CN112861790B - 一种基于深度学习的电磁探测网络组网方式识别方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的电磁探测网络组网方式识别方法，包括以下步骤：步骤1：获取电磁探测网络组网特征信息，形成特征集；步骤2：对步骤1得到的特征集数据进行预处理；步骤3：将步骤2得到的数据划分为训练集和测试集，采用训练集对深度学习模型进行训练，得到训练后的模型；步骤4：将待输入的数据输入步骤3训练后的模型进行电磁探测网络组网的识别；步骤3中的深度学习模型为CNN‑LSTM模型，包括依次连接的输入层、CNN层、LSTM层、全连接层和输出层；本发明采用了深度学习技术能有效克服大数据处理、特征提取和计算精度等方面的不足，实现对电磁探测网络组网方式的智能、实时地分析、推理和判断。

Description

一种基于深度学习的电磁探测网络组网方式识别方法

技术领域

本发明涉及电磁探测网络对抗技术领域，具体涉及一种基于深度学习的电磁探测网络组网方式识别方法。

背景技术

识别电磁探测网络组网方式是对抗组网电磁探测网络的前提条件，对电磁探测网络组网方式识别正确与否，直接关系到对抗组网电磁探测网络的效果。电磁探测组网方式的识别涉及到多种因素，如组网电磁探测网内辐射源数目、电磁探测网络布站方式、电磁探测网络协同工作方式、网内网间通信信息等。单纯依靠人工方式很难胜任从多源战场数据中实时、准确地识别地方电磁探测网络组网方式的需求。通用的模式识别方法如模板匹配、证据理论、贝叶斯网络等不仅工程实现难度大，而且电磁探测网络组网结构通常隐含在连续多个时刻时序变化的状态信息中。现有方法难以有效地从时序变化的目标状态特征中分析、挖掘其中隐含的深层信息。

发明内容

本发明针对现有技术存在的问题提供一种具有高识别率，同时具有强的泛化能力和鲁棒性的基于深度学习的电磁探测网络组网方式识别方法。

本发明采用的技术方案是：

一种基于深度学习的电磁探测网络组网方式识别方法，包括以下步骤：

步骤1：获取电磁探测网络组网特征信息，形成特征集；

步骤2：对步骤1得到的特征集数据进行预处理；

步骤3：将步骤2得到的数据划分为训练集和测试集，采用训练集对深度学习模型进行训练，得到训练后的模型；

步骤4：将待输入的数据输入步骤3训练后的模型进行电磁探测网络组网的识别；

步骤3中的深度学习模型为CNN-LSTM模型，包括依次连接的输入层、CNN层、LSTM层、全连接层和输出层。

进一步的，所述步骤1中的电磁探测组网特征信息包括电磁探测网络信息和通信信息。

进一步的，所述步骤2中的预处理包括样本特征编码、缺失数据填充、数据归一化处理。

进一步的，所述缺失数据填充过程如下：

首先建立多元线性回归模型：

y＝θ₁·x₁+θ₂·x₂+θ₃·x₃+…+θ_k·x_k+b

其中，y为因变量，X=(x₁,x₂,x₃,…,x_k)为与因变量相关的自变量，b为偏置；θ₁、θ₂、θ₃、…θ_k为回归系数；

回归系数采用最小二乘法对其估计

y为样本值，f为模型，m为样本容量。

进一步的，所述步骤3中的深度学习模型，采用Adam算法作为模型训练算法，采用交叉熵函数作为损失函数。

进一步的，所述步骤3中的深度学习模型，采用网格搜索和随机搜索确定模型的最优超参数。

进一步的，所述步骤3中的深度学习模型中输入层用于将预处理后的数据集输入模型，CNN层用于对数据集特征的提取，LSTM层用于获取数据序列中的时序信息，全连接层用于执行下述运算，输出层用于对样本进行分类；

z=rule(W·x+b₁)

其中：z为全连接层的输出向量，rule为激活函数，W为神经元参数矩阵，x为LSTM层的输出向量，b₁为偏置项。

进一步的，所述LSTM层为两层，一个完整的LSTM层计算过程如下：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

其中，i_t为输入门向量，o_t为输出门向量，f_t为遗忘门向量，x_t为t时刻的输入，c_t为t时刻细胞状态，h_t为t时刻的隐藏向量，W_f、W_i、W_c、W_o为神经网络的连接参数，b_f、b_i、b_c、b_o为偏置项，

