CN112859025B - 一种基于混合网络的雷达信号调制类型分类方法 - Google Patents

Abstract

本发明公开了一种基于混合网络的雷达信号调制类型分类方法，包括以下步骤：将雷达信号输入预先构建的融合深度学习混合网络的调制类型分类模型中；调制类型分类模型输出模糊函数特征平面，基于模糊函数特征平面，对雷达信号进行分类。调制类型分类模型包括以下步骤：提取雷达信号中的SF信号；提取雷达信号中的BPSK信号；构建提取后未分类的雷达信号的特征平面；将特征平面输入融合深度学习混合网络，并获得未分类的雷达信号的模糊函数图；基于模糊函数图，对提取后的未分类的雷达信号进行分类。本发明的分类方法具有很好的分类特性，降低了深度学习算法训练的样本量，简化了训练模型、减少了训练数据量，因而降低了训练复杂度。

Description

一种基于混合网络的雷达信号调制类型分类方法

技术领域

本发明涉及一种雷达信号调制类型分类方法，尤其涉及一种基于混合网络的雷达信号调制类型分类方法，属于雷达信号侦查技术领域。

背景技术

随着现代化无线电技术的快速发展，各种各样参数多变、形式复杂的雷达辐射源广泛投入使用，使得对雷达信号特征进行准确地定性分析变得越来越困难。雷达信号的参数由人工设计，传统的信号识别方法中，特征的提取与选择环节一般靠人工经验设计，部分信号具有显著可靠特征，如单载频信号时宽带宽积为1，频谱仅具有一个频率，可用来实现信号的准确分类。然而，这些特征只在一些特定对象中能取得好的效果，并不具备一定的通用性。对于复杂调制的频率和相位编码信号，常用特征的表征能力不足，特征提取相对困难。深度学习是一种能用来自动学习数据重要深层特征的方法，可有效解决特征提取困难的问题，自动编码器(Auto Encoder，AE)作为深度学习结构的重要组成部分，在无监督学习及非线性特征提取过程中扮演着重要角色，已经在图像识别领域取得了突破性的进展。然而，采用深度学习算法进行分类识别的方法存在需要大量的训练样本，样本构建复杂，以及大样本训练耗时的缺点。这就导致对雷达信号调制类型分类时耗时时间长、效率较低。

