CN112308008B - 基于迁移学习的工作模式开集的雷达辐射源个体识别方法 - Google Patents
基于迁移学习的工作模式开集的雷达辐射源个体识别方法 Download PDFInfo
- Publication number
- CN112308008B CN112308008B CN202011258729.0A CN202011258729A CN112308008B CN 112308008 B CN112308008 B CN 112308008B CN 202011258729 A CN202011258729 A CN 202011258729A CN 112308008 B CN112308008 B CN 112308008B
- Authority
- CN
- China
- Prior art keywords
- layer
- radiation source
- sample set
- convolution
- radar radiation
- 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.)
- Active
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于迁移学习的工作模式开集的雷达辐射源个体识别方法，包括如下步骤：S1、采集不同雷达在不同模式下发射的中频AD信号数据；S2、对样本进行归一化并划分成原始训练样本集、原始验证样本集；S3、生成测试样本集；S4、分别得到训练样本集和验证样本集；S5、构建基于迁移学习的工作模式开集的雷达辐射源个体识别模型；S6、训练深度神经网络模型；S7、用测试样本集获得雷达辐射源个体模型识别结果并统计识别准确率。利用迁移学习的方法强调将雷达的不同工作模式混淆在一起，从而使得辐射源个体的识别不会受到工作模式的影响，在雷达辐射源识别中能够达到较高的识别准确率。
Description
技术领域
本发明属于信号处理技术领域，具体涉及雷达信号处理技术领域，特别涉及一种基于迁移学习的工作模式开集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。
迁移学习(Transfer Learning)是一种机器学习方法，是把一个领域(即源领域)的知识，迁移到另外一个领域(即目标领域)，使得目标领域能够取得更好的学习效果。
目前已有的机器学习方面的雷达辐射源个体识别方法基本都只能识别对应雷达辐射源已经出现过的工作模式，而对于指定雷达没有出现过的工作模式的识别正确率较低或不能识别。
浙江大学在其申请的专利文献“一种基于雷达脉冲序列的雷达辐射源个体识别系统”(申请号201911095867.9，申请公布号CN110988804A)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，并且其采用的是训练集与测试集使用工作模式相同的数据划分方式，对某一辐射源出现新的工作模式时识别效果可能较差。
中国人民解放军战略支援部队信息工程大学在其申请的专利文献“基于无意调相特性的雷达辐射源个体识别方法及装置”(申请号201910945109.5，申请公布号110632572A)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的不足之处是：采用了复杂的预处理步骤，这会极大程度降低模型的信号识别速度，在对识别速度要求较高的情况下并不适用。并且该方法也未对新的工作模式进行处理，在处理这种情况时可能效果较差。
发明内容
本发明的目的在于克服现有技术的不足，提供一种利用迁移学习的方法将雷达的不同工作模式混淆在一起，从而使得辐射源个体的识别不会受到工作模式的影响，能够达到较高的识别准确率的基于迁移学习的工作模式开集的雷达辐射源个体识别方法。
本发明的目的是通过以下技术方案来实现的：基于迁移学习的工作模式开集的雷达辐射源个体识别方法，包括如下步骤：
S1、采集不同雷达在不同模式下发射的中频AD信号数据，生成雷达辐射源个体识别样本集；
S2、对雷达辐射源个体识别样本进行归一化，并将样本集划分成原始训练样本集、原始验证样本集；
S3、采集所有雷达在随机工作模式下发射的中频AD信号数据，截取脉内信号数据生成测试样本集；所述随机工作模式包括步骤S1中已经出现过的工作模式以及步骤S1中没有出现过的新的工作模式；
S4、将原始训练样本集中同一雷达在不同工作模式下的信号组成两两一对，得到训练样本集；将原始验证样本集中的同一雷达不同工作模式的信号组成两两一对，得到验证样本集；
S5、构建基于迁移学习的工作模式开集的雷达辐射源个体识别模型；
S6、训练深度神经网络模型；
S7、用测试样本集获得雷达辐射源个体模型识别结果并统计识别准确率。
进一步地，所述步骤S1具体实现方法为：
S11、采用天线接收不同雷达在相同和不同工作模式下发射的中频AD信号数据；
S12、将接收到的中频AD信号数据根据脉冲分割成脉内信号，每个脉内信号单独作为一个样本，得到雷达辐射源个体识别样本集；
将中频AD信号数据根据脉冲分割成脉内信号的具体方法为：将采集到的中频AD信号数据根据脉冲划分为多个脉冲信号，并得到每个脉内信号的采样数据；取所有脉内信号中采样点数目的最大值作为所有脉内信号的采样点数目，对于采样点数目不足的脉内信号，在采样值后面补零。
