CN111985349A - 一种雷达接收信号类型分类识别方法及系统 - Google Patents

Abstract

本发明公开了一种雷达接收信号类型分类识别方法及系统，获取雷达的接收信号；对接收信号进行动目标检测处理得到三维距离‑多普勒平面；对三维距离‑多普勒平面进行处理，得到三维距离‑多普勒平面的俯视特征图，将俯视特征图转换为灰度图并进行二值化处理得到二值特征图；将二值特征图输入到预先训练好的基于神经网络的雷达场景信号处理模型中，输出分类识别结果。优点：本发明采用神经网络实现对各类雷达接收信号的分类，解决了抑制算法与接收信号不匹配的问题，为雷达接收信号类型的分类识别提供了新的参考方向。

Description

一种雷达接收信号类型分类识别方法及系统

技术领域

本发明涉及一种雷达接收信号类型分类识别方法及系统，属于雷达信号处理技术领域。

背景技术

对雷达信号进行处理时，接收到的信号不仅仅只有目标信号，还存在大量的电子干扰。电子干扰是电子对抗的重要组成部分，本质上是一种电波扰乱措施，目的是削弱或破坏敌方的各种电子设备和系统进行侦察、指挥、通信和武器控制的能力，可以大幅提高己方飞机和舰艇的生存能力。电子干扰可以大致分为欺骗式电子干扰和压制式电子干扰：欺骗性电子干扰可以理解为敌方发射与目标信号相同或相似的干扰信号，使信号处理的结果出现偏差，无法获取正确的目标信息；压制式电子干扰可以理解为敌方发射大功率的随机信号，虽然这种干扰没有参杂目标相关信息，但是功率远远大于目标信号，使得信号完全淹没在干扰中，对后续信息处理造成影响。此外，雷达接收到的信号还包含大量杂波信号，同样使得提取目标信息变得困难。

国内外大量学者对雷达接收到的各类干扰和杂波进行了详细分析，提出了很多有效的抑制方法，但是不同的方法均具有一定的针对性。在实际的雷达电子对抗中，接收信号时无从得知接收到的信号的具体情况。当存在干扰或杂波时，可能出现有各类抑制算法却不知道用哪一个的尴尬情况，使雷达系统效率降低，因此对雷达接收信号的类型进行分类识别具有一定的现实意义。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种雷达接收信号类型分类识别方法及系统。

为解决上述技术问题，本发明提供一种雷达接收信号类型分类识别方法，获取雷达的接收信号；

对接收信号进行动目标检测处理得到三维距离-多普勒平面；

对三维距离-多普勒平面进行处理，得到三维距离-多普勒平面的俯视特征图，将俯视特征图转换为灰度图并进行二值化处理得到二值特征图；

将二值特征图输入到预先训练好的基于神经网络的雷达场景信号处理模型中，输出分类识别结果。

进一步的，所述雷达场景信号处理模型中的场景信号包括连续波干扰信号、转发式干扰信号、目标信号和杂波信号。

进一步的，所述基于神经网络的雷达场景信号处理模型的构建过程包括：

获取不同雷达场景下的接收信号，经过动目标检测处理和二值化处理后，构建训练集；之后通过训练集训练得到训练好的网络，再对测试集进行测试，获得无标注训练集；

利用无标注训练集训练稀疏自编码，得到无标注训练集的隐层特征表达集，将类别标注集和隐层特征表达集组合为Softmax分类器的训练数据集，利用所述训练数据集训练练Softmax分类器，得到基于神经网络的雷达场景信号处理模型。

