CN112232120A - 一种基于软件无线电的雷达辐射源信号分类系统及方法 - Google Patents
一种基于软件无线电的雷达辐射源信号分类系统及方法 Download PDFInfo
- Publication number
- CN112232120A CN112232120A CN202010949182.2A CN202010949182A CN112232120A CN 112232120 A CN112232120 A CN 112232120A CN 202010949182 A CN202010949182 A CN 202010949182A CN 112232120 A CN112232120 A CN 112232120A
- Authority
- CN
- China
- Prior art keywords
- time
- radar
- frequency
- classification
- signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000005855 radiation Effects 0.000 title claims abstract description 28
- 238000010586 diagram Methods 0.000 claims abstract description 47
- 230000006870 function Effects 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims description 27
- 102100033620 Calponin-1 Human genes 0.000 claims description 18
- 102100033591 Calponin-2 Human genes 0.000 claims description 18
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 claims description 18
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 9
- 230000003321 amplification Effects 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 230000009131 signaling function Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 14
- 238000013527 convolutional neural network Methods 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000010365 information processing Effects 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005311 autocorrelation function Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000002054 transplantation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于软件无线电的雷达辐射源信号分类系统及方法，该系统包括：参数可调雷达系统生成雷达时域信号时频特征图和短时自相关时频特征图；两组并行的CNN(Convolutional Neural Networks，卷积神经网络)分别基于时频特征图和短时自相关时频特征图进行深度学习训练，得到输出预分类结果至推理机，推理机根据预分类结果和分类函数输出待分类的雷达时域信号的分类结果；引入人工智能技术，采用智能信息处理方式，挖掘更深层次、适应性更强的特征；利用短时自相关技术降低空间噪声对信号的影响，采用多特征图联合决策方法增强系统对复杂数据的拟合性，实现更加精准高效的自动分类，在低信噪比下有更高的分类识别率。
Description
技术领域
本发明涉及雷达技术领域，尤其涉及一种基于软件无线电的雷达辐射源信号分类系统及方法。
背景技术
作为电子战的关键环节，雷达波形分类在电子侦察系统中发挥着重要作用。当前在雷达辐射源信号分类领域，大多通过理论仿真开展研究，未涉及雷达信号收发过程，仅从理论层面验证了雷达信号识别方法。
传统雷达辐射源信号收发方法一般需要设计硬件电路，在调制解调时射频信号具有高频易受干扰等特点，为增加中频带宽、降低AD/DA采样速率，前端电路往往十分复杂，开发成本高。传统无线电硬件复杂、功能单一，不同通信体系不能相互兼容，不具有普适性。同时，传统雷达波形分类识别方法主要依靠情报分析人员消耗大量精力对雷达参数进行对比归纳，并且特征提取方法一般仅针对特定几种雷达信号，当雷达信号的参数变化规律十分复杂时，人工方式无法全面分析，将不再适用。因此上述传统方法已不能有效应对目前雷达信号分类领域面临的严峻挑战。
