CN113033473A - 基于st2dcnn+se的雷达重叠信号识别方法 - Google Patents
基于st2dcnn+se的雷达重叠信号识别方法 Download PDFInfo
- Publication number
- CN113033473A CN113033473A CN202110407585.9A CN202110407585A CN113033473A CN 113033473 A CN113033473 A CN 113033473A CN 202110407585 A CN202110407585 A CN 202110407585A CN 113033473 A CN113033473 A CN 113033473A
- Authority
- CN
- China
- Prior art keywords
- layer
- radar
- signal
- st2dcnn
- feature extraction
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000000605 extraction Methods 0.000 claims abstract description 39
- 230000005855 radiation Effects 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 230000007246 mechanism Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 45
- 230000004913 activation Effects 0.000 claims description 29
- 238000011176 pooling Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000010363 phase shift Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 abstract description 15
- 238000013135 deep learning Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005284 excitation Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000013095 identification testing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 241000001667 Eueretagrotis sigmoides Species 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了基于ST2DCNN+SE的雷达重叠信号识别方法，它包括：构建数据集；数据预处理；构建TCN局部特征提取模块；构建CAS局部特征提取模块；构建SE局部特征提取模块；多标签学习框架参数设置；构建ST2DCNN+SE局部特征提取模块；训练雷达辐射源识别网络；对雷达辐射源信号进行识别。本发明结合多热编码算法构建了多标签学习框架，实现了对时频域有交迭的雷达信号的快速自动识别。引入SE模块的注意力机制，提高了网络的识别速度和精度，经过训练后的时空二维卷积神经网络能够很好地识别信号相似度较大的交迭信号，提升了网络在低信噪比的条件下信号识别精度和速度。
Description
技术领域
本发明涉及电子对抗技术领域，具体涉及基于ST2DCNN+SE的雷达重叠信号识别方法。
背景技术
雷达辐射源识别(Radar Emitter Identification，REI)是电子对抗侦察的重要组成部分。为实施电子对抗作战提供了基础和作战支撑。传统雷达辐射源识别方法利用脉冲描述符词(pulse descriptor word，PDW)和脉冲内调制参数来识别雷达辐射源类型，确定其工作状态、工作模式和威胁等级。由于现代战场复杂电磁环境，接收到的雷达辐射源信号的电子对抗侦察接收机存在许多问题，如低信噪比(signal-to-noise ratio ，SNR)，复杂的信号调制样式，信号波形规律性不凸显，大信号相似性和严重的信号重叠。