一种雷达接收信号类型分类识别系统，包括：

获取模块，用于获取雷达的接收信号；

动目标检测处理模块，用于对接收信号进行动目标检测处理得到三维距离-多普勒平面；

二值化处理模块，用于对三维距离-多普勒平面进行处理，得到三维距离-多普勒平面的俯视特征图，将俯视特征图转换为灰度图并进行二值化处理得到二值特征图；

输出模块，用于将二值特征图输入到预先训练好的基于神经网络的雷达场景信号处理模型中，输出分类识别结果。

进一步的，所述输出模块场景信号确定模块，用于确定雷达场景信号处理模型中的场景信号，所述场景信号包括连续波干扰信号、转发式干扰信号、目标信号和杂波信号。

进一步的，所述输出模块还包括模型构建模块，所述模型构建模块包括：

训练集确定模块，用于获取不同雷达场景下的接收信号，经过动目标检测处理和二值化处理后，构建训练集；之后通过训练集训练得到训练好的网络，再对测试集进行测试，获得无标注训练集；

模型确定模块，用于利用无标注训练集训练稀疏自编码，得到无标注训练集的隐层特征表达集，将类别标注集和隐层特征表达集组合为Softmax分类器的训练数据集，利用所述训练数据集训练练Softmax分类器，得到基于神经网络的雷达场景信号处理模型。

本发明所达到的有益效果：

本发明采用神经网络实现对各类雷达接收信号的分类，解决了抑制算法与接收信号不匹配的问题，与传统的雷达信号识别算法相比，更容易理解，精确度也更高，为雷达接收信号类型的分类识别提供了新的参考方向。

附图说明

图1是基于卷积神经网络的干扰分类识别流程图；

图2是连续波干扰二值特征图；

图3是转发干扰二值特征图；

图4是目标二值特征图；

图5是杂波二值特征图。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

由图1所示，一种雷达接收信号类型分类识别方法包括：

(1)预先的雷达场景样本构建：构建连续波干扰、转发干扰、目标、杂波等四类雷达场景的信号处理模型，以便针对不同场景，在不同情况下来获取大量的训练样本数据。

(2)获取距离-多普勒平面：对每种场景的接收信号进行动目标检测(MTD)处理得到三维距离-多普勒(RD)平面。

(3)二值化处理：对第(2)步的每一个RD平面进行处理，得到RD平面的俯视特征图，并转换为灰度图进行二值化处理得到二值特征图。

(4)干扰分类：将第(3)步得到的二值特征图数据输入到卷积神经网络或者稀疏编码器中进行平面特征提取和识别分类，从而得到分类结果。

卷积神经网络在进行分类识别时，通常需要大量的训练样本数据，借此来获取不同目标所对应的特征。然后根据这些所提取的特征，可以对输入的测试样本进行分类识别处理，由识别的正确率来反映神经网络的分类识别性能好坏。将卷积神经网络应用到雷达工作场景中，则可以通过提取雷达工作在不同场景的相应的特征，来对雷达工作场景进行估计。

不同场景的信号特征包括：

1、连续波干扰：

连续波干扰时一种幅度恒定，频率围绕载频随机变化的一种干扰信号，具有较宽的干扰带宽和较大的噪声功率，是目前对雷达、通信进行压制性干扰中最常用的干扰形式。干扰方把干扰能量覆盖到整个雷达工作频段，这时，雷达就很难选择到没有干扰的频率，而不得不承受一定的干扰能量。连续波干扰的距离-多普勒图经过取模处理后，数据大小也是随机分布的。当经过量化处理后，得到的二值图仍是随机分布的。

2、转发式干扰：

转发式干扰与目标信号的信号形式相同，通过改变目标信号的参数(例如速度、距离等)，再将改变后的信号发送到接收机，会导致产生的距离-多普勒图在幅值、多普勒和距离门上均产生影响。虽然不利于目标检测，但是就特征提取来说，转发式干扰的距离-多普勒图的特征较明显，易于提取。

3、目标信号：

目标信号在经过MTD检测之后，只会有一个尖峰值，但是附近会存在一定的旁瓣。如果门限选取的恰当，则在经过量化后的距离-多普勒图上应该只存在目标一个点。若门限过高，则是一张空白图；反之，若门限较小，则会导致虚警率大幅度提高。对于目标而言，可以改变目标的距离以及速度来改变目标在距离-多普勒图中的位置。