发明内容
本发明针对现有技术中存在的技术问题，提供一种基于软件无线电的雷达辐射源信号分类系统及方法，解决现有技术中雷达信号分类困难问题。
本发明解决上述技术问题的技术方案如下：一种基于软件无线电的雷达辐射源信号分类系统，包括：参数可调雷达系统和多特征联合决策模块；
所述参数可调雷达系统用软件无线电设备作为雷达系统的发射机和接收机；将接收到的待分类的雷达时域信号分为两路，对一路的所述雷达时域信号进行时频转换生成时频特征图，对另一路的所述雷达时域信号短时自相关处理后进行时频变换，生成短时自相关时频特征图；
所述多特征联合决策模块包括CNN1、CNN2和推理机，并行的所述CNN1和CNN2分别基于所述时频特征图和所述短时自相关时频特征图进行深度学习训练；将所述待分类的雷达时域信号生成的时频特征图和短时自相关时频特征图分别输入训练完成的所述CNN1和CNN2后输出预分类结果至所述推理机，所述推理机根据所述预分类结果和分类函数输出待分类的雷达时域信号的分类结果。
一种基于软件无线电的雷达辐射源信号分类方法，包括：
使用参数可调雷达系统接收待分类的雷达时域信号；
将接收到的待分类的雷达时域信号分为两路，对一路的所述雷达时域信号进行时频转换生成时频特征图，对另一路的所述雷达时域信号短时自相关处理后进行时频变换，生成短时自相关时频特征图；
将所述时频特征图和所述短时自相关时频特征图分别输入并行的CNN1和CNN2后进行深度学习训练；
将所述待分类的雷达时域信号生成的时频特征图和短时自相关时频特征图分别输入训练完成的所述CNN1和CNN2后输出预分类结果；
根据所述预分类结果和分类函数得到待分类的雷达时域信号的分类结果。
本发明的有益效果是：通过软件无线电实现雷达辐射源信号智能分类，开展符合实际工程应用的研究，摆脱了过去长期依靠人工对辐射源信号特征提取和分类的局限，有效解决了信道传输衰落、空间噪声干扰等问题，进一步验证和改进了相关研究成果。软件无线电技术通过软件编程与射频硬件、通用处理器结合，实现雷达辐射源信号收发，并且参数可调，具有良好的普适性，利用软件的配置更新来改变硬件的电路结构，避免硬件反复设计，降低开发成本。同时，基于软件无线电技术完成雷达信号从时域到频域的变换，产生时频特征图，避免了跨平台导致的移植不兼容问题，有效提高了研究效率。引入人工智能技术，采用智能信息处理方式，挖掘更深层次、适应性更强的特征。利用短时自相关技术降低空间噪声对信号的影响，采用多特征图联合决策方法增强系统对复杂数据的拟合性，实现更加精准高效的自动分类，在低信噪比下有更高的分类识别率。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述参数可调雷达系统的接收机和发射机包括射频硬件和处理器；
所述射频硬件包括与接收天线依次连接的放大滤波模块I、混频器I、下变频器和ADC，还包括与发射天线依次连接的放大滤波模块II、混频器II、上变频器和DAC；所述ADC和DAC与所述处理器连接；
所述DAC对发射端数据进行数模转换，所述ADC对接收端数据进行模数转换；
所述上变频器和下变频器分别完成上/下变频，所述混频器I和混频器II用于提高频率范围；
前端的放大滤波模块I和放大滤波模块II进行放大滤波后与接收天线或发射天线连接，实现信号收发；
所述处理器接收通过PC端发送的代码实现所述雷达系统的参数的设定。
进一步，所述对另一路的所述雷达时域信号进行短时自相关处理包括：
将所述雷达时域信号拆分成帧长为N的采样信号y(k)；
根据所述采样信号y(k)得到长度为2N-1的自相关序列
取所述自相关序列
中(N/2,3N/2)范围的自相关结果形成长度同样为N的自相关序列
并除以帧中复数取模后的最大值。
进一步，根据所述采样信号y(k)得到长度为2N-1的自相关序列
其中，
进一步，对两路所述雷达时域信号进行时频变换时采用时频特征作为信号特征提取阶段的主要特征，时频分析表达式为：
式中，g(θ,τ)为时频分析的核函数，x()表示时域信号函数，x*()为x()的共轭函数，t表示时间，Ω表示频率，τ表示时移，θ表示频移，u表示信号变量。
进一步，所述核函数g(θ,τ)为：
其中，σ为尺度因子，被用来控制时频变换产生的交叉项。
进一步，所述推理机根据所述预分类结果与目标类别之间的权值，通过所述分类函数输出最大的概率值对应的类别为所述分类结果；
所述分类函数的输出概率为：
分类结果为：
pij表示预分类结果，表示编号为i的特征图被分类为类别j的概率；i＝1,2，表示特征图为所述时频特征图或短时自相关时频特征图；j＝1,2,...,m，表示预分类类别，wijk和wijl分别表示预分类结果pij与目标类别k和l之间的权值，l∈{1,2,..,m}。
进一步，所述对另一路的所述雷达时域信号进行短时自相关处理的过程包括：