因此，需要设计一种新的雷达信号调制类型分类方法，能够提高对雷达信号调制类型分类的效率。

发明内容

本发明的目的在于克服现有技术中的雷达信号调制类型分类方法效率低的不足，提供一种基于混合网络的雷达信号调制类型分类方法，技术方案如下：

一种基于混合网络的雷达信号调制类型分类方法，包括以下步骤：

将雷达信号输入预先构建的调制类型分类模型中；

调制类型分类模型输出模糊函数特征平面，

基于模糊函数特征平面，对雷达信号进行分类。

进一步地，调制类型分类模型包括以下步骤：

提取雷达信号中的SF信号；

提取雷达信号中的BPSK信号；

构建提取后未分类的雷达信号的特征平面；

将特征平面输入堆叠稀疏自编码器网络，并获得未分类的雷达信号的模糊函数图；

基于模糊函数图，对提取后的未分类的雷达信号进行分类。

优选地，提取雷达信号中的SF信号，包括以下步骤：

提取雷达信号中高可靠性特征参数多级瞬时自相关实部和时宽带宽积；

若所述雷达信号中信号的多级瞬时自相关实部单值且时宽带宽积<门限ε，则所述信号被识别为SF信号。

优选地，提取雷达信号中的BPSK信号，包括以下步骤：

将所述雷达信号进行平方，提取平方后的所述雷达信号中高可靠性特征参数多级瞬时自相关实部和时宽带宽积；

若所述级瞬时自相关实部单值且时宽带宽积<门限ε，则所述雷达信号被识别为BPSK信号。

优选地，特征平面构建包括以下步骤：

基于模糊函数获取待分类信号的模糊函数二维矩阵；

对待分类信号设置自动化门限，构建二值化的模糊函数特征平面；

对模糊函数特征平面进行数据抽取，获得二值化的模糊函数特征平面。

优选地，堆叠稀疏自编码器网络包括第一稀疏自编码器、第二稀疏自编码器、Softmax分类器，

将二值化的模糊函数特征平面作为第一稀疏自编码器的输入，获得SAE1激活向量、第一权重和第一偏置；

将SAEI激活向量作为第二稀疏自编码器的输入，获得SAE2激活向量、第二权重和第二偏置；

将SAE2激活向量作为Softmax分类器的输入，训练得到Softmax分类器的第三权重和第三偏置；

将第一权重、第二权重、第三权重、第一偏置、第二偏置、第三偏置作为堆叠稀疏自编码器网络的输入，采用反向传播算法对堆叠稀疏自编码器网络进行微调。

与现有技术相比，本发明所达到的有益效果：

本发明的分类方法具有很好的分类特性，降低了深度学习算法训练的样本量，简化了训练模型、减少了训练数据量，因而降低了训练复杂度。实现对雷达回波进行准确快速分类，通过设置自动化门限提取合理特征减少虚警和漏警概率。传统的信号识别方法中，特征的提取和选择环节一般通过人工经验设计，部分信号可以提取有效特征实现分类，但是对于复杂的调制信号，特征提取困难，常用的深度学习算法可以有效提取信号深层特征，有效解决特征提取困难的问题，但是也需要大量的样本和时间，堆叠稀疏自编码器可以通过较少的样本特征实现分类，从而降低了时间，提高了效率。

附图说明

图1为本发明的雷达信号调制类型分类方法的流程图；

图2为BPSK信号平方前后的频谱图，(a)平方前的频谱图，(b)平方后的频谱图；

图3为各输入信号模糊函数俯视图：LFM信号(图3a)，OFDM信号(图3b)，NLFM信号(图3c)，步进频信号(图3d)；

图4为5dB信噪比下LFM信号的模糊函数图(图4a)和二值化特征平面(图4b)；

图5为10dB信噪比下LFM信号模糊函数图(图5a)和二值化特征平面(图5b)；

图6为20dB信噪比下LFM信号模糊函数图(图6a)和二值化特征平面(图6b)；

图7为各信号(处理后的信号)二值化模糊函数特征平面：LFM信号(图7a)，OFDM信号(图7b)，NLFM信号(图7c)，步进频信号(图7d)；

图8为本发明的自编码器结构示意图；

图9为本发明的堆叠稀疏自编码器模型框图；

图10为通过本发明的方法处理后的信号分类正确率：(a)信号平均分类正确率；(b)各信号分类正确率。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

相关术语说明：

信噪比：英文全称是SIGNAL NOISE RATIO，简称SNR或S/N；

单频信号：英文全称是Single Frequency signal，简称SF；

线性调频信号：英文全称是Linear Frequency Modulation signal，简称LFM；

二相编码信号：英文全称是Biphase coded signal，简称BPSK；

正交频分复用信号：英文全称是Orthogonal Frequency Division multiplexingsignal，简称OFDM；

非线性调频信号：英文全称是Nonlinear Frequency Modulation signal，简称NLFM。

实施例1

如图1所示，一种基于混合网络的雷达信号调制类型分类方法，包括以下步骤：

将雷达信号输入预先构建的调制类型分类模型中；本实施例中所涉及的雷达信号中包含SF、BPSK、LFM、OFDM、NLFM和步进频信号。

构建数据样本：根据表1的参数设置产生SF、BPSK、LFM、OFDM、NLFM和步进频信号，共构建3000个数据样本。本实施例主要对码元速率(CR)、信号带宽(BW)、信噪比(SNR)、频率差(FD)等进行了参数变化，不改变采样频率(FS)、时宽(TW)和载波频率(CF)等参数，从而增加数据样本的复杂度，接近真实场景应用。本实施例的参数设置方式可以产生基于参数各态历经性的数据样本，同时防止参数变化过多导致的样本量过多、参数变化过少导致的样本覆盖不全面。

