CN112949383B - 一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法 - Google Patents

Abstract

本发明属于雷达信号处理技术领域,公开了一种基于HyDeep‑Att网络的波形捷变雷达辐射源识别方法，该方法包括如下步骤：首先，对脉冲信号数据进行分布式表示，生成高维稀疏的信号特征；然后设计使用动态CNN模型提取波形捷变雷达辐射源信号的不同层次的结构细节特征，使用长短时间记忆网络提取其时序特征；为得到能够表征波形捷变特性的深层特征，采用基于注意力机制的方法将上述提取出的结构细节特征与时序特征相融合，同时可减小复杂电磁环境中噪声对雷达辐射源特征数据的影响；最终，输入到Softmax层中以完成波形捷变雷达辐射源的识别。本方法能够有效解决波形捷变雷达辐射源的识别问题，与传统模型和其他深层模型相比识别准确率提高了1.26%。

Description

一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法

技术领域

本发明涉及雷达信号处理技术领域，尤其是涉及一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法。

背景技术

雷达辐射源识别(radar emitter recognition,RER)是雷达对抗侦察中的关键环节，它是在分选的基础上提取雷达辐射源信号中的特征参数和工作参数，在这些参数的基础上可获取该目标辐射源的体制、用途、型号、载体平台等信息，进而能够对战场态势、威胁等级、活动规律和战术意图等进行推理，为己方决策提供重要情报支持。

当电磁环境空间中雷达辐射源脉冲流密度较低，雷达辐射源信号的常规特征参数基本恒定时，传统的识别模型能够取得很好的效果。随着电磁环境的日益复杂以及雷达技术的不断发展，未来将出现越来越多的使用捷变波形的现代数字可编程雷达，其信号形式包括捷变频、变脉宽和重频变换等，仅仅依靠常规的信号特征难以有效地将这些复杂体制雷达辐射源识别出来。因此，迫切需要采用一种新的识别模型结构来研究波形捷变雷达辐射源的识别问题，以满足新时代电子战的要求。

在雷达辐射源识别技术发展早期，由于电子对抗技术以及电磁环境较为简单，这个阶段的雷达辐射源识别技术主要研究基于信号特征参数的模板匹配法，其缺点为对先验知识有很强的依赖性，识别效果很大程度上取决于数据库中雷达辐射源信号的种类和收集到的参数的好坏。为了弥补模板匹配法的不足，应对逐渐复杂的电磁环境，研究人员开始将人工智能技术加入到雷达辐射源的识别中，其缺点为没有从雷达信号自身的特点入手进行特征提取等工作，无法应对新体制下调制参数复杂多变的雷达辐射源。随着科学技术的发展，新体制雷达在现代战争中所占的数量越来越多，研究人员开始对雷达辐射源信号的脉内特征进行分析，其缺点为这些方法适用信号类型有限，大部分都是针对几种特定的雷达辐射源，且没有考虑噪声的影响。综上所述，现有的大部分方法都没有主要针对波形捷变的雷达辐射源进行研究，这并不符合实际的使用情况，该问题是目前研究电子对抗中雷达辐射源识别必须面对的难题。

波形捷变雷达辐射源指其信号参数发生迅速变化的雷达辐射源，该参数主要是指载频、脉宽、脉冲重复频率。故捷变频信号、变脉宽信号、重频变换信号等多种复杂信号均属于此范畴。频率捷变雷达可以分为脉间捷变和脉组捷变，常用的类型有固定、跳跃、随机、正弦、锯齿、三角形等。变脉宽信号是指雷达辐射源信号的脉宽是多变的，可按照脉宽分成多部信号，当且仅当多部子信号都存在时，认为该信号存在。重频变换信号是指雷达为了分辨距离模糊或速度模糊或者为了对抗侦察干扰的目的所采用的各种不同形式的重频(PRI)，常用的类型有稳定、交错、暂停和切换、抖动、正弦波、锯齿、三角形等。

波形捷变雷达辐射源识别的输入是经过雷达信号分选后得到的脉冲序列，每个脉冲通常可由脉冲描述字来表示，即脉冲幅度(PA)、载波频率(RF)、脉宽(PW)、重频(PRI)和到达角(DOA)，这些参数是由被分类为相同雷达类型的脉冲计算得到的。波形捷变雷达辐射源识别的目的是确定雷达辐射源的具体类别，由于上述这些特征参数通常都会发生变化，导致雷达辐射源不能由某一组雷达脉冲描述字表示，即传统的处理方式不再适用，而必须由多组雷达脉冲描述字进行共同表示，增加了波形捷变雷达辐射源特征表示与提取的难度。

