CN112712102A - 可同时识别已知和未知雷达辐射源个体的识别仪 - Google Patents

Abstract

本发明公开了一种可同时识别已知和未知雷达辐射源个体的识别仪，包括雷达信号接收器、数据库、可同时识别已知和未知雷达辐射源个体的识别功能模块以及结果显示模块。可同时识别已知和未知雷达辐射源个体的识别功能模块包括数据预处理模块、雷达辐射源个体识别网络结构模块、雷达辐射源个体识别模型训练模块以及雷达辐射源个体识别辨识模块。本发明克服了目前已有的雷达辐射源识别方法仅能识别已知类别的不足，首次实现了可同时识别已知和未知雷达辐射源个体类别，对于解决新形势下雷达辐射源个体类别层出不穷和数据库几乎不可能涵盖所有雷达辐射源个体类别之间的矛盾具有重大意义。

Description

可同时识别已知和未知雷达辐射源个体的识别仪

技术领域

本发明涉及雷达辐射源信号识别领域、深度学习特征提取领域，尤其涉及一种可同时识别已知和未知雷达辐射源个体的识别仪。

背景技术

雷达辐射源个体识别技术是电子信息研究领域的重要研究内容，其技术水平对整个雷达对策系统的发展起着至关重要的作用。雷达辐射源个体识别是指通过特殊接收器截取目标辐射源信号，提取特征参数，然后对雷达辐射源个体的类型进行识别。随着现代雷达技术的飞速发展，电磁环境变得越来越复杂和高度交错，并且信号强度很高，每秒达到数百万个脉冲。一方面，高度复杂的电磁环境给有效识别雷达辐射源个体带来了诸多困难；另一方面，雷达目标个体种类众多，几乎不可能构建包含所有类别的雷达目标数据库，而对于没有在数据库中出现过的未知雷达目标类别，由于缺少数据来源、认知不足等原因，现有的方法均无法对其进行识别分类。

传统雷达辐射源个体识别方法存在以下问题：仅能对在训练集中出现过的雷达辐射源个体类别，即已知雷达辐射源个体类别，进行识别分类，且识别精度不高；对于在训练集中没有出现过的雷达辐射源类别，即未知雷达辐射源个体类别，则根本无法识别。

发明内容

针对目前已知雷达辐射源个体识别精度低，且根本无法完成对于未知雷达辐射源个体识别的问题，本发明提供了一种可同时识别已知和未知雷达辐射源个体的识别仪，本发明能够高精度地同时识别已知和未知雷达辐射源个体类别，对于实现复杂电磁环境下的已知和未知雷达辐射源个体识别模型的快速设计和精准识别具有十分重大的意义。

本发明的目的是通过以下技术方案实现的：一种可同时识别已知和未知雷达辐射源个体的识别仪，包括雷达信号接收器、数据库、可同时识别已知和未知雷达辐射源个体的识别功能模块以及结果显示模块。所述雷达信号接收器对雷达辐射源个体数据进行采集，并将数据储存到所述的数据库中，数据库中包含历史雷达辐射源个体数据为可同时识别已知和未知雷达辐射源个体的识别功能模块提供数据支持。可同时识别已知和未知雷达辐射源个体的识别功能模块识别得到的结果将通过结果显示模块输出显示。所述的可同时识别已知和未知雷达辐射源个体的识别功能模块，包括数据预处理模块、雷达辐射源个体识别网络结构模块、雷达辐射源个体识别模型训练模块以及雷达辐射源个体识别辨识模块。

数据预处理模块，用以对雷达辐射源个体数据进行预处理，采用如下过程完成：

(1.1)从数据库中采集n个雷达辐射源个体数据样本对(X,Y)，Y为X＝(x₁,x₂,…,x_d)所对应的标签，d为一个雷达辐射源个体数据的特征维度。

(1.2)对原始数据样本X＝(x₁,x₂,…,x_d)进行进一步处理，得到数据

其中mean(X)表示对X＝(x₁,x₂,…,x_d)按每个特征维度取平均值，std(X)表示对X＝(x₁,x₂,…,x_d)按每个特征维度取标准差。

(1.3)再继续将数据进行处理，得到统一到[0,1]区间的数据X^*:

