CN112034434B

CN112034434B - 基于稀疏时频检测卷积神经网络的雷达辐射源识别方法

Info

Publication number: CN112034434B
Application number: CN202010919085.9A
Authority: CN
Inventors: 冷鹏飞; 王谦诚; 黄翔飞; 张玉涛
Original assignee: 724th Research Institute of CSIC
Current assignee: 724th Research Institute of CSIC
Priority date: 2020-09-04
Filing date: 2020-09-04
Publication date: 2022-05-20
Anticipated expiration: 2040-09-04
Also published as: CN112034434A

Abstract

本发明提出了基于稀疏时频检测卷积神经网络的雷达辐射源识别方法，属于电子对抗技术领域。本发明以内插、滤波、抽取等处理方法统一不同接收机采样率，利用短时傅里叶变换，将不同脉宽的辐射源中频信号转化为频率分辨率、时间窗个数固定的时频图，以时频图作为辐射源特征，用卷积神经网络实现识别。在网络训练时，对时频矩阵进行特征增强以生成稀疏时频矩阵，并将其作为训练样本完成网络训练；训练完成后，用边框检测出稀疏时频矩阵中辐射源信号，并将检测边框内信号映射至各卷积池化层输出，使得卷积池化层仅对检测边框内信号进行处理，降低了识别过程中卷积、池化处理的运算量，且能够实现对不同脉宽、带宽雷达辐射源的识别。

Description

基于稀疏时频检测卷积神经网络的雷达辐射源识别方法

技术领域

本发明涉及电子对抗技术领域。

背景技术

雷达辐射源识别技术是现代电子对抗的重要组成部分，在军事作战中，通过电子侦察设备捕获敌方发射的电磁波，利用辐射源识别技术判断出发射该电磁波雷达的用途或类型，进而可以推断出敌方平台的类型或是型号，为我方制定作战预案提供参考依据，做到先发制敌，取得战场的主动权。当前，频率分集、脉冲压缩、脉冲多普勒、相控阵雷达等新工作体制雷达层出不穷，导致电磁环境高度密集，传统基于辐射源描述字(emitterdescription words，EDW)的识别方法，难以胜任复杂电磁空间中的辐射源识别任务。由于现代雷达广泛采用脉冲压缩体制，因而脉内调制特征可以应用于雷达辐射源识别，常用的脉内分析方法有：瞬时自相关、倒谱技术、谱相关技术、时频分析等，这些方法均依赖人工经验进行特征提取与分类器的设计，使得识别系统的维护与更新需消耗一定的人工成本与时间成本。

近年来，随着深度学习工程应用的兴起，机器自动提取特征成为现实，目前基于深度学习的辐射源识别方法主要有以下几种思路：(1)通过人工特征提取将辐射源信号向量化，再利用深度神经网络完成识别；(2)将辐射源信号中频数据作为神经网络的输入，直接由神经网络自动提取辐射源中频特征，并给出识别结果；(3)对辐射源信号中频数据做适当的信号预处理，再将预处理后的信号交由神经网络完成自动特征提取与识别。第一种思路仍依赖于人工经验，存在传统人工特征提取方法的固有缺陷；第二种思路过于依赖神经网络的学习能力，由于敌方辐射源载频无法精确已知，侦察接收机下变频后，所截获的辐射源中存在无效载频，且不同参数接收机引起的载频不同，这对神经网络的学习能力、泛化能力以及网络规模提出了更高要求；第三种思路为一种折衷选择，常见方法是利用时频变换获得辐射源的时频图，再用卷积神经网络(convolution neural network，CNN)对时频图进行处理，但目前这类方法的公开文献中尚未讨论侦察接收机所截获的辐射源中存在无效载频、异类辐射源统一时频图频率分辨率等工程问题，本发明在此类方法基础上，提出了一种基于稀疏时频检测卷积神经网络(STFD-CNN)的雷达辐射源识别方法，将不同脉宽、时宽的辐射源信号，变换为频率分辨率、时间窗个数固定的时频图，通过对时频图进行特征增强而构建稀疏时频矩阵，利用边框检测出稀疏时频矩阵中带频率偏移的辐射源信号，训练完成后，CNN中卷积、池化运算仅需对检测后辐射源进行处理即可实现辐射源识别。

发明内容

本发明提出了基于稀疏时频检测卷积神经网络(STFD-CNN)的雷达辐射源识别方法，适于电子侦察设备在复杂电磁环境中对敌方雷达辐射源的智能化识别，能够提升被动侦察系统在现代电磁战争中的情报分析能力。

实现本发明的技术解决方案为：以内插、滤波、抽取等处理方法统一不同接收机采样率，利用短时傅里叶变换，将不同脉宽的辐射源中频信号转化为频率分辨率、时间窗个数固定的时频图，以时频图作为辐射源特征，用卷积神经网络实现识别。在网络训练时，对时频矩阵进行特征增强以生成稀疏时频矩阵，并将其作为训练样本完成网络训练；训练完成后，用边框检测出稀疏时频矩阵中辐射源信号，并将检测边框内信号映射至各卷积池化层输出，使得卷积池化层仅对检测边框内信号进行处理，降低了识别过程中卷积、池化处理的运算量，且能够实现对不同脉宽、带宽雷达辐射源的识别。具体步骤为：