表1不同雷达信号参数

调制类型分类模型输出模糊函数特征平面，

基于模糊函数特征平面，对雷达信号进行分类。

本实施例中，调制类型分类模型包括以下步骤：

提取雷达信号中的SF信号；

提取雷达信号中的BPSK信号；

构建提取后未分类的雷达信号的特征平面；

将特征平面输入堆叠稀疏自编码器网络，并获得未分类的雷达信号的模糊函数图；

基于模糊函数图，对提取后的未分类的雷达信号进行分类。

本实施例中采用了多层分类的方法，

本实施例中作为优选方式，提取雷达信号中的SF信号，包括以下步骤：

提取雷达信号中高可靠性特征参数多级瞬时自相关实部和时宽带宽积；

若所述雷达信号中信号的多级瞬时自相关实部单值且时宽带宽积<门限ε，则所述信号被识别为SF信号。

对SF信号的提取为基于高可靠性特征参数(多级瞬时自相关实部和时宽带宽积)的第一层分类，包括对雷达信号做多级瞬时自相关，提取SF信号的高可靠性特征参数多级瞬时自相关实部。同时，测量信号的时宽和带宽，通过公式(1)计算SF、BPSK、LFM、OFDM、NLFM和步进频信号的时宽带宽积：

P_ro＝B·T (1)

式中，B为带宽，T为时宽；

信号x(t)的瞬时自相关定义如下

I1(t,i)＝Real{x(t)·x^*(t-i)}

I2(t,j)＝Real{x(t)·x^*(t-j)}

I3(t,k)＝Real{x(t)·x^*(t-k)} (2)

其中，x(t)为雷达接收信号，i，j，k为采样点时延，I1(t,i)为信号在i时刻的瞬时自相关的实部，t为时间，x^*(t-i)为x(t)延迟i个采样点后的共轭信号；

I2(t,j)为信号在时刻j的瞬时自相关的实部，x^*(t-j)为x(t)延迟j个采样点后的共轭信号；I3(t,k)为信号在时刻k的瞬时自相关的实部，x^*(t-k)为x(t)延迟k个采样点后的共轭信号；

多级瞬时自相关为

R＝I1*I2*I3 (3)

式中，i，j，k为采样点时延，I1为信号在i时刻的瞬时自相关的实部；I2为信号在时刻j的瞬时自相关的实部；I3为信号在时刻k的瞬时自相关的实部；多级瞬时自相关比二阶瞬时自相关具有更加稳定的时延参数选择性能；对于平方处理后的BPSK信号，载频变为单频信号，则多级瞬时自相关函数为1。若所述多级瞬时自相关实部为单值且时宽带宽积<门限ε，则所述雷达信号被识别为BPSK信号。

设置时宽带宽积的门限为ε，当信号满足时宽带宽积小于门限ε且多级瞬时自相关实部单值时，可识别出SF信号，实现{SF}和{BPSK、LFM、OFDM、NLFM、步进频}的准确分类。

本实施例中，考虑噪声对时宽带宽积的影响，设置时宽带宽积门限ε为3，SF信号的时宽带宽积小于3，其余信号大于3。因此，同时多级瞬时自相关实部为单值，时宽带宽积小于3的信号为SF信号，第一层分类将信号分类成{SF}和{BPSK、LFM、OFDM、NLFM、步进频}。

本实施例中作为优选方式，提取雷达信号中的BPSK信号，包括以下步骤：

将雷达信号进行平方，提取平方后的雷达信号中高可靠性特征多级瞬时自相关实部和多级瞬时自相关实部；

若时宽带宽积<门限ε且多级瞬时自相关实部为单值，则雷达信号被识别为BPSK信号。

第二层分类：对BPSK信号的提取为基于高可靠性特征参数的第二层分类，的特征，再次进行多级瞬时自相关和时宽带宽测量，对BPSK、LFM、OFDM、NLFM以及步进频信号进行平方，提取平方后BPSK信号的高可靠性特征参数多级瞬时自相关以及时宽带宽积；如图2所示，为BPSK信号平方前后的频谱图。由图可知，平方后的BPSK信号变成了SF信号，具备了SF信号的特征。此时，根据平方后的信号，若满足多级瞬时自相关实部为单值，时宽带宽积小于门限ε＝3，则为BPSK信号，第二层分类将信号分类成{BPSK}和{LFM、OFDM、NLFM、步进频}。本实施例中作为优选方式，特征平面构建包括以下步骤：