其中min表示对

按每个特征维度取最小的数值，max表示对

按每个特征维度取最大的数值。

(1.4)对于非图像类型的数据，将其补零并拼接成大小为

的图像数据，

表示向上取整，补零的个数为

(1.5)将得到的类图像在通道方向上复制2次，得到三通道类图像，将图像缩放到224×224大小，这样得到最终雷达类图像矩阵的形状为224×224×3。

雷达辐射源个体识别网络结构模块，用于提取雷达个体的特征，以进行后续的识别分类，有如下几个重要部分构成：

(2.1)经过深度学习经典的Resnet网络提取雷达类图像的深度特征，得到特征图。然后经过全局平均池化，得到全局特征f。

(2.2)为了提高聚类特性，利用全局特征f计算三元组损失loss_Tri和中心聚类损失loss_Center。

(2.3)将全局特征f经过批标准化处理得到平滑特征f_i，f_i经过全连接层和真实分类标签计算分类损失loss_CE。

雷达辐射源个体识别模型训练模块，对上述雷达辐射源个体识别网络在雷达个体辐射源数据集上进行训练，采用如下过程完成：

(3.1)使用损失函数对网络继续训练：

其中i＝1,2,…,N代表不同的类别，C代表类别数，p_i代表预测成i的概率，y代表预测值。

最终的损失函数Loss为分类损失loss_CE、三元组损失loss_Tri和中心聚类损失loss_Center的加权和：

Loss＝λ₁loss_CE+λ₂loss_Tri+λ₃loss_Center (5)

其中的λ₁，λ₂，λ₃是网络自动学习的参数。

(3.2)采用的学习率LR：

其中lr为基础学习率，epoch为当前训练轮次。

(3.3)在训练至损失函数值Loss收敛时，选取最优网络参数，得到可同时识别已知和未知雷达辐射源个体的最优模型F_opt。

雷达辐射源个体识别辨识模块，用以对新采集得到的雷达辐射源个体数据进行分类辨识。采用如下过程完成：

(4.1)新采集到的雷达辐射源个体数据样本X_t＝(x′₁,x′₂,…,x′_d)，d为雷达辐射源个体数据的特征维度。其中包含训练集中出现过的雷达辐射源类别，即已知雷达辐射源类别，也包含训练集中没有出现过的新的雷达辐射源类别，即未知雷达辐射源类别。

(4.2)对新采集到的数据进行进一步处理，得到数据

其中，mean(X_t)表示对X_t＝(x′₁,x′₂,…,x′_d)按每个特征维度取平均值，std(X_t)表示对X_t＝(x′₁,x′₂,…,x′_d)按每个特征维度取标准差。

(4.3)再将得到的数据进一步处理，得到统一到[0,1]区间的数据

其中min表示对

按每个特征维度取最小的数值，max表示对

按每个特征维度取最大的数值。

(4.4)对于非图像类型的数据，将其补零并拼接成大小为

的图像数据，

表示向上取整，补零的个数为

(4.5)将

在通道方向上复制2次，得到三通道类图像，将图像缩放到224×224大小，这样最终类图像矩阵的形状为224×224×3。

(4.6)将预处理后的数据作为预测输入，经过可同时识别已知和未知雷达辐射源个体的最优模型F_opt，得到批标准化处理后的平滑特征f_i，计算测试样本的f_i和已知训练样本的f_i之间的余弦距离，卡阈值判定测试样本是否是未知雷达辐射源个体。若距离大于阈值则将预测样本判为未知类别，若距离小于阈值则选择与其距离最近的训练样本标签作为预测的类别。

