CN111913156A - 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 - Google Patents

Abstract

一种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，其步骤为：1)采集不同雷达发射的中频AD信号数据，截取脉内信号数据生成雷达辐射源个体识别样本集；2)对雷达辐射源个体识别样本进行归一化处理并划分成训练样本集、验证样本集与测试样本集；3)构建基于深度学习模型与特征联合的雷达辐射源个体识别模型；4)训练基于深度学习模型与特征联合的雷达辐射源个体识别模型；5)用测试样本集获得雷达辐射源个体识别模型结果与特征判定结果；6)用雷达辐射源个体识别模型结果与特征判定结果联合计算最终识别结果并统计识别准确率。本发明具有普适性强，不需要人工特征提取和大量先验知识，具有复杂度低，分类结果准确稳定的优点。

Description

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

技术领域

本发明属于雷达信号处理技术领域，具体涉及到一种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。

背景技术

雷达辐射源个体识别是近年来通信对抗领域一个重要的研究课题，它主要通过对接收机截获的辐射源信号进行测量、分析，并根据已有的先验信息辨识个体的过程，是电子侦察的重要环节。早期雷达辐射源个体识别主要通过载频、脉宽和脉冲重复周期等常规参数进行模板匹配实现。随着雷达技术水平的提高，新体制雷达不断出现，电磁环境日益密集复杂，传统基于外部特征参数测量的方法已经难以满足快速、准确区分辐射源个体的需求。雷达辐射源个体的差异是由发射机内部器件固有的非理想特性导致的，这种非理想特性对信号的影响是细微的，这些细微特性被称为辐射源指纹，而自动地识别一个辐射源即被称为辐射源的指纹识别。随着非法占用电磁频谱以及无线电干扰的情况日益增多，通信辐射源个体识别成为通信安全领域亟待解决的重要课题，同时，在军事领域，雷达辐射源个体识别对分析敌方通信网、确定辐射源威胁等级以及对敌实施电子打击等同样具有重要意义。

中国在先专利申请号201911095867.9的一种基于雷达脉冲序列的雷达辐射源个体识别系统，公开了一种基于雷达脉冲序列的雷达辐射源个体识别系统，该发明对原始雷达脉冲序列进行小波分解从而获得多尺度输入，采用加权的集成学习算法建立雷达辐射源个体识别模型，采用不断根据损失函数更新分类树参数的方式优化模型，从而对辐射源个体进行识别。该方法虽然提出了一种雷达辐射源个体识别算法，但是对数据的预处理过于复杂，导致特征丢失较多，并且对雷达辐射源信号的时序特性挖掘不够，信号的时序特点得不到利用。

专利申请号201910945109.5的基于无意调相特性的雷达辐射源个体识别方法及装置，公开了一种基于无意调相特性的雷达辐射源个体识别方法，该发明利用卷积网络提取无意调相序列的联合特征，实现雷达辐射源个体识别，且利用了贝塞尔曲线拟合无意调相，降低了噪声影响。该方法虽然提出了一种雷达辐射源个体识别方法，但是该方法仍然存在不足之处：进行了复杂的预处理，保留的原始信息大量减少，在提取特征时提取到的特征减少，会在一定程度上降低识别的准确率。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种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，用于快速高准确度的实现雷达辐射源个体的识别。该方法解决了传统雷达辐射源个体识别对信号时序特征利用不足的问题，并简化了传统方法的复杂数据预处理，保留了更多的信号原始信息，同时将模型预测结果与根据特征的判断结果联合计算，得到更加可靠的雷达辐射源个体识别结果。