进一步地，所述步骤S2具体实现方法为：
S21、根据零均值归一化公式对脉内信号进行归一化处理，将所有归一化处理后的脉内信号组合形成样本集合；
S22、从样本集合中随机抽取80％的样本组成原始训练样本集，余下的20％的样本组成原始验证样本集。
进一步地，所述步骤S3具体实现方法为：
S31、采用天线接收所有雷达在随机工作模式下发射的中频AD信号数据；
S32、将S31采集到的中频AD信号数据根据脉冲分割成脉内信号，并进行归一化处理，得到测试样本集。
进一步地，所述步骤S5具体实现方法为：
S51、构建基于迁移学习的工作模式开集的雷达辐射源个体识别网络模型；
S52、设置基于迁移学习的工作模式开集的雷达辐射源个体识别网络的超参数和优化算法；
S53、选择基于迁移学习的工作模式开集的雷达辐射源个体识别网络模型损失函数L。
所述步骤S51中构建的基于迁移学习的工作模式开集的雷达辐射源个体识别网络模型结构如下：
第一层为卷积网络输入层，可接收的输入大小设置为(10000,1)；
第二层为第一卷积层，有32个卷积核，每个卷积核的大小为1x39，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，激活函数为线性整流函数leakyRelu；
第三层为第一批规范化层；
第四层为第二卷积层，有64个卷积核，每个卷积核的大小为1x9，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，激活函数为线性整流函数leakyRelu；
第五层为第二批规范化层；
第六层为第三卷积层，有32个卷积核，每个卷积核的大小为1x9，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，激活函数为线性整流函数leakyRelu；
第七层为第四卷积层，有64个卷积核，每个卷积核的大小为1x9，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，激活函数为线性整流函数leakyRelu；
第八层为加法层，将第七层输出与第五层输出相加；
第九层为第一全局平均池化层；
第十层为第一全连接层，神经元个数设置为128，激活函数为线性整流函数Relu，dropout＝0.2；
第十一层为第二全连接层，神经元个数设置为128，激活函数为线性整流函数Relu，dropout＝0.2；
第十二层为特征层，神经元个数设置为M＝128，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；
第十三层为分类层，多分类函数取Softmax函数，该层输出为模型分类结果。
所述步骤S52中设定的超参数包括学习率和迭代次数；采用的优化算法为误差反向传播算法。
所述步骤S53所述的损失函数L为交叉熵损失函数与均值差异函数的综合函数，其中交叉熵损失函数表示如下：
其中，M为雷达辐射源个体识别信号类别总数，c表示具体某一类别；yc为指示变量，为0或1：如果类别c和样本的类别相同，则yc为1，否则yc为0；pc表示对于观测样本属于类别c的预测概率；
均值差异函数表示如下：
其中，F表示数据对中第一个数据的特征，F2表示数据对中第二个数据的特征，||||L1表示矩阵的L1范数，上标T表示矩阵的转置，H为数据的特征长度；
总损失函数L表述如下：
L＝λ1×L1+λ2×L2
其中，λ1、λ2分别为两个函数的权重值。
进一步地，所述步骤S6包括以子步骤：
S61、打乱训练样本集和验证样本集中所有样本对的排列顺序，将训练样本集和验证样本集输入到深度神经网络模型中；
S62、通过Adam优化算法对损失函数L进行迭代优化，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；
设置学习率下降机制的方式为：当验证集的Loss值在5个周期内都不下降时，将学习率减半；
设置早停机制的方法为：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。
本发明的有益效果是：
1、由于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网络模型，克服了现有技术的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的识别的缺点，使得本发明中深度神经网络可以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。
2、由于本发明使用了FCN神经网络模型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，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。
3、由于本发明采用基于迁移学习的方法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从而保证信号的原始信息得到保留。保证训练速度与预测准确率的同时，还将可以进一步对指定雷达辐射源未出现过的工作模式进行预测，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为本发明的基于迁移学习的工作模式开集的雷达辐射源个体识别方法的流程图；
