CN112149524A - 一种雷达信号分选识别方法、装置、探测器及存储介质 - Google Patents
一种雷达信号分选识别方法、装置、探测器及存储介质 Download PDFInfo
- Publication number
- CN112149524A CN112149524A CN202010923790.6A CN202010923790A CN112149524A CN 112149524 A CN112149524 A CN 112149524A CN 202010923790 A CN202010923790 A CN 202010923790A CN 112149524 A CN112149524 A CN 112149524A
- Authority
- CN
- China
- Prior art keywords
- autocorrelation
- classifier
- image
- decision
- original
- 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.)
- Granted
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明涉及一种雷达信号分选识别方法、装置、探测器及可读存储介质,通过将目标辐射源信号使用CWD时频分析技术及短时自相关特征图像构造方法进行处理,得到原始时频图像及自相关特征图像,并通过卷积神经网络特征提取器及随机森林分类器得到分类结果,将其加权融合后,得到分选识别结果,解决了现有技术中使用CWD时频分析技术识别未知雷达波形准确率较低的技术问题,达到了仅使用较少的雷达样本信息下大幅提高未知雷达信号的识别率。
Description
技术领域
本发明涉及雷达信号识别技术领域,特别涉及一种雷达信号分选识别方法、装置、探测器及存储介质。
背景技术
在现代电子战中,对雷达辐射源信号的分析与处理是电子情报侦察系统和电子支援系统重要环节之一。雷达信号样式纷繁复杂、工作模式多,特别是战时情况下新雷达信号不断涌现,对于一些已知调制方式的雷达波形,可利用雷达先验知识与侦察接收机所接收雷达信号的关联性进行识别分类。但对于新雷达信号,由于无法利用先验知识,侦察机的标识成本高,导致难以获得较多的新雷达信号样本,对于此类未知雷达信号在有限样本的情况下以及在低信噪比条件下传统识别手段识别率低,且识别耗时长。
发明内容
本发明针对现有技术中存在的技术问题,提供一种雷达信号分选识别方法、装置、探测器及存储介质,在未知雷达信号样本有限的情况下,实现雷达信号的分选识别。
本发明解决上述技术问题,本发明提出一种达信号分选识别方法,所述雷达信号分选识别方法包括以下步骤:
响应于检测到的目标辐射源信号,使用CWD(Choi-Williams distribution,崔-威廉斯分布)时频分析技术对所述目标辐射信号进行变换得到原始时频图像,使用短时自相关特征图像构造方法对所述目标辐射信号进行变换得到自相关特征图像;
使用不同的卷积神经网络特征提取器对所述原始时频图像及所述自相关特征图像进行特征提取,并将特征提取结果分别发送至不同的随机森林分类器得到原始时频图像的分类器决策及自相关特征图像的分类器决策;
根据预设权重分配方法,将所述原始决策与所述自相关决策加权后进行融合,得到分选识别结果;所述原始决策为所述原始时频图像的分类器决策,所述自相关决策为所述自相关特征图像的分类器决策。
本发明的有益效果是:从多个角度分析雷达信号的特征,并通过卷积神经网络特征提取器从单一样本中提取多个特征信息,再通过随机森林分配器确保识别成功率,并通过权重分配方法进一步提高识别成功率;在仅有较少的样本信息的情况下,通过对样本信息进行多角度多方面的分析运算,达到了准确识别雷达信号的目的。
在上述技术方案的基础上,本发明还可以做如下改进。
优选地,使用短时自相关特征图像构造方法对所述目标辐射信号进行变换得到自相关特征图像,具体包括:
将所述目标辐射源信号进行加窗分帧预处理;
将预处理后的所述目标辐射源信号进行自相关运算;
将所述自相关运算结果进行裁剪拼接及时频变换处理后得到短时自相关特征图像。
采用上述进一步方案的有益效果是:本申请通过加窗分帧的预处理使得目标辐射源信号满足后续处理的需求,并通过自相关运算得到处理后的自相关原始数据,并通过裁剪拼接以及时频变换处理得到短时自相关特征图像,完善了技术方案,减少了自相关特征图像中的干扰信号,提升了识别成功率。
在上述技术方案的基础上,本发明还可以做如下改进。
优选地,所述预设决策权重分配方法具体包括:
使用测试信号测试原始分类器及自相关分类器,得到原始分类器及自相关分类器对应不同种类信号的识别准确率;所述原始分类器为输出所述原始决策的随机森林分类器,所述自相关分类器为输出所述自相关决策的随机森林分类器;
根据所述识别准确率得到权重因子,并将权重因子及对应随机森林分类器的分类概率值线性运算得到权重值;所述分类概率值为分类结果包含的种类与对应分类器所有种类的比值。
在上述技术方案的基础上,本发明还可以做如下改进。
优选地,还包括以下步骤:
根据所述识别准确率,人工调整所述原始分类器及所述随机森林分类器的权重增益。