σ为sigmoid函数，其形式为

进一步的，所述模型采用准确率Acc、精确率P、召回率Recall和F进行评价；

其中F1为精确率P和召回率Recall的综合指标；

式中：α为加权调和平均系数。

本发明的有益效果是：

(1)本发明提出了一种基于混合神经网络的电磁探测网络组网方式识别方法，为电磁探测网络组网方式的识别提供了新的研究思路。

(2)本发明采用的深度学习模型克服了传统方法在知识表示和时序特征挖掘上的局限性。

(3)本发明构建的深度学习模型结合了卷积神经网络强大的特征表达能力和循环神经网络的时序记忆优势，在取得高识别率的同时增强了模型的泛化能力和鲁棒性。

(4)本发明全方位考虑了电磁探测网络网内通信信息和先验信息、专家经验等方面的信息，提取的特征更能准确反映电磁探测网络的特性。同时，针对数据的多源异构特点，设计了特征编码方法，将上述信息进行整合，依次加入到特征数据集中。

(5)本发明采用了深度学习技术能有效克服大数据处理、特征提取和计算精度等方面的不足，实现对电磁探测网络组网方式的智能、实时地分析、推理和判断。

附图说明

图1为本发明方法流程示意图。

图2为本发明深度学习模型的框架示意图。

图3为本发明深度学习模型中CNN层特征提取示意图。

图4为本发明深度学习模型中LSTM层内部结构图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步说明。

如图1所示，一种基于深度学习的电磁探测网络组网方式识别方法，包括以下步骤：

步骤1：获取电磁探测网络组网特征信息，形成特征集；

根据电磁探测网络内辐射源信号与相关情报信息获取电磁探测组网特征信息；特征信息主要包括电磁探测网络信息和通信信息。其中电磁探测网络信息主要包括：电磁探测网内辐射源数量、电磁探测网络布站模式、电磁探测网络波段、电磁探测网络天线扫描特性、电磁探测网络工作模式以及电磁探测网络信号特征，包括幅度、脉宽、载频荷散射截面积RCS等实时信息。通信信息主要包括通信电台数量、通信传输方式、通信流量等。除以上信息外，先验信息、专家经验、外部特征等也可以作为电磁探测网内辐射源信息的参考和补充。采集的数据需要能代表性地反映不同电磁探测网络组网方式，为了让所采集的数据能够真实的反映电磁探测网络网结构，选取电磁探测网络信息、通信信息、外部特征、先验信息和专家经验等构成电磁探测网络网内辐射源信息集。

上述特征信息是数据集的特征维度构成，实际上描述的只是某一时刻网内辐射源的特征信息，识别电磁探测网络组网方式过程中，其状态呈现时序变化的特征。本发明采用的深度学习模型需要采集前后多个时刻的状态特征，并处理后形成时序特征向量，作为智能识别模型的输入信号。这是因为考虑到电磁探测组网方式的识别是一个随时序动态变化、不断融合各个时刻信息得出结论的过程，将采集到的信息在时间维度上拓展，达到实时性识别组网方式的要求，这样能够得出最优结果。

采集到的数据采用下述形式表示：

C＝{c_i|i=0,1,2,…,n}

D＝{[X₁,Y₁,Z₁],[X₂,Y₂,Z₂],…,[X_t,Y_t,Z_t]}

其中，C为电磁探测网络组网方式空间，n为电磁探测网络组网方式个数，每类组网方式的数据集存在一个数据集D，数据集的基本构成[X_t,Y_t,Z_t]为一组电磁探测网络网内辐射源特征信息，X_t为时刻t采集的电磁探测网络信息特征，Y_t为时刻t采集的通信信息特征，Z_t为时刻t的其他信息，如先验信息，专家经验等。

步骤2：对步骤1得到的特征集数据进行预处理；预处理主要包括样本特征编码、缺失数据填充、数据归一化处理；预处理的目的是为了解决原始数据中存在的数据类型不一致、数据缺失、数据量纲不一致等问题。