为了解决上述技术问题，本发明通过以下方式来实现：

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，包括以下步骤：

1)采集不同雷达发射的内容相同的中频AD信号数据，并截取信号中各脉冲数据生成雷达辐射源个体识别样本集；

2)对所述步骤1)中的雷达辐射源个体识别样本集进行归一化处理，并划分成训练样本集、验证样本集和测试样本集；

3)构建基于深度学习模型与特征联合的雷达辐射源个体识别模型；

4)训练基于深度学习模型与特征联合的雷达辐射源个体识别模型；

5)用测试样本集获得雷达辐射源个体识别模型结果与特征判定结果；

6)用雷达辐射源个体识别模型结果与特征判定结果联合计算最终识别结果并统计识别准确率。

与现有技术相比，本发明具有的有益效果：

第一，本发明使用了基于深度卷积神经网络的雷达辐射源个体识别模型，克服了传统方法中难以提取雷达辐射源指纹特征、需要长时间测量信号稳态特性才能完成对雷达辐射源个体识别的缺点，本发明中深度神经网络可自动提取不同雷达辐射源内部指纹特征，缩短了需要持续接收信号的时间，提高了辐射源个体识别的效率。

第二，本发明使用了LSTM+FCN神经网络模型，对雷达辐射源个体识别且仅对接收到的雷达信号进行少量预处理，不仅解决了传统方法难以提取雷达信号时序特征的问题，还在更大程度上保留了信号的原始指纹信息，能够自动提取到更多、更丰富的特征，有助于提高识别的准确率。

第三，本发明采用基于深度学习模型与特征联合识别的方法来对雷达辐射源个体识别，且仅对接收到的雷达信号进行少量预处理保证信号的原始信息得以保留，具有较高准确率，同时将两种判断结果联合从而更进一步的提升了雷达辐射源个体识别的准确率，具有一定的工程应用价值。

附图说明

图1为本发明的流程示意图；

图2为模型示意图；

图3为训练样本集损失函数曲线示意图；

图4为测试样本对应特征点聚拢效果示意图。

具体实施方式

下面结合附图和具体实施例对本发明的具体实施方式作进一步详细的说明。

如图1所示，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，包括以下步骤：

1)采集不同雷达发射的内容相同的中频AD信号数据，并截取信号中各脉冲数据生成雷达辐射源个体识别样本集，具体操作步骤如下：

11)采用天线采集不同雷达在相同或不同工作状态下发射的中频AD信号数据；

12)将接收到的雷达信号根据脉冲分割成脉内信号，每个脉内信号作为一个脉内信号样本，将截取并整理后的脉内信号作为雷达辐射源个体识别样本集。

其中接收到的雷达信号根据脉冲划分为多个脉内信号，得到脉冲采样数据，由于脉冲的宽度不一，所对应的采样点数目也不同，对所有脉内信号统一取一个足够大的采样点个数，采样点不足时后面补零。