在上述技术方案的基础上,本发明还可以做如下改进。
优选地,使用对应的卷积神经网络特征提取器对所述原始时频图像及所述自相关特征图像进行特征提取,并将特征提取结果分别发送至对应的随机森林分类器得到原始时频图像的分类器决策及自相关特征图像的分类器决策的步骤之前,还包括:
使用不包括相位编码在内的多类雷达信号得到的原始时频图像及自相关特征图像对对应的卷积神经网络及对应的森林分类器进行训练;
使用相位编码中的四类信号得到的原始时频图像及自相关特征图像作为对应的卷积神经网络的测试输入,提取卷积神经网络中全连接层的神经元用于特征表示输入信号中的每个样本;
使用相位编码中与所述测试输入的四类信号对应的信号对识别效果进行测试;
选择测试结果最优的网络结构作为所述卷积神经网络特征提取器的特征提取网络。
在上述技术方案的基础上,本发明还可以做如下改进。
优选地,使用对应的卷积神经网络特征提取器对所述原始时频图像及所述自相关特征图像进行特征提取具体包括:
处理原始时频图像的卷积神经网络特征提取器对输入的原始时频图像采用多层卷积层,多层池化层后得到的全连接层经过随机选取和激活后得到的所有神经元作为所提取的特征;同时,处理自相关特征图像的卷积神经网络特征提取器对输入的自相关特征图像采用多层卷积层,多层池化层后得到的全连接层经过随机选取和激活后得到的所有神经元作为所提取的特征。
优选地,所述随机森林算法包括决策树构造子训练集Θi、决策树各节点及汇总结果:
所述短时自相关特征图像的特征提取结果S,确定为分类标签Y的概率PRF(S,Y)的计算公式为:I(·)为指示函数,·为真则取值为1否则取值为0,t为随机森林内决策树的数量,h(S,Θi)为决策树的决策结果;
根据输出的分类概率向量,选取最高概率确定为测试信号样本的分类类别,则随机森林对于短时自相关特征图像的特征提取结果S的分类函数G(S)可以表示为:PRF(S,Y)表示样本对类别的概率,表示输出最大值的参数Y;
本发明还提出一种雷达信号分选识别装置,所述雷达信号分选识别装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的雷达信号分选识别程序,所述雷达信号分选识别程序被所述处理器执行时实现如上所述的雷达信号分选识别方法的步骤。
本发明还提出一种探测器,所述探测器包括计算卡以及如上所述的雷达信号分选识别装置,所述计算卡通过PCIE(peripheral component interconnect express,是一种高速串行计算机扩展总线标准)总线与所述雷达信号分选识别装置连接。
本发明还提出一种可读存储介质,所述可读存储介质上存储有雷达信号分选识别程序,所述雷达信号分选识别程序被处理器执行时实现如上所述的雷达信号分选识别方法的步骤。
本发明从多个角度分析雷达信号的特征,并通过卷积神经网络从单一样本中提取多个特征信息,降低了对样本数据量的需求,再通过随机森林分配器进行识别,并进一步通过权重分配方法提高识别成功率;达到了在仅有较少的样本信息的情况下,通过对样本信息进行多角度多方面的分析运算,准确识别雷达信号的效果,降低了雷达信号分选识别对样本信息数量的需求,扩大了适用场景。
附图说明
图1是本发明雷达信号分选识别方法实施例方案涉及的硬件运行环境的服务器结构示意图;
图2为本发明雷达信号分选识别方法另一实施例的流程示意图;
图3为本发明雷达信号分选识别方法的结构示意图;
图4为本发明雷达信号分选识别方法另一实施例的流程示意图;
图5为本发明雷达信号分选识别方法另一实施例的流程示意图。
具体实施方式
以下结合具体实施方式对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
参照图1,图1是本发明实施例方案涉及的硬件运行环境的服务器结构示意图。
如图1所示,所述服务器可以包括:处理器1001,例如CPU,通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储服务器。
本领域技术人员可以理解,图1中示出的结构并不构成对所述服务器的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及雷达信号分选识别程序。
在图1所示的网络设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接外设;所述网络设备通过处理器1001调用存储器1005中存储的雷达信号分选识别程序,并执行以下操作:
响应于检测到的目标辐射源信号,使用CWD时频分析技术对所述目标辐射信号进行变换得到原始时频图像,使用短时自相关特征图像构造方法对所述目标辐射信号进行变换得到自相关特征图像;
使用不同的卷积神经网络特征提取器对所述原始时频图像及所述自相关特征图像进行特征提取,并将特征提取结果分别发送至不同的随机森林分类器得到原始时频图像的分类器决策及自相关特征图像的分类器决策;
根据预设权重分配方法,将所述原始决策与所述自相关决策加权后进行融合,得到分选识别结果;所述原始决策为所述原始时频图像的分类器决策,所述自相关决策为所述自相关特征图像的分类器决策。