基于模糊函数获取待分类信号的模糊函数二维矩阵；

对待分类信号设置自动化门限，构建二值化的模糊函数特征平面；

对模糊函数特征平面进行数据抽取，获得二值化的模糊函数特征平面。

对于LFM、OFDM、NLFM和步进频信号的分类，人工提取特征变得复杂。采用基于模糊函数特征平面和基于堆叠稀疏自编码器深度学习算法(AMFM-sSAE)分类方法进行第三层的分类。本发明的第三层分类基于图像特征识别的理论进行分类，用具有特征信息的像素矩阵(像素矩阵大小如图9所示)代替图像作为深度学习网络(即指堆叠稀疏自编码器)的输入，在一定程度上避免了图像存储的繁琐过程。

第三层分类：采用堆叠稀疏自编码器对未分类的{LFM、OFDM、NLFM、步进频}信号进行分类，具体方式是：

在训练阶段，按照表1产生LFM、OFDM、NLFM以及步进频信号，选取第一步构建的3000个数据样本中的2000个作为训练样本

在测试阶段，改变参数设置，选取第一步构建的3000个数据样本中剩余的1000个作为测试样本，测试在6～14dB的信噪比下AMFM-sSAE的分类性能。

(1)利用模糊函数得到待分类信号(即：LFM、OFDM、NLFM、步进频信号)的模糊函数二维矩阵。

信号模糊函数作为雷达信号分析基本方法，模糊函数经常被用来分析雷达信号的目标分辨能力和旁瓣特性。连续信号s(t)的模糊函数表达式为：

其中，τ为时间延迟，f_d为多普勒频移，[·]^*表示共轭运算，s(t)为输入信号，(t-τ)为时间差，为相移，j为虚数，f_d为多普勒频移。

(2)通过有序统计量恒虚警检测方法设置自动化门限，构建二值化模糊函数特征平面。

对模糊函数特征平面设置自适应门限，针对模糊函数平面使用针对噪声平面统计自动门限设置方法，针对模糊函数部分边缘数据，采用计算包络平均值σ_f的方法，采用公式(5)设置门限：

A_i为所取噪声数据，N_s为数据点数，σ_r为超过均值的门限固定值；采用门限设置方法后，针对高斯白噪声背景，可自动化检测出高概率峰值，适应噪声起伏环境。

(3)对模糊函数特征平面进行数据抽取，获得如图9所示的56*28平面尺寸大小的二值化的模糊函数特征平面。

本实施例中作为优选方式，堆叠稀疏自编码器网络包括第一稀疏自编码器、第二稀疏自编码器、Softmax分类器，其中第一稀疏自编码器和第二稀疏自编码器逐层堆叠，实现LFM、OFDM、NLFM和步进频信号的分类识别。具体过程如下：

将二值化的模糊函数特征平面作为第一稀疏自编码器的输入，获得SAE1激活向量、第一权重和第一偏置；

将SAEI激活向量作为第二稀疏自编码器的输入，获得SAE2激活向量、第二权重和第二偏置；

将SAE2激活向量作为Softmax分类器的输入，训练得到Softmax分类器的第三权重和第三偏置；

将第一权重、第二权重、第三权重、第一偏置、第二偏置、第三偏置作为堆叠稀疏自编码器网络的输入，采用反向传播算法对堆叠稀疏自编码器网络进行微调。

如图3所示，为各信号的归一化模糊函数俯视图。由图3可知，LFM信号的模糊函数呈刀刃形状，刀刃方向与多普勒频移轴成一角度；OFDM信号的模糊函数呈图钉形状，只有一个尖峰，旁瓣较低；NLFM信号的模糊函数图呈斜刀刃形状；步进频信号的模糊函数呈多簇“斜刃”的组合，这个“斜刃”是由于频率的线性步进造成。由于这几种雷达信号的模糊函数图存在明显差异，可利用模糊函数构建特征平面。

