CN112764003A - 一种雷达辐射源信号时频特征识别方法、装置及存储介质 - Google Patents
一种雷达辐射源信号时频特征识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112764003A CN112764003A CN202110045968.6A CN202110045968A CN112764003A CN 112764003 A CN112764003 A CN 112764003A CN 202110045968 A CN202110045968 A CN 202110045968A CN 112764003 A CN112764003 A CN 112764003A
- Authority
- CN
- China
- Prior art keywords
- frequency
- radiation source
- time
- source signal
- radar
- 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.)
- Pending
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 44
- 238000010586 diagram Methods 0.000 claims abstract description 29
- 230000009466 transformation Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 10
- 230000003321 amplification Effects 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种雷达辐射源信号时频特征识别方法、装置及存储介质，该方法包括获取雷达辐射源时域波形图；对所述辐射源时域波形图进行时域频域变换，得到辐射源信号时频图；利用训练好的卷积神经网络接收所述辐射源信号时频图并进行识别；获取所述训练好的卷积神经网络输出的辐射源信号时频特征。本发明将雷达辐射源信号经过时频频域变换后，输入训练好的卷积神经网络中进行识别，可识别出不同类型的辐射源，且识别率高，可适应复杂环境。本发明可广泛应用于雷达信号处理技术领域。
Description
技术领域
本发明涉及雷达信号处理技术领域，尤其是一种雷达辐射源信号时频特征识别方法、装置及存储介质。
背景技术
随着各国配置雷达数量的大量增多、雷达所用频谱的宽度增加、雷达使用空间向海陆空延伸、雷达设备的日新月异导致空间电磁环境的复杂多变。导致原来传统的雷达辐射源个体识别方法无法达到当前对雷达辐射源个体识别的要求。随着各种新体制雷达的出现和设备制造工艺的成熟，传统的辐射源识别技术存在识别率不高的缺点，不能很好的对雷达信号进行特征提取，比如传统的雷达辐射源识别方法通过提取雷达到达的时间(Timeof Arrival，TOA)、雷达脉冲宽度(Pulse Width，PW)、脉冲幅度(Pulse Amplitude，PA)、载波频率(Radio Frequency，RF)、到达方向(Direction Of Arrival，DOA)五个雷达信号参数来进行雷达辐射源个体的识别；这些参数的缺点是在雷达辐射源个体的识别中仅能通过信号有意调制类型的不同来对雷达辐射源个体进行区分；无法区分出发射相同调制类型信号的雷达辐射源个体。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种雷达辐射源信号时频特征识别方法、装置及存储介质。
本发明所采取的技术方案是：
一方面，本发明实施例包括一种雷达辐射源信号时频特征识别方法，包括：
获取雷达辐射源时域波形图；
对所述辐射源时域波形图进行时域频域变换，得到辐射源信号时频图；
利用训练好的卷积神经网络接收所述辐射源信号时频图并进行识别；
获取所述训练好的卷积神经网络输出的辐射源信号时频特征。
进一步地，所述获取雷达辐射源时域波形图这一步骤，具体包括：
接收雷达脉冲信号；
对所述雷达脉冲信号进行下变频处理；
使用运算放大电路对下变频处理后的雷达脉冲信号进行放大处理；
使用信号采集板上的模数转换器对放大处理后的雷达脉冲信号进行采集，得到雷达辐射源时域波形图。
进一步地，所述对所述辐射源时域波形图进行时域频域变换，得到辐射源信号时频图具体为：
利用短时傅里叶变换对所述辐射源时域波形图进行时域频域变换，得到辐射源信号时频图。
进一步地，所述方法还包括对卷积神经网络进行训练，包括：
构建训练集，所述训练集包括不同类别的辐射源信号时频图；