步骤1：利用内插、滤波、抽取将不同侦察设备截获的辐射源中频信号采样率统一；

步骤2：利用短时傅里叶变换(short-time fourier transform，STFT)将采样率统一后的辐射源中频信号，变换为频率分辨率、时间窗个数固定的时频图；

步骤3：对时频图进行特征增强，得到稀疏时频矩阵；

步骤4：用边框检测出稀疏时频矩阵中辐射源信号，得到检测后辐射源时频矩阵；

步骤5：网络训练阶段，按步骤1～步骤3对训练样本集中辐射源中频信号进行处理，得到稀疏时频矩阵，并用该稀疏时频矩阵对卷积神经网络进行训练；

步骤6：网络测试阶段，按步骤1～步骤4对测试样本集中辐射源中频信号进行处理，得到检测后辐射源时频矩阵，并用该检测后辐射源时频矩阵，对步骤5中训练完成的卷积神经网络进行测试；

步骤7：重复步骤5、6直至得到识别性能、泛化能力符合要求的网络模型；

步骤8：工程应用时，先按步骤1～4对截获的辐射源做信号预处理，再按步骤6中网络正向传播过程，用步骤7中训练完成的网络对辐射源进行识别。

本发明与现有技术相比，其显著优点为：(1)利用深度神经网络实现辐射源特征的机器自动提取，缓解人工提取特征的压力，便于识别系统的维护与更新；(2)相较于现有的基于CNN与时频图的辐射源识别方法，STFD-CNN使得卷积池化层仅对检测边框内信号进行处理，降低了识别过程中卷积、池化处理的运算量；(3)STFD-CNN解决了侦察接收机所截获的辐射源中存在无效载频的问题；(4)STFD-CNN适用于不同脉宽、带宽雷达辐射源的识别。

下面结合附图对本发明做进一步详细的描述。

附图说明

图1为基于稀疏时频检测卷积神经网络(STFD-CNN)的雷达辐射源识别框图；

图2为统一采样率后的线性调频1时频图；

图3为统一采样率后的二相编码时频图；

图4为统一采样率后的线性调频2时频图；

图5为统一采样率后的V型非线性调频时频图；

图6为统一采样率后的13位巴克码时频图；

图7为特征增强、边框检测后的线性调频1稀疏时频矩阵图；

图8为特征增强、边框检测后的二相编码稀疏时频矩阵图；

图9为特征增强、边框检测后的线性调频2稀疏时频矩阵图；

图10为特征增强、边框检测后的V型非线性调频稀疏时频矩阵图；

图11为特征增强、边框检测后的13位巴克码稀疏时频矩阵图；

图12为迭代次数-损失函数值曲线图；

图13为迭代次数-训练/测试精度曲线图。

具体实施方式

下面结合附图和具体实施方式对本发明做更进一步的具体说明，但本发明的保护范围不受实施条例的限制。

结合图1说明本发明基于稀疏时频检测卷积神经网络(STFD-CNN)的雷达辐射源识别方法。如图1所示，本发明包括如下步骤：

步骤3：对时频图进行特征增强，得到稀疏时频矩阵；

其中，步骤2包括如下步骤：

步骤2-1：根据实际工程需求，预设频率分辨率Δf，结合步骤1中得到的统一采样率f_s，计算STFT时间窗内离散时间样本点数：

式中，

是向上取整运算，lb(·)是底数为2的对数运算。式(1)使得脉宽不同的异类辐射源在经过STFT处理后具有相同的频率分辨率，且STFT可以使用基2快速傅里叶变换(fast fourier transform，FFT)算法实现；

步骤2-2：根据实际工程需求，预设时间窗个数N_t，计算STFT时间窗滑动步长：

式中，

是向上取整运算，N_x为辐射源信号脉宽。式(2)使得脉宽不同的异类辐射源在经过STFT处理后具有相同的时间窗个数；

步骤2-3：由已知参数N_w、S_w、N_t，对步骤1中统一采样率后的辐射源信号做STFT处理，得到频率分辨率、时间窗个数固定的时频图P_STFT(t_i,f_i)，其中，t_i为时间窗索引，f_i为频率分辨单元索引。