发明内容

为解决上述问题，本发明的目的是提供一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法。

为实现上述发明目的，本发明采用如下技术方案：

一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法，其包括以下步骤：

S1、对脉冲信号数据进行分布式表示，生成高维稀疏的信号特征；具体操作方法为：

步骤1.1、将波形捷变雷达辐射源的m个脉冲按照到达时间(TOA)排列在一起，组成数据结构为PDWSeq＝[P₁,P₂,...,P_m]的脉冲序列，代表整个辐射源信号，其中，脉冲数量m是不固定的，第i个脉冲的数据结构为P_i＝(pa_i,rf_i,pw_i,pri_i,doa_i)，

式中，pa_i为该脉冲的幅度特征值，rf_i为该脉冲的载频特征值，pw_i为该脉冲的脉宽特征值，pri_i为该脉冲的重频特征值，doa_i为该脉冲的到达角特征值；

步骤1.2、把脉冲序列PDWSeq＝[P₁,P₂,...,P_m]中的每个元素P_i转换为HP_i＝(Hpa_i,Hrf_i,Hpw_i,Hpri_i,Hdoa_i)，其中，Hpa_i、Hrf_i、Hpw_i、Hpri_i和Hdoa_i为五个高维实数向量，其维度都设定为100，等长高维序列HPDWSeq＝[HP₁,HP₂,...,HP_m]用于作为深层网络的输入；

S2、设计使用动态CNN模型提取波形捷变雷达辐射源信号的不同层次的结构细节特征，使用长短时间记忆网络提取其时序特征；具体操作方法为：

步骤2.1、使用滤波器f_r对预处理后的分布式特征HPDWSeq＝[HP₁,HP₂,...,HP_m]进行宽卷积操作生成局部特征矩阵C_r＝[c₁,c₂,...,c_n+r-1]，

式中，超出范围的c_i都设置为0，r为滤波器的宽度，n为每个分布式特征的维度，g为非线性函数，b为偏置项；

步骤2.2、使用动态k-max采样技术用于对局部特征矩阵C_r∈R^{(n+r-1)×(n+r-1)}进行压缩，计算出k-max池化得分矩阵c_max∈R^(n+r-1)×k，其具体形式为

式中，动态参数k表示将选取矩阵C_r中每一行最大的k个值，其排列必须保持原有的顺序，以保留不同特征值之间的相对位置信息；

动态k-max采样中的动态是指参数k会随着CNN模型的层数与输入分布式特征的大小而不断变化，其具体计算方法为

式中，M为CNN模型的层数，m为当前动态k-max采样层所在的层数，n为输入特征的总个数，k_top为固定的值，具体指CNN模型中最后一个采样层的k的取值；

通过宽卷积和动态k-max采样将脉冲信号数据的分布式特征转换为一个固定维数大小的结构特征向量；

步骤2.3、将预处理后的分布式特征HPDWSeq＝[HP₁,HP₂,...,HP_m]输入到LSTM层中，得到一个固定维数大小的时序特征向量，前向传播时LSTM组件的计算公式为

i_t＝σ(W_HPiHP_t+W_hih_t-1+W_cic_t-1+b_i)

f_t＝σ(W_HPfHP_t+W_hfh_t-1+W_cfc_t-1+b_f)

g_t＝tanh(W_HPcHP_t+W_hch_t-1+W_ccc_t-1+b_c)

c_t＝i_tg_t+f_tc_t-1

o_t＝σ(W_HPoHP_t+W_hoh_t-1+W_coc_t+b_o)

h_t＝o_ttanh(c_t)

其中，i_t、f_t和o_t分别表示输入门、忘记门和输出门，c_t表示记忆细胞中的存储值，HP_t表示当前时刻脉冲的分布式特征向量，h_t-1或h_t+1表示相邻时刻的反馈特征，σ为逻辑斯特函数，W为权重矩阵，b为偏置向量，其下标表示参数所对应的不同的对象；

S3、为得到能够表征波形捷变特性的深层特征，采用基于注意力机制的方法将上述提取出的结构细节特征与时序特征相融合，同时减小复杂电磁环境中噪声对雷达辐射源特征数据的影响；