传统的雷达信号源识别方法已不能满足战时快速准确识别的需要。近年来，深度学习应用于雷达辐射源识别，在识别精度和速度方面表现出许多优势。然而，这些涉及时频图像识别和时间序列数据识别的技术都是针对单一成分的雷达信号。该方法对多分量时频域重叠雷达信号的适用性有限。而利用多变量稀疏学习来处理雷达辐射源信号重叠，其在低信噪比环境下识别能力有限，识别速度也较慢。另有文献提出了一种多实例多标签学习框架来训练单分量信号，如线性调频(linear frequency modulation，LFM)、巴克码、弗兰克码(Frank Codes，Frank)和科斯塔斯码(Costas Codes, Costas)。训练过的框架能够识别未训练过的重叠多分量雷达信号，但对重叠的多相码信号(P1-P4)的识别效果不佳。此外，该框架下的神经网络在低信噪比环境下识别精度有限。
发明内容
本发明的目的在于解决重叠信号快速识别的问题，提出了一种基于ST2DCNN+SE（spatiotemporal two-dimensional convolutional neural network and squeeze andexcitation block）的雷达重叠信号识别方法。
基于ST2DCNN+SE的雷达重叠信号识别方法，它包括：
S1.构建数据集
1）利用Matlab生成一个不同调制类型交迭信号的数据集；
2）建立训练集、验证集和测试集：将数据和标签对应随机打乱，按照比例划分训练集、验证集和测试集；
S2.数据预处理
1）先将信号进行时频分析，再对时频分析得到的时频图像进行预处理；
所述的时频图像预处理步骤如下：
步骤1：opencv中的resize函数用于将时频映射的大小从583×483调整为96×96；
步骤2：对雷达信号的二维时频图像进行归一化处理；
步骤3：利用图像数据发生器对图像进行处理；
2）多标签预处理
S3.构建TCN局部特征提取模块
数据分两路经过TCN局部特征提取模块，第一路依次经过膨胀卷积层1，权重归一化层1，relu激活函数层1，dropout正则化层1，膨胀卷积层2，权重归一化层2，relu激活函数层2，dropout正则化层2；第二路经过卷积层，最后两路结果经过特征融合层输出；
S4.构建CAS局部特征提取模块
CAS局部特征提取模块包括：第一卷积层、最大池化层、第二卷积层、上采样层；数据依次经过进入下一模块；
S5.构建SE局部特征提取模块
数据分两路经过SE局部特征提取模块，第一路依次经过全局池化层1，全连接层1，relu激活函数层，全连接层2，softmax激活函数层，Reshape层1；第二路不经过任何操作，最后两路结果Scale层输出；
S6.多标签学习框架参数设置
1）使用了sklearn库中的MultiLabelBinarizer，将可读的标签转换为包含各类对应编码的向量；
2）使用Sigmoid激活函数以及Binary cross-entropy损失函数用于网络训练；
S7.构建ST2DCNN+SE局部特征提取模块
搭建一个11层的ST2DCN+SE全局特征提取模块，其结构依次为：输入层→第一TCN层→第二TCN层→第三TCN层→第一卷积层→最大池化层→第二卷积层→上采样层→SE层→展平层→全连接层；
S8.训练雷达辐射源识别网络：
1）将预处理后训练集样本输入到上述雷达辐射源识别网络中训练网络，并用预处理后的验证集样本对每一轮的训练结果进行验证，采用Adam算法更新网络权值；
2）学习率初始设置为0.0001；最大训练轮数为100轮；
3）引入早停机制，以验证集损失作为标准，在验证集损失连续10轮不减小时停止训练；
S9.对雷达辐射源信号进行识别；
步骤S1中的1）所述的交迭信号是由8种典型雷达信号两两交迭生成的，所述的8种典型雷达信号包括二进制相移键控BPSK、Costas码、调频连续波FMCW、Frank码、P1码、P2码、P3码以及P4码；
步骤S1中的2）所述的训练集、验证集、测试集的比例为24：16：1；
S7所述的ST2DCNN+SE局部特征提取模块中，将第一至第二TCN层中滤波器的个数设置为32，滤波器大小设置为3×3；第三TCN层中的滤波器个数设置为16，滤波器大小设置为3×3；第一至第二卷积层的卷积核个数设置为16，卷积核大小设置为3×3，使用Relu激活函数；最大池化层中池化区域核的大小设置为2×2；上采样层中的上采样区域核的大小设置为2×2；全连接层的神经元个数设置为8，激活函数为Sigmoid；
步骤S2中的1）所述的时频分析为Choi-Williams时频分析，给定非平稳信号的CWD变换定义如下:
其中和分别表示
和
时间和角频
表示指数加权核函数；
步骤S2中的2）所述的多标签预处理指采用多热编码对时频图像对应的标签进行预处理；
步骤S4所述的CAS局部特征提取模块，实现如下：
CAS编码器定义为
其中，
是下采样CNN层的输出；
是下采样卷积核的数量；
和
表示卷积核的权重和偏移；