将所述雷达时域信号拆分成帧长为N的采样信号y(k)；
根据所述采样信号y(k)得到长度为2N-1的自相关序列
其中，
取所述自相关序列
中(N/2,3N/2)范围的自相关结果形成长度同样为N的自相关序列
并除以帧中复数取模后的最大值。
进一步，对两路所述雷达时域信号进行时频变换时采用时频特征作为信号特征提取阶段的主要特征，时频分析表达式为：
式中，g(θ,τ)为时频分析的核函数，
x()表示时域信号函数，x*()为x()的共轭函数，t表示时间，Ω表示频率，τ表示时移，θ表示频移，u表示信号变量，σ为尺度因子，被用来控制时频变换产生的交叉项。
采用上述进一步方案的有益效果是:短时自相关技术可提高时频特征图的像素分辨度，有效降低空间噪声对信号的影响；根据预分类结果与目标类别之间的权值，该分类函数为Softmax函数，用Softmax函数进行分类，最有可能的类别将输出最大的概率值，最终得到网络的信号分类结果。
附图说明
图1为本发明实施例提供的一种基于软件无线电的雷达辐射源信号分类系统的结构框图；
图2为本发明实施例提供的一种多特征图联合决策模块的原理框图；
图3为本发明实施例提供的基于软件无线电的雷达辐射源信号分类的流程图；
图4为本发明实施例提供的参数可调雷达系统的收发系统的结构框图；
图5为本发明实施例提供的参数可调雷达系统的辐射源信号产生设计流程图；
图6为本发明实施例提供的一种短时自相关方法流程图。
具体实施方式
以下结合附图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。
如图1所示为本发明提供的一种基于软件无线电的雷达辐射源信号分类系统的结构框图，如图2所示为本发明实施例提供的一种多特征图联合决策模块的原理框图。
由图1和图2可知，一种基于软件无线电的雷达辐射源信号分类系统，包括：参数可调雷达系统和多特征联合决策模块。
参数可调雷达系统用软件无线电设备作为雷达系统的发射机和接收机；将接收到的待分类的雷达时域信号分为两路，对一路的雷达时域信号进行时频转换生成时频特征图，对另一路的雷达时域信号短时自相关处理后进行时频变换，生成短时自相关时频特征图。
多特征联合决策模块包括CNN1、CNN2和推理机，并行的CNN1和CNN2分别基于时频特征图和短时自相关时频特征图进行深度学习训练；将待分类的雷达时域信号生成的时频特征图和短时自相关时频特征图分别输入训练完成的CNN1和CNN2后输出预分类结果至推理机，推理机根据预分类结果和分类函数输出待分类的雷达时域信号的分类结果。
具体的，利用深度学习技术构建两组并行的卷积神经网络的过程中，首先将所述时频特征图和短时自相关时频特征图按数量要求制作训练数据集、测试数据集和分类数据集，将各个数据集输入对应的两组CNN进行训练学习和测试，根据训练迭代次数选择合适的已训练模型，利用已训练模型进行雷达时域信号的分类。
两组CNN在特征提取阶段互不相连，仅在推理机中被连接到一起。
每组CNN完全一致，均由四层卷积层、四层池化层、两层全连接层和一层dropout层组成，网络结构卷积步长为1。为了防止过拟合，dropout层被添加在两层全连接层之间。
本发明提供的一种基于软件无线电的雷达辐射源信号分类系统，通过软件无线电技术与射频硬件和通用处理器结合，实现软件定义无线电，用来研究和构建雷达信号收发系统。提出一种适应性更强的雷达辐射源分类方法，将每种待分类的雷达时域信号一分为二，一路经时频变换产生时频特征图，另一路先经过短时自相关处理，然后通过时频变换，产生短时自相关时频特征图。将上述两种时频特征图像送入我们设计的两组并行的CNN结构，两组CNN在特征提取阶段互不相连，仅在推理机中被连接到一起。最终利用多特征图联合决策方法，确定信号可能的调制类型，在低信噪比下有更高的分类识别率。
通过软件无线电实现雷达辐射源信号智能分类，开展符合实际工程应用的研究，摆脱了过去长期依靠人工对辐射源信号特征提取和分类的局限，有效解决了信道传输衰落、空间噪声干扰等问题，进一步验证和改进了相关研究成果。软件无线电技术通过软件编程与射频硬件、通用处理器结合，实现雷达辐射源信号收发，并且参数可调，具有良好的普适性，利用软件的配置更新来改变硬件的电路结构，避免硬件反复设计，降低开发成本。同时，基于软件无线电技术完成雷达信号从时域到频域的变换，产生时频特征图，避免了跨平台导致的移植不兼容问题，有效提高了研究效率。引入人工智能技术，采用智能信息处理方式，挖掘更深层次、适应性更强的特征。利用短时自相关技术降低空间噪声对信号的影响，采用多特征图联合决策方法增强系统对复杂数据的拟合性，实现更加精准高效的自动分类，在低信噪比下有更高的分类识别率。
实施例1
本发明提供的实施例1为本发明提供的一种基于软件无线电的雷达辐射源信号分类系统的实施例，如图3为本发明实施例提供的基于软件无线电的雷达辐射源信号分类的流程图，结合图1-图3可知，该系统的实施例包括参数可调雷达系统和多特征联合决策模块。
