采样处理获得待识别辐射源个体信号数据，并将该信号数据依次通过步骤三、步骤四、步骤五和步骤六，得到待识别辐射源个体特征。将该特征输入辐射源个体识别神经网络模型进行分类识别，由输出层神经元的值可得到各个类别的预测概率值，预测概率值最大的神经元所对应的类别即为待识别辐射源个体信号数据的类别，从而实现了辐射源个体识别。
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 (5)

1.一种基于多域特征融合的辐射源个体识别方法，其特征在于，包括以下步骤：
步骤1：输入包含多部不同雷达辐射源发射机发射信号集，对信号集中每一个信号进行离散处理，得到原始数据集；将原始数据集根据设定比例随机划分为循环神经网络信号数据集和已知辐射源发射机信号数据集；
步骤2：利用循环神经网络信号数据集训练循环神经网络，得到循环神经网络特征提取器；
步骤3：从已知辐射源发射机信号数据集中选取一个信号数据xi(n)，将xi(n)输入到循环神经网络特征提取器中，得到时域循环特征Fi1；其中，i＝1,2,...,R，R为已知辐射源发射机信号数据集中数据的个数；n为信号数据xi(n)中的采样点数；
步骤4：获取信号数据xi(n)的时频域相位特征Fi2；
步骤5：获取信号数据xi(n)的双谱聚类特征Fi3；
步骤5.1：计算信号数据xi(n)的三阶累积量C(τ1,τ2)，对C(τ1,τ2)进行傅里叶变换，获得信号数据xi(n)的双谱三维离散图像；
C(τ1,τ2)＝E[x(n)x(n+τ1)x(n+τ2)]
其中，τ、τ1和τ2均为时间延迟；E[·]为期望；双谱三维离散图像中任意一点表示为αm，m＝1,2,...,Y，Y为双谱三维离散图像中的总点数；
步骤5.2：利用K均值聚类算法对双谱三维离散图像进行图像分割，随机选取K个聚类中心点uj，将双谱三维离散图像划分为K个数据簇Zj；其中，j＝1,2,...,K；
步骤5.3：将双谱三维离散图像中每一个点αi划分到与该点欧式距离最小的聚类质心点uj所在的簇Zj；
步骤5.4：对每个簇Zj重新进行聚类中心点计算，完成聚类中心点uj的更新；
Figure FDA0003509265250000011
其中，uj-new为簇Zj更新后的聚类中心点；Qj为簇Zj中的数据点个数；αl为聚类到簇Zj中的数据点；
步骤5.5：判断每个簇Zj更新后的聚类中心点uj-new是否与更新前的聚类中心点uj相同；若每个簇Zj更新后的聚类中心点uj-new与更新前的聚类中心点uj相同，则执行步骤5.6；否则，返回步骤5.3；
步骤5.6：由K个聚类中心uj-new构成双谱聚类特征Fi3，Fi3＝[u1-new,u2-new,...,uk-new]；
步骤6：将信号数据xi(n)的时域循环特征Fi1、时频域相位特征Fi2和双谱聚类特征Fi3进行特征融合，得到信号数据xi(n)多域特征Fi＝[Fi1,Fi2,Fi3]；
步骤7：判断是否完成对已知辐射源发射机信号数据集中所有信号数据的多域特征Fi的计算；若未完成对已知辐射源发射机信号数据集中所有信号数据的多域特征Fi的计算，则返回步骤3；若已完成对已知辐射源发射机信号数据集中所有信号数据的多域特征Fi的计算，则聚合已知辐射源发射机信号数据集中所有信号数据的多域特征Fi，获得训练特征集F，F＝[F1,F2,...,FR]；
步骤8：将训练特征集F划分为训练集和测试集；建立辐射源个体识别神经网络，利用训练集训练辐射源个体识别神经网络；训练结束后，将测试集输入到训练好的辐射源个体识别神经网络中，得到识别结果。
2.根据权利要求1所述的一种基于多域特征融合的辐射源个体识别方法，其特征在于：所述的步骤4中获取信号数据xi(n)的时频域相位特征Fi2的方法具体为：
步骤4.1：对信号数据xi(n)进行崔-威廉斯时频分布计算，得到CWD(n,ω)；对CWD(n,ω)进行时频域处理，得到相位绝对值结果Φ(n,ω)；
Figure FDA0003509265250000021
Figure FDA0003509265250000022
Figure FDA0003509265250000023
其中，*表示共轭操作；σ为缩放因子；ω为角频率；γ为时移变量；μ为时间变量；exp均表示指数运算；j为虚数单位；
步骤4.2：获取二维相位图像Fig1；二维相位图像Fig1中位于第n行第
Figure FDA0003509265250000031
列的像素点坐标为(n,
Figure FDA0003509265250000032
)，灰度值为
Figure FDA0003509265250000033
其中，
Figure FDA0003509265250000034
为角频率ω的正整数值；
Figure FDA0003509265250000035
Figure FDA0003509265250000036
为向下取整符号；
步骤4.3：迁移预训练的卷积神经网络模型，对二维相位图像Fig1进行特征提取，得到时频域相位特征Fi2。
3.根据权利要求2所述的一种基于多域特征融合的辐射源个体识别方法，其特征在于：所述的步骤4.3中预训练的卷积神经网络模型为基于ImageNet图像数据集预训练的VGG-16网络模型；所述的VGG-16网络模型含有输入层，隐藏层和输出层，其中隐藏层含有13个卷积层和3个全连接层，VGG-16网络模型的输出层为第三个全连接层。
4.根据权利要求1或2或3所述的一种基于多域特征融合的辐射源个体识别方法，其特征在于：所述的步骤8中辐射源个体识别神经网络包括四层网络层，网络层之间的神经元采取全连接的方式；辐射源个体识别神经网络的第一层网络层为输入层，输入层维度与多域特征Fi的维度相同；辐射源个体识别神经网络的第二层和第三层网络层为隐藏层，激活函数选择Sigmoid函数；辐射源个体识别神经网络的第四层网络层为输出层，输出层维度与所分类的辐射源个体种类数目相同，激活函数选择Softmax函数。
5.根据权利要求1或2或3所述的一种基于多域特征融合的辐射源个体识别方法，其特征在于：所述的步骤2中的循环神经网络的第一层为输入层；循环神经网络的第二层到第五层为隐藏层，即循环神经网络层，激活函数选择Sigmoid函数；循环神经网络的第六层为输出层，激活函数选择Softmax函数；所述的步骤2中利用数据预处理后的循环神经网络信号数据集训练循环神经网络，将训练完毕的循环神经网络模型的输出层由第六层改为第五层，得到循环神经网络特征提取器，此时输出为特征行向量。
CN202010606863.9A 2020-06-29 2020-06-29 一种基于多域特征融合的辐射源个体识别方法 Active CN111767848B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010606863.9A CN111767848B (zh) 2020-06-29 2020-06-29 一种基于多域特征融合的辐射源个体识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010606863.9A CN111767848B (zh) 2020-06-29 2020-06-29 一种基于多域特征融合的辐射源个体识别方法