图2为本发明的基于迁移学习的工作模式开集的雷达辐射源个体识别网络模型的结构；
图3为训练损失曲线图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
本发明将迁移学习中基于实例的迁移学习算法运用到辐射源识别中。基于实例的迁移学习算法关注的是如何将源域与目标域混淆到一起，从而利用源域训练得到的模型也能用于目标域的识别。本发明将其中域混淆的方法运用到辐射源识别中模式的混淆中。
实现本发明目的的具体思路是，在雷达辐射源个体识别的训练过程中，利用迁移学习的方法强调将雷达的不同工作模式混淆在一起，从而使得辐射源个体的识别不会受到工作模式的影响。该算法在雷达辐射源识别中能够达到较高的识别准确率，同时又能解决传统雷达辐射源个体识别方法在应对某一雷达出现其未出现过的工作模式(出现新的工作模式称为工作模式开集)，而该模式在其它雷达出现过时，对其识别效果较差的问题，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。从而使雷达辐射源个体识别更加准确、高效。
根据上述思路，如图1所示，本发明的一种基于迁移学习的工作模式开集的雷达辐射源个体识别方法，包括如下步骤：
S1、采集不同雷达在不同模式下发射的中频AD信号数据，生成雷达辐射源个体识别样本集；具体实现方法为：
具体实现方法为：
S11、采用天线接收不同雷达在相同和不同工作模式下发射的中频AD信号数据；
S12、将接收到的中频AD信号数据根据脉冲分割成脉内信号，每个脉内信号单独作为一个样本，得到雷达辐射源个体识别样本集；
将中频AD信号数据根据脉冲分割成脉内信号的具体方法为：将采集到的中频AD信号数据根据脉冲划分为多个脉冲信号，并得到每个脉内信号的采样数据；由于脉冲的宽度不一，对应的采样点数目也不同，因此取所有脉内信号中采样点数目的最大值作为所有脉内信号的采样点数目，对于采样点数目不足的脉内信号，在采样值后面补零。
S2、对雷达辐射源个体识别样本进行归一化，并将样本集划分成原始训练样本集、原始验证样本集；
具体实现方法为：
S21、根据零均值归一化公式对脉内信号进行归一化处理，将所有归一化处理后的脉内信号组合形成样本集合；
零均值归一化公式如下：
Yi表示第i个信号样本Xi归一化处理后的样本数值，Mean为单个样本数据的均值，sigma为单个样本数据的标准差；sigma的计算公式如下：
N表示单个样本数据的采样点总数；
S22、从样本集合中随机抽取80％的样本组成原始训练样本集，余下的20％的样本组成原始验证样本集。
S3、采集所有雷达在随机工作模式下发射的中频AD信号数据，截取脉内信号数据生成测试样本集；所述随机工作模式包括步骤S1中已经出现过的工作模式以及步骤S1中没有出现过的新的工作模式；
具体实现方法为：
S31、采用天线接收所有雷达在随机工作模式(包含雷达使用过的和未使用过的工作模式)下发射的中频AD信号数据；例如，在训练集中雷达1采用a、b、c、d四种模式，雷达2采用c、d、e、f四种模式。而在测试集2中雷达1采用e、f两种模式，雷达2采用a、b两种模式。
S32、将S31采集到的中频AD信号数据根据脉冲分割成脉内信号，并进行归一化处理，得到测试样本集。
S4、将原始训练样本集中同一雷达在不同工作模式下的信号组成两两一对(为了让同一个雷达的不同模式混淆在一起)，得到训练样本集；将原始验证样本集中的同一雷达不同工作模式的信号组成两两一对，得到验证样本集；
S5、构建基于迁移学习的工作模式开集的雷达辐射源个体识别模型；
具体实现方法为：
S51、构建基于迁移学习的工作模式开集的雷达辐射源个体识别网络模型；
如图2所示，本发明的基于迁移学习的工作模式开集的雷达辐射源个体识别网络模型结构如下：
第一层为卷积网络输入层，可接收的输入大小设置为(10000,1)；
第二层为第一卷积层，有32个卷积核，每个卷积核的大小为1x39，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，激活函数为线性整流函数leakyRelu；
第三层为第一批规范化层；
第四层为第二卷积层，有64个卷积核，每个卷积核的大小为1x9，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，激活函数为线性整流函数leakyRelu；
第五层为第二批规范化层；
第六层为第三卷积层，有32个卷积核，每个卷积核的大小为1x9，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，激活函数为线性整流函数leakyRelu；
第七层为第四卷积层，有64个卷积核，每个卷积核的大小为1x9，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，激活函数为线性整流函数leakyRelu；
第八层为加法层，将第七层输出与第五层输出相加；
第九层为第一全局平均池化层；
第十层为第一全连接层，神经元个数设置为128，激活函数为线性整流函数Relu，dropout＝0.2；
第十一层为第二全连接层，神经元个数设置为128，激活函数为线性整流函数Relu，dropout＝0.2；