S4、输入到Softmax层中以完成波形捷变雷达辐射源的识别。

进一步地，上述的步骤S3，具体方法为：

步骤3.1、将所有需要计算的特征向量f_i(i＝1,2,...,p)作为输入，记为F＝[f₁,f₂,...,f_p]，

式中，p为步骤S2中提取出的结构细节特征向量和时序特征向量的总个数；

步骤3.2、使用基于Attention机制的方法对输入特征向量F进行加权求和运算，其计算公式为

M＝tanh(F)

α＝softmax(ω^TM)

s＝tanh(Fα^T)

式中，α为归一化后的权重向量，ω为参数向量，最终得到的深层特征为s＝Att(HPDWSeq；θ)，θ表示上述所有可调整的参数。

进一步地，上述的步骤S4，具体方法为：

步骤4.1、将经Attention层处理后得到的深层特征向量s传递给一个标准的全连接神经网络，并使用一个softmax层做概率归一化，以产生条件概率分布P(y|HPDWSeq)，其计算公式为

P(y|HPDWSeq)＝softmax(Ws+b)

式中，W为权重矩阵，b为偏置向量，P(y|HPDWSeq)表示在已知经过分布式表示的脉冲序列HPDWSeq的条件下，属于类别y的条件概率，为该脉冲序列指派一个条件概率最高的类别，从而实现波形捷变雷达辐射源的识别。

由于采用如上所述的技术方案，本发明具有如下优越性：

一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法，通过对脉冲信号数据进行分布式表示，生成高维稀疏的信号特征，使其更符合深层网络的输入形式，然后使用两种不同的深层网络提取雷达辐射源不同层次、不同维度的特征，并采用基于注意力机制的方法进行特征融合，最终得到的特征能够表征波形捷变雷达辐射源的核心特征。在波形捷变雷达辐射源识别任务中，本发明的方法与传统模型和其他深层模型相比识别准确率提高了1.26％。

附图说明

图1是本发明神经网络与波形捷变雷达辐射源识别方法的流程图；

图2是本发明中分布式的特征表示方法；

图3是本发明中宽卷积示意图；

图4是本发明中LSTM的结构图；

图5是本发明中Attention层的结构图；

图6是本发明方法和其他基线系统的损失曲线对比图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步详细说明。

如图1～6所示，一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法，是基于HyDeep-Att网络的波形捷变雷达辐射源识别方法，其包括以下步骤：

S1、对脉冲信号数据进行分布式表示，生成高维稀疏的信号特征；具体操作方法为：

步骤1.1、将波形捷变雷达辐射源的m个脉冲按照到达时间(TOA)排列在一起，组成数据结构为PDWSeq＝[P₁,P₂,...,P_m]的脉冲序列，代表整个辐射源信号，其中，脉冲数量m是不固定的，第i个脉冲的数据结构为P_i＝(pa_i,rf_i,pw_i,pri_i,doa_i)，

式中，pa_i为该脉冲的幅度特征值，rf_i为该脉冲的载频特征值，pw_i为该脉冲的脉宽特征值，pri_i为该脉冲的重频特征值，doa_i为该脉冲的到达角特征值；

步骤1.2、把脉冲序列PDWSeq＝[P₁,P₂,...,P_m]中的每个元素P_i转换为HP_i＝(Hpa_i,Hrf_i,Hpw_i,Hpri_i,Hdoa_i)，其中，Hpa_i、Hrf_i、Hpw_i、Hpri_i和Hdoa_i为五个高维实数向量，其维度都设定为100，等长高维序列HPDWSeq＝[HP₁,HP₂,...,HP_m]用于作为深层网络的输入；

S2、设计使用动态CNN模型提取波形捷变雷达辐射源信号的不同层次的结构细节特征，使用长短时间记忆网络提取其时序特征；具体操作方法为：

步骤2.1、使用滤波器f_r对预处理后的分布式特征HPDWSeq＝[HP₁,HP₂,...,HP_m]进行宽卷积操作生成局部特征矩阵C_r＝[c₁,c₂,...,c_n+r-1]，

式中，超出范围的c_i都设置为0，r为滤波器的宽度，n为每个分布式特征的维度，g为非线性函数，b为偏置项；

步骤2.2、使用动态k-max采样技术用于对局部特征矩阵C_r∈R^{(n+r-1)×(n+r-1)}进行压缩，计算出k-max池化得分矩阵c_max∈R^(n+r-1)×k，其具体形式为