2)对所述步骤1)中的雷达辐射源个体识别样本集进行归一化处理，并划分成训练样本集、验证样本集和测试样本集，具体操作步骤如下：

21)对脉内信号样本进行零均值归一化处理，将归一化处理后的脉内信号样本组合形成样本集，所述零均值归一化公式如下：

其中，Y_i为第i个脉内信号样本，X_i为归一化处理后的样本数值，Mean为单个样本数据的均值，N为单个样本数据的采样点总数；

22)从生成的信号样本集中抽取80％的样本组成训练样本集，抽取10％的样本组成验证样本集，余下10％的样本组成测试样本集。

3)构建基于深度学习模型与特征联合的雷达辐射源个体识别模型，如图2所示，所有Conv1D后均接有归一化层，具体操作步骤如下：

31)构建基于深度学习模型与特征联合的雷达辐射源个体识别网络模型，其由长短期记忆网络和卷积网络两部分组成，结构关系如下：

整体网络结构包括五层：

第一层为卷积网络输入层，能接收的输入大小设置为(5500，1)，其后接卷积网络部分；

第二层为自定义函数层，将卷积网络输入层每输出五个样本点，取第一个样本点拼接得到长短期记忆网络输入，自定义函数层后接长短期记忆网络部分；

第三层为拼接层，将卷积网络部分的输出与长短期记忆网络部分的输出拼接起来作为该层输出；

第四层为第二全连接层，神经元个数设置为M＝128，该层激活函数为线性整流函数Relu，M为使用的特征数目，该层输出为特征点位置；

第五层为分类层，采用多分类Softmax函数，该层输出为模型分类结果。

卷积网络部分包括八层：

第一层为第一卷积层，有64个卷积核，每个卷积核的大小为1×40，卷积步长为1，采用打补丁的方式保证卷积之后的长度与输入长度一致，该层激活函数为线性整流函数Relu；

第二层为第一批规范化层；

第三层为第二卷积层，有128个卷积核，每个卷积核的大小为1×10，卷积步长为1，采用打补丁的方式保证卷积之后的长度与输入长度一致，该层激活函数为线性整流函数Relu；

第四层为第二批规范化层；

第五层为第一标志块，由两个与第二卷积层参数相同的卷积层连接组成，前一卷积层将第一标志块输入作为输入，其后接后一卷积层，将后一卷积层输出接到加法器一个输入端，第一标志块输入接到加法器另一输入端，加法器输出作为第一标志块输出；

第六层为第二标志块，由两个与第二卷积层参数相同的卷积层连接组成，前一卷积层将第二标志块输入作为输入，其后接后一卷积层，将后一卷积层输出接到加法器一个输入端，第二标志块输入接到加法器另一输入端，加法器输出作为第二标志块输出；

第七层为第一全局平均池化层；

第八层为第一全连接层，神经元个数设置为128，该层激活函数为线性整流函数Relu；

长短期记忆网络部分包括两层：

第一层为第一长短期记忆层，神经元个数设置为128，返回最后一层的所有hiddenstate，return_sequences＝True；

第二层为第二长短期记忆层，神经元个数设置为128，返回最后一层最后一个步长的hidden state，return_sequences＝False；

32)设置基于深度学习模型与特征联合的雷达辐射源个体识别网络模型的超参数(包括学习率，迭代次数)、误差反向传播优化算法、修正线性单元激活函数；

33)选择基于深度学习模型与特征联合的雷达辐射源个体识别网络模型损失函数L，所述损失函数L为交叉熵损失函数，其公式如下：

其中，M为雷达辐射源个体识别信号类别总数，c为具体某一类别，y_c为指示变量(0或1)，若该类别c和样本类别相同，则y_c为1，否则为0；p_c为对于观测样本属于类别c的预测概率。

4)训练基于深度学习模型与特征联合的雷达辐射源个体识别模型；

41)打乱步骤2)中训练样本集和验证样本集中所有样本的排列顺序，将打乱后的训练样本集和验证样本集输入到深度神经网络模型中；

42)通过Adam优化算法(误差反向传播优化算法的一种)对损失函数L进行迭代优化，并设置学习率下降机制和早停机制，迭代优化完成后，得到训练好的深度神经网络模型。

所述学习率下降机制和早停机制，其具体设置方式如下：

当验证集的Loss值，也即是交叉熵损失函数L值在5个周期内都不下降时，将学习率减半；为了防止过拟合，设置早停机制，当达到深度神经网络设置的训练次数或验证集的Loss值在15个周期内都不下降时，完成对神经网络的训练。

5)用测试样本集获得雷达辐射源个体识别模型结果与特征判定结果；

51)将训练样本集输入到训练好的深度神经网络模型中，得到不同雷达个体的平均特征中心和不同雷达信号距离其平均特征中心的平均距离；

所述不同雷达个体的平均特征中心和不同雷达信号距离其平均特征中心的平均距离，其公式如下：

其中，F_i表示第i个雷达的平均特征中心，

表示第i个雷达的信号距离其平均特征中心的平均距离，F_ij表示第i个雷达的平均特征中心第j个特征的值，H_i表示训练集中第i个雷达的信号总数，f_icj表示第i个雷达的第c个数据的第j个特征的值，f_ic表示第i个雷达的第c个数据的特征点。