进一步地,使用短时自相关特征图像构造方法对所述目标辐射信号进行变换得到自相关特征图像,具体包括:
将所述目标辐射源信号进行加窗分帧预处理;
将预处理后的所述目标辐射源信号进行自相关运算;
将所述自相关运算结果进行裁剪拼接及时频变换处理后得到短时自相关特征图像。
进一步地,所述预设决策权重分配方法具体包括:
使用测试信号测试原始分类器及自相关分类器,得到原始分类器及自相关分类器对应不同种类信号的识别准确率;所述原始分类器为输出所述原始决策的随机森林分类器,所述自相关分类器为输出所述自相关决策的随机森林分类器;
根据所述识别准确率得到权重因子,并将权重因子及对应随机森林分类器的分类概率值线性运算得到权重值;所述分类概率值为分类结果包含的种类与对应分类器所有种类的比值。
进一步地,还包括以下步骤:
根据所述识别准确率,人工调整所述原始分类器及所述随机森林分类器的权重增益。
进一步地,使用对应的卷积神经网络特征提取器对所述原始时频图像及所述自相关特征图像进行特征提取,并将特征提取结果分别发送至对应的随机森林分类器得到原始时频图像的分类器决策及自相关特征图像的分类器决策的步骤之前,还包括:
使用不包括相位编码在内的多类雷达信号得到的原始时频图像及自相关特征图像对对应的卷积神经网络及对应的森林分类器进行训练;
使用相位编码中的四类信号得到的原始时频图像及自相关特征图像作为对应的卷积神经网络的测试输入,提取卷积神经网络中全连接层的神经元用于特征表示输入信号中的每个样本;
使用相位编码中与所述测试输入的四类信号对应的信号对识别效果进行测试;
选择测试结果最优的网络结构作为所述卷积神经网络特征提取器的特征提取网络。
进一步地,使用对应的卷积神经网络特征提取器对所述原始时频图像及所述自相关特征图像进行特征提取具体包括:
处理原始时频图像的卷积神经网络特征提取器对输入的原始时频图像采用多层卷积层,多层池化层后得到的全连接层经过随机选取和激活后得到的所有神经元作为所提取的特征;同时,处理自相关特征图像的卷积神经网络特征提取器对输入的自相关特征图像采用多层卷积层,多层池化层后得到的全连接层经过随机选取和激活后得到的所有神经元作为所提取的特征。
进一步地,所述随机森林算法包括决策树构造子训练集Θi、决策树各节点及汇总结果:
所述短时自相关特征图像的特征提取结果S,确定为分类标签Y的概率PRF(S,Y)的计算公式为:I(·)为指示函数,·为真则取值为1否则取值为0,t为随机森林内决策树的数量,h(S,Θi)为决策树的决策结果;
根据输出的分类概率向量,选取最高概率确定为测试信号样本的分类类别,则随机森林对于短时自相关特征图像的特征提取结果S的分类函数G(S)可以表示为:PRF(S,Y)表示样本对类别的概率,表示输出最大值的参数Y;
本实施例通过从原始时频图像及自相关特征图像获取目标辐射源信号的特诊信息,使用较少的目标辐射源信号采集到了较多的特征信息,并通过卷积神经网络技术将特征信息大幅增加,最后通过随机森林分类器利用大幅增加的特征信息辅以权重分配得到分选识别结果,解决了现有技术中未知信号样本数量较少造成的识别成功率下降的技术问题,达到了利用较少的样本对雷达信号进行高成功率的分选识别的技术效果。
基于上述硬件结构,提出本发明雷达信号分选识别方法的实施例。
参照图2及图4,所述雷达信号分选识别方法包括以下步骤:
S10、响应于检测到的目标辐射源信号,使用CWD时频分析技术对所述目标辐射信号进行变换得到原始时频图像,使用短时自相关特征图像构造方法对所述目标辐射信号进行变换得到自相关特征图像;
易于理解的是,由于刚检测到目标辐射源信号时,需要被识别的目标辐射源信号中的信息较少,因此通过将其变换为原始时频图像和自相关特征图像从两个角度分析目标辐射源信号的特征信息,通过该方式解决了样本数量不足的问题,且可以通过引入更多的变换办法获取更多的分析样本,但这需要更大的运算量,按照现有硬件的计算性能,会在一定程度上降低雷达信号分选识别的识别速度,随着计算性能的发展,引入更多的特征分离获取方式。
S20、使用不同的卷积神经网络特征提取器对所述原始时频图像及所述自相关特征图像进行特征提取,并将特征提取结果分别发送至不同的随机森林分类器得到原始时频图像的分类器决策及自相关特征图像的分类器决策;
需要说明的是,对原始时频图像进行特征提取的卷积神经网络特征提取器及后续处理的随机森林分类器,与对自相关特征图像进行特征提取的卷积神经网络特征提取器及后续处理的随机森林分类器并不相同,对原始时频图像进行处理的提取器及分类器为仅使用原始时频图像样本进行训练的卷积神经网络特征提取器及随机森林分类器,对自相关特征图像进行处理的提取器及分类器仅使用自相关特征图像样本进行训练的卷积神经网络特征提取器及随机森林分类器,即使用专门的管线对不同角度采集的特征信息进行分析,减少了二者之间的干扰,提高了识别的准确率。
S30、根据预设权重分配方法,将所述原始决策与所述自相关决策加权后进行融合,得到分选识别结果;所述原始决策为所述原始时频图像的分类器决策,所述自相关决策为所述自相关特征图像的分类器决策。