Publications (2)

Publication Number Publication Date
CN111767848A CN111767848A (zh) 2020-10-13
CN111767848B true CN111767848B (zh) 2022-04-12

Family

ID=72724413

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010606863.9A Active CN111767848B (zh) 2020-06-29 2020-06-29 一种基于多域特征融合的辐射源个体识别方法

Country Status (1)

Country Link
CN (1) CN111767848B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112087774B (zh) * 2020-09-14 2023-04-18 桂林电子科技大学 一种基于残差神经网络的通信辐射源个体识别方法
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
CN112464713B (zh) * 2020-10-21 2022-11-08 安徽农业大学 一种基于深度学习的通信辐射源射频指纹识别方法
CN112347910B (zh) * 2020-11-05 2022-05-31 中国电子科技集团公司第二十九研究所 一种基于多模态深度学习的信号指纹识别方法
CN112763985B (zh) * 2020-12-25 2023-07-14 西南电子技术研究所（中国电子科技集团公司第十研究所） 脉冲多普勒雷达探通一体化波形设计方法
CN113177558B (zh) * 2021-04-13 2022-06-14 电子科技大学 一种基于小样本的特征融合的辐射源个体识别方法
CN113435246B (zh) * 2021-05-18 2024-04-05 西安电子科技大学 一种辐射源个体智能识别方法、系统及终端
CN114124536B (zh) * 2021-11-24 2022-09-13 四川九洲电器集团有限责任公司 一种多站侦收信号溯源方法
CN116559809A (zh) * 2023-03-28 2023-08-08 南京桂瑞得信息科技有限公司 一种基于多源融合网络的雷达辐射源个体识别方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107301432A (zh) * 2017-07-11 2017-10-27 哈尔滨工程大学 基于时频分析的自适应辐射源调制识别方法
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
CN107832787A (zh) * 2017-10-31 2018-03-23 杭州电子科技大学 基于双谱自编码特征的雷达辐射源识别方法
CN109254274A (zh) * 2018-11-23 2019-01-22 哈尔滨工程大学 一种基于特征融合的雷达辐射源辨识方法
CN109507648A (zh) * 2018-12-19 2019-03-22 西安电子科技大学 基于VAE-ResNet网络的雷达辐射源识别方法
CN109670484A (zh) * 2019-01-16 2019-04-23 电子科技大学 一种基于双谱特征和提升树的手机个体识别方法
CN109871757A (zh) * 2019-01-11 2019-06-11 中国船舶重工集团公司第七二四研究所 一种基于联合时频特征的雷达信号脉内调制类型识别方法
CN110018447A (zh) * 2019-04-09 2019-07-16 电子科技大学 基于双谱分析与卷积神经网络的信号发射机个体识别方法
CN110197209A (zh) * 2019-05-15 2019-09-03 电子科技大学 一种基于多特征融合的辐射源识别方法
CN111160171A (zh) * 2019-12-19 2020-05-15 哈尔滨工程大学 一种联合两域多特征的辐射源信号识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107301432A (zh) * 2017-07-11 2017-10-27 哈尔滨工程大学 基于时频分析的自适应辐射源调制识别方法
CN107832787A (zh) * 2017-10-31 2018-03-23 杭州电子科技大学 基于双谱自编码特征的雷达辐射源识别方法
CN109254274A (zh) * 2018-11-23 2019-01-22 哈尔滨工程大学 一种基于特征融合的雷达辐射源辨识方法
CN109507648A (zh) * 2018-12-19 2019-03-22 西安电子科技大学 基于VAE-ResNet网络的雷达辐射源识别方法
CN109871757A (zh) * 2019-01-11 2019-06-11 中国船舶重工集团公司第七二四研究所 一种基于联合时频特征的雷达信号脉内调制类型识别方法
CN109670484A (zh) * 2019-01-16 2019-04-23 电子科技大学 一种基于双谱特征和提升树的手机个体识别方法
CN110018447A (zh) * 2019-04-09 2019-07-16 电子科技大学 基于双谱分析与卷积神经网络的信号发射机个体识别方法
CN110197209A (zh) * 2019-05-15 2019-09-03 电子科技大学 一种基于多特征融合的辐射源识别方法