4、杂波信号：

杂波信号由于速度相对于目标速度很小，因此在多普勒维上总位于中间部分，这一特征可以很好的反映出杂波特性，也便于后续的分类识别，并且可以通过改变接收到的杂波模型、杂波覆盖距离来产生不同的杂波数据。需要注意的是，当目标速度很低，且门限较低时，此时的信号特征与杂波信号的特征很接近，这会使分类识别错误率大幅度提高。

基于卷积神经网络的雷达场景信号处理模型的训练过程：

1)稀疏编码器：

最基础的自编码器是一个三层的神经网络，第一层为输入层，第二层为隐藏层，第三层为输出层。稀疏编码器是在自编码器的基础上发展而来的一种重构模型。当自编码器的隐藏层神经元个数远大于输入数据的维度时，仍然希望其隐藏层可以学习到输入数据的降维表示，此时希望输入数据在自编码器的每次信息传递过程中，其隐藏层都是少部分处于激活状态，大部分处于激活抑制状态，此过程相当于对AE(自编码)的隐藏层加入了稀疏性限制。

给定无标注训练数据集{x⁽¹⁾,x⁽²⁾,...,x^(N)}，训练样本总数为N，误差函数选用均方误差函数，AE整体的代价函数表示如下：

式中，第一项为均方误差项，第二项为参数惩罚项，又称为正则化项，其中，λ为参数惩罚项系数，又称权重衰减参数，用来调整第一项与第二项之间的关系；W为权重，b为偏置，

为输出的数据，i＝1～N。

加入稀疏性限制后的稀疏自编码器的代价函数表示如下：

式(1-2)的AE代价函数增加了稀疏性限制项，也称为稀疏性惩罚因子，式中，s₂表示稀疏自编码SAE中第二层即隐藏层的神经元个数，j表示SAE隐藏层中的第j个神经元，ρ表示稀疏性惩罚因子中的稀疏性参数，

表示输入的训练数据在第j个隐藏层神经元的平均激活值，β为稀疏性惩罚因子在整个代价函数中所占的比重。SAE是基于KL散度来定义稀疏性惩罚因子。KL散度表示如下：

将第i个输入数据x⁽ⁱ⁾在隐藏层第j个神经元的输出值表示为

则隐藏层神经元平均激活值计算如下：

式中，稀疏性惩罚因子可以被理解为一个以ρ为均值的伯努利随机变量和一个以

为均值的伯努利随机变量间的KL散度。SAE希望通过稀疏性惩罚因子的约束作用尽量使

2)Softmax分类器

Softmax回归模型是Logistic回归模型在多分类任务上的推广。当分类数为2的时候会退化为Logistic分类。在多分类问题中，类标签可以取两个以上的值。

在Logistic回归中，训练集由m个已标记的样本构成：

{(x⁽¹⁾,y⁽¹⁾),...,(x^(m),y^(m))} (1-5)

由于Logistic回归是针对二分类问题的，因此标记y⁽ⁱ⁾∈{0,1}。分类函数如下：

式中，T为转置，x表示输入数据；

训练模型参数θ，使其能够最小化代价函数：

对于多分类任务，可以将Logistic回归模型进行推广，此时，类别标记为y⁽ⁱ⁾∈{1，2，3，...,k}。给定输入数据x，求出x在每个类别上的分类概率p(y＝j|x)。

通过比较每个类别上的分类概率来判断其最终分类结果，这样，就需要分类函数输出一个k维的结果，每一维的输出值表示输入数据x在该维类别上的输出概率，各维输出值的综合应为1。此时，分类函数h_θ(x⁽ⁱ⁾)可表示为下式：

其中，θ＝[θ₁,θ₂,....θ_n]^T表示该分类模型中的参数，p(y⁽ⁱ⁾＝k|x⁽ⁱ⁾；θ)为输入数据为x的情况下输出类型y为k的概率，

为输出概率。

综上所述，可将Softmax分类器代价函数表示为：

式中，第二项为参数惩罚项，λ为参数惩罚项系数，1{·}表示真值函数，即1{值为真的表达式}＝1，1{值为假的表达式}＝0。设数据x⁽ⁱ⁾为n维，模型参数θ为k×(n+1)维，参数θ用矩阵表示如下：