第十二层为特征层，神经元个数设置为M＝128，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；
第十三层为分类层，多分类函数取Softmax函数，该层输出为模型分类结果。
S52、设置基于迁移学习的工作模式开集的雷达辐射源个体识别网络的超参数和优化算法；设定的超参数包括学习率和迭代次数；采用的优化算法为误差反向传播算法。
S53、选择基于迁移学习的工作模式开集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为交叉熵损失函数与均值差异函数的综合函数，其中交叉熵损失函数表示如下：
其中，M为雷达辐射源个体识别信号类别总数，c表示具体某一类别；yc为指示变量，为0或1：如果类别c和样本的类别相同，则yc为1，否则yc为0；pc表示对于观测样本属于类别c的预测概率；
均值差异函数表示如下：
其中，F表示数据对中第一个数据的特征，F2表示数据对中第二个数据的特征，||||L1表示矩阵的L1范数，上标T表示矩阵的转置，H为数据的特征长度；
总损失函数L表述如下：
L＝λ1×L1+λ2×L2
其中，λ1、λ2分别为两个函数的权重值。
S6、训练深度神经网络模型；
包括以子步骤：
S61、打乱训练样本集和验证样本集中所有样本对的排列顺序，将训练样本集和验证样本集输入到深度神经网络模型中；
S62、通过Adam优化算法对损失函数L进行迭代优化，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；
为了得到更优秀的网络，设置学习率下降机制的方式为：当验证集的Loss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，设置早停机制的方法为：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。
S7、用测试样本集获得雷达辐射源个体模型识别结果并统计识别准确率；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；将识别结果与测试集的真实类别对比，统计识别正确率。
下面通过实验进一步验证本发明的效果。
1.测试条件：
本发明的测试实验在Intel i7-6800k CPU、64G RAM、NVIDIA GTX-1080Ti GPU、Ubuntu16.04LTS系统下，Keras2.0.6运行平台上，完成基于模式混淆的雷达辐射源个体识别的测试实验。
2.测试实验内容
本发明的测试实验采用4个不同雷达分别在相同与不同工作模式，具体为1号雷达在非线性调频、脉冲编码、线性调频、重频参差、重频抖动、重频滑变和准连续波的模式下工作，2号雷达在非线性调频、脉冲编码、线性调频、重频参差和重频滑变的模式下工作，3号雷达在频率捷变和线性调频的模式下工作，4号雷达在BPSK、QPSK和线性调频的模式下工作。每个雷达的每个工作模式均生成多个脉内信号样本(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并且不同雷达与工作模式脉内信号样本数量也不同)，最终得到37000个脉内信号样本。对所有脉内信号取10000个采样点，采样点不足时后面补零，从而得到训练集与测试集数据。其中雷达1与雷达2为同型号雷达，雷达3、雷达4与雷达1型号均不同。为验证模型效果，雷达1的重频参差、非线性调频和脉冲编码三种工作模式下发射的数据不作为雷达1的训练数据；雷达2的重频参差和非线性调频两种工作模式下发射的数据不作为雷达2的训练数据，而测试时使四个雷达在的所有可行的工作模式下工作，得到随机时间长度的信号，采用相同处理得到测试样本集。即重频参差和非线性调频两种工作模式下发射的数据不同做训练但用作测试。从而验证对指定雷达未出现过的工作模式的识别效果。
3.测试实验结果：
本发明的测试实验结果如图3和表一所示。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，得到本测试实验所在的测试样本模型预测结果(正确预测结果应为1-7为类别1，8-12为类别2，15-16为类别3，23-25为类别4，其余全为0)。每一个测试信号分为多个脉冲，对单个脉冲进行识别预测，最后以该测试信号预测的脉冲数最多的类别作为测试信号预测类别。表一中每一列为一个测试信号，数据为预测为该类别的脉冲数。每一列最后为该测试信号的预测信号源结果。由表一的结果可以看出，对于所有测试信号的所有脉冲基本均可以得到正确的预测结果。针对测试信号计算的最终预测正确率为100％，针对单个脉冲计算的最终预测正确率为99％。说明基于模式混淆的方法对雷达辐射源个体识别有效可行。
表一
以上的测试实验说明，针对雷达辐射源个体的识别，本发明可以完成不同雷达个体的识别任务，方法有效可行。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (5)
1.基于迁移学习的工作模式开集的雷达辐射源个体识别方法，其特征在于，包括如下步骤：
S1、采集不同雷达在不同模式下发射的中频AD信号数据，生成雷达辐射源个体识别样本集；
S2、对雷达辐射源个体识别样本进行归一化，并将样本集划分成原始训练样本集、原始验证样本集；