式中，动态参数k表示将选取矩阵C_r中每一行最大的k个值，其排列必须保持原有的顺序，以保留不同特征值之间的相对位置信息；

动态k-max采样中的动态是指参数k会随着CNN模型的层数与输入分布式特征的大小而不断变化，其具体计算方法为

式中，M为CNN模型的层数，m为当前动态k-max采样层所在的层数，n为输入特征的总个数，k_top为固定的值，具体指CNN模型中最后一个采样层的k的取值；

通过宽卷积和动态k-max采样可将脉冲信号数据的分布式特征转换为一个固定维数大小的结构特征向量；

步骤2.3、将预处理后的分布式特征HPDWSeq＝[HP₁,HP₂,...,HP_m]输入到LSTM层中，得到一个固定维数大小的时序特征向量，前向传播时LSTM组件的计算公式为

i_t＝σ(W_HPiHP_t+W_hih_t-1+W_cic_t-1+b_i)

f_t＝σ(W_HPfHP_t+W_hfh_t-1+W_cfc_t-1+b_f)

g_t＝tanh(W_HPcHP_t+W_hch_t-1+W_ccc_t-1+b_c)

c_t＝i_tg_t+f_tc_t-1

o_t＝σ(W_HPoHP_t+W_hoh_t-1+W_coc_t+b_o)

h_t＝o_t tanh(c_t)

其中，i_t、f_t和o_t分别表示输入门、忘记门和输出门，c_t表示记忆细胞中的存储值，HP_t表示当前时刻脉冲的分布式特征向量，h_t-1或h_t+1表示相邻时刻的反馈特征，σ为逻辑斯特函数，W为权重矩阵，b为偏置向量，其下标表示参数所对应的不同的对象；

S3、为得到能够表征波形捷变特性的深层特征，采用基于注意力机制的方法将上述提取出的结构细节特征与时序特征相融合，同时减小复杂电磁环境中噪声对雷达辐射源特征数据的影响；

S4、输入到Softmax层中以完成波形捷变雷达辐射源的识别。

上述的步骤S3，具体方法为：

步骤3.1、将所有需要计算的特征向量f_i(i＝1,2,...,p)作为输入，记为F＝[f₁,f₂,...,f_p]，

式中，p为步骤S2中提取出的结构细节特征向量和时序特征向量的总个数；

步骤3.2、使用基于Attention机制的方法对输入特征向量F进行加权求和运算，其计算公式为

M＝tanh(F)

α＝softmax(ω^TM)

s＝tanh(Fα^T)

式中，α为归一化后的权重向量，ω为参数向量，最终得到的深层特征为s＝Att(HPDWSeq；θ)，θ表示上述所有可调整的参数。

上述的步骤S4，具体方法为：

步骤4.1、将经Attention层处理后得到的深层特征向量s传递给一个标准的全连接神经网络，并使用一个softmax层做概率归一化，以产生条件概率分布P(y|HPDWSeq)，其计算公式为

P(y|HPDWSeq)＝softmax(Ws+b)

式中，W为权重矩阵，b为偏置向量，P(y|HPDWSeq)表示在已知经过分布式表示的脉冲序列HPDWSeq的条件下，属于类别y的条件概率，为该脉冲序列指派一个条件概率最高的类别，从而实现波形捷变雷达辐射源的识别。

为了验证本发明所提方法的性能，仿真生成了波形捷变雷达辐射源数据集，包含了100个雷达辐射源，每个雷达辐射源对应1000个模式，每个模式就是一个脉冲序列，由数量不等的脉冲描述字(PDW)组成。数量不等具体是指不同辐射源可用的脉冲数量不一样，波形捷变雷达辐射源每个脉冲的特征参数都可能发生变化，通常40个到200个PDW即可代表辐射源的一种模式。

波形捷变雷达辐射源数据库中总共包含了100000组雷达辐射源脉冲序列，即100000个信号样本，并按照7:1:2的比例分为训练集、验证集和测试集，其中训练集中包含70000个信号样本，主要用于模型的训练，验证集中包含10000个信号样本，主要用于模型的修正与调优，测试集中包含20000个信号样本，主要用于模型性能的评估。

表1波形捷变雷达辐射源仿真参数设置

波形捷变雷达辐射源数据集的仿真参数设置如表1所示，所包含的100个雷达辐射源可大致分为4个类别，其中第1类和第2类为常规的雷达辐射源，第3类和第4类为波形捷变雷达辐射源。