卷积自编码器的解码器定义为
步骤S6所述的Sigmoid函数，使用其作为激活函数输出，对有交迭的多分量雷达信号每类信号标签判断，其中
为第
类信号标签，则第
类信号标签Sigmoid输出
为：
其中
代表第
类信号标签预测概率；
步骤S8中的1）所述Adam算法如下：
其中
表示为损失函数
的梯度；
表示为迭代权重；
表示梯度算子；
表示初始化为0的
的一阶矩估计；
表示为初始化为0的
的二阶矩估计；
为一阶矩估计的指数衰减率，取值为0.9；
为二阶矩估计的指数衰减率，取值为0.999；
表示转置操作；
为学习率。
本发明提供了基于ST2DCNN+SE的雷达重叠信号识别方法，它包括：构建数据集；数据预处理；构建TCN局部特征提取模块；构建CAS局部特征提取模块；构建SE局部特征提取模块；多标签学习框架参数设置；构建ST2DCNN+SE局部特征提取模块；训练雷达辐射源识别网络；对雷达辐射源信号进行识别。本发明结合多热编码算法构建了多标签学习框架，实现了对时频域有交迭的雷达信号的快速自动识别。引入SE模块的注意力机制，提高了网络的识别速度和精度，经过训练后的时空二维卷积神经网络能够很好地识别信号相似度较大的交迭信号，提升了网络在低信噪比的条件下信号识别精度和速度。
附图说明
图1为Costas_P3信号的时频图像；
图2 为TCN局部特征提取模块的结构图；
图3 为SE局部特征提取模块结构图；
图4 为时空二维卷积神经网络结构图；
图5不同网络模型对不同信噪比下的信号识别测试结果。
具体实施方式
实施例1
基于时空卷积神经网络和挤压激励块（ST2DCNN+SE）的雷达重叠信号识别方法，它包括：
S1.构建数据集
1）利用Matlab生成一个不同调制类型交迭信号的数据集；
2）建立训练集、验证集和测试集：将数据和标签对应随机打乱，按照比例划分训练集、验证集和测试集；
所述的训练集、验证集、测试集的比例为24：16：1。
首先在Matlab中对28种重叠多分量信号采用Choi-Williams时频分析方法进行了仿真。其次，利用图像数据增强技术对样本数据集进行扩展，克服了样本量小导致的过拟合和泛化能力差的问题。
所述的28种重叠多分量信号，是由8种典型雷达信号交迭生成的。
使用8种典型雷达信号包括二进制相移键控（BPSK）、Costas码、调频连续波（FMCW）、Frank码、P1码、P2码、P3码以及P4码两两交迭，得到有交迭的多分量雷达信号。生成的信号信噪比范围为-20~10 dB，间隔2 dB。每种信号在每个信噪比条件下生成200个时频图，即样本总计89600个时频图。8种典型雷达信号的调制参数如表1所示：
S2.数据预处理
1）时频分析
雷达信号是一种非平稳信号。Choi-Williams时频分析描述了非平稳信号的频率随时间的变化。Choi-Williams分布(CWD)是一个带有参数加权核函数的Cohen类时频分布。给定非平稳信号的CWD变换定义如下:
其中和分别表示
和
时间和角频
表示指数加权核函数。
时频图像预处理
对CWD时频分析得到的时频图像进行预处理是十分必要的。该预处理解决了样本量小导致模型拟合过度、泛化能力差的问题。附图1为Costas_P3信号的时频图像。
时频图像预处理步骤如下：
步骤1：由于计算资源有限，应减少图像数据量。opencv中的resize函数用于将时频映射的大小从583×483调整为96×96。
步骤2：对雷达信号的二维时频图像进行归一化处理。
步骤3：图像数据发生器是应用图像平移、旋转、噪声干扰等数据增强方法对每批归一化训练图像进行扩展的
2）多标签预处理
采用多重热编码对时频图进行预处理。可读标签通过Scikit学习库中的MultiLabelBinarizer转换为包含相应代码的向量。与传统的热编码方法相比，该方法具有较低的计算复杂度。此外，它将多类分类问题转化为每一类的二值分类问题。因此，这种学习方法不仅可以学习重叠信号的组合特征，还可以用来学习每一类信号的独特特征。
S3.构建TCN局部特征提取模块：
在处理时间相关数据时，TCN比其它神经网络更敏感。因此，本发明采用该方法对具有时间相关性的时频图进行处理，提取时间信息特征。TCN的结构相对简单，如附图2所示。
数据分两路经过TCN局部特征提取模块，第一路依次经过膨胀卷积层1，权重归一化层1，relu激活函数层1，dropout正则化层1，膨胀卷积层2，权重归一化层2，relu激活函数层2，dropout正则化层2；第二路经过卷积层，最后两路结果经过特征融合层输出。
网络中的TCN块所处的位置如图4所示。由于TCN采用了因果卷积，该网络对时间序列数据进行处理是可行的，并显示了利用扩展卷积和残差块记忆训练历史的能力。
S4.构建CAS局部特征提取模块