如图4至图6所示，以LFM信号为例，在信噪比为5dB、10dB和20dB的情况下，信号的模糊函数图和按自动化门限构建的时频特征平面。由图可知，在3种不同信噪比下，采用自动化门限的方法产生的模糊函数特征平面均较好地体现了LFM信号的模糊函数特征，从而改善了噪声起伏时手动设置门限繁琐的缺陷，使分类的自动化程度提高。

如图7所示，采用有噪声统计包络平均方法设置自动化门限后，大于门限的模糊函数值设为255，小于门限的模糊函数值设为0，得到大小为200×100的二值化模糊函数特征平面。对平面进行像素抽取、裁剪等操作，得到如图7所示的大小为100×100的二值化模糊函数特征平面。由图7可知，几种信号的模糊函数特征平面存在较大差异。LFM信号的模糊函数图呈刀刃型，刀刃方向与轴线方向成一角度；OFDM信号的模糊函数图呈图钉型；NLFM信号的模糊函数呈斜刀刃型；步进频信号的模糊函数图呈多簇“斜刃”的组合。图7中的图是图3中经过图像与预处理后得到的。

如图8所示，描述了自编码器的工作原理，每个自编码器是一个3层的神经网络，第1层是输入层，第2层是隐藏层，第3层是输出层。从输入层到隐藏层为编码过程，一般情况下，隐藏层的神经元个数小于输入层的神经元个数。网络经过编码的过程学习到输入数据的压缩表示，以达到数据降维的目的。

如图9所示，描述了堆叠稀疏自编码器的网络模型，堆叠稀疏自编码器由两个稀疏自编码器堆叠而成，共四层，包括一个输入层、两个隐藏层以及一个输出层。首先，初始化网络参数，将56×28的特征平面作为第一个稀疏自编码器的输入，训练得到SAE1的权重和偏置以及激活向量。接着，固定SAE1的参数，将SAE1的激活向量作为第二个稀疏自编码器的输入，训练得到SAE2的权重和偏置以及激活向量。接着，固定SAE2的参数，将SAE2的激活向量和作为Softmax分类器的输入，训练得到分类器的权重和偏置。最后，将最终训练好的各层的权重和偏置作为整个网络的初始化参数，利用反向传播算法对整个网络参数进行“微调”。

本发明提出了适用于深度学习算法调制类型分类使用的二维特征平面的构建方法，包括设置自动化门限和像素抽取等。对于电子侦察系统，随着使用环境与地点的改变，接收通道噪声往往受到电磁环境的影响而呈现较大变化。尤其是接收通道往往使用自动增益控制，使得AD量化输入信号噪声电平经常发生变化。模糊函数特征平面的构建需要设置量化门限，而设置手动门限的方法难以适应噪声电平的起伏。因此，需要设置自适应门限以保持雷达信号调制类型识别系统高度自动化实现，这是深度学习调制类型识别算法在系统上实现应用的关键技术。本发明提出针对模糊函数平面使用针对噪声平面统计自动门限设置方法，即针对模糊函数部分边缘数据，采用计算包络平均值的方法，以此为基础设置门限。

如图10，本实施例中采用MATLAB对信噪比从6dB到14dB的情况进行仿真验证，图10(a)为6种信号的平均分类精度，其中，在信噪比为6dB的情况下，平均分类精度可达98.4％。

图10(b)为采用本发明的调制类型分类方法的，在不同信噪比下每个雷达信号的分类识别率。由图10(b)可知，在信噪比为5dB时，先分类出的SF信号和BPSK信号的分类正确率达到98％以上，LFM、OFDM、NLFM和步进频信号也保持较好的分类正确率。

仿真结果表明，本发明的基于堆叠稀疏自编码器的雷达信号调制类型分类方法采用混合型分类网络，是一种融合了高可靠性特征参数分类和堆叠稀疏自编码器深度学习算法的混合型网络，具有良好的分类性能。其中，第一层分类和第二层分类选取高可靠性的分类特征参数，保证了SF信号和BPSK信号等高可靠性信号调制分类的可靠性。不需要建立SF信号和BPSK信号的训练样本，降低了深度学习算法训练的样本量，简化了训练模型、减少了训练数据量，因而降低了训练复杂度。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (1)