值得强调的是,由于原始决策与自相关决策的准确率并不相同,在本实施例中,通常情况下,原始决策的准确率更高,如果不进行权重分配而直接进行融合,反而会造成识别的准确率下降的问题,因此采用多角度获取样本信息的方式需要针对不同样本信息得到的结果设定不同的权重值,因此本实施例通过设定权重值的方式提高了分选识别的成功率。
本实施例通过,不同的分析技术及构建方法从有限的目标辐射源信号中采集更多的特征信息,并通过专用的提取器及分类器对采集的不同种类特征信息分离处理,减少了不同种类特征信息之间的干扰,提高了分类器决策的准确率,并通过针对不同特征信息得出的不同分类器决策设置不同的权重值,解决了由于不同分类器决策准确率不一致而造成的识别成功率下降d额问题,提高了雷达信号分选识别的识别成功率。
参照图3,使用短时自相关特征图像构造方法对所述目标辐射信号进行变换得到自相关特征图像,具体包括:
S11、将所述目标辐射源信号进行加窗分帧预处理;
易于理解的是,由于目标辐射信号并不能被直接计算,强行直接计算的情况下计算结果偏差较大,因此需要对目标辐射信号进行加窗分帧预处理;上述处理方式使得局部稳定但整体不稳定的信号能够被处理,且不会存在预处理后的信号与原始信号之间误差较大的问题。
S12、将预处理后的所述目标辐射源信号进行自相关运算;
需要说明的是,由于雷达信号使用短时自相关特征图像构造方法能够采集到各个种类雷达之间可识别特征的特征图像,因此本实施例对目标辐射源信号进行自相关运算,得出目标辐射源信号的自相关特征。
S13、将所述自相关运算结果进行裁剪拼接及时频变换处理后得到短时自相关特征图像。
值得强调的是,由于进行自相关运算的原始数据存在一定的噪声,经过自相关运算后,噪声并未被去除,而这些噪声会降低后续处理的准确率,因此需要对这些噪声进行消除,本实施例通过裁剪拼接及时频变换处理,在一定程度上消除了噪声,当目标辐射源信号采用了无为原理时,本发明可以利用无为原理对噪声进行消除,提高了采集数据的纯净度,减少了外界的干扰。
本实施例通过公开短时自相关图像构建方法,完善了技术方案,并通过裁剪拼在一定程度上消除了噪声,当目标辐射源信号利用标准时频进行抗噪声时,本实施例还可利用时频变换,进一步滤除噪声,达到了提高信息纯净度的效果,一定程度上提高了雷达信号分选识别的识别成功率。
参照图5,所述预设决策权重分配方法具体包括:
S31、使用测试信号测试原始分类器及自相关分类器,得到原始分类器及自相关分类器对应不同种类信号的识别准确率;所述原始分类器为输出所述原始决策的随机森林分类器,所述自相关分类器为输出所述自相关决策的随机森林分类器;
易于理解的是,使用CWD时频分析技术与使用短时自相关特征图像构造方法获取的特征图像存在区别,卷积神经网络特征提取器与随机森林分类器的训练程度也不相同,这导致原始决策与自相关决策的准确率存在差异,因此需要通过测试信号对其进行测试,按照测试结果确定权重因子参与权重分配。
S32、根据所述识别准确率得到权重因子,并将权重因子及对应随机森林分类器的分类概率值线性运算得到权重值;所述分类概率值为分类结果包含的种类与对应分类器所有种类的比值。
需要说明的是,由于不同随机森林分类器的类别数量存在差异,这导致即使是同样的测试准确率,识别性能依然会有区别,因此本实施例将权重因子及对应随机森林分类器的分类概率值线性运算得到权重值进一步提高了权重值的参考数据,提升了分选识别的成功率;例如,在本实施例中假设分类器的分类结果共有n类,时频图数据库对信号的初步概率(度量层)为Ti={T1,T2,T3,...,Tn},i=1,...,n表示对其对各个类别的可能性大小,而短时自相关特征图像数据库对信号的初步分类结果为Ti={T1,T2,T3,...,Tn},i=1,...,n。以上两种数据库对于各类别的归一化后的分类权重分别为 和则对于信号的融合后的分类结果为
具体地,还包括以下步骤:
根据所述识别准确率,人工调整所述原始分类器及所述随机森林分类器的权重增益。
易于理解的是,由于实际处理过程中受影响的因素较多,仅将权重因子及对应随机森林分类器的分类概率值线性运算可以得出较优值,但是不能得到最优值,然而引入更多的数据参数会使得运算量大幅增加,而其余数据参数的提升幅值相对较小,因此本实施例采用人工调整权重增益的方式进一步提高分选识别的成功率。
本实施例通过测试数据得到原始决策及自相关决策的准确率,并根据准确率确定权重因子,同时将权重因子及对应随机森林分类器的分类概率值线性运算后,确定原始决策及自相关决策在分选识别结果中的权重比例,进一步提高了分选识别的成功率,并通过人工调整权重增益的方式,在无需大幅增加计算量的情况下,将未参与上述计算的固定干扰进行了滤除,进一步提高了分选识别的成功率,提升了分选识别的识别速度。
具体地,本发明在使用对应的卷积神经网络特征提取器对所述原始时频图像及所述自相关特征图像进行特征提取,并将特征提取结果分别发送至对应的随机森林分类器得到原始时频图像的分类器决策及自相关特征图像的分类器决策的步骤之前,还包括:
使用不包括相位编码在内的多类雷达信号得到的原始时频图像及自相关特征图像对对应的卷积神经网络及对应的森林分类器进行训练;