S3、采集所有雷达在随机工作模式下发射的中频AD信号数据，截取脉内信号数据生成测试样本集；所述随机工作模式包括步骤S1中已经出现过的工作模式以及步骤S1中没有出现过的新的工作模式；
S4、将原始训练样本集中同一雷达在不同工作模式下的信号组成两两一对，得到训练样本集；将原始验证样本集中的同一雷达不同工作模式的信号组成两两一对，得到验证样本集；
S5、构建基于迁移学习的工作模式开集的雷达辐射源个体识别模型；具体实现方法为：
S51、构建基于迁移学习的工作模式开集的雷达辐射源个体识别网络模型；构建的基于迁移学习的工作模式开集的雷达辐射源个体识别网络模型结构如下：
第一层为卷积网络输入层，接收的输入大小设置为(10000,1)；
第二层为第一卷积层，有32个卷积核，每个卷积核的大小为1x39，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，激活函数为线性整流函数leakyRelu；
第三层为第一批规范化层；
第四层为第二卷积层，有64个卷积核，每个卷积核的大小为1x9，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，激活函数为线性整流函数leakyRelu；
第五层为第二批规范化层；
第六层为第三卷积层，有32个卷积核，每个卷积核的大小为1x9，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，激活函数为线性整流函数leakyRelu；
第七层为第四卷积层，有64个卷积核，每个卷积核的大小为1x9，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，激活函数为线性整流函数leakyRelu；
第八层为加法层，将第七层输出与第五层输出相加；
第九层为第一全局平均池化层；
第十层为第一全连接层，神经元个数设置为128，激活函数为线性整流函数Relu，dropout＝0.2；
第十一层为第二全连接层，神经元个数设置为128，激活函数为线性整流函数Relu，dropout＝0.2；
第十二层为特征层，神经元个数设置为M＝128，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；
第十三层为分类层，多分类函数取Softmax函数，该层输出为模型分类结果；
S52、设置基于迁移学习的工作模式开集的雷达辐射源个体识别网络的超参数和优化算法；
S53、选择基于迁移学习的工作模式开集的雷达辐射源个体识别网络模型损失函数L；损失函数L为交叉熵损失函数与均值差异函数的综合函数，其中交叉熵损失函数表示如下：
其中，M为雷达辐射源个体识别信号类别总数，c表示具体某一类别；yc为指示变量，为0或1：如果类别c和样本的类别相同，则yc为1，否则yc为0；pc表示对于观测样本属于类别c的预测概率；
均值差异函数表示如下：
其中，F1表示数据对中第一个数据的特征，F2表示数据对中第二个数据的特征，|| ||L1表示矩阵的L1范数，上标T表示矩阵的转置，H为数据的特征长度；
总损失函数L表述如下：
L＝λ1×L1+λ2×L2
其中，λ1、λ2分别为两个函数的权重值；
S6、训练深度神经网络模型；包括以子步骤：
S61、打乱训练样本集和验证样本集中所有样本对的排列顺序，将训练样本集和验证样本集输入到深度神经网络模型中；
S62、通过Adam优化算法对损失函数L进行迭代优化，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；
设置学习率下降机制的方式为：当验证集的Loss值在5个周期内都不下降时，将学习率减半；
设置早停机制的方法为：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；
S7、用测试样本集获得雷达辐射源个体模型识别结果并统计识别准确率。
2.根据权利要求1所述的基于迁移学习的工作模式开集的雷达辐射源个体识别方法，其特征在于，所述步骤S1具体实现方法为：
S11、采用天线接收不同雷达在相同和不同工作模式下发射的中频AD信号数据；
S12、将接收到的中频AD信号数据根据脉冲分割成脉内信号，每个脉内信号单独作为一个样本，得到雷达辐射源个体识别样本集；
将中频AD信号数据根据脉冲分割成脉内信号的具体方法为：将采集到的中频AD信号数据根据脉冲划分为多个脉冲信号，并得到每个脉内信号的采样数据；取所有脉内信号中采样点数目的最大值作为所有脉内信号的采样点数目，对于采样点数目不足的脉内信号，在采样值后面补零。
3.根据权利要求1所述的基于迁移学习的工作模式开集的雷达辐射源个体识别方法，其特征在于，所述步骤S2具体实现方法为：
S21、根据零均值归一化公式对脉内信号进行归一化处理，将所有归一化处理后的脉内信号组合形成样本集合；
S22、从样本集合中随机抽取80％的样本组成原始训练样本集，余下的20％的样本组成原始验证样本集。
4.根据权利要求1所述的基于迁移学习的工作模式开集的雷达辐射源个体识别方法，其特征在于，所述步骤S3具体实现方法为：
S31、采用天线接收所有雷达在随机工作模式下发射的中频AD信号数据；
S32、将S31采集到的中频AD信号数据根据脉冲分割成脉内信号，并进行归一化处理，得到测试样本集。