步骤3包括如下步骤：

步骤3-1：对数化时频图P_STFT(t_i,f_i)，得到对数时频图：

步骤3-2：在每个时间窗t_i上，求解对数时频图P_LSTFT(t_i,f_i)的频谱峰值序列：

步骤3-3：在每个时间窗t_i上，搜寻频率分辨单元

使得

幅值比P_tmax(t_i)小M_fdB以上，并将

置零。其中，M_f是为了提取时频图P_STFT(t_i,f_i)主要特征而设置的阈值；

步骤3-4：对所有的t_i、f_i，求解对数时频图P_LSTFT(t_i,f_i)的频谱峰值：

步骤3-5：对所有的t_i、f_i，搜寻

使得

幅值比P_max小S_m dB以上，并将

置零得到稀疏时频矩阵P_SSTFT(t_i,f_i)，其中，S_m是为了去除步骤3-3处理剩余的非零小数值而设置的阈值。

步骤4包括如下步骤：

步骤4-1：在每个频率分辨单元f_i上，求解稀疏时频矩阵P_SSTFT(t_i,f_i)的频谱峰值序列：

步骤4-2：对所有的f_i，搜寻

使得

不为零，并将

按频率分辨单元顺序存储，得到频率分辨单元检测序列

步骤4-3：遍历序列f_D，存储第一个元素索引f_start和最后一个元素索引f_stop；

步骤4-4：求解稀疏时频矩阵P_SSTFT(t_i,f_i)中辐射源信号的检测边框：

式中，K_n为卷积核尺寸；

步骤4-5：用步骤4-4求解的检测边框，对稀疏时频矩阵P_SSTFT(t_i,f_i)进行边框检测，得到检测后辐射源时频矩阵：

步骤7包括如下步骤：

步骤7-1：按步骤5用训练样本集对网络进行训练，得到训练过程中的网络模型N_train，计算网络模型N_train对训练样本集的识别率(训练精度)δ_train，并由此算出一段时间内训练精度δ_train的均值

若满足条件：

则停止训练，并存储此时训练完成的网络模型

式中，

为期望网络能够达到的训练精度，δ_εtrain为训练过程中的网络模型N_train是否满足训练精度要求的判决阈值。

步骤7-2：计算网络模型

对步骤6中测试样本集的识别率(训练精度)δ_test，并由此算出一段时间内训练精度δ_test的均值

步骤7-3：重复步骤7-1～步骤7-2，若满足泛化条件：

则停止网络训练、测试，并存储此时训练完成的网络模型

式中，δ_ε为训练过程中的网络模型

是否满足泛化要求的判决阈值。

本发明提供了基于稀疏时频检测卷积神经网络(STFD-CNN)的雷达辐射源识别方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，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，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

实施例：

以2个接收信道、5类雷达辐射源为例进行仿真分析，具体参数如下：

1)接收信道

接收机1采样率为200MHz，接收机2的采样率为100MHz，接收机传输信道导致的雷达辐射源最大相位失真为10°，信噪比为5dB，用FIR滤波器模拟接收机幅度失真，IIR滤波器模拟接收机相位失真。

2)雷达辐射源

①线性调频1(LFM1)：带宽20MHz，脉宽40μs，采样率200MHZ；

②二相编码：载频10MHz，脉宽40μs，码元数10，采样率200MHZ；

③线性调频2(LFM2)：带宽5MHz，脉宽40μs，采样率100MHZ；

④非线性调频(NLFM)：V型调频，带宽20MHz，脉宽40μs，采样率100MHz；

⑤巴克码：载频10MHz，脉宽39μs，码元数13，采样率100MHZ。

训练样本集中含有5000个雷达辐射源中频信号，每类辐射源1000个；测试样本集中含有500个雷达辐射源中频信号，每类辐射源100个；验证样本集中含有500个雷达辐射源中频信号，每类辐射源100个。CNN由1个卷积池化层、2个全连接层与softmax分类器构成，卷积核尺寸为5×5，卷积核个数为6，卷积运算滑动步长为1，2:1最大池化，第1层全连接层输出空间维数为80，第2层全连接层输出空间维数为5，损失函数为交叉熵误差，最优化算法为Adam，学习率为0.00025，minibatch大小为64，δ_εtrain设置为0.985，δ_ε设置为0.025。

图2～图6分别为统一采样率后的线性调频1、二相编码、线性调频2、V型非线性调频以及13位巴克码时频图，可以看出，经过步骤1、步骤2处理后，各类辐射源时频图具有相同的尺寸，且频率分辨率相同。图7～图11分别为特征增强、边框检测后的线性调频1、二相编码、线性调频2、V型非线性调频以及13位巴克码稀疏时频矩阵图，从图中可以看出，各类辐射源稀疏时频矩阵图中信号能量特征大幅增强，信噪比改善显著，与此同时，在稀疏时频矩阵图中，辐射源得以被检测出来。图12～图13分别为网络训练过程中的迭代次数-损失函数值曲线图、迭代次数-训练/测试精度曲线图，显然，随着迭代次数的增加，损失函数值逐渐减小直至收敛，训练精度逐渐上升并稳定收敛于δ_εtrain数值上方，网络收敛后，训练精度与测试精度之间的误差不超过δ_ε，这表明网络已具备符合要求的识别能力与泛化能力，用验证样本集对训练完成的网络进行性能验证，识别率可以达到98％以上。