需要说明的是,在本实施例中,使用的多类雷达信号为LFM、Costas、BPSK和Frank四类信号,本实施例通过上述信号对卷积神经网络特征提取器及森林分类器进行训练,该训练同样会将上述信号处理为原始时频图像及自相关特征图像,且分别输入不同的卷积神经网络特征提取器及森林分类器,以避免由于训练参数与应用参数不同造成的识别成功率降低及由于共用卷积神经网络特征提取器及森林分类器造成的相互干扰,提升识别成功率。
使用相位编码中的四类信号得到的原始时频图像及自相关特征图像作为对应的卷积神经网络的测试输入,提取卷积神经网络中全连接层的神经元用于特征表示输入信号中的每个样本;
值得强调的是,本实施例通过使用相位编码中的P3、P4、T3及T4信号作为卷积神经网络的测试输入,并将CNN中全连接层的256个神经元作为特征表示输入信号的每个样本。
使用相位编码中与所述测试输入的四类信号对应的信号对识别效果进行测试;
需要强调的是,本实施例使用相位编码中的P1、P2、T1及T2信号对识别效果进行测试,与测试输入的信号一一对应,以确保卷积神经网络的训练正常。
选择测试结果最优的网络结构作为所述卷积神经网络特征提取器的特征提取网络。
易于理解的是,卷积神经网络的训练是不间断的,当有新的测试输入时,卷积神经网络即可对该测试输入输出结果并对自身的网络结构进行改进,以提高输出结果的准确率,因此需要选择测试结果最优的网络结构作为下一个数据输入时卷积神经网络特征提取器的特征提取网络,以提高卷积神经网络特征提取器的特征提取结果更加准确。
具体地,使用对应的卷积神经网络特征提取器对所述原始时频图像及所述自相关特征图像进行特征提取具体包括:
处理原始时频图像的卷积神经网络特征提取器对输入的原始时频图像采用多层卷积层,多层池化层后得到的全连接层经过随机选取和激活后得到的所有神经元作为所提取的特征;同时,处理自相关特征图像的卷积神经网络特征提取器对输入的自相关特征图像采用多层卷积层,多层池化层后得到的全连接层经过随机选取和激活后得到的所有神经元作为所提取的特征。
需要说明的是,本实施例采用4层卷积层、4层池化层构建卷积神经网络,得到的256个神经元作为特征输出,在仿真条件为GTX1050TI型GPU下,经过10000次迭代得到,最终确定的网络模型的超参数配置为:块大小128,卷积核大小3×3,学习率为0.0001。将接收到的信号完成时频分析后的时频图作为卷积神经网络中的输入,在全连接层输出256个神经元,即对于每个信号Xi,用一组M=256维的向量表示Xi=(xi1,xi2,xi3,......,xiM),实现对辐射源信号的特征重构。
具体地,所述随机森林算法包括决策树构造子训练集Θi、决策树各节点及汇总结果:
所述短时自相关特征图像的特征提取结果S,确定为分类标签Y的概率PRF(S,Y)的计算公式为:I(·)为指示函数,·为真则取值为1否则取值为0,t为随机森林内决策树的数量,h(S,Θi)为决策树的决策结果;
根据输出的分类概率向量,选取最高概率确定为测试信号样本的分类类别,则随机森林对于短时自相关特征图像的特征提取结果S的分类函数G(S)可以表示为:PRF(S,Y)表示样本对类别的概率,表示输出最大值的参数Y;
本实施例通过使用非相位编码的雷达信号作为测试信号对卷积神经网络进行测试,并通过相位编码的雷达信号进行输入与验证,完善了卷积神经网络的训练方法,并通过细化神经网络的结构及数据分析方式与数据分析参数,完善了技术方案,进一步提高了雷达分选识别的识别成功率,一定程度上降低了运算量,提升了识别速度。
本申请还提出一种雷达信号分选识别装置,所述雷达信号分选识别装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的雷达信号分选识别程序,所述雷达信号分选识别程序被所述处理器执行时实现如上所述的雷达信号分选识别方法的步骤。
本申请还提出一种探测器,所述探测器包括计算卡以及如上所述的雷达信号分选识别装置,所述计算卡通过PCIE总线与所述雷达信号分选识别装置连接。
本申请还提出一种可读存储介质,所述可读存储介质上存储有雷达信号分选识别程序,所述雷达信号分选识别程序被处理器执行时实现如上所述的雷达信号分选识别方法的步骤。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (10)
1.一种雷达信号分选识别方法,其特征在于,所述雷达信号分选识别方法包括以下步骤:
响应于检测到的目标辐射源信号,使用CWD时频分析技术对所述目标辐射信号进行变换得到原始时频图像,使用短时自相关特征图像构造方法对所述目标辐射信号进行变换得到自相关特征图像;
使用不同的卷积神经网络特征提取器对所述原始时频图像及所述自相关特征图像进行特征提取,并将特征提取结果分别发送至不同的随机森林分类器得到原始时频图像的分类器决策及自相关特征图像的分类器决策;
根据预设权重分配方法,将所述原始决策与所述自相关决策加权后进行融合,得到分选识别结果;所述原始决策为所述原始时频图像的分类器决策,所述自相关决策为所述自相关特征图像的分类器决策。
2.根据权利要求1所述的雷达信号分选识别方法,其特征在于,使用短时自相关特征图像构造方法对所述目标辐射信号进行变换得到自相关特征图像,具体包括:
将所述目标辐射源信号进行加窗分帧预处理;
将预处理后的所述目标辐射源信号进行自相关运算;
将所述自相关运算结果进行裁剪拼接及时频变换处理后得到短时自相关特征图像。