雷达辐射源个体识别辨识模块得到的结果将通过结果显示模块输出显示。

本发明的技术构思为：本发明对采集到的雷达辐射源个体数据进行预处理，并设计了可同时识别已知和未知雷达辐射源个体的识别网络，让网络提取到了具有鉴别力的特征，并通过计算特征之间的余弦距离，卡阈值判断测试样本是否为未知类别，对于小于阈值的测试样本选择与其距离最近的训练样本标签作为预测的类别，实现了同时对已知和未知雷达辐射源个体进行识别。

本发明的有益效果主要表现在：考虑到真实环境中雷达辐射源个体类别总是层出不穷，几乎不可能构建包含所有雷达辐射源个体类别的目标数据库，第一次创新性地同时解决了已知和未知雷达辐射源个体的识别问题。

具体实施方式

发明的目的是通过以下技术方案实现的：可同时识别已知和未知雷达辐射源个体的识别仪，包括雷达信号接收器、数据库、可同时识别已知和未知雷达辐射源个体的识别功能模块以及结果显示模块。所述雷达信号接收器对雷达辐射源个体数据进行采集，并将数据储存到所述的数据库中，数据库中包含历史雷达辐射源个体数据为可同时识别已知和未知雷达辐射源个体的识别功能模块提供数据支持。可同时识别已知和未知雷达辐射源个体的识别功能模块识别得到的结果将通过结果显示模块输出显示。所述的可同时识别已知和未知雷达辐射源个体的识别功能模块，包括数据预处理模块、雷达辐射源个体识别网络结构模块、雷达辐射源个体识别模型训练模块以及雷达辐射源个体识别辨识模块。

数据预处理模块，用以对雷达辐射源个体数据进行预处理，采用如下过程完成：

(1.1)从数据库中采集n个雷达辐射源个体数据样本对(X,Y)，Y为X＝(x₁,x₂,…,x_d)所对应的标签，d为一个雷达辐射源个体数据的特征维度。

(1.2)对原始数据样本X＝(x₁,x₂,…,x_d)进行进一步处理，得到数据

其中mean(X)表示对X＝(x₁,x₂,…,x_d)按每个特征维度取平均值，std(X)表示对X＝(x₁,x₂,…,x_d)按每个特征维度取标准差。

(1.3)再继续将数据进行处理，得到统一到[0,1]区间的数据X^*:

其中min表示对

按每个特征维度取最小的数值，max表示对

按每个特征维度取最大的数值。

(1.4)对于非图像类型的数据，将其补零并拼接成大小为

的图像数据，

表示向上取整，补零的个数为

(1.5)将得到的类图像在通道方向上复制2次，得到三通道类图像，将图像缩放到224×224大小，这样得到最终雷达类图像矩阵的形状为224×224×3。

雷达辐射源个体识别网络结构模块，用于提取雷达辐射源个体的特征，以进行后续的识别分类，有如下几个重要部分构成：

(2.1)经过深度学习经典的Resnet网络提取雷达类图像的深度特征，得到特征图。然后经过全局平均池化，得到全局特征f。

(2.2)为了提高聚类特性，利用全局特征f计算三元组损失loss_Tri和中心聚类损失loss_Center。

(2.3)将全局特征f经过批标准化处理得到平滑特征f_i，f_i经过全连接层和真实分类标签计算分类损失loss_CE。这里之所以要通过批标准化处理得到平滑特征f_i来计算分类损失，是因为分类损失强调的是角度距离，而三元组损失和中心聚类损失强调的是欧式距离，它们的优化过程会相互影响，如果使用同一特征来计算三种损失，则得不到最优的结果。

雷达辐射源个体识别模型训练模块，对上述雷达辐射源个体识别网络在雷达辐射源个体数据集上进行训练，采用如下过程完成：

(3.1)使用损失函数对网络继续训练：

其中i＝1,2,…,N代表不同的类别，C代表类别数，p_i代表预测成i的概率，y代表预测值。

最终的损失函数Loss为分类损失loss_CE、三元组损失loss_Tri和中心聚类损失loss_Center的加权和：

Loss＝λ₁loss_CE+λ₂loss_Tri+λ₃loss_Center (5)