获取所述训练集以对所述卷积神经网络进行训练。
进一步地，对卷积神经网络进行训练还包括：
利用误差反向传播算法对所述卷积神经网络进行调节；
修正所述卷积神经网络各层的连接权值和阈值，使误差达到预设值。
进一步地，所述训练好的卷积神经网络包括类别特征识别模块和具体特征分类识别模块；
所述类别特征识别模块用于识别出时频特征的类别；
所述具体特征分类识别模块用于对所述类别特征识别模块的识别结果作进一步具体特征识别。
进一步地，所述类别特征识别模块识别出时频特征的类别包括调频信号和编码信号。
进一步地，所述具体特征分类识别模块对所述类别特征识别模块的识别结果作进一步具体特征识别具体包括：
对所述调频信号进行识别并分类为线性调频信号、步进线性调频信号和步进频信号；
对所述编码信号进行识别并分类为频率编码信号、步进频率编码信号、通信编码信号和相位编码信号。
另一方面，本发明实施例还包括一种雷达辐射源信号时频特征识别装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的雷达辐射源信号时频特征识别方法。
另一方面，本发明实施例还包括计算机可读存储介质，其上存储有处理器可执行的程序，所述处理器可执行的程序在被处理器执行时用于实现所述的雷达辐射源信号时频特征识别方法。
本发明的有益效果是：
本发明将雷达辐射源信号经过时频频域变换后，输入训练好的卷积神经网络中进行识别，可识别出不同类型的辐射源，且识别率高，可适应复杂环境。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例中所述雷达辐射源信号时频特征识别方法的步骤流程图；
图2为本发明实施例中所述卷积神经网络结构图；
图3为本发明实施例中所述线性调频信号时频图；
图4为本发明实施例中所述步进线性调频信号时频图；
图5为本发明实施例中所述步进频信号时频图；
图6为本发明实施例中所述频率编码信号时频图；
图7为本发明实施例中所述步进频率编码信号时频图；
图8为本发明实施例中所述通信编码信号时频图；
图9为本发明实施例中所述相位编码信号时频图；
图10为本发明实施例中所述雷达辐射源信号时频特征识别装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
下面结合附图，对本申请实施例作进一步阐述。
参照图1，本发明实施例提出一种雷达辐射源信号时频特征识别方法，包括：
S1.获取雷达辐射源时域波形图；
S2.对所述辐射源时域波形图进行时域频域变换，得到辐射源信号时频图；
S3.利用训练好的卷积神经网络接收所述辐射源信号时频图并进行识别；
S4.获取所述训练好的卷积神经网络输出的辐射源信号时频特征。
关于步骤S1，也就是获取雷达辐射源时域波形图这一步骤，具体包括：
S101.接收雷达脉冲信号；
S102.对所述雷达脉冲信号进行下变频处理；
S103.使用运算放大电路对下变频处理后的雷达脉冲信号进行放大处理；
S104.使用信号采集板上的模数转换器对放大处理后的雷达脉冲信号进行采集，得到雷达辐射源时域波形图。
本实施例中，使用接收天线接收对方雷达脉冲信号，并将接收到的雷达脉冲信号做下变频处理，雷达脉冲信号经过下变频处理后使用运算放大电路对下变频处理后的雷达脉冲信号进行放大处理，得到放大处理后的雷达脉冲信号，对放大处理后的雷达脉冲信号使用信号采集板上的模数转换ADC进行采集，得到数字信号；雷达脉冲信号为低信噪比信号。
下变频后的雷达脉冲信号带宽需要在ADC采样带宽范围内，例如模数转换ADC的采样率为4Gsps，模数转换ADC的采样带宽为2GHz，雷达脉冲信号的载频为8.5GHz，雷达脉冲信号带宽为200MHz(雷达脉冲信号频率为8.5GHz-8.7GHz)，可以使用8GHz的信号对雷达脉冲信号进行下变频使雷达脉冲信号成为500MHz-700MHz的信号，在模数转换ADC的采样带宽范围内。
关于步骤S2，也就是所述对所述辐射源时域波形图进行时域频域变换，得到辐射源信号时频图具体为：
S201.利用短时傅里叶变换对所述辐射源时域波形图进行时域频域变换，得到辐射源信号时频图。
本实施例中，利用短时傅里叶变换对所述辐射源时域波形图进行时域频域变换，得到辐射源信号时频图。在传统信号处理中，傅里叶变换是人们分析和处理信号的最常用也是最直接的方式，傅里叶变换及其逆变换为信号的时域特征和频域特征之间建立了沟通的方式。