TCN不能有效地提取时频图的空间信息特征。而卷积神经网络（CNN）则可以提取时频图的空间信息特征。但是，CNN和TCN的兼容性较差，影响了网络识别性能。CAS块的卷积层可以提取时频图的空间特征信息。CAS局部特征提取模块包括：第一卷积层、最大池化层、第二卷积层、上采样层；数据依次经过进入下一模块
CAS块的下采样和上行采样结构可以实现时频图的降噪和滤波。CAS的实现如下：
卷积自动编码器的编码器定义为
其中，
是下采样CNN层的输出；
是下采样卷积核的数量；
和
表示卷积核的权重和偏移。
卷积自编码器的解码器定义为
CAS可以从输入数据中提取空间信息特征。但是，它增加了网络的深度，从而降低了训练速度。网络中的CAS块如图4所示。
S5.构建SE局部特征提取模块
为了克服由于网络深度的增加而导致的训练速度的降低，增加了一个能够实现注意机制（attention mechanism，AM）的SE块。该块通过减少参数的个数，提高了网络的训练速度。图3示出了数据分两路经过SE局部特征提取模块，第一路依次经过全局池化层1，全连接层1，relu激活函数层，全连接层2，softmax激活函数层，Reshape层1；第二路不经过任何操作，最后两路结果Scale层输出。
SE块的具体实现。首先，利用全局平均池将特征图的维数从
压缩到
。然后，通过两个完全连接的层和激活功能实现励磁操作。通过为每个通道分配权重，可以自动去除低权重噪声点，并且输出尺寸不变。最后，对原始特征图进行缩放，输出结果乘以原始特征图和注意权重。网络中的SE块位置如图4所示。
S6.多标签学习框架参数设置
对多标签学习框架的构建，首先使用有交迭的多分量雷达信号时频图作为训练集，该数据集对应的样本标签为多标签，对样本标签二值化处理，形成多标签二值化的样本标签。为了对多标签信号进行分类，我们使用了sklearn库中的MultiLabelBinarizer，将可读的标签转换为包含各类对应编码的向量。使用时空二维卷积神经网络训练，该网络在处理多标签分类问题时还需使用Sigmoid激活函数以及Binary cross-entropy损失函数用于网络训练，提供网络的非线性建模能力。下文对Sigmoid激活函数和Binary cross-entropy损失函数介绍。
(1)Sigmoid激活函数
由于需要判断多标签中每一类别标签的有无，这是个二分类问题，因此使用二分类激活函数(即Sigmoid函数)作为网络的输出激活函数，Sigmoid函数取值范围是（0,1），它可以将一个实数映射到（0,1）的区间，可以用作二分类。因此使用Sigmoid函数作为激活函数输出，对有交迭的多分量雷达信号每类信号标签判断，其中
为第
类信号标签，则第
类信号标签Sigmoid输出
为：
(2)Binary cross-entropy
由于网络将多类分类问题转化为对每一类别的二分类问题，为了更好的求解和评估AMSCN模型，使用Binary cross-entropy交叉熵损失函数对模型求解和评估。Binarycross-entropy的标签独立的输出为：
其中
代表第
类信号标签预测概率。
S7.构建ST2DCNN+SE局部特征提取模块：
ST2DCN+SE由时间卷积网络（temporal convolutional network，TCN）、卷积自编码器结构（convolutional autoencoder structure，CAS）和压缩激励（squeeze andexcitation，SE）块组成，所述的卷积自编码器结构包括：第一卷积层→最大池化层→第二卷积层→上采样层。
该网络在处理具有时空信息特征的时频图方面具有一定的优势。它具有识别速度快、识别精度高等特点。图4显示了ST2DCNN+SE模型的结构，其结构参数如表2所示。
搭建一个11层的ST2DCN+SE全局特征提取模块，其结构依次为：输入层→第一TCN层→第二TCN层→第三TCN层→第一卷积层→最大池化层→第二卷积层→上采样层→SE层→展平层→全连接层。
将第一至第二TCN层中滤波器的个数设置为32，滤波器大小设置为3×3；第三TCN层中的滤波器个数设置为16，滤波器大小设置为3×3；第一至第二卷积层的卷积核个数设置为16，卷积核大小设置为3×3，使用Relu激活函数；最大池化层中池化区域核的大小设置为2×2；上采样层中的上采样区域核的大小设置为2×2；全连接层的神经元个数设置为8，激活函数为Sigmoid。
S8.训练雷达辐射源识别网络：
将预处理后训练集样本输入到雷达辐射源识别网络中训练网络，并用预处理后的验证集样本对每一轮的训练结果进行验证。
采用Adam算法更新网络权值。
所述Adam算法如下：
其中
表示为损失函数
的梯度；