5.根据权利要求1所述的基于迁移学习的工作模式开集的雷达辐射源个体识别方法，其特征在于，所述步骤S52中设定的超参数包括学习率和迭代次数；采用的优化算法为误差反向传播算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011258729.0A CN112308008B (zh) | 2020-11-12 | 2020-11-12 | 基于迁移学习的工作模式开集的雷达辐射源个体识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011258729.0A CN112308008B (zh) | 2020-11-12 | 2020-11-12 | 基于迁移学习的工作模式开集的雷达辐射源个体识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112308008A CN112308008A (zh) | 2021-02-02 |
| CN112308008B true CN112308008B (zh) | 2022-05-17 |
Family
ID=74324956
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011258729.0A Active CN112308008B (zh) | 2020-11-12 | 2020-11-12 | 基于迁移学习的工作模式开集的雷达辐射源个体识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112308008B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112924951B (zh) * | 2021-02-05 | 2022-09-09 | 杭州电子科技大学 | 一种多功能雷达辐射源智能识别方法 |
| CN112883895B (zh) * | 2021-03-08 | 2022-03-25 | 山东大学 | 基于自适应加权pca的非法电磁信号检测方法及其实现系统 |
| CN112884059B (zh) * | 2021-03-09 | 2022-07-05 | 电子科技大学 | 一种融合先验知识的小样本雷达工作模式分类方法 |
| CN113050042B (zh) * | 2021-04-15 | 2023-08-15 | 中国人民解放军空军航空大学 | 基于改进UNet3+网络的雷达信号调制类型识别方法 |
| CN113705446B (zh) * | 2021-08-27 | 2023-04-07 | 电子科技大学 | 一种面向辐射源个体的开集识别方法 |
| CN115081487A (zh) * | 2022-07-08 | 2022-09-20 | 电子科技大学 | 一种基于多域迁移学习的跨时间辐射源个体识别方法 |
| CN115166679B (zh) * | 2022-09-06 | 2022-12-16 | 中国人民解放军海军工程大学 | 基于任务属性的未知雷达辐射源目标的表征识别方法 |
| CN116502139A (zh) * | 2023-04-28 | 2023-07-28 | 哈尔滨工程大学 | 一种基于集成对抗迁移的辐射源信号个体识别方法 |
| CN116401588B (zh) * | 2023-06-08 | 2023-08-15 | 西南交通大学 | 一种基于深层网络的辐射源个体分析方法及装置 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10937089B2 (en) * | 2017-12-11 | 2021-03-02 | Accenture Global Solutions Limited | Machine learning classification and prediction system |
| CN108508411B (zh) * | 2018-03-22 | 2022-04-08 | 天津大学 | 基于迁移学习的被动雷达外辐射源信号识别方法 |
| CN108805039A (zh) * | 2018-04-17 | 2018-11-13 | 哈尔滨工程大学 | 联合熵与预训练cnn提取时频图像特征的调制识别方法 |
| CN108985268B (zh) * | 2018-08-16 | 2021-10-29 | 厦门大学 | 基于深度迁移学习的归纳式雷达高分辨距离像识别方法 |
| CN109446877B (zh) * | 2018-09-01 | 2022-01-07 | 哈尔滨工程大学 | 一种联合多维特征迁移融合的雷达辐射源信号调制识别方法 |
| CN109271926B (zh) * | 2018-09-14 | 2021-09-10 | 西安电子科技大学 | 基于gru深度卷积网络的智能辐射源识别方法 |
| US11585896B2 (en) * | 2019-02-04 | 2023-02-21 | Metawave Corporation | Motion-based object detection in a vehicle radar using convolutional neural network systems |