基于傅里叶变换的信号频域表示其能量频域分布揭示了辐射源信号在频域的特征，它们在传统的信号分析与处理方法中发挥了重要的作用。但是，傅里叶变换是一种整体变换，即对信号的表征完全在时间域或者频率域。所以对信号进行单一时域或频域分析远远不能满足实际处理需要，时频分析针对此问题应运而生。时频分析或称时频分布，是描述信号频率随时间比那花的信号处理方法，采用时间-频率联合表示雷达辐射源信号，将一维的时间信号映射到一个二维时频平面，在时频域内对雷达辐射源信号进行分析，可全面反映所观测辐射源信号的时频联合特征，可使同时掌握信号的时域及频域特征信息，因此可以清楚地了解到雷达辐射源信号的频率是如何随时间变化的。
短时傅里叶变换(STFT)是研究非平稳信号最为广泛使用的方法，其基本方法是：去除信号所在重要时刻附近的一段，而忽略雷达辐射源源信号其它部分，对其做傅里叶变换，即可得到这一特定时刻的频率分量。因为索取的时间长度与整个辐射源信号相比较而言是很短的，所以将这种方法称为STFT。
STFT的基本思想是：用窗函数来截取信号，假定信号在窗内是平稳的，采用傅里叶变换来分析窗内信号，以便确定在那一段时间存在频率，随后沿着信号移动窗函数，得到信号频率随时间变化关系，得到所需的雷达辐射源信号时频分布。
假设雷达辐射源信号s(t)的短时傅里叶变换(STFT)定义为：
trf＝STFT[s(t)](式1)；
其中，trf为时频二维向量，STFT为：
STFTs(t)(t,ω)＝∫s(τ)h*(τ-t)e-jωtdτ (式2)；
其中，h(t)是中心时间在t的窗函数，τ为执行因子，e-jωt为相位。
关于步骤S3，本实施例中，因为卷积神经网络主要完成时频分布图的图像识别，而图像的值范围在0到255之间，雷达辐射源信号经过STFT变换后信号的强度值有可能会超过0到255的范围内，由于这个情况存在，假设trf内任意一点的强度值为|trfij|，可以对其进行如下处理：
其中，max(·)与min(·)分别表示最大值函数与最小值函数。
卷积神经网络的经典结构通常包含5个部分：输入层、卷积层、池化层、全连接层与输出层。通过交替进行的卷积和池化操作完成雷达辐射源时频特征图像信息的提取和降维工作，本实施例采用辐射源时频特征图，也就是辐射源信号时频图，输入辐射源信号时频图，最终全连接层划分为目标类别，具体表示如图2所示。
对于图像特征而言，输入的图像有RGB一共3个通道，所以输入层有3张特征图；卷积神经网络在进行辐射源信号时频图分类识别时，将卷积和池化操作交替进行，在做卷积操作时，对第i+1层卷积层的第k张特征图表示为：
其中，
表示第i层池化的第j张特征图，
表示第k组卷积核的第j个卷积核，bk表示对于第k组卷积核的偏置量，
为卷积操作。
在得到第i+1层卷积层的辐射源时频特征图后，卷积神经网络进行池化操作，有
其中，Sample(·)是池化函数，将卷积层大小为n×n的特征图做池化，经池化后，特征图的数量不变，但是大小变为
本实施例中，所述雷达辐射源信号时频特征识别方法还包括对卷积神经网络进行训练，包括：
P1.构建训练集，所述训练集包括不同类别的辐射源信号时频图；
P2.获取所述训练集以对所述卷积神经网络进行训练。
进一步，所述对卷积神经网络进行训练还包括：
P3.利用误差反向传播算法对所述卷积神经网络进行调节；
P4.修正所述卷积神经网络各层的连接权值和阈值，使误差达到预设值。
本实施例中，经过卷积神经网络交替进行的卷积和池化，最终得到的雷达辐射源信号时频特征图被全连接层处理为一组一维向量，再将该组向量经过若干个全连接网络，最终划分为多个目标类别。本发明在进行神经网络训练时，卷积神经网络分为五层，分别为输入层、卷积层、采样层(池化层)、卷积层、采样层(池化层)，然后输出结果。用训练数据集训练一个卷积神经网络，将训练数据集中大小为128×128图像改变为32×32，然后作为输入图像输入。在卷积神经网络训练时的卷积层的卷积核大小设定为5×5，卷积核移动步长为1，采样层采用最大值采样的方法。然后用BP算法对卷积神经网络进行调节，反复修正各层的连接权值和阈值，使误差达到要求甚至最小，最终得到训练好的卷积神经网络。
将训练数据集和测试数据集输入训练好的卷积神经网络，得到所提取的训练数据特征和测试数据特征。用训练数据特征训练SVM分类器，用测试数据特征进行测试。在计算不同雷达辐射源的识别率大小时，首先把每种雷达辐射源训练数据从总的数据集中提取出来，在与所对应的测试数据进行识别，从而算出每种雷达辐射源识别的识别率和对应于其他雷达辐射源的误差率。
本实施例中，所述训练好的卷积神经网络用于对所述辐射源信号时频图进行特征识别，所述训练好的卷积神经网络包括类别特征识别模块和具体特征分类识别模块；
所述类别特征识别模块用于识别出时频特征的类别；
所述具体特征分类识别模块用于对所述类别特征识别模块的识别结果作进一步具体特征识别。
具体地，所述类别特征识别模块识别出时频特征的类别包括调频信号和编码信号。
所述具体特征分类识别模块对所述类别特征识别模块的识别结果作进一步具体特征识别具体包括：