52)将测试样本集输入到训练好的深度神经网络模型中，得到网络分类识别结果和特征点，并根据特征点和不同雷达个体的平均特征中心得到特征分类识别结果。

所述特征分类识别结果，其计算方式如下：

先分别计算出该测试集数据对应特征点与所有雷达个体平均特征中心的特征距离D，再取特征距离D中最短距离对应的雷达个体为特征分类识别结果。

其中，特征距离D的计算方式如下：

其中，D_i表示第i个雷达与该测试集数据对应特征点的特征距离，M表示该特征点特征总数，F_ij表示第i个雷达的平均特征中心第j个特征的值，T_j表示该测试集数据对应特征点的第j个特征的值。

6)用雷达辐射源个体识别模型结果与特征判定结果联合计算最终识别结果并统计识别准确率；

61)利用网络分类识别结果和特征分类识别结果进行对比，得到最终识别结果；其具体方法如下：

若两个识别结果相同，则最终识别结果与这两种结果相同；

若两个识别结果不同，则计算出该测试集数据对应特征距离D中最短距离D_i，与该雷达信号距离其平均特征中心的平均距离

的比值

并得到模型分类输出对应结果的置信度P，

当

时，特征分类识别结果更可靠，取特征分类识别结果为最终结果；

当

时，网络分类识别结果更可靠,取网络分类识别结果为最终结果；

62)将最终识别结果与测试集的真实类别对比，统计最终识别正确率。

本发明具体效果通过以下测试进一步说明：

1、测试条件：

测试实验在Intel i7-6800kCPU、64G RAM、NVIDIA GTX-1080Ti GPU、Ubuntu16.04LTS系统下，Keras2.0.6运行平台上，完成基于深度学习模型与特征联合的雷达辐射源个体识别的测试实验。

2、测试实验内容

测试实验采用4个不同雷达分别在相同与不同工作状态，具体为1号雷达在频率9GHz、重复周期60us、脉冲宽度0.5us的状态下和频率12GHz、重复周期100us、脉冲宽度1us的状态下工作，2号雷达在频率12GHz、重复周期100us、脉冲宽度1us的状态下和频率15GHz、重复周期60us、脉冲宽度0.5us的状态下工作，3号雷达在频率13GHz、重复周期60us、脉冲宽度0.5us的状态下和频率16GHz、重复周期100us、脉冲宽度1us的状态下工作，4号雷达在频率6GHz、重复周期100us、脉冲宽度1us的状态下和频率10GHz、重复周期60us、脉冲宽度0.5us的状态下工作。每个雷达的每个频率均生成6000个脉内信号样本(接收到的信号均为实际条件下接收，所以每个信号样本的信噪比为实际情况下的随机值)，最终得到48000个脉内信号样本。对所有脉内信号取5500个采样点，采样点不足时后面补零(采样点最多的脉内信号对应5100个采样点)。

3、测试实验结果：

本发明的测试实验结果如图3、图4所示。图3中的横轴代表迭代次数，纵轴代表训练样本集每次训练的损失函数值train_loss与验证样本集每次训练的损失函数值val_loss。在对深度神经网络模型训练的过程中，统计每次训练结果的损失函数值，损失函数值越小代表模型的训练效果越好。由图3可见，随着迭代次数的增加损失函数值递减并最终收敛至稳定，说明本测试实验的训练效果随着训练次数的增多而提高。