参数可调雷达系统用软件无线电设备作为雷达系统的发射机和接收机；将接收到的待分类的雷达时域信号分为两路，对一路的雷达时域信号进行时频转换生成时频特征图，对另一路的雷达时域信号短时自相关处理后进行时频变换，生成短时自相关时频特征图。
如图4所示为本发明实施例提供的参数可调雷达系统的收发系统的结构框图，图5为本发明实施例提供的参数可调雷达系统的辐射源信号产生设计流程图，由图4和图5可知，该参数可调雷达系统的接收机和发射机包括射频硬件和处理器。
射频硬件包括与接收天线依次连接的放大滤波模块I、混频器I、下变频器和ADC，还包括与发射天线依次连接的放大滤波模块II、混频器II、上变频器和DAC；ADC和DAC与处理器连接。
DAC对发射端数据进行数模转换，ADC对接收端数据进行模数转换。
上变频器和下变频器分别完成上/下变频，混频器I和混频器II用于提高频率范围。
前端的放大滤波模块I和放大滤波模块II进行放大滤波后与接收天线或发射天线连接，实现信号收发。
处理器接收通过PC端发送的代码实现雷达系统的参数的设定。
具体的，该雷达系统支持30MHz～6GHz射频频谱，最大带宽为20MHz。处理器为ARM芯片和CPLD芯片，PC机通过USB接口与ARM、CPLD连接。
软件无线电外设可以为HackRF开源软件定义无线电平台，软件无线电平台可以为GNURadio开源软件开发工具。
雷达系统的发射端通过采样、上变频等将基带信号变成信道传输信息，并通过发射端和接收端的天线实现真实空间环境中的信号收发；接收端通过下变频、采样等信号处理方法还原出发射端信号；通过设置采样率和载频、计算采样间隔、计算信号步长、设定信号斜率、编写信号公式、利用欧拉公式将复指数信号转化为实部和虚部、按GNURadio要求确定输出流等完成信号产生。
接收端和发射端过设定收发采样率、中心频率、RF增益、IF增益、BB增益、带宽等参数完成射频信号发射接收。
多特征联合决策模块包括CNN1、CNN2和推理机，并行的CNN1和CNN2分别基于时频特征图和短时自相关时频特征图进行深度学习训练；将待分类的雷达时域信号生成的时频特征图和短时自相关时频特征图分别输入训练完成的CNN1和CNN2后输出预分类结果至推理机，推理机根据预分类结果和分类函数输出待分类的雷达时域信号的分类结果。
优选的，如图6所示为本发明实施例提供的一种短时自相关方法流程图，由图6可知，对另一路的雷达时域信号进行短时自相关处理包括：
将雷达时域信号拆分成帧长为N的采样信号y(k)。
根据采样信号y(k)得到长度为2N-1的自相关序列
为离散信号y(k)的自相关函数估计值。
取自相关序列
中(N/2,3N/2)范围的自相关结果形成长度同样为N的自相关序列
并除以帧中复数取模后的最大值。
自相关序列截取能够保证每帧信号都保留有效的自相关值同时减少样本大小，经过截取后每帧信号可表示为：
y'i(k)＝clip(yi(k))。
以上自相关序列截取方法用clip()函数表示，i＝1,2,...,L。
具体的，根据采样信号y(k)得到长度为2N-1的自相关序列
其中，
y*(n)和
分别为y(n)和
的共轭函数。
由式(1)和(2)得到的自相关函数
拥有更大的自相关值范围，同时其实部关于k＝N对称，这意味着由
得到的二维特征包含更多的像素特征。最终将短时自相关得到的每帧自相关序列进行头尾拼接，从而得到信号在各阶段的短时自相关值。由于信号在每帧的自相关结果不同，为了保证信号在拼接后每帧的自相关值都能够拥有同样的权重，在信号进行截取后对每帧信号进行正则化，因而拼接的信号是由信号各帧经过正则化的自相关值组成的。短时自相关技术可提高时频特征图的像素分辨度，有效降低空间噪声对信号的影响。
优选的，对两路雷达时域信号进行时频变换时采用时频特征作为信号特征提取阶段的主要特征，时频分析表达式为：
式中，g(θ,τ)为时频分析的核函数，x()表示时域信号函数，x*()为x()的共轭函数，t表示时间，Ω表示频率，τ表示时移，θ表示频移，u表示信号变量。
具体的，该核函数g(θ,τ)为：
σ为尺度因子，被用来控制时频变换产生的交叉项。
通过Choi-Williams变换提取信号时频特征。
具体实施中，为将经时频分析得到的二维矩阵转化为彩色时频特征图，考虑到图像的像素值范围为0～255，需要将二维矩阵变换至像素区间，即将二维矩阵映射到像素区间形成二维图像。
优选的，推理机根据预分类结果与目标类别之间的权值，通过分类函数输出最大的概率值对应的类别为分类结果。
分类函数的输出概率为：
分类结果为：
pij表示预分类结果，表示编号为i的特征图被分类为类别j的概率；i＝1,2，表示特征图为时频特征图或短时自相关时频特征图；j＝1,2,...,m，表示预分类类别，wijk和wijl分别表示预分类结果pij与目标类别k和l之间的权值，l∈{1,2,..,m}。
两组CNN分别输入时频特征图和短时自相关时频特征图，共得到2m个预分类结果。将预分类结果输入到推理机中，根据预分类结果与目标类别之间的权值，该分类函数为Softmax函数，用Softmax函数进行分类，最有可能的类别将输出最大的概率值，最终得到网络的信号分类结果。