θ＝[θ₁,θ₂,....θ_n]^T (1-10)

则在Softmax分类器目标函数中，将数据x⁽ⁱ⁾分为第j类的概率为：

综上，Softmax是Logistic回归函数的推广。

3)分类网络模型

通过将SAE与Softmax分类器串联起来组成一个集特征与分类为一体的完整的分类网络模型，使其通过SAE对数据进行特征提取，再用Softmax分类器对特征进行分类。该分类网络在训练阶段首先使用无标注训练集{x⁽¹⁾,x⁽²⁾,...x^(N)}训练SAE，得到训练数据集的隐层特征表达集{a⁽¹⁾,a⁽²⁾,...a^(N)}，然后输入无标注训练数据集的类别标注{y⁽¹⁾,y⁽²⁾,...y^(N)}，与得到的特征表达组成Softmax分类器的训练数据集{(a⁽¹⁾,y⁽¹⁾),(a⁽²⁾,y⁽²⁾),...(a^(N),y^(N))}，使用新训练集训练Softmax分类器，这样就训好了一个完整的SAE+Softmax分类模型。测试阶段首先通过训练好的SAE提取测试样本x^(N+1)的特征a^(N+1)，然后通过训练好的Softmax分类器对特征a^(N+1)进行分类，从而得到测试样本的分类结果。整个过程可以看成一个大的神经网络学习过程，只不过模型的训练过程需要分两部分进行，输入层和隐藏层之间的参数通过训练稀疏自编码器获取，隐藏层与分类输出层间道德参数通过训练Softmax分类器获取。

相应的本发明还提供一种雷达接收信号类型分类识别系统，包括：

获取模块，用于获取雷达的接收信号；

动目标检测处理模块，用于对接收信号进行动目标检测处理得到三维距离-多普勒平面；

二值化处理模块，用于对三维距离-多普勒平面进行处理，得到三维距离-多普勒平面的俯视特征图，将俯视特征图转换为灰度图并进行二值化处理得到二值特征图；

输出模块，用于将二值特征图输入到预先训练好的基于神经网络的雷达场景信号处理模型中，输出分类识别结果。

所述输出模块场景信号确定模块，用于确定雷达场景信号处理模型中的场景信号，所述场景信号包括连续波干扰信号、转发式干扰信号、目标信号和杂波信号。

所述输出模块还包括模型构建模块，所述模型构建模块包括：

训练集确定模块，用于获取不同雷达场景下的接收信号，经过动目标检测处理和二值化处理后，构建训练集；之后通过训练集训练得到训练好的网络，再对测试集进行测试，获得无标注训练集；

模型确定模块，用于利用无标注训练集训练稀疏自编码，得到无标注训练集的隐层特征表达集，将类别标注集和隐层特征表达集组合为Softmax分类器的训练数据集，利用所述训练数据集训练练Softmax分类器，得到基于神经网络的雷达场景信号处理模型。

实施例：

为了验证本文方法的有效性，本文以QPSK信号为雷达发射信号为例进行仿真实验。设置QPSK信号码元速率为1MBaud，码元个数为28个，时宽为1us，载频为0MHz，采样速率为1MHz。对于上述四种情景，均改变信噪比或干噪比大小。此外根据不同情况，改变信号的不同参数，使得特征图具有一定的差异性。由于连续波干扰频率随机，每次产生的连续波干扰均不同，故不用设置参数变化。对转发干扰，改变其转发间隔和速度参数；对目标改变距离和速度；对杂波改变杂波模型和杂波覆盖面积。

在本次仿真中，对四种不同的雷达场景类型分别构建训练集和测试集数据。为了生成基于参数遍历性的数据样本，在训练和测试阶段分别改变场景模型的相关参数，其中训练集中每种场景类型样本为128个，测试集种每种场景类型样本为64个。表1-1列举了每种模型的一些参数变化。