将测试样本输入训练好的深度神经网络模型，得到本测试实验在的测试样本模型预测结果、各样本对应特征点和如图4所示的特征点分布图。不同的圆点代表不同雷达个体产生的信号特征，相同雷达产生信号特征对应圆点距离越近表示特征分类效果越好，不同雷达产生信号特征对应圆点距离越远表示特征分类效果越好。由图4的结果可以看出，相同雷达产生信号特征对应圆点距离小，不同雷达产生信号特征对应圆点距离远，特征聚拢效果好。计算得到仅模型预测结果准确率为94.19％，仅特征图预测结果准确率为96.33％，联合模型预测与特征预测的最终正确率为97.07％。说明基于深度学习模型与特征联合识别的方法对雷达辐射源个体识别有效可行。

以上所述仅是本发明的实施方式，再次声明，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进，这些改进也列入本发明权利要求的保护范围内。

Claims (7)

1.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，其特征在于：包括以下步骤：

1)采集不同雷达发射的内容相同的中频AD信号数据，并截取信号中各脉冲数据生成雷达辐射源个体识别样本集；

2)对所述步骤1)中的雷达辐射源个体识别样本集进行归一化处理，并划分成训练样本集、验证样本集和测试样本集；

3)构建基于深度学习模型与特征联合的雷达辐射源个体识别模型；

4)训练基于深度学习模型与特征联合的雷达辐射源个体识别模型；

5)用测试样本集获得雷达辐射源个体识别模型结果与特征判定结果；

6)用雷达辐射源个体识别模型结果与特征判定结果联合计算最终识别结果并统计识别准确率。

2.根据权利要求1所述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，其特征在于：所述步骤1)具体操作步骤如下：

11)采用天线采集不同雷达在相同或不同工作状态下发射的中频AD信号数据；

12)将接收到的雷达信号根据脉冲分割成脉内信号，每个脉内信号作为一个脉内信号样本，将截取并整理后的脉内信号作为雷达辐射源个体识别样本集。

3.根据权利要求1所述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，其特征在于：所述步骤2)具体操作步骤如下：

21)对脉内信号样本进行零均值归一化处理，将归一化处理后的脉内信号样本组合形成样本集，所述零均值归一化公式如下：

其中，Y_i为第i个脉内信号样本，X_i为归一化处理后的样本数值，Mean为单个样本数据的均值，N为单个样本数据的采样点总数；

22)从生成的信号样本集中抽取80％的样本组成训练样本集，抽取10％的样本组成验证样本集，余下10％的样本组成测试样本集。

4.根据权利要求1所述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，其特征在于：所述步骤3)具体操作步骤如下：

31)构建基于深度学习模型与特征联合的雷达辐射源个体识别网络模型，其由长短期记忆网络和卷积网络两部分组成，结构关系如下：

整体网络结构包括五层：

第一层为卷积网络输入层，能接收的输入大小设置为(5500，1)，其后接卷积网络部分；

第二层为自定义函数层，将卷积网络输入层每输出五个样本点，取第一个样本点拼接得到长短期记忆网络输入，自定义函数层后接长短期记忆网络部分；

第三层为拼接层，将卷积网络部分的输出与长短期记忆网络部分的输出拼接起来作为该层输出；

第四层为第二全连接层，神经元个数设置为M＝128，该层激活函数为线性整流函数Relu，M为使用的特征数目，该层输出为特征点位置；

第五层为分类层，采用多分类Softmax函数，该层输出为模型分类结果；

卷积网络部分包括八层：

第一层为第一卷积层，有64个卷积核，每个卷积核的大小为1×40，卷积步长为1，采用打补丁的方式保证卷积之后的长度与输入长度一致，该层激活函数为线性整流函数Relu；

第二层为第一批规范化层；

第三层为第二卷积层，有128个卷积核，每个卷积核的大小为1×10，卷积步长为1，采用打补丁的方式保证卷积之后的长度与输入长度一致，该层激活函数为线性整流函数Relu；

第四层为第二批规范化层；

第五层为第一标志块，由两个与第二卷积层参数相同的卷积层连接组成，前一卷积层将第一标志块输入作为输入，其后接后一卷积层，将后一卷积层输出接到加法器一个输入端，第一标志块输入接到加法器另一输入端，加法器输出作为第一标志块输出；