3.根据权利要求1所述的雷达信号分选识别方法,其特征在于,所述预设决策权重分配方法具体包括:
使用测试信号测试原始分类器及自相关分类器,得到原始分类器及自相关分类器对应不同种类信号的识别准确率;所述原始分类器为输出所述原始决策的随机森林分类器,所述自相关分类器为输出所述自相关决策的随机森林分类器;
根据所述识别准确率得到权重因子,并将权重因子及对应随机森林分类器的分类概率值线性运算得到权重值;所述分类概率值为分类结果包含的种类与对应分类器所有种类的比值。
4.根据权利要求3所述的雷达信号分选识别方法,其特征在于,还包括以下步骤:
根据所述识别准确率,人工调整所述原始分类器及所述随机森林分类器的权重增益。
5.根据权利要求1所述的雷达信号分选识别方法,其特征在于,使用对应的卷积神经网络特征提取器对所述原始时频图像及所述自相关特征图像进行特征提取,并将特征提取结果分别发送至对应的随机森林分类器得到原始时频图像的分类器决策及自相关特征图像的分类器决策的步骤之前,还包括:
使用不包括相位编码在内的多类雷达信号得到的原始时频图像及自相关特征图像对对应的卷积神经网络及对应的森林分类器进行训练;
使用相位编码中的四类信号得到的原始时频图像及自相关特征图像作为对应的卷积神经网络的测试输入,提取卷积神经网络中全连接层的神经元用于特征表示输入信号中的每个样本;
使用相位编码中与所述测试输入的四类信号对应的信号对识别效果进行测试;
选择测试结果最优的网络结构作为所述卷积神经网络特征提取器的特征提取网络。
6.根据权利要求1所述的雷达信号分选识别方法,其特征在于,使用对应的卷积神经网络特征提取器对所述原始时频图像及所述自相关特征图像进行特征提取具体包括:
处理原始时频图像的卷积神经网络特征提取器对输入的原始时频图像采用多层卷积层,多层池化层后得到的全连接层经过随机选取和激活后得到的所有神经元作为所提取的特征;同时,处理自相关特征图像的卷积神经网络特征提取器对输入的自相关特征图像采用多层卷积层,多层池化层后得到的全连接层经过随机选取和激活后得到的所有神经元作为所提取的特征。
7.根据权利要求1所述的雷达信号分选识别方法,其特征在于,所述随机森林算法包括决策树构造子训练集Θi、决策树各节点及汇总结果:
所述短时自相关特征图像的特征提取结果S,确定为分类标签Y的概率PRF(S,Y)的计算公式为:I(·)为指示函数,·为真则取值为1否则取值为0,t为随机森林内决策树的数量,h(S,Θi)为决策树的决策结果;
根据输出的分类概率向量,选取最高概率确定为测试信号样本的分类类别,则随机森林对于短时自相关特征图像的特征提取结果S的分类函数G(S)可以表示为:GRF(S)=argmax(PRF(S,Y));PRF(S,Y)表示样本对类别的概率,argmax(·)表示输出最大值的参数Y。
8.一种雷达信号分选识别装置,其特征在于,所述雷达信号分选识别装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的雷达信号分选识别程序,所述雷达信号分选识别程序被所述处理器执行时实现根据权利要求1至7中任一项所述的雷达信号分选识别方法的步骤。
9.一种探测器,其特征在于,所述探测器包括计算卡以及根据权利要求8所述的雷达信号分选识别装置,所述计算卡通过PCIE总线与所述雷达信号分选识别装置连接。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有雷达信号分选识别程序,所述雷达信号分选识别程序被处理器执行时实现根据权利要求1至7中任一项所述的雷达信号分选识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010923790.6A CN112149524B (zh) | 2020-09-04 | 2020-09-04 | 一种雷达信号分选识别方法、装置、探测器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010923790.6A CN112149524B (zh) | 2020-09-04 | 2020-09-04 | 一种雷达信号分选识别方法、装置、探测器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149524A true CN112149524A (zh) | 2020-12-29 |
CN112149524B CN112149524B (zh) | 2023-09-26 |
Family
ID=73889296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010923790.6A Active CN112149524B (zh) | 2020-09-04 | 2020-09-04 | 一种雷达信号分选识别方法、装置、探测器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149524B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112859012A (zh) * | 2021-01-20 | 2021-05-28 | 北京理工大学 | 一种基于级联卷积神经网络的雷达欺骗干扰识别方法 |