表1-1转发干扰参数变化

表1-2目标参数变化

表1-3杂波参数变化

根据上述参数构建雷达场景模型，并对其进行MTD处理得到距离-多普勒平面，再进行相关操作得到俯视图并对俯视图进行二值化处理得到俯视图特征平面。图2至图5分别列出了每种雷达场景的二值特征图。

每种雷达场景模型距离-多普勒平面俯视图特征平面构建完成后，将训练集的特征平面数据输入到稀疏编码器中训练进行特征提取，然后对Softmax分类器进行训练，得到一个训练好了一个完整的SAE+Softmax分类模型，最后利用分类模型对测试集的样本进行识别分类，从而得到雷达场景模型的分类结果。具体分类结果如表1-4所示。

表1-4雷达场景模型识别率

由表1-4可以看出，不同场景下的识别率均是百分之百，表明不同信号的特征差异明显，因此可以有很好的结果，这也表明基于卷积神经网络的雷达接收信号类型分类识别是可行的。此方法还可以推广到其他类型的雷达接收信号中，比如区分不同的雷达接收干扰信号，具有一定的应用价值。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的得同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种雷达接收信号类型分类识别方法，其特征在于，

获取雷达的接收信号；

对接收信号进行动目标检测处理得到三维距离-多普勒平面；

对三维距离-多普勒平面进行处理，得到三维距离-多普勒平面的俯视特征图，将俯视特征图转换为灰度图并进行二值化处理得到二值特征图；

将二值特征图输入到预先训练好的基于神经网络的雷达场景信号处理模型中，输出分类识别结果。

2.根据权利要求1所述的雷达接收信号类型分类识别方法，其特征在于，所述雷达场景信号处理模型中的场景信号包括连续波干扰信号、转发式干扰信号、目标信号和杂波信号。

3.根据权利要求1所述的雷达接收信号类型分类识别方法，其特征在于，所述基于神经网络的雷达场景信号处理模型的构建过程包括：

获取不同雷达场景下的接收信号，经过动目标检测处理和二值化处理后，构建训练集；之后通过训练集训练得到训练好的网络，再对测试集进行测试，获得无标注训练集；

利用无标注训练集训练稀疏自编码，得到无标注训练集的隐层特征表达集，将类别标注集和隐层特征表达集组合为Softmax分类器的训练数据集，利用所述训练数据集训练练Softmax分类器，得到基于神经网络的雷达场景信号处理模型。

4.一种雷达接收信号类型分类识别系统，其特征在于，包括：

获取模块，用于获取雷达的接收信号；

动目标检测处理模块，用于对接收信号进行动目标检测处理得到三维距离-多普勒平面；

二值化处理模块，用于对三维距离-多普勒平面进行处理，得到三维距离-多普勒平面的俯视特征图，将俯视特征图转换为灰度图并进行二值化处理得到二值特征图；

输出模块，用于将二值特征图输入到预先训练好的基于神经网络的雷达场景信号处理模型中，输出分类识别结果。

5.根据权利要求4所述的雷达接收信号类型分类识别系统，其特征在于，所述输出模块场景信号确定模块，用于确定雷达场景信号处理模型中的场景信号，所述场景信号包括连续波干扰信号、转发式干扰信号、目标信号和杂波信号。

6.根据权利要求4所述的雷达接收信号类型分类识别方法，其特征在于，所述输出模块还包括模型构建模块，所述模型构建模块包括：

训练集确定模块，用于获取不同雷达场景下的接收信号，经过动目标检测处理和二值化处理后，构建训练集；之后通过训练集训练得到训练好的网络，再对测试集进行测试，获得无标注训练集；

模型确定模块，用于利用无标注训练集训练稀疏自编码，得到无标注训练集的隐层特征表达集，将类别标注集和隐层特征表达集组合为Softmax分类器的训练数据集，利用所述训练数据集训练练Softmax分类器，得到基于神经网络的雷达场景信号处理模型。

Images