表示为迭代权重；
表示梯度算子；
表示初始化为0的
的一阶矩估计；
表示为初始化为0的
的二阶矩估计；
为一阶矩估计的指数衰减率，取值为0.9；
为二阶矩估计的指数衰减率，取值为0.999；
表示转置操作；
为学习率。
学习率初始设置为0.0001；最大训练轮数为100轮。
引入早停机制，以验证集损失作为标准，在验证集损失连续10轮不减小时停止训练。
S9.对雷达辐射源信号进行识别
调用保存的网络模型，将预处理后测试集数据依次输入到训练好的雷达辐射源识别网络中，得到测试集每个样本的识别结果。
实施例2
本发明的有交迭雷达辐射源识别仿真实验是采用本发明提出的ST2DCNN+SE方法，通过和经典网络进行比较，验证了所设计网络的有效性与优越性。
8种网络实验结果如表3所示：
表3中1-8分别为8种不同的深度学习网络，由表3可以看出，TCN的准确率仅为95.57%，且损失大，训练时间为1:21:15，识别速度相对较慢。为了提高网络对空间信息特征的提取能力，进一步提升网络的识别精度，在TCN层基础上加入了CNN层(CTCN)，识别效果变差，这是由于TCN和CNN的兼容性较差导致的。而在TCN层的基础上增加CAS层（ST2DCNN），该网络的训练时间比TCN快0:38:19，准确率提高0.19%，这是由于TCN和CAS的兼容性好，且该层既能对空间特征提取又能起到滤波降噪的作用，所以该网络的识别效果较好。为了进一步提高网络识别的速度和精度，增加了SE模块。有SE模块的ST2DCNN训练时间比无SE模块的ST2DCNN快了0:30:28，准确率提高2%。从表3可以看出，ST2DCNN+SE具有识别速度快、识别精度高的特点。与一些经典的深度学习网络相比，该网络在识别速度和识别精度上都有一定的提高。
利用训练保存的8种网络对不同信噪比条件下的28种多分量有交迭信号分类识别测试结果如图5所示， 由图可知，时空二维卷积神经网络比其他经典深度学习网络在低信噪比的条件下识别精度更高，时空二维卷积神经网络在信噪比为-20dB的条件下，依然有90%的准确率。在信噪比为-8dB的条件下依然有接近100%的准确率，而其他经典网络中AlexNet在高信噪比的环境下识别效果突出，但是在低信噪比的条件下识别受限。ST2DCNN+SE对多分量有交迭雷达信号识别效果较另7种网络具有一定的优势。
Claims (9)
1.基于ST2DCNN+SE的雷达重叠信号识别方法，它包括：
S1.构建数据集
1）将侦收设备侦收到的雷达辐射源信号进行采样并截取固定长度，作为数据并打上标签；
S2.数据预处理
1）先将信号进行时频分析，再对时频分析得到的时频图像进行预处理；
所述的时频图像预处理步骤如下：
步骤1：opencv中的resize函数用于将时频映射的大小从583×483调整为96×96；
步骤2：对雷达信号的二维时频图像进行归一化处理；
步骤3：利用图像数据发生器对图像进行处理；
2）多标签预处理
3）建立训练集、验证集和测试集：将数据和标签对应随机打乱，按照比例划分训练集、验证集和测试集；
2）多标签预处理
S3.构建TCN局部特征提取模块
数据分两路经过TCN局部特征提取模块，第一路依次经过膨胀卷积层1，权重归一化层1，relu激活函数层1，dropout正则化层1，膨胀卷积层2，权重归一化层2，relu激活函数层2，dropout正则化层2；第二路经过卷积层，最后两路结果经过特征融合层输出；
S4.构建CAS局部特征提取模块
CAS局部特征提取模块包括：第一卷积层、最大池化层、第二卷积层、上采样层；数据依次经过进入下一模块；
S5.构建SE局部特征提取模块
数据分两路经过SE局部特征提取模块，第一路依次经过全局池化层1，全连接层1，relu激活函数层，全连接层2，softmax激活函数层，Reshape层1；第二路不经过任何操作，最后两路结果Scale层输出；
S6.多标签学习框架参数设置
1）使用了sklearn库中的MultiLabelBinarizer，将可读的标签转换为包含各类对应编码的向量；
2）使用Sigmoid激活函数以及Binary cross-entropy损失函数用于网络训练；
S7.构建ST2DCNN+SE局部特征提取模块
搭建一个11层的ST2DCN+SE全局特征提取模块，其结构依次为：输入层→第一TCN层→第二TCN层→第三TCN层→第一卷积层→最大池化层→第二卷积层→上采样层→SE层→展平层→全连接层；
S8.训练雷达辐射源识别网络：
1）将预处理后训练集样本输入到上述雷达辐射源识别网络中训练网络，并用预处理后的验证集样本对每一轮的训练结果进行验证，采用Adam算法更新网络权值；
2）学习率初始设置为0.0001；最大训练轮数为100轮；