CN113271161A (zh) * | 2021-05-17 | 2021-08-17 | 湖南坤雷科技有限公司 | 一种电磁信号的筛选方法及装置 |
CN113962261A (zh) * | 2021-10-21 | 2022-01-21 | 中国人民解放军空军航空大学 | 一种用于雷达信号分选的深度网络模型 |
CN114264360A (zh) * | 2021-12-07 | 2022-04-01 | 深圳市博悠半导体科技有限公司 | 基于雷达的物体识别方法、装置及智能电子秤 |
CN117409275A (zh) * | 2023-12-06 | 2024-01-16 | 华能澜沧江水电股份有限公司 | 一种多角度雷达图像处理方法 |
CN113962261B (zh) * | 2021-10-21 | 2024-05-14 | 中国人民解放军空军航空大学 | 一种用于雷达信号分选的深度网络模型构建方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190673A (zh) * | 2018-08-03 | 2019-01-11 | 西安电子科技大学 | 基于随机森林和数据拒判的地面目标分类方法 |
US20190137604A1 (en) * | 2017-11-09 | 2019-05-09 | Vadum, Inc. | Target Identification and Clutter Mitigation in High Resolution Radar Systems |
CN110133632A (zh) * | 2019-05-20 | 2019-08-16 | 哈尔滨工程大学 | 一种基于cwd时频分析的复合调制信号识别方法 |
CN110244271A (zh) * | 2019-05-17 | 2019-09-17 | 中国人民解放军战略支援部队信息工程大学 | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 |
KR20190110276A (ko) * | 2018-03-20 | 2019-09-30 | 한양대학교 산학협력단 | 심화신경망과 랜덤 포레스트의 앙상블을 이용한 멀티센서 기반의 비접촉식 수면 단계 검출 방법 및 장치 |
CN111582236A (zh) * | 2020-05-27 | 2020-08-25 | 哈尔滨工程大学 | 一种基于稠密卷积神经网络的lpi雷达信号分类方法 |
-
2020
- 2020-09-04 CN CN202010923790.6A patent/CN112149524B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190137604A1 (en) * | 2017-11-09 | 2019-05-09 | Vadum, Inc. | Target Identification and Clutter Mitigation in High Resolution Radar Systems |
KR20190110276A (ko) * | 2018-03-20 | 2019-09-30 | 한양대학교 산학협력단 | 심화신경망과 랜덤 포레스트의 앙상블을 이용한 멀티센서 기반의 비접촉식 수면 단계 검출 방법 및 장치 |
CN109190673A (zh) * | 2018-08-03 | 2019-01-11 | 西安电子科技大学 | 基于随机森林和数据拒判的地面目标分类方法 |
CN110244271A (zh) * | 2019-05-17 | 2019-09-17 | 中国人民解放军战略支援部队信息工程大学 | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 |
CN110133632A (zh) * | 2019-05-20 | 2019-08-16 | 哈尔滨工程大学 | 一种基于cwd时频分析的复合调制信号识别方法 |
CN111582236A (zh) * | 2020-05-27 | 2020-08-25 | 哈尔滨工程大学 | 一种基于稠密卷积神经网络的lpi雷达信号分类方法 |
Non-Patent Citations (3)
Title |
---|
ZHI HUANG 等: ""Radar Waveform Recognition Based on Multiple Autocorrelation Images"", 《IEEE ACCESS》, vol. 7, pages 98653 - 98668 * |
ZHIYUAN MA 等: ""LPI Radar Waveform Recognition Based on Features from Multiple Images"", 《SENSORS》, vol. 20, no. 2, pages 1 - 23 * |