CN111160171A (zh) * 2019-12-19 2020-05-15 哈尔滨工程大学 一种联合两域多特征的辐射源信号识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Radiation Source Identification based on Box Dimension of PF and SIB Fusion;Ma S等;《2019 IEEE International Conference on Signal, Information and Data Processing (ICSIDP)》;20191231;第1-5页 *
Research on Radar Signal Recognition Technology Based on Deep Learning;Wu Y等;《2020 IEEE 3rd International Conference on Electronics Technology (ICET)》;20200617;第630-633页 *
基于RNN的雷达辐射源分类识别算法研究;陈森森;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20200215(第02期);第I136-1741页 *
基于多特征融合的雷达辐射源信号识别;孟凡杰等;《计算机仿真》;20160331;第33卷(第3期);第18-22页 *
基于时频分布图像的辐射源特征提取及识别;夏长清等;《舰船电子对抗》;20120228;第35卷(第1期);第65-69页 *

Also Published As

Publication number Publication date
CN111767848A (zh) 2020-10-13

Similar Documents

Publication Publication Date Title
CN111767848B (zh) 一种基于多域特征融合的辐射源个体识别方法
US6038338A (en) Hybrid neural network for pattern recognition
CN111832417B (zh) 基于cnn-lstm模型和迁移学习的信号调制样式识别方法
Matuszewski et al. Neural network application for emitter identification
CN111582320A (zh) 一种基于半监督学习的动态个体识别方法
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
CN112784790B (zh) 一种基于元学习的泛化性伪造脸检测方法
CN111835444A (zh) 一种无线信道场景识别方法及系统
CN111311702B (zh) 一种基于BlockGAN的图像生成和识别模块及方法
CN110048978A (zh) 一种信号调制识别方法
Akyon et al. Classification of intra-pulse modulation of radar signals by feature fusion based convolutional neural networks
Gao et al. A radar signal recognition system based on non-negative matrix factorization network and improved artificial bee colony algorithm
Zhang et al. Few-shot learning for fine-grained signal modulation recognition based on foreground segmentation
Nuhoglu et al. Image segmentation for radar signal deinterleaving using deep learning
Willson Radar classification using a neural network
Kirichenko et al. Machine Learning Detection of DDoS Attacks Based on Visualization of Recurrence Plots.
Kang et al. Underwater acoustic targets classification using welch spectrum estimation and neural networks
CN113887807B (zh) 基于机器学习和证据理论的机器人博弈战术预测方法
Zhurakovskyi et al. Modifications of the Correlation Method of Face Detection in Biometric Identification Systems
Feng et al. FCGCN: Feature Correlation Graph Convolution Network for Few-Shot Individual Identification
CN114492583A (zh) 一种基于lstm的雷达搜索模式识别方法
Khalaf et al. Recognition of Digitally Modulated Signal by ANN Algorithm
Notkin et al. Classification of Ground Moving Radar Targets with RBF Neural Networks.
Kalyani et al. Teaching tactics for color image segmentation using otsu and minimum cross entropy
CN112865915B (zh) 用于对抗深度学习的无线电信号伪造方法

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