第1类是指特征参数固定不变的雷达辐射源；

第2类是指使用固定脉冲集的雷达辐射源，但脉冲出现的顺序会发生变化；

第3类是指脉间捷变的雷达辐射源，具有短期的捷变特性，其特征参数会随着每个脉冲而变化，参数取值将在相同的范围内变化或大部分重叠，但不同辐射源的参数变化模式显著不同；

第4类是指组间捷变的雷达辐射源，具有长期的捷变特性，使用相同的参数传输一组脉冲，然后再以不同的特征参数传输下一组脉冲，参数取值的范围将存在较低的重叠。

本发明搭建了Python3.7+Tensorflow1.15+Cuda10.0的深度学习开发环境来实现本发明的方法，使用batch gradient descent(BGD)对模型进行训练，并使用每个类别雷达辐射源的识别准确率和雷达辐射源的整体识别准确率2个指标来衡量雷达辐射源识别的性能，其计算公式如下：

其中，

为第i类辐射源的识别准确率，P_r为整体识别准确率，

为第i类辐射源识别准确的个数，Nⁱ为第i类辐射源的总个数。

通过使用10-折交叉验证来确定模型中的超参数，在验证集上得到最终的识别结果。最终确定了一组超参数可获得最高的整体准确率，在后文的实验中都将使用该组最佳的超参数。动态CNN组件中宽卷积的滤波器大小设置为5，动态k-max采样中的固定参数设置为k_top＝3，LSTM组件中所有隐层的维度都设置为200，其余隐层的维度都设置为100，并使用ReLU函数作为非线性激活函数。在隐层节点上进行dropout操作，其dropout率[15]设置为0.5，最小批大小设置为30，初始的学习率设置为0.0005。

下面将通过实验分析本发明方法不同部分的有效性。

首先，为了评估本发明所提的分布式表示方法(记为H-net)的有效性，将其与对输入脉冲序列做平均的方法(记为A-net)、对输入脉冲序列做拼接的方法(记为J-net)进行比较，模型的其余部分保持不变。实验结果如表2所示，分布式表示方法H-net取得了最高的性能，相比于J-net其最终的整体识别准确率提升了3.07％，说明了分布式表示方法确实有助于提升模型的性能；A-net的性能最差，其准确率仅为76.34％，说明了对输入脉冲序列做平均会损失很多有用的信息。

表2分布式表示方法与传统表示方法的性能对比

为了验证动态CNN的性能，同时也为了验证本发明构建的混合深层神经网络(记为DCNN+LSTM)的有效性，将其与非动态的混合深层神经网络(记为CNN+LSTM)、卷积置信混合深层神经网络(记为CNN+DBN)、置信记忆混合深层神经网络(记为DBN+LSTM)等网络结构进行对比，模型的其余部分保持不变。其中，非动态的普通CNN使用了复合滤波器策略，滤波器大小为7、5和3，其数量分别为10、15和20，并使用传统的最大池化函数进行采样。实验结果如表3所示，DCNN+LSTM取得了最高的准确率，比CNN+LSTM提高了0.72％，说明了动态CNN能够更加灵活地进行特征提取，对网络整体性能的提升是有益的。CNN+DBN和DBN+LSTM的性能却降低了2％-3％左右，说明了其他类型的混合深层网络并不能提升辐射源识别的性能。

表3混合深层神经网络与其他网络结构的性能对比

最后，为了验证基于注意力机制的方法(记为Attention)的有效性，将其与仅使用一个全连接层将动态CNN和LSTM直接连接起来的方法(记为Direct)进行对比，模型的其余部分保持不变。实验结果如表4所示，Attention比Direct的整体识别准确率提升了1.21％，说明了基于Attention机制的特征融合方法确实能够获取更佳的深层特征。

表4基于注意力机制的方法和直连的方法的性能对比

为了验证本发明方法整体的优越性，本实验构建了浅层模型SVM、NN和深层模型DBN、Autoencoder、CNN、DCNN、LSTM等基线系统与本发明的方法进行对比。由于浅层模型的结构比较简单，故SVM和NN仍使用传统的特征表示方法，分别记为J-SVM和J-NN，由于上面已经证明了分布式特征表示方法的有效性，故DBN、Autoencoder、CNN、DCNN、LSTM都以分布式表示后的特征作为输入，分别记为H-DBN、H-Autoencoder、H-CNN、H-DCNN、H-LSTM。在测试集上得到每一类的识别准确率、整体的识别准确率和模型的运行时间，具体对比实验结果如表5所示，其中