1.一种基于混合网络的雷达信号调制类型分类方法，其特征在于，包括以下步骤：

将雷达信号输入预先构建的参数特征提取与堆叠稀疏自编码器学习混合网络的调制类型分类模型中；

所述混合网络首先实现针对SF和BPSK的分类；采用基于自动门限模糊函数特征平面针对其他调制类型信号进行分类；

基于所述模糊函数特征平面，对所述雷达信号进行分类；

所述调制类型分类模型包括以下步骤：

提取雷达信号中的SF信号；

提取雷达信号中的BPSK信号；

构建提取后未分类的所述雷达信号的特征平面；

将所述特征平面输入堆叠稀疏自编码器网络，并获得所述未分类的所述雷达信号的模糊函数图；

基于所述模糊函数图，对提取后的未分类的所述雷达信号进行分类；

提取雷达信号中的SF信号，包括以下步骤：

提取雷达信号中高可靠性特征参数多级瞬时自相关实部和时宽带宽测量积；

若所述雷达信号中信号的多级瞬时自相关实部为单值且时宽带宽积<门限ε，则所述信号被识别为SF信号；

提取雷达信号中的BPSK信号，包括以下步骤：

将所述雷达信号进行平方，提取平方后的所述雷达信号中高可靠性特征参数多级瞬时自相关实部和时宽带宽积；

信号x(t)的瞬时自相关定义为：

I1(t,i)＝Real{x(t)·x^*(t-i)}

I2(t,j)＝Real{x(t)·x^*(t-j)}

I3(t,k)＝Real{x(t)·x^*(t-k)} (2)

其中，x(t)为雷达接收信号，i，j，k为采样点时延，I1(t,i)为信号在i时刻的瞬时自相关的实部，t为时间，x^*(t-i)为x(t)延迟i个采样点后的共轭信号；I2(t,j)为信号在时刻j的瞬时自相关的实部，x^*(t-j)为x(t)延迟j个采样点后的共轭信号；I3(t,k)为信号在时刻k的瞬时自相关的实部，x^*(t-k)为x(t)延迟k个采样点后的共轭信号；

多级瞬时自相关为：

R＝I1*I2*I3 (3)

式中，i，j，k为采样点时延；I1为信号在i时刻的瞬时自相关的实部；I2为信号在时刻j的瞬时自相关的实部；I3为信号在时刻k的瞬时自相关的实部；多级瞬时自相关比二阶瞬时自相关具有更加稳定的时延参数选择性能；对于平方处理后的BPSK信号，载频变为单频信号，则多级瞬时自相关函数为1；若所述多级瞬时自相关实部为单值且时宽带宽积<门限ε，则所述雷达信号被识别为BPSK信号；

所述特征平面构建包括以下步骤：

基于模糊函数获取待分类信号的模糊函数二维矩阵；

对所述待分类信号设置自动化门限，构建二值化的模糊函数特征平面；

对所述模糊函数特征平面进行数据抽取，获得二值化的模糊函数特征平面；

采用计算包络平均值σ_f的方法，采用公式(5)设置门限：

A_i为所取噪声数据，N_s为数据点数，σ_r为超过均值的门限固定值；采用门限设置方法后，针对高斯白噪声背景，可自动化检测出高概率峰值，适应噪声起伏环境；

所述堆叠稀疏自编码器网络包括第一稀疏自编码器、第二稀疏自编码器、Softmax分类器，

将所述二值化的模糊函数特征平面作为所述第一稀疏自编码器的输入，获得SAE1激活向量、第一权重和第一偏置；

将所述SAEI激活向量作为所述第二稀疏自编码器的输入，获得SAE2激活向量、第二权重和第二偏置；

将所述SAE2激活向量作为所述Softmax分类器的输入，训练得到所述Softmax分类器的第三权重和第三偏置；

将所述第一权重、第二权重、第三权重、第一偏置、第二偏置、第三偏置作为所述堆叠稀疏自编码器网络的输入，采用反向传播算法对所述堆叠稀疏自编码器网络进行微调。