其中的λ₁，λ₂，λ₃是网络自动学习的参数。

(3.2)采用的学习率LR：

其中lr为基础学习率，epoch为当前训练轮次。

(3.3)在训练至损失函数值Loss收敛时，选取最优网络参数，得到可同时识别已知和未知雷达辐射源个体的最优模型F_opt。

雷达辐射源个体识别辨识模块，用以对新采集得到的雷达辐射源个体数据进行分类辨识。采用如下过程完成：

(4.1)新采集到的雷达辐射源个体数据样本X_t＝(x′₁,x′₂,…,x′_d)，d为雷达辐射源个体数据的特征维度。其中包含训练集中出现过的雷达辐射源类别，即已知雷达辐射源类别，也包含训练集中没有出现过的新的雷达辐射源类别，即未知雷达辐射源类别。

(4.2)对新采集到的数据进行进一步处理，得到数据

其中，mean(X_t)表示对X_t＝(x′₁,x′₂,…,x′_d)按每个特征维度取平均值，std(X_t)表示对X_t＝(x′₁,x′₂,…,x′_d)按每个特征维度取标准差。

(4.3)再将得到的数据进一步处理，得到统一到[0,1]区间的数据

其中min表示对

按每个特征维度取最小的数值，max表示对

按每个特征维度取最大的数值。

(4.4)对于非图像类型的数据，将其补零并拼接成大小为

的图像数据，

表示向上取整，补零的个数为

(4.5)将

在通道方向上复制2次，得到三通道类图像，将图像缩放到224×224大小，这样最终类图像矩阵的形状为224×224×3。

(4.6)将预处理后的数据作为预测输入，经过可同时识别已知和未知雷达辐射源个体的最优模型F_opt，得到批标准化处理后的平滑特征f_i，计算测试样本的f_i和已知训练样本的f_i之间的余弦距离，卡阈值判定测试样本是否是未知雷达辐射源个体。若距离大于阈值则将预测样本判为未知类别，若距离小于阈值则选择与其距离最近的训练样本标签作为预测的类别。

雷达辐射源个体识别辨识模块得到的结果将通过结果显示模块输出显示。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (5)

1.一种可同时识别已知和未知雷达辐射源个体的识别仪，包括雷达信号接收器、数据库、可同时识别已知和未知雷达辐射源个体的识别功能模块以及结果显示模块。所述雷达信号接收器对雷达辐射源个体数据进行采集，并将数据储存到所述的数据库中，数据库中包含历史雷达辐射源个体数据为可同时识别已知和未知雷达辐射源个体的识别功能模块提供数据支持。可同时识别已知和未知雷达辐射源个体的识别功能模块识别得到的结果，将通过结果显示模块输出显示。所述的可同时识别已知和未知雷达辐射源个体的识别功能模块，包括数据预处理模块、雷达辐射源个体识别网络结构模块、雷达辐射源个体识别模型训练模块以及雷达辐射源个体识别辨识模块。所述数据预处理模块对雷达辐射源个体数据进行预处理，雷达辐射源个体识别网络结构模块，用于提取雷达辐射源个体的特征，以进行后续的识别分类，雷达辐射源个体识别模型训练模块对雷达辐射源个体识别网络在雷达辐射源个体数据集上进行训练，雷达辐射源个体识别辨识模块对新采集得到的雷达辐射源个体数据进行分类辨识。

2.根据权利要求1所述可同时识别已知和未知雷达辐射源个体的识别仪，其特征在于，所述数据预处理模块，用以对雷达辐射源个体数据进行预处理，采用如下过程完成：

(1.1)从数据库中采集n个雷达辐射源个体数据样本对(X,Y)，Y为X＝(x₁,x₂,…,x_d)所对应的标签，d为一个雷达辐射源个体数据的特征维度。

(1.2)对原始数据样本X＝(x₁,x₂,…,x_d)进行进一步处理，得到数据

其中mean(X)表示对X＝(x₁,x₂,…,x_d)按每个特征维度取平均值，std(X)表示对X＝(x₁,x₂,…,x_d)按每个特征维度取标准差。

(1.3)再继续将数据进行处理，得到统一到[0,1]区间的数据X^*:

其中min表示对

按每个特征维度取最小的数值，max表示对

按每个特征维度取最大的数值。

(1.4)对于非图像类型的数据，将其补零并拼接成大小为

的图像数据，

表示向上取整，补零的个数为

(1.5)将得到的类图像在通道方向上复制2次，得到三通道类图像，将图像缩放到224×224大小，这样得到最终雷达类图像矩阵的形状为224×224×3。

3.根据权利要求1所述可同时识别已知和未知雷达辐射源个体的识别仪，其特征在于，所述雷达辐射源个体识别网络结构模块，用于提取雷达辐射源个体的特征，以进行后续的识别分类，有如下几个重要部分构成：

(2.1)经过深度学习经典的Resnet网络提取雷达类图像的深度特征，得到特征图。然后经过全局平均池化，得到全局特征f。

(2.2)为了提高聚类特性，利用全局特征f计算三元组损失loss_Tri和中心聚类损失loss_Center。

(2.3)将全局特征f经过批标准化处理得到平滑特征f_i，f_i经过全连接层和真实分类标签计算分类损失loss_CE。

4.根据权利要求1所述可同时识别已知和未知雷达辐射源个体的识别仪，其特征在于，所述雷达辐射源个体识别模型训练模块，对上述雷达辐射源个体识别网络在雷达辐射源个体数据集上进行训练，采用如下过程完成：

(3.1)使用损失函数对网络继续训练：

其中i＝1,2,…,N代表不同的类别，C代表类别数，p_i代表预测成i的概率，y代表预测值。

最终的损失函数Loss为分类损失loss_CE、三元组损失loss_Tri和中心聚类损失loss_Center的加权和：

Loss＝λ₁loss_CE+λ₂loss_Tri+λ₃loss_Center (5)

其中的λ₁，λ₂，λ₃是网络自动学习的参数。

(3.2)采用的学习率LR：

其中lr为基础学习率，epoch为当前训练轮次。

(3.3)在训练至损失函数值Loss收敛时，选取最优网络参数，得到可同时识别已知和未知雷达辐射源个体的最优模型F_opt。

5.根据权利要求1所述可同时识别已知和未知雷达辐射源个体的识别仪，其特征在于，所述雷达辐射源个体识别辨识模块，用以对新采集得到的雷达辐射源个体数据进行分类辨识。采用如下过程完成：

(4.1)新采集到的雷达辐射源个体数据样本X_t＝(x′₁,x′₂,…,x′_d)，d为雷达辐射源个体数据的特征维度。其中包含训练集中出现过的雷达辐射源类别，即已知雷达辐射源类别，也包含训练集中没有出现过的新的雷达辐射源类别，即未知雷达辐射源类别。

(4.2)对新采集到的数据进行进一步处理，得到数据

其中，mean(X_t)表示对X_t＝(x′₁,x′₂,…,x′_d)按每个特征维度取平均值，std(X_t)表示对X_t＝(x′₁,x′₂,…,x′_d)按每个特征维度取标准差。

(4.3)再将得到的数据进一步处理，得到统一到[0,1]区间的数据

其中min表示对

按每个特征维度取最小的数值，max表示对

按每个特征维度取最大的数值。

(4.4)对于非图像类型的数据，将其补零并拼接成大小为

的图像数据，

表示向上取整，补零的个数为

(4.5)将

在通道方向上复制2次，得到三通道类图像，将图像缩放到224×224大小，这样最终类图像矩阵的形状为224×224×3。

(4.6)将预处理后的数据作为预测输入，经过可同时识别已知和未知雷达辐射源个体的最优模型F_opt，得到批标准化处理后的平滑特征f_i，计算测试样本的f_i和已知训练样本的f_i之间的余弦距离，卡阈值判定测试样本是否是未知雷达辐射源个体。若距离大于阈值则将预测样本判为未知类别，若距离小于阈值则选择与其距离最近的训练样本标签作为预测的类别。