和

分别为第1、2、3、4类辐射源的识别准确率。

表5对比实验结果

由实验结果可知，相比于其他基线系统本发明中方法取得了最优的整体识别准确率，提高了1.26％，证明了本发明采用的特征表示、特征提取和特征融合方法能够得到多层次、不同细节的特征，其表征能力较强；浅层模型J-SVM和J-NN的准确率最低，说明了简单的模型得到的特征适应性较弱，难以应对波形捷变雷达辐射源识别这类复杂的任务；在其余深层模型中，H-LSTM的准确率最高，达到了82.45％，说明了相比于结构特征LSTM所提取出的时序特征对于辐射源识别任务更为重要；H-DCNN比H-CNN的准确率又提升了1.04％，说明了过多或过少的滤波器都会对识别结果产生不利的影响，而动态的方式可以自动构建较合适的网络结构。

所有模型在第1类辐射源上的准确率都很高，能达到95％左右，主要原因在于该类辐射源的特征参数固定不变，较容易识别。对于第2类和第3类辐射源，所有模型的准确率都明显的降低了，但本发明的方法在这两类辐射源上都取得了最优的性能，且相比于其他模型准确率有了显著的提升，其准确率分别达到75.22％和81.22％，主要原因在于本发明方法得到的特征更能够表征顺序变化和脉间捷变中所包含的信息；对于第4类辐射源，本发明的方法表现不佳，仅取得了82.16％的准确率，而H-CNN取得了最优的性能，其识别准确率达到了85.01％，说明了结构特征对于组间捷变的雷达辐射源可能是最重要的。

从运行时间上看，J-SVM所需的时间最长，高达86.71s，明显高于其余神经网络类的模型，而J-NN所需的时间最短，仅为0.70s，主要原因在于其模型结构最简单，故所需运行时间最短；本发明的方法由于融合了多种不同的网络结构，导致整体模型结构非常复杂，故所需运行时间有了一定的增加，达到1.83s。除此之外，图6展示了本发明方法和其他基线系统的损失曲线，从图中可以看出本发明方法需要更多的Iterations才能达到收敛，即其训练时间也会更长。虽然本发明方法在运行时间和训练时间上面都稍有延长，但仍在可容忍的范围内。

综上所述，从识别准确率、运行时间和训练时间等指标来看，本发明的方法仍是一种较实用的解决方案。

其中“HyDeep-Att网络”是指用于提取波形捷变雷达辐射源核心特征的一种深层网络，吸取了动态CNN模型、LSTM模型和注意力机制的优点，可应用于未来复杂多变的电磁环境中。大多数基于深度学习的雷达辐射源识别方法通常是将辐射源的常规特征参数直接输入到某种深度学习模型中，以完成深层特征的提取，能够完成常规雷达辐射源的识别任务，但难以应对波形捷变的雷达辐射源。

以上所述仅为本发明的较佳实施例，而非对本发明的限制，在不脱离本发明的精神和范围的情况下，凡依本发明申请专利范围所作的均等变化与修饰，皆应属本发明的专利保护范围之内。

Claims (3)

1.一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法，其包括以下步骤：

S1、对脉冲信号数据进行分布式表示，生成高维稀疏的信号特征；具体操作方法为：

步骤1.1、将波形捷变雷达辐射源的m个脉冲按照到达时间TOA排列在一起，组成数据结构为PDWSeq＝[P₁，P₂，...，P_m]的脉冲序列，代表整个辐射源信号，其中，脉冲数量m是不固定的，第i个脉冲的数据结构为P_i＝(pa_i，rf_i，pw_i，pri_i，doa_i)；

式中，pa_i为该脉冲的幅度特征值，rf_i为该脉冲的载频特征值，pw_i为该脉冲的脉宽特征值，pri_i为该脉冲的重频特征值，doa_i为该脉冲的到达角特征值；

步骤1.2、把脉冲序列PDWSeq＝[P₁，P₂，...，P_m]中的每个元素P_i转换为HP_i＝(Hpa_i，Hrf_i，Hpw_i，Hpri_i，Hdoa_i)，其中，Hpa_i、Hrf_i、Hpw_i、Hpri_i和Hdoa_i为五个高维实数向量，其维度都设定为100，等长高维序列HPDWSeq＝[HP₁，HP₂，...，HP_m]用于作为深层网络的输入；