采集到的数据因为包含多个来源的信息，呈现多源异构的特点，最典型的是数据类型不一致问题。如布站模式、通信方式等属于离散信息。因为神经网络模型只能处理数值数据，无法直接处理这样的数据集合，因此必须将各个维度的信息映射到实数空间(主要指布站模式、通信方式等离散信息)，统一编码表示。以布站模式为例，本发明主要考虑线性布站、环形布站、多道防线布站三种布站模式，分别将其映射为1-3之间的数字。以通信方式为例，假设存在五种通信方式，分别是电缆通信、光纤通信、微波通信、短波通信和卫星通信，这五种通信方式按照实数1-5编码，就变换为神经网络需要的数值信息。载频脉宽存在于连续数值空间，对于载频、脉宽、幅度等连续数值空间的状态信息，直接进入下一步处理即可。

探测电磁探测网络组网信息的过程中因为存在电磁干扰及探测装置故障等原因常常会出现探测信息的确实，为了保证数据的完整性，需要对数据进行缺失值处理。

为避免特征信息的缺失而导致特征信息的降维，建立多元线性回归模型，利用最小二乘法对缺失信息进行拟合。在回归分析中，如果有两个或多个以上的自变量，这类问题就称为多元线性回归。多元线性回归模型与一元线性回归模型相似，均采用最小二乘法去估计模型参数。同样也需要对模型及模型参数进行统计学检验。常用到的统计检验方法包含回归方程的拟合优度、残差检验和回归方程的显著性检验等。

多元线性回归模型：

y＝θ₁·x₁+θ₂·x₂+θ₃·x₃+…+θ_k·x_k+b

其中，y为因变量，X=(x₁,x₂,x₃,…,x_k)为与因变量相关的自变量，b为偏置；θ₁、θ₂、θ₃、…θ_k为回归系数；

回归系数采用最小二乘法对其估计

y为样本值，f为模型(取自假设空间)，m为样本容量。

电磁探测网络辐射源数据缺失值处理一般方法是直接删除含缺失数据的样本，进而剩下一个完整的数据集。直接删除缺失数据的优点是操作方法简单，容易实现。但考虑到采集到的数据是一个包含时序数据的数据集，如果删除含缺失值的样本，可能会破坏数据的时序属性，进而带来失真的结果。除了直接删除缺失数据，有时候对于缺失值的处理采用的是插补法，一般采用均值插补、中位数插补、极大似然估计以及多重插补等。但是这种方法常常引起严重的数据偏移，不适用于对数据进行精确填充。为了解决缺失值填充问题引入多元回归分析和最小二乘法。

为了解决数据量纲不一致的问题，对数据进行归一化处理，这样做的好处是能够显著提升深度学习模型在训练过程中的收敛速度。

本发明输入数据由电磁探测网络信息、通信信息、专家经验等多个部分组成，而且各部分又包含多个维度的数据，整个数据集呈现多源异构的特点，因而需要对数据集进行归一化处理。同时数据归一化能够消除数据量纲的影响，能够提高网络收敛效率。获取的电磁探测网络信息向量为X_E，X_E＝{x₁,x₂,…,x_t}。采用极值归一化法，将x_i(i∈[1,t])数据放缩到[0，1]范围内。计算方法如下：

其中，minj和maxj分别表示在样本中第j个维度出现的最小值和最大值。mini为样本在第i个维度出现的最小值。L和U分别表示期望的上界和下界，这里分别取1和0。为防止maxi＝minj时分母为0，δ取10^-6。

步骤3：将步骤2得到的数据划分为训练集和测试集，采用训练集对深度学习模型进行训练，得到训练后的模型；

深度学习模型主要由卷积神经网络和循环神经网络两部分组成。模型的结构可以理解为编码器—解码器结构。卷积神经网络CNN可用作编码器—解码器结构中的编码器，使用CNN读取序列输入并自动学习显著特征，然后由LSTM解码器解释这些内容，模型为CNN-LSTM模型。如图2所示，模型由输入层、CNN层、LSTM层、全连接层和输出层组成。

输出层用于将预处理后的数据集输入模型。

如图3所示，CNN层用于对输入数据进行卷积运算、池化处理，以实现特征的提取。定义一个样本为：

X_r×c＝[x₁,x₂,x₃,…x_r]