实施例2
本发明提供的实施例2为本发明提供的一种基于软件无线电的雷达辐射源信号分类方法的实施例，结合图3、图5和图6可知，该方法的实施例包括：
使用参数可调雷达系统接收待分类的雷达时域信号。
将接收到的待分类的雷达时域信号分为两路，对一路的雷达时域信号进行时频转换生成时频特征图，对另一路的雷达时域信号短时自相关处理后进行时频变换，生成短时自相关时频特征图。
将时频特征图和短时自相关时频特征图分别输入并行的CNN1和CNN2后进行深度学习训练。
将待分类的雷达时域信号生成的时频特征图和短时自相关时频特征图分别输入训练完成的CNN1和CNN2后输出预分类结果。
根据预分类结果和分类函数得到待分类的雷达时域信号的分类结果。
优选的，对另一路的雷达时域信号进行短时自相关处理的过程包括：
将雷达时域信号拆分成帧长为N的采样信号y(k)。
根据采样信号y(k)得到长度为2N-1的自相关序列
其中，
取自相关序列
中(N/2,3N/2)范围的自相关结果形成长度同样为N的自相关序列
并除以帧中复数取模后的最大值。
优选的，对两路雷达时域信号进行时频变换时采用时频特征作为信号特征提取阶段的主要特征，时频分析表达式为：
式中，g(θ,τ)为时频分析的核函数，
x()表示时域信号函数，x*()为x()的共轭函数，t表示时间，Ω表示频率，τ表示时移，θ表示频移，u表示信号变量，σ为尺度因子，被用来控制时频变换产生的交叉项。
优选的，根据预分类结果和分类函数得到待分类的雷达时域信号的分类结果的过程中，根据预分类结果与目标类别之间的权值，通过分类函数输出最大的概率值对应的类别为分类结果。
分类函数的输出概率为：
分类结果为：
pij表示预分类结果，表示编号为i的特征图被分类为类别j的概率。i＝1,2，表示特征图为时频特征图或短时自相关时频特征图；j＝1,2,...,m，表示预分类类别，wijk和wijl分别表示预分类结果pij与目标类别k和l之间的权值，l∈{1,2,..,m}。
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)
1.一种基于软件无线电的雷达辐射源信号分类系统，其特征在于，所述系统包括：参数可调雷达系统和多特征联合决策模块；
所述参数可调雷达系统用软件无线电设备作为雷达系统的发射机和接收机；将接收到的待分类的雷达时域信号分为两路，对一路的所述雷达时域信号进行时频转换生成时频特征图，对另一路的所述雷达时域信号短时自相关处理后进行时频变换，生成短时自相关时频特征图；
所述多特征联合决策模块包括CNN1、CNN2和推理机，并行的所述CNN1和CNN2分别基于所述时频特征图和所述短时自相关时频特征图进行深度学习训练；将所述待分类的雷达时域信号生成的时频特征图和短时自相关时频特征图分别输入训练完成的所述CNN1和CNN2后输出预分类结果至所述推理机，所述推理机根据所述预分类结果和分类函数输出待分类的雷达时域信号的分类结果。
2.根据权利要求1所述的系统，其特征在于，所述参数可调雷达系统的接收机和发射机包括射频硬件和处理器；
所述射频硬件包括与接收天线依次连接的放大滤波模块I、混频器I、下变频器和ADC，还包括与发射天线依次连接的放大滤波模块I I、混频器I I、上变频器和DAC；所述ADC和DAC与所述处理器连接；
所述DAC对发射端数据进行数模转换，所述ADC对接收端数据进行模数转换；
所述上变频器和下变频器分别完成上/下变频，所述混频器I和混频器II用于提高频率范围；
前端的放大滤波模块I和放大滤波模块II进行放大滤波后与接收天线或发射天线连接，实现信号收发；
所述处理器接收通过PC端发送的代码实现所述雷达系统的参数的设定。
3.根据权利要求1所述的系统，其特征在于，所述对另一路的所述雷达时域信号进行短时自相关处理包括：
将所述雷达时域信号拆分成帧长为N的采样信号y(k)；
根据所述采样信号y(k)得到长度为2N-1的自相关序列
取所述自相关序列
中(N/2,3N/2)范围的自相关结果形成长度同样为N的自相关序列
并除以帧中复数取模后的最大值。
4.根据权利要求3所述的系统，其特征在于，根据所述采样信号y(k)得到长度为2N-1的自相关序列
其中，
5.根据权利要求1所述的系统，其特征在于，对两路所述雷达时域信号进行时频变换时采用时频特征作为信号特征提取阶段的主要特征，时频分析表达式为：
式中，g(θ,τ)为时频分析的核函数，x()表示时域信号函数，x*()为x()的共轭函数，t表示时间，Ω表示频率，τ表示时移，θ表示频移，u表示信号变量。
6.根据权利要求5所述的系统，其特征在于，所述核函数g(θ,τ)为：
其中，σ为尺度因子，被用来控制时频变换产生的交叉项。
7.根据权利要求1所述的系统，其特征在于，所述推理机根据所述预分类结果与目标类别之间的权值，通过所述分类函数输出最大的概率值对应的类别为所述分类结果；
所述分类函数的输出概率为：
分类结果为：