第六层为第二标志块，由两个与第二卷积层参数相同的卷积层连接组成，前一卷积层将第二标志块输入作为输入，其后接后一卷积层，将后一卷积层输出接到加法器一个输入端，第二标志块输入接到加法器另一输入端，加法器输出作为第二标志块输出；

第七层为第一全局平均池化层；

第八层为第一全连接层，神经元个数设置为128，该层激活函数为线性整流函数Relu；

长短期记忆网络部分包括两层：

第一层为第一长短期记忆层，神经元个数设置为128，返回最后一层的所有hiddenstate；

第二层为第二长短期记忆层，神经元个数设置为128，返回最后一层最后一个步长的hidden state；

32)设置基于深度学习模型与特征联合的雷达辐射源个体识别网络模型的超参数、误差反向传播优化算法、修正线性单元激活函数；

33)选择基于深度学习模型与特征联合的雷达辐射源个体识别网络模型损失函数L，所述损失函数L为交叉熵损失函数，其公式如下：

其中，M为雷达辐射源个体识别信号类别总数，c为具体某一类别，y_c为指示变量，若该类别c和样本类别相同，则y_c为1，否则为0；p_c为对于观测样本属于类别c的预测概率。

5.根据权利要求1所述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，其特征在于：所述步骤4)具体操作步骤如下：

41)打乱步骤2)中训练样本集和验证样本集中所有样本的排列顺序，将打乱后的训练样本集和验证样本集输入到深度神经网络模型中；

42)通过Adam优化算法对损失函数L进行迭代优化，并设置学习率下降机制和早停机制，迭代优化完成后，得到训练好的深度神经网络模型。

6.根据权利要求1所述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，其特征在于：所述步骤5)具体操作步骤如下：

51)将训练样本集输入到训练好的深度神经网络模型中，得到不同雷达个体的平均特征中心和不同雷达信号距离其平均特征中心的平均距离；

所述不同雷达个体的平均特征中心和不同雷达信号距离其平均特征中心的平均距离，其公式如下：

其中，F_i表示第i个雷达的平均特征中心，

表示第i个雷达的信号距离其平均特征中心的平均距离，F_ij表示第i个雷达的平均特征中心第j个特征的值，H_i表示训练集中第i个雷达的信号总数，f_icj表示第i个雷达的第c个数据的第j个特征的值，f_ic表示第i个雷达的第c个数据的特征点；

52)将测试样本集输入到训练好的深度神经网络模型中，得到网络分类识别结果和特征点，并根据特征点和不同雷达个体的平均特征中心得到特征分类识别结果，其计算方式如下：

先分别计算出该测试集数据对应特征点与所有雷达个体平均特征中心的特征距离D，再取特征距离D中最短距离对应的雷达个体为特征分类识别结果；

其中，特征距离D的计算方式如下：

其中，D_i表示第i个雷达与该测试集数据对应特征点的特征距离，M表示该特征点特征总数，F_ij表示第i个雷达的平均特征中心第j个特征的值，T_j表示该测试集数据对应特征点的第j个特征的值。

7.根据权利要求1所述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，其特征在于：所述步骤6)具体操作步骤如下：

61)利用网络分类识别结果和特征分类识别结果进行对比，得到最终识别结果；其具体方法如下：

若两个识别结果相同，则最终识别结果与这两种结果相同；

若两个识别结果不同，则计算出该测试集数据对应特征距离D中最短距离D_i，与该雷达信号距离其平均特征中心的平均距离

的比值

并得到模型分类输出对应结果的置信度P，

当

时，特征分类识别结果更可靠，取特征分类识别结果为最终结果；

当

时，网络分类识别结果更可靠,取网络分类识别结果为最终结果；

62)将最终识别结果与测试集的真实类别对比，统计最终识别正确率。

Images