对所述调频信号进行识别并分类为线性调频信号、步进线性调频信号和步进频信号；
对所述编码信号进行识别并分类为频率编码信号、步进频率编码信号、通信编码信号和相位编码信号。
本实施例中，卷积神经网络训练好后，将辐射源信号时频图输入，使训练好的卷积神经网络对辐射源信号时频图进行识别，首先可将输入的辐射源信号时频图识别出是否为调频信号、编码信号或者通信信号，接下来通过CNN网络进行具体特征识别，可对调频信号进行分类为线性调频信号、步进线性调频信号与步进频信号；可将编码信号具体识别为频率编码信号、步进频率编码信号、通信编码信号与相位编码信号。
本发明实施例所述雷达辐射源信号时频特征识别方法具有以下技术效果：
本发明实施例将雷达辐射源信号经过时频频域变换后，输入训练好的卷积神经网络中进行识别，可识别出不同类型的辐射源，且识别率高，可适应复杂环境。
本实施例还利用所述雷达辐射源信号时频特征识别方法进行多种低截获雷达辐射源信号识别实验，多种低截获雷达辐射源信号时频图如图3-图9所示。其中，图3为线性调频信号(LFM)时频图，图4为步进线性调频信号(SFCFM)时频图，图5为步进频信号(SF)时频图，图6为频率编码信号(DFC)时频图，图7为步进频率编码信号(SFDFC)时频图，图8为通信编码信号时频图，图9为相位编码信号时频图。不同信号对应的识别率见表1所示。
表1不同雷达辐射源信号识别率
由上述实验结果可以看出，本发明实施例利用分析辐射源信号时频特征进行辐射源信号识别具有很高的识别率，该识别方法可适应复杂环境，识别率保持较高水平。
参照图10，本发明实施例还提供了一种雷达辐射源信号时频特征识别装置200，具体包括：
至少一个处理器210；
至少一个存储器220，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器210执行，使得所述至少一个处理器210实现如图1所示的方法。
其中，存储器220作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。存储器220可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器220可选包括相对于处理器210远程设置的远程存储器，这些远程存储器可以通过网络连接至处理器210。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
可以理解到，图10中示出的装置结构并不构成对装置200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10所示的装置200中，处理器210可以调取存储器220中储存的程序，并执行但不限于图1所示实施例的步骤。
以上所描述的装置200实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现实施例的目的。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有处理器可执行的程序，所述处理器可执行的程序在被处理器执行时用于实现如图1所示的方法。
本申请实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
可以理解的是，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种雷达辐射源信号时频特征识别方法，其特征在于，包括：
获取雷达辐射源时域波形图；
对所述辐射源时域波形图进行时域频域变换，得到辐射源信号时频图；
利用训练好的卷积神经网络接收所述辐射源信号时频图并进行识别；
获取所述训练好的卷积神经网络输出的辐射源信号时频特征。
2.根据权利要求1所述的一种雷达辐射源信号时频特征识别方法，其特征在于，所述获取雷达辐射源时域波形图这一步骤，具体包括：
接收雷达脉冲信号；
对所述雷达脉冲信号进行下变频处理；
使用运算放大电路对下变频处理后的雷达脉冲信号进行放大处理；
使用信号采集板上的模数转换器对放大处理后的雷达脉冲信号进行采集，得到雷达辐射源时域波形图。
3.根据权利要求1所述的一种雷达辐射源信号时频特征识别方法，其特征在于，所述对所述辐射源时域波形图进行时域频域变换，得到辐射源信号时频图具体为：
利用短时傅里叶变换对所述辐射源时域波形图进行时域频域变换，得到辐射源信号时频图。
4.根据权利要求1所述的一种雷达辐射源信号时频特征识别方法，其特征在于，所述方法还包括对卷积神经网络进行训练，包括：
构建训练集，所述训练集包括不同类别的辐射源信号时频图；
获取所述训练集以对所述卷积神经网络进行训练。
5.根据权利要求4所述的一种雷达辐射源信号时频特征识别方法，其特征在于，对卷积神经网络进行训练还包括：