pij表示预分类结果，表示编号为i的特征图被分类为类别j的概率；i＝1,2，表示特征图为所述时频特征图或短时自相关时频特征图；j＝1,2,...,m，表示预分类类别，wijk和wijl分别表示预分类结果pij与目标类别k和l之间的权值，l∈{1,2,..,m}。
8.一种基于软件无线电的雷达辐射源信号分类方法，其特征在于，所述方法包括：
使用参数可调雷达系统接收待分类的雷达时域信号；
将接收到的待分类的雷达时域信号分为两路，对一路的所述雷达时域信号进行时频转换生成时频特征图，对另一路的所述雷达时域信号短时自相关处理后进行时频变换，生成短时自相关时频特征图；
将所述时频特征图和所述短时自相关时频特征图分别输入并行的CNN1和CNN2后进行深度学习训练；
将所述待分类的雷达时域信号生成的时频特征图和短时自相关时频特征图分别输入训练完成的所述CNN1和CNN2后输出预分类结果；
根据所述预分类结果和分类函数得到待分类的雷达时域信号的分类结果。
9.根据权利要求8所述的方法，其特征在于，所述对另一路的所述雷达时域信号进行短时自相关处理的过程包括：
将所述雷达时域信号拆分成帧长为N的采样信号y(k)；
根据所述采样信号y(k)得到长度为2N-1的自相关序列
其中，
取所述自相关序列
中(N/2,3N/2)范围的自相关结果形成长度同样为N的自相关序列
并除以帧中复数取模后的最大值。
10.根据权利要求8所述的方法，其特征在于，对两路所述雷达时域信号进行时频变换时采用时频特征作为信号特征提取阶段的主要特征，时频分析表达式为：
式中，g(θ,τ)为时频分析的核函数，
x()表示时域信号函数，x*()为x()的共轭函数，t表示时间，Ω表示频率，τ表示时移，θ表示频移，u表示信号变量，σ为尺度因子，被用来控制时频变换产生的交叉项。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010949182.2A CN112232120B (zh) | 2020-09-10 | 2020-09-10 | 一种基于软件无线电的雷达辐射源信号分类系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010949182.2A CN112232120B (zh) | 2020-09-10 | 2020-09-10 | 一种基于软件无线电的雷达辐射源信号分类系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112232120A true CN112232120A (zh) | 2021-01-15 |
| CN112232120B CN112232120B (zh) | 2022-10-28 |
Family
ID=74115585
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010949182.2A Active CN112232120B (zh) | 2020-09-10 | 2020-09-10 | 一种基于软件无线电的雷达辐射源信号分类系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112232120B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113359091A (zh) * | 2021-05-28 | 2021-09-07 | 太原理工大学 | 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 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110147812A (zh) * | 2019-04-04 | 2019-08-20 | 中国人民解放军战略支援部队信息工程大学 | 基于扩张残差网络的雷达辐射源识别方法及装置 |
| CN110175560A (zh) * | 2019-05-24 | 2019-08-27 | 哈尔滨工程大学 | 一种雷达信号脉内调制识别方法 |
| CN110532932A (zh) * | 2019-08-26 | 2019-12-03 | 哈尔滨工程大学 | 一种多分量雷达信号脉内调制方式识别方法 |
-
2020
- 2020-09-10 CN CN202010949182.2A patent/CN112232120B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110147812A (zh) * | 2019-04-04 | 2019-08-20 | 中国人民解放军战略支援部队信息工程大学 | 基于扩张残差网络的雷达辐射源识别方法及装置 |
| CN110175560A (zh) * | 2019-05-24 | 2019-08-27 | 哈尔滨工程大学 | 一种雷达信号脉内调制识别方法 |