3）引入早停机制，以验证集损失作为标准，在验证集损失连续10轮不减小时停止训练；
S9.对雷达辐射源信号进行识别。
2.根据权利要求1所述的基于ST2DCNN+SE的雷达重叠信号识别方法，其特征在于：步骤S1中的1）所述的交迭信号是由8种典型雷达信号两两交迭生成的，所述的8种典型雷达信号包括二进制相移键控BPSK、Costas码、调频连续波FMCW、Frank码、P1码、P2码、P3码以及P4码。
3.根据权利要求2所述的基于ST2DCNN+SE的雷达重叠信号识别方法，其特征在于：步骤S1中的2）所述的训练集、验证集、测试集的比例为24：16：1。
4.根据权利要求3所述的基于ST2DCNN+SE的雷达重叠信号识别方法，其特征在于：S7所述的ST2DCNN+SE局部特征提取模块中，将第一至第二TCN层中滤波器的个数设置为32，滤波器大小设置为3×3；第三TCN层中的滤波器个数设置为16，滤波器大小设置为3×3；第一至第二卷积层的卷积核个数设置为16，卷积核大小设置为3×3，使用Relu激活函数；最大池化层中池化区域核的大小设置为2×2；上采样层中的上采样区域核的大小设置为2×2；全连接层的神经元个数设置为8，激活函数为Sigmoid。
5.根据权利要求4所述的基于ST2DCNN+SE的雷达重叠信号识别方法，其特征在于：步骤S2中的1）所述的时频分析为Choi-Williams时频分析，给定非平稳信号的CWD变换定义如下:
其中和分别表示
和
时间和角频
表示指数加权核函数。
6.根据权利要求1、2、3、4或5所述的基于ST2DCNN+SE的雷达重叠信号识别方法，其特征在于：步骤S2中的2）所述的多标签预处理指采用多热编码对时频图像对应的标签进行预处理。
7.根据权利要求6所述的基于ST2DCNN+SE的雷达重叠信号识别方法，其特征在于：步骤S4所述的CAS局部特征提取模块，实现如下：
CAS编码器定义为
其中，
是下采样CNN层的输出；
是下采样卷积核的数量；
和
表示卷积核的权重和偏移；
卷积自编码器的解码器定义为
8.根据权利要求7所述的基于ST2DCNN+SE的雷达重叠信号识别方法，其特征在于：步骤S6所述的Sigmoid函数，使用其作为激活函数输出，对有交迭的多分量雷达信号每类信号标签判断，其中
为第
类信号标签，则第
类信号标签Sigmoid输出
为：
其中
代表第
类信号标签预测概率。
9.根据权利要求8所述的基于ST2DCNN+SE的雷达重叠信号识别方法，其特征在于：步骤S8中的1）所述Adam算法如下：
其中
表示为损失函数
的梯度；
表示为迭代权重；
表示梯度算子；
表示初始化为0的
的一阶矩估计；
表示为初始化为0的
的二阶矩估计；
为一阶矩估计的指数衰减率，取值为0.9；
为二阶矩估计的指数衰减率，取值为0.999；
表示转置操作；
为学习率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110407585.9A CN113033473B (zh) | 2021-04-15 | 2021-04-15 | 基于st2dcnn+se的雷达重叠信号识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110407585.9A CN113033473B (zh) | 2021-04-15 | 2021-04-15 | 基于st2dcnn+se的雷达重叠信号识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113033473A true CN113033473A (zh) | 2021-06-25 |
| CN113033473B CN113033473B (zh) | 2022-10-04 |
Family
ID=76457117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110407585.9A Expired - Fee Related CN113033473B (zh) | 2021-04-15 | 2021-04-15 | 基于st2dcnn+se的雷达重叠信号识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113033473B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113962262A (zh) * | 2021-10-21 | 2022-01-21 | 中国人民解放军空军航空大学 | 一种基于连续学习的雷达信号智能分选方法 |