利用误差反向传播算法对所述卷积神经网络进行调节；
修正所述卷积神经网络各层的连接权值和阈值，使误差达到预设值。
6.根据权利要求1所述的一种雷达辐射源信号时频特征识别方法，其特征在于，所述训练好的卷积神经网络包括类别特征识别模块和具体特征分类识别模块；
所述类别特征识别模块用于识别出时频特征的类别；
所述具体特征分类识别模块用于对所述类别特征识别模块的识别结果作进一步具体特征识别。
7.根据权利要求6所述的一种雷达辐射源信号时频特征识别方法，其特征在于，所述类别特征识别模块识别出时频特征的类别包括调频信号和编码信号。
8.根据权利要求7所述的一种雷达辐射源信号时频特征识别方法，其特征在于，所述具体特征分类识别模块对所述类别特征识别模块的识别结果作进一步具体特征识别具体包括：
对所述调频信号进行识别并分类为线性调频信号、步进线性调频信号和步进频信号；
对所述编码信号进行识别并分类为频率编码信号、步进频率编码信号、通信编码信号和相位编码信号。
9.一种雷达辐射源信号时频特征识别装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-8任一项所述的方法。
10.计算机可读存储介质，其特征在于，其上存储有处理器可执行的程序，所述处理器可执行的程序在被处理器执行时用于实现如权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110045968.6A CN112764003A (zh) | 2021-01-14 | 2021-01-14 | 一种雷达辐射源信号时频特征识别方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110045968.6A CN112764003A (zh) | 2021-01-14 | 2021-01-14 | 一种雷达辐射源信号时频特征识别方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112764003A true CN112764003A (zh) | 2021-05-07 |
Family
ID=75700416
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110045968.6A Pending CN112764003A (zh) | 2021-01-14 | 2021-01-14 | 一种雷达辐射源信号时频特征识别方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112764003A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113343868A (zh) * | 2021-06-15 | 2021-09-03 | 四川九洲电器集团有限责任公司 | 一种辐射源个体识别方法及装置、终端、存储介质 |
| CN113376608A (zh) * | 2021-05-27 | 2021-09-10 | 哈尔滨工程大学 | 一种基于卷积神经网络的雷达辐射源结构识别方法 |
| CN113376610A (zh) * | 2021-06-22 | 2021-09-10 | 西安电子科技大学 | 基于信号结构信息的窄带雷达目标检测方法 |
| CN113640750A (zh) * | 2021-08-13 | 2021-11-12 | 安徽中金码电子科技有限公司 | 基于图像的雷达信号波形调制方式识别方法、平台及介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
| CN109633588A (zh) * | 2018-12-29 | 2019-04-16 | 杭州电子科技大学 | 基于深度卷积神经网络的雷达辐射源识别方法 |
| CN109711314A (zh) * | 2018-12-21 | 2019-05-03 | 西安电子科技大学 | 基于特征融合与sae的雷达辐射源信号分类方法 |
| CN109767785A (zh) * | 2019-03-06 | 2019-05-17 | 河北工业大学 | 基于卷积神经网络的环境噪声识别分类方法 |
| CN109932699A (zh) * | 2019-03-15 | 2019-06-25 | 西安电子科技大学 | 一种雷达辐射源识别方法、装置、计算机设备和存储介质 |
| CN110133610A (zh) * | 2019-05-14 | 2019-08-16 | 浙江大学 | 基于时变距离-多普勒图的超宽带雷达动作识别方法 |