| CN110532932A (zh) * | 2019-08-26 | 2019-12-03 | 哈尔滨工程大学 | 一种多分量雷达信号脉内调制方式识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 秦鑫等: "基于扩张残差网络的雷达辐射源信号识别", 《电子学报》 * |
| 黄智等: "基于时频分析和CNN的雷达辐射源识别算法", 《舰船电子工程》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113359091A (zh) * | 2021-05-28 | 2021-09-07 | 太原理工大学 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112232120B (zh) | 2022-10-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | An efficient deep learning model for automatic modulation recognition based on parameter estimation and transformation | |
| CN110086737B (zh) | 一种基于图神经网络的通信信号调制方式的识别方法 | |
| CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
| CN110300078B (zh) | 基于课程学习的调制信号识别方法 | |
| CN112039820B (zh) | 量子象群机制演化bp神经网络的通信信号调制识别方法 | |
| CN109450834A (zh) | 基于多特征关联和贝叶斯网络的通信信号分类识别方法 | |
| CN110598530A (zh) | 一种基于acgan的小样本无线电信号增强识别方法 | |
| CN113014524B (zh) | 一种基于深度学习的数字信号调制识别方法 | |
| CN110113288A (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
| CN111050315B (zh) | 一种基于多核双路网络的无线发射机识别方法 | |
| CN112115821B (zh) | 一种基于小波近似系数熵的多信号智能调制模式识别方法 | |
| CN114268388B (zh) | 一种在大规模mimo中基于改进gan网络的信道估计方法 | |
| CN112422208B (zh) | 未知信道模型下基于对抗式学习的信号检测方法 | |
| CN112232120B (zh) | 一种基于软件无线电的雷达辐射源信号分类系统及方法 | |
| CN113259289B (zh) | 基于残差神经网络的单通道混叠信号调制模式识别方法 | |
| CN118337576A (zh) | 基于多通道融合的轻量级自动调制识别方法 | |
| Yadav et al. | Application of Machine Learning Framework for Next‐Generation Wireless Networks: Challenges and Case Studies | |
| CN115225441B (zh) | 一种复杂环境下的无人机集群通信波形识别方法 | |
| CN116383603A (zh) | 强对抗环境下基于深度学习的混合电磁威胁制式识别方法与系统 | |
| Yin et al. | Short-time modulation classification of complex wireless communication signal based on deep neural network | |
| CN114422310A (zh) | 一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法 | |
| Shen et al. | Deep learning based source number estimation with single-channel mixtures | |
| CN113705646A (zh) | 基于半监督元学习的射频细微特征信息提取方法及系统 | |
| Yang et al. | SNR-Aware automatic modulation recognition based on modified deep residual networks | |
| CN117880027A (zh) | 基于残差网络的信号调制格式的识别方法及装置 |
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 |