| CN114492540A (zh) * | 2022-03-28 | 2022-05-13 | 成都数之联科技股份有限公司 | 目标检测模型的训练方法、装置、计算机设备及存储介质 |
| CN115062658A (zh) * | 2022-06-14 | 2022-09-16 | 电子科技大学 | 基于自适应门限网络的交叠雷达信号调制类型识别方法 |
| CN116520252A (zh) * | 2023-04-03 | 2023-08-01 | 中国人民解放军93209部队 | 一种空中目标智能识别方法与系统 |
| CN117081895A (zh) * | 2023-10-16 | 2023-11-17 | 电子科技大学 | 一种基于自适应降噪的自动调制识别方法 |
| CN115062658B (zh) * | 2022-06-14 | 2024-05-28 | 电子科技大学 | 基于自适应门限网络的交叠雷达信号调制类型识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112098957A (zh) * | 2020-09-15 | 2020-12-18 | 西安电子科技大学 | 基于一维自步卷积神经网络的复杂雷达辐射源识别方法 |
| CN112115924A (zh) * | 2020-09-27 | 2020-12-22 | 西安电子科技大学 | 基于一维cnn和lstm的雷达辐射源识别方法 |
-
2021
- 2021-04-15 CN CN202110407585.9A patent/CN113033473B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112098957A (zh) * | 2020-09-15 | 2020-12-18 | 西安电子科技大学 | 基于一维自步卷积神经网络的复杂雷达辐射源识别方法 |
| CN112115924A (zh) * | 2020-09-27 | 2020-12-22 | 西安电子科技大学 | 基于一维cnn和lstm的雷达辐射源识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 黄智等: "基于时频分析和CNN的雷达辐射源识别算法", 《舰船电子工程》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113962262A (zh) * | 2021-10-21 | 2022-01-21 | 中国人民解放军空军航空大学 | 一种基于连续学习的雷达信号智能分选方法 |
| CN113962262B (zh) * | 2021-10-21 | 2024-05-14 | 中国人民解放军空军航空大学 | 一种基于连续学习的雷达信号智能分选方法 |
| CN114492540A (zh) * | 2022-03-28 | 2022-05-13 | 成都数之联科技股份有限公司 | 目标检测模型的训练方法、装置、计算机设备及存储介质 |
| CN114492540B (zh) * | 2022-03-28 | 2022-07-05 | 成都数之联科技股份有限公司 | 目标检测模型的训练方法、装置、计算机设备及存储介质 |
| CN115062658A (zh) * | 2022-06-14 | 2022-09-16 | 电子科技大学 | 基于自适应门限网络的交叠雷达信号调制类型识别方法 |
| CN115062658B (zh) * | 2022-06-14 | 2024-05-28 | 电子科技大学 | 基于自适应门限网络的交叠雷达信号调制类型识别方法 |
| CN116520252A (zh) * | 2023-04-03 | 2023-08-01 | 中国人民解放军93209部队 | 一种空中目标智能识别方法与系统 |
| CN116520252B (zh) * | 2023-04-03 | 2024-03-15 | 中国人民解放军93209部队 | 一种空中目标智能识别方法与系统 |
| CN117081895A (zh) * | 2023-10-16 | 2023-11-17 | 电子科技大学 | 一种基于自适应降噪的自动调制识别方法 |
| CN117081895B (zh) * | 2023-10-16 | 2023-12-19 | 电子科技大学 | 一种基于自适应降噪的自动调制识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113033473B (zh) | 2022-10-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113033473B (zh) | 基于st2dcnn+se的雷达重叠信号识别方法 | |