| 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 |
| CN110427893A (zh) * | 2019-08-06 | 2019-11-08 | 西安电子科技大学 | 一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质 |
| CN110705450A (zh) * | 2019-09-27 | 2020-01-17 | 北京理工全盛科技有限公司 | 被动式无人机探测装置 |
| CN112001306A (zh) * | 2020-08-21 | 2020-11-27 | 西安交通大学 | 基于深度卷积对抗生成神经网络的脑电信号解码方法 |
| CN112034434A (zh) * | 2020-09-04 | 2020-12-04 | 中国船舶重工集团公司第七二四研究所 | 基于稀疏时频检测卷积神经网络的雷达辐射源识别方法 |
-
2021
- 2021-01-14 CN CN202110045968.6A patent/CN112764003A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
| CN109711314A (zh) * | 2018-12-21 | 2019-05-03 | 西安电子科技大学 | 基于特征融合与sae的雷达辐射源信号分类方法 |
| CN109633588A (zh) * | 2018-12-29 | 2019-04-16 | 杭州电子科技大学 | 基于深度卷积神经网络的雷达辐射源识别方法 |
| CN109767785A (zh) * | 2019-03-06 | 2019-05-17 | 河北工业大学 | 基于卷积神经网络的环境噪声识别分类方法 |
| CN109932699A (zh) * | 2019-03-15 | 2019-06-25 | 西安电子科技大学 | 一种雷达辐射源识别方法、装置、计算机设备和存储介质 |
| CN110133610A (zh) * | 2019-05-14 | 2019-08-16 | 浙江大学 | 基于时变距离-多普勒图的超宽带雷达动作识别方法 |
| 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 |
| CN110427893A (zh) * | 2019-08-06 | 2019-11-08 | 西安电子科技大学 | 一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质 |
| CN110705450A (zh) * | 2019-09-27 | 2020-01-17 | 北京理工全盛科技有限公司 | 被动式无人机探测装置 |
| CN112001306A (zh) * | 2020-08-21 | 2020-11-27 | 西安交通大学 | 基于深度卷积对抗生成神经网络的脑电信号解码方法 |
| CN112034434A (zh) * | 2020-09-04 | 2020-12-04 | 中国船舶重工集团公司第七二四研究所 | 基于稀疏时频检测卷积神经网络的雷达辐射源识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| FENFEI XU等: "Parameter_Estimation_of_Multi-Component_LFM_Signals_Based_on_STFTHough_Transform_and_Fractional_Fourier_Transform", 2018 2ND IEEE ADVANCED INFORMATION MANAGEMENT,COMMUNICATES,ELECTRONIC AND AUTOMATION CONTROL CONFERENCE(IMCEC 2018), pages 836 - 842 * |
| 王渝冲等: "基于小波变换的雷达信号调制类型识别方法", 计算机工程, vol. 38, no. 23, pages 1 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113376608A (zh) * | 2021-05-27 | 2021-09-10 | 哈尔滨工程大学 | 一种基于卷积神经网络的雷达辐射源结构识别方法 |
| CN113343868A (zh) * | 2021-06-15 | 2021-09-03 | 四川九洲电器集团有限责任公司 | 一种辐射源个体识别方法及装置、终端、存储介质 |