其中，每个元素x均是一个c维向量，得到的是一个r×c的矩阵形式，因此对于这个特征矩阵可以通过CNN特征提取。经过卷积层提取特征之后，通过Relu函数进行激活，接着通过max-pooling(最大池化层)进行池化处理，最后加入dropout来防止过拟合，将最后一段序列作为后面LSTM层的输入。

LSTM层用于挖掘数据序列中蕴藏的时序信息，LSTM的内部结构如图4所示。本发明用到了两层LSTM模型，一个完整的LSTM层计算流程如下：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

其中，i_t为输入门向量，o_t为输出门向量，f_t为遗忘门向量，x_t为t时刻的输入，c_t为t时刻细胞状态，h_t为t时刻的隐藏向量，W_f、W_i、W_c、W_o为神经网络的连接参数，b_f、b_i、b_c、b_o为偏置项，

σ为sigmoid函数，其形式为

全连接层对LSTM层的输出执行以下运算：

z=rule(W·x+b₁)

其中：z为全连接层的输出向量，rule为激活函数，W为神经元参数矩阵，x为LSTM层的输出向量，b₁为偏置项。

输出层采用softmax函数对y进行处理，完成样本的分类。

采用的深度学习模型，采用Adam算法作为模型训练算法，采用交叉熵函数作为损失函数。采用网格搜索和随机搜索确定模型的最优超参数。

步骤4：将待输入的数据输入步骤3训练后的模型进行电磁探测网络组网的识别；

为了说明本发明构建得到的模型的效果，采用准确率Acc、精确率P、召回率Recall和F多指标评价机制对模型进行评估。一般指标数值越接近于1，证明模型效果越好，但有时精确率P和召回率Recall会出现的矛盾的情况，很难兼得，故引入F(F-Score)指标综合P和Recall的结果。假设对两类样本数据进行分类得到的混淆矩阵如下：

表1.混淆矩阵表

以集中式为例对各指标的计算进行说明，分布式同理：

N＝TP+FP+FN+TN

其中：N为所有的样本数量；TP为真实组网方式为集中式，识别结果也为集中式的样本数量；FP为真实组网方式为分布式，识别结果为集中式的样本数量；FN为真实组网方式为集中式，识别结果为分布式的样本数量；TN为真实组网方式为分布式，识别结果也为分布式的样本数量；F为综合精确率P和召回率Recall两个指标的判断指标；α为加权调和平均系数。

当参数α＝1时，F1为最常用的评价指标，即认为召回率与精确率同等重要。

下面以四类组网方式为例对评价参数进行说明，针对四类组网方式，构建训练集(含12000个训练样本)、验证集(含4000个验证样本)和测试集(含4000个测试样本)对模型进行训练、验证和测试，得到识别结果以混淆矩阵形式展示如下：

表2.混淆矩阵表

结合上表可以得出，模型的识别准确率Acc＝93.5％，P＝93.1％，Recall＝91.1％，若α取1，则F＝92.1％。在低信噪比环境下取得这个数值，性能比较优异，证明了模型的有效性。

随着发展，电磁探测网络对抗技术逐渐成为研究热点和难点，然而对网络组网方式的识别技术，国内外鲜有公开文献报道。本发明提出的基于混合神经网络的电磁探测网络组网方式识别方法，为电磁探测网络组网方式的识别提供了新的研究思路。传统的识别技术大量依赖于领域专家的经验知识，且主要着眼于单一时刻的状态特征，本发明采用深度学习模型克服了传统方法在知识表示和时序特征挖掘上的局限性。从电磁环境的角度来看，针对单个目标且在较高信噪比环境下的侦察探测行动容易获得成功，在低信噪比和集群目标条件下则识别精度低、甚至失效。且存在虚假数据和缺失数据情况下，极其考研模型鲁棒性。本发明构建的深度学习模型结合了卷积神经网络强大的特征表达能力和循环神经网络的时序记忆优势，在取得高识别率的同时增强了模型的泛化能力和鲁棒性。传统针对电磁探测网络的侦察技术主要截获的网内辐射源信息。而本发明全方位考虑了电磁探测网络网内通信信息和先验信息、专家经验等方面的信息，提取的特征更能准确反映电磁探测网络的特性。同时，针对数据的多源异构特点，设计了特征编码，将上述信息进行整合，依次加入到特征数据集中。采用的深度学习技术能有效克服大数据处理、特征提取和计算精度等方面的不足，实现对电磁探测网络组网方式的智能、实时地分析、推理和判断。