| Valdenegro-Toro | Object recognition in forward-looking sonar images with convolutional neural networks | |
| Chen et al. | Research on recognition of fly species based on improved RetinaNet and CBAM | |
| CN111915592A (zh) | 基于深度学习的遥感图像云检测方法 | |
| Hong-hai et al. | Radar emitter multi-label recognition based on residual network | |
| CN110598530A (zh) | 一种基于acgan的小样本无线电信号增强识别方法 | |
| Wang et al. | Semantic segmentation of remote sensing ship image via a convolutional neural networks model | |
| Ni et al. | LPI radar waveform recognition based on multi-resolution deep feature fusion | |
| CN116403213A (zh) | 基于人工智能的循环肿瘤细胞检测仪及其方法 | |
| CN116704431A (zh) | 水污染的在线监测系统及其方法 | |
| CN112016569A (zh) | 基于注意力机制的目标检测方法、网络、设备和存储介质 | |
| CN116400426B (zh) | 基于电磁法的数据勘测系统 | |
| CN113850838A (zh) | 船舶航行意图获取方法、装置、计算机设备及存储介质 | |
| Ristea et al. | Estimating the magnitude and phase of automotive radar signals under multiple interference sources with fully convolutional networks | |
| CN115861756A (zh) | 基于级联组合网络的大地背景小目标识别方法 | |
| CN116797796A (zh) | Drfm间歇采样下基于时频分析与深度学习的信号识别方法 | |
| CN115630276A (zh) | 一种基于YOLOv5的雷达脉内调制类型快速识别方法 | |
| Duan et al. | Multi-scale convolutional neural network for SAR image semantic segmentation | |
| Kamal et al. | Generative adversarial learning for improved data efficiency in underwater target classification | |
| Liang et al. | Adaptive multiple kernel fusion model using spatial-statistical information for high resolution SAR image classification | |
| Liang et al. | Car detection and classification using cascade model | |
| Chen et al. | A novel lightweight bilateral segmentation network for detecting oil spills on the sea surface | |
| CN116894207A (zh) | 一种基于Swin Transformer和迁移学习的智能辐射源识别方法 | |
| Zhang et al. | Target detection for HFSWR based on an S 3 D algorithm | |
| CN109284752A (zh) | 一种车辆的快速检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221004 |