| CN110187321B (zh) * | 2019-05-30 | 2022-07-22 | 电子科技大学 | 基于深度学习的复杂环境下雷达辐射源特征参数提取方法 |
| CN110717540B (zh) * | 2019-10-10 | 2023-11-03 | 中国电子科技集团公司第三十八研究所 | 一种对雷达新辐射源个体的识别方法及装置 |
| CN110988804B (zh) * | 2019-11-11 | 2022-01-25 | 浙江大学 | 一种基于雷达脉冲序列的雷达辐射源个体识别系统 |
| CN111126134B (zh) * | 2019-11-11 | 2022-03-22 | 浙江大学 | 基于非指纹信号消除器的雷达辐射源深度学习识别方法 |
| CN111913156B (zh) * | 2020-08-05 | 2022-06-24 | 电子科技大学 | 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 |
-
2020
- 2020-11-12 CN CN202011258729.0A patent/CN112308008B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112308008A (zh) | 2021-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112308008B (zh) | 基于迁移学习的工作模式开集的雷达辐射源个体识别方法 | |
| CN111913156B (zh) | 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 | |
| CN106330385B (zh) | 一种干扰类型识别方法 | |
| CN108182450A (zh) | 一种基于深度卷积网络的机载探地雷达目标识别方法 | |
| CN111126471A (zh) | 微地震事件检测方法及系统 | |
| CN109307862A (zh) | 一种目标辐射源个体识别方法 | |
| CN105024771B (zh) | 一种Alpha稳定分布噪声下频谱感知方法 | |
| CN108282263A (zh) | 基于一维深度残差轻量网络的编码调制联合识别方法 | |
| CN110516728B (zh) | 基于去噪卷积神经网络的极化sar地物分类方法 | |
| CN103941254A (zh) | 一种基于地质雷达的土壤物性类别识别方法和装置 | |
| CN112949820B (zh) | 基于生成对抗网络的认知抗干扰目标检测方法 | |
| Li et al. | IncepTCN: A new deep temporal convolutional network combined with dictionary learning for strong cultural noise elimination of controlled-source electromagnetic data | |
| CN112087774A (zh) | 一种基于残差神经网络的通信辐射源个体识别方法 | |
| CN114895263A (zh) | 基于深度迁移学习的雷达有源干扰信号识别方法 | |
| CN108897042A (zh) | 有机质含量地震预测方法及装置 | |
| CN114881093B (zh) | 一种信号分类识别方法 | |
| CN111985349B (zh) | 一种雷达接收信号类型分类识别方法及系统 | |
| Shen et al. | Node identification in wireless network based on convolutional neural network | |
| Tang et al. | Specific emitter identification for IoT devices based on deep residual shrinkage networks | |
| CN108631817B (zh) | 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法 | |
| Wang et al. | Specific emitter identification based on fractal and wavelet theories | |
| CN116318249A (zh) | 一种基于改进YOLOv5的短波跳频信号分选方法 | |
| CN113534059B (zh) | 开集场景下基于深度卷积网络的雷达有源干扰识别方法 | |
| CN115081487A (zh) | 一种基于多域迁移学习的跨时间辐射源个体识别方法 | |
| CN114676721A (zh) | 基于径向基神经网络的雷达有源压制干扰识别方法及系统 |
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 |