Claims (5)

1.一种基于深度学习的电磁探测网络组网方式识别方法，其特征在于，包括以下步骤：

步骤1：获取电磁探测网络组网特征信息，形成特征集；电磁探测组网特征信息包括电磁探测网络信息、通信信息和其他信息；采集到的数据采用下述形式表示：

C＝{c_i|i＝0，1，2，…，n}

D＝{[X_t，Y₁，Z₁]，[X₂，Y₂，Z₂]，…，[X_t，Y_t，Z_t]}

其中，C为电磁探测网络组网方式空间，n为电磁探测网络组网方式个数，每类组网方式的数据集存在一个数据集D，数据集的基本构成[X_t，Y_t，Z_t]为一组电磁探测网络网内辐射源特征信息，X_t为时刻t采集的电磁探测网络信息特征，Y_t为时刻t采集的通信信息特征，Z_t为时刻t的其他信息；其他信息包括外部特征、先验信息、专家经验；电磁探测网络信息包括，电磁探测网内辐射源数量、电磁探测网络布站模式、电磁探测网络波段、电磁探测网络天线扫描特性、电磁探测网络工作模式以及电磁探测网络信号特征；电磁探测网络信号特征包括幅度、脉宽、载频荷散射截面积RCS；通信信息包括通信电台数量、通信传输方式、通信流量；

步骤2：对步骤1得到的特征集数据进行预处理；预处理包括样本特征编码、缺失数据填充、数据归一化处理；所述缺失数据填充过程如下：

首先建立多元线性回归模型：

y＝θ₁·x₁+θ₂·x₂+θ₃·x₃+…+θ_k·x_k+b

其中，y为因变量，X＝(x₁，x₂，x₃，…，x_k)为与因变量相关的自变量，b为偏置；θ₁、θ₂、θ₃、…θ_k为回归系数；

回归系数采用最小二乘法对其估计

y为样本值，f为模型，m为样本容量；

步骤3：将步骤2得到的数据划分为训练集和测试集，采用训练集对深度学习模型进行训练，得到训练后的模型；

步骤4：将待输入的数据输入步骤3训练后的模型进行电磁探测网络组网的识别；

步骤3中的深度学习模型为CNN-LSTM模型，包括依次连接的输入层、CNN层、LSTM层、全连接层和输出层；模型采用准确率Acc、精确率P、召回率Recall和F进行评价；

其中F为精确率P和召回率Recall的综合指标；

式中：α为加权调和平均系数。

2.根据权利要求1所述的一种基于深度学习的电磁探测网络组网方式识别方法，其特征在于，所述步骤3中的深度学习模型，采用Adam算法作为模型训练算法，采用交叉熵函数作为损失函数。

3.根据权利要求1所述的一种基于深度学习的电磁探测网络组网方式识别方法，其特征在于，所述步骤3中的深度学习模型，采用网格搜索和随机搜索确定模型的最优超参数。

4.根据权利要求1所述的一种基于深度学习的电磁探测网络组网方式识别方法，其特征在于，所述步骤3中的深度学习模型中输入层用于将预处理后的数据集输入模型，CNN层用于对数据集特征的提取，LSTM层用于获取数据序列中的时序信息，全连接层用于执行下述运算，输出层用于对样本进行分类；

z＝rule(W·x+b₁)

其中：z为全连接层的输出向量，rule为激活函数，W为神经元参数矩阵，x为LSTM层的输出向量，b₁为偏置项。

5.根据权利要求1所述的一种基于深度学习的电磁探测网络组网方式识别方法，其特征在于，所述LSTM层为两层，一个完整的LSTM层计算过程如下：

f_t＝σ(W_f·[h_t-1，x_t]+b_f)

i_t＝σ(W_i·[h_t-1，x_t]+b_i)

o_t＝σ(W_o·[h_t-1，x_t]+b_o)

其中，i_t为输入门向量，o_t为输出门向量，f_t为遗忘门向量，x_t为t时刻的输入，c_t为t时刻细胞状态，h_t为i时刻的隐藏向量，W_f、W_i、W_c、W_o为神经网络的连接参数，b_f、b_i、b_c、b_o为偏置项，

σ为sigmoid函数，其形式为

Images