S2、设计使用动态CNN模型提取波形捷变雷达辐射源信号的不同层次的结构细节特征，使用长短时间记忆网络提取其时序特征；具体操作方法为：

步骤2.1、使用滤波器f_r对预处理后的分布式特征HPDWSeq＝[HP₁，HP₂，...，HP_m]进行宽卷积操作生成局部特征矩阵C_r＝[c₁，c₂，...，c_n+r-1]，

式中，超出范围的c_i都设置为0，r为滤波器的宽度，n为每个分布式特征的维度，g为非线性函数，b为偏置项；

步骤2.2、使用动态k-max采样技术用于对局部特征矩阵C_r∈R^{(n+r-1)×(n+r-1)}进行压缩，计算出k-max池化得分矩阵c_max∈R^(n+r-1)×k，其具体形式为

式中，动态参数k表示将选取矩阵C_r中每一行最大的k个值，其排列必须保持原有的顺序，以保留不同特征值之间的相对位置信息；

动态k-max采样中的动态是指参数k会随着CNN模型的层数与输入分布式特征的大小而不断变化，其具体处理方法为

式中，M为CNN模型的层数，m为当前动态k-max采样层所在的层数，n为输入特征的总个数，k_top为固定的值，具体指CNN模型中最后一个采样层的k的取值；

通过宽卷积和动态k-max采样将脉冲信号数据的分布式特征转换为一个固定维数大小的结构特征向量；

步骤2.3、将预处理后的分布式特征HPDWSeq＝[HP₁，HP₂，...，HP_m]输入到LSTM层中，得到一个固定维数大小的时序特征向量，前向传播时LSTM组件的计算公式为

i_t＝σ(W_HPiHP_t+W_hih_t-1+W_cic_t-1+b_i)

f_t＝σ(W_HPfHP_t+W_hrh_t-1+W_cfc_t-1+b_f)

g_t＝tanh(W_HPcHP_t+W_hch_t-1+W_ccc_t-1+b_c)

c_t＝i_tg_t+f_tc_t-1

o_t＝σ(W_HPoHP_t+W_hoh_t-1+W_coc_t+b_o)

h_t＝o_ttanh(c_t)

其中，i_t、f_t和o_t分别表示输入门、忘记门和输出门，c_t表示记忆细胞中的存储值，HP_t表示当前时刻脉冲的分布式特征向量，h_t-1或h_t+1表示相邻时刻的反馈特征，σ为逻辑斯特函数，W为权重矩阵，b为偏置向量，其下标表示参数所对应的不同的对象；

S3、为得到能够表征波形捷变特性的深层特征，采用基于注意力机制的方法将上述提取出的结构细节特征与时序特征相融合，同时减小复杂电磁环境中噪声对雷达辐射源特征数据的影响；

S4、输入到Softmax层中以完成波形捷变雷达辐射源的识别。

2.根据权利要求1所述的一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法，所述的步骤S3，具体方法为：

步骤3.1、将所有需要计算的特征向量f_i(i＝1，2，...，p)作为输入，记为F＝[f₁，f₂，...，f_p]，

式中，p为步骤S2中提取出的结构细节特征向量和时序特征向量的总个数；

步骤3.2、使用基于Attention机制的方法对输入特征向量F进行加权求和运算，其计算公式为

M＝tanh(F)

α＝softmax(ω^TM)

s＝tanh(Fα^T)

式中，α为归一化后的权重向量，ω为参数向量，最终得到的深层特征为s＝Att(HPDWSeq；θ)，θ表示上述所有可调整的参数。

3.根据权利要求1所述的一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法，所述的步骤S4，具体方法为：

步骤4.1、将经Attention层处理后得到的深层特征向量s传递给一个标准的全连接神经网络，并使用一个softmax层做概率归一化，以产生条件概率分布P(y|HPDWSeq)，其计算公式为

P(y|HPDWSeq)＝softmax(Ws+b)

式中，W为权重矩阵，b为偏置向量，P(y|HPDWSeq)表示在已知经过分布式表示的脉冲序列HPDWSeq的条件下，属于类别y的条件概率，为该脉冲序列指派一个条件概率最高的类别，从而实现波形捷变雷达辐射源的识别。

Images