赵若冰: ""雷达目标的微多普勒特征建模与分析技术研究"", 中国优秀硕士学位论文全文数据库 (信息科技辑), vol. 2017, pages 136 - 316 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112859012A (zh) * | 2021-01-20 | 2021-05-28 | 北京理工大学 | 一种基于级联卷积神经网络的雷达欺骗干扰识别方法 |
CN112859012B (zh) * | 2021-01-20 | 2023-12-01 | 北京理工大学 | 一种基于级联卷积神经网络的雷达欺骗干扰识别方法 |
CN113271161A (zh) * | 2021-05-17 | 2021-08-17 | 湖南坤雷科技有限公司 | 一种电磁信号的筛选方法及装置 |
CN113271161B (zh) * | 2021-05-17 | 2022-06-03 | 湖南坤雷科技有限公司 | 一种电磁信号的筛选方法及装置 |
CN113962261A (zh) * | 2021-10-21 | 2022-01-21 | 中国人民解放军空军航空大学 | 一种用于雷达信号分选的深度网络模型 |
CN113962261B (zh) * | 2021-10-21 | 2024-05-14 | 中国人民解放军空军航空大学 | 一种用于雷达信号分选的深度网络模型构建方法 |
CN114264360A (zh) * | 2021-12-07 | 2022-04-01 | 深圳市博悠半导体科技有限公司 | 基于雷达的物体识别方法、装置及智能电子秤 |
CN117409275A (zh) * | 2023-12-06 | 2024-01-16 | 华能澜沧江水电股份有限公司 | 一种多角度雷达图像处理方法 |
CN117409275B (zh) * | 2023-12-06 | 2024-04-05 | 华能澜沧江水电股份有限公司 | 一种多角度雷达图像处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112149524B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149524B (zh) | 一种雷达信号分选识别方法、装置、探测器及存储介质 | |
CN107220606B (zh) | 基于一维卷积神经网络的雷达辐射源信号的识别方法 | |
CN114429156B (zh) | 雷达干扰多域特征对抗学习与检测识别方法 | |
CN108694346B (zh) | 一种基于两级cnn的船舶辐射噪声信号识别方法 | |
CN107273910B (zh) | 过滤器学习方法及利用过滤器检测测试图像中的对象的方法、学习装置及对象识别支持装置 | |
CA2435290A1 (en) | Computer-aided image analysis | |
WO2017088537A1 (zh) | 一种元件分类方法及装置 | |
CN105718937B (zh) | 多类别对象分类方法及系统 | |
CN105654066A (zh) | 一种车辆识别方法及装置 | |
CN112990082B (zh) | 一种水声脉冲信号的检测识别方法 | |
CN113673312B (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
CN110490134A (zh) | 信号识别方法、设备及存储介质 | |
CN111126361A (zh) | 基于半监督学习和特征约束的sar目标鉴别方法 | |
CN103268494A (zh) | 基于稀疏表示的寄生虫虫卵识别方法 | |
CN114882315B (zh) | 样本生成方法、模型训练方法、装置、设备及介质 | |
CN114863189B (zh) | 一种基于大数据的图像智能识别方法 | |
CN114819099A (zh) | 一种基于智能ai提高图像识别准确率的系统 | |
CN114444544A (zh) | 一种基于卷积神经网络和知识迁移的信号分类识别方法 | |
CN110555342B (zh) | 一种图像识别方法、装置和图像设备 | |
CN113359091B (zh) | 基于深度学习的多核函数混叠雷达辐射源识别方法和系统 | |
CN110569914B (zh) | 基于比值的hrrp目标识别距离分类方法 | |
CN116071625B (zh) | 深度学习模型的训练方法、目标检测方法及装置 | |
CN111860573B (zh) | 模型训练方法、图像类别检测方法、装置和电子设备 | |
CN117492398A (zh) | 一种高速数据采集系统及其采集方法 | |
CN116246353A (zh) | 指纹活体检测方法、装置和电子设备 |
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 |