| CN113376610A (zh) * | 2021-06-22 | 2021-09-10 | 西安电子科技大学 | 基于信号结构信息的窄带雷达目标检测方法 |
| CN113640750A (zh) * | 2021-08-13 | 2021-11-12 | 安徽中金码电子科技有限公司 | 基于图像的雷达信号波形调制方式识别方法、平台及介质 |
| CN113640750B (zh) * | 2021-08-13 | 2022-07-05 | 安徽中金码电子科技有限公司 | 基于图像的雷达信号波形调制方式识别方法、平台及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112764003A (zh) | 一种雷达辐射源信号时频特征识别方法、装置及存储介质 | |
| CN110927706B (zh) | 基于卷积神经网络的雷达干扰检测识别方法 | |
| US20200143279A1 (en) | Radio frequency band segmentation, signal detection and labelling using machine learning | |
| CN111783558A (zh) | 一种卫星导航干扰信号类型智能识别方法及系统 | |
| Cain et al. | Convolutional neural networks for radar emitter classification | |
| CN110297218B (zh) | 基于生成对抗网络的雷达信号未知调制方式检测方法 | |
| CN102279390A (zh) | 一种低信噪比雷达辐射源信号脉内调制识别方法 | |
| US20200097775A1 (en) | Systems and methods for detecting and classifying anomalous features in one-dimensional data | |
| CN107392123B (zh) | 一种基于相参积累消噪的射频指纹特征提取和识别方法 | |
| CN111175718A (zh) | 联合时频域的地面雷达自动目标识别方法及系统 | |
| CN110929842B (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
| CN113747385B (zh) | 室内定位方法、装置、设备及计算机可读存储介质 | |
| Lin et al. | DL-CFAR: A novel CFAR target detection method based on deep learning | |
| CN114636975A (zh) | 基于谱图融合和注意力机制的lpi雷达信号识别方法 | |
| DE102010013637A1 (de) | Verfahren zur Klassifizierung von Signalen nach der verwendeten Modulationsart | |
| EP3206574A1 (en) | Frame based spike detection module | |
| CN117233706A (zh) | 一种基于多层通道注意力机制的雷达有源干扰识别方法 | |
| CN107894837A (zh) | 动态情感分析模型样本处理方法及装置 | |
| CN111983569A (zh) | 基于神经网络的雷达干扰抑制方法 | |
| Guven et al. | Classifying LPI radar waveforms with time-frequency transformations using multi-stage CNN system | |
| CN116738225A (zh) | 一种基于改进YOLOv5的信号检测方法 | |
| CN107341519B (zh) | 一种基于多分辨率分析的支持向量机识别优化方法 | |
| CN116430317A (zh) | 一种辐射源调制样式与个体识别方法及系统 | |
| Abratkiewicz | Double‐adaptive chirplet transform for radar signature extraction | |
| CN112488092B (zh) | 基于深度神经网络的导航频段信号类型识别方法及系统 |
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 |