CN113111774A - 一种基于主动增量式微调的雷达信号调制方式识别方法 - Google Patents
一种基于主动增量式微调的雷达信号调制方式识别方法 Download PDFInfo
- Publication number
- CN113111774A CN113111774A CN202110388521.9A CN202110388521A CN113111774A CN 113111774 A CN113111774 A CN 113111774A CN 202110388521 A CN202110388521 A CN 202110388521A CN 113111774 A CN113111774 A CN 113111774A
- Authority
- CN
- China
- Prior art keywords
- radar
- signals
- time
- intra
- signal
- 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
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
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达信号脉内调制类型识别技术领域,具体涉及一种基于主动增量式微调的雷达信号调制方式识别方法。本发明首先将截获的雷达信号进行时频分布处理,得到二维时频图像;接着调整时频图像大小并进行幅度归一化处理;在训练阶段,采用基于池的抽样场景,将雷达信号时频图像样本逐组放入手写识别训练过的预训练模型中,输出其对应各类型的概率,由熵的不确定性抽样策略,寻找有价值的样本进行专家标注,扩大已标注的雷达信号数据集,通过该数据集更新当前网络所有层的参数;识别阶段,将未知雷达信号时频图像放入该网络中,输出层输出最终识别类型。本发明在低信噪比条件下识别率高,大幅度节省不必要的标注成本,具有良好应用前景。
Description
技术领域
本发明属于雷达信号脉内调制类型识别技术领域,具体涉及一种基于主动增量式微调的雷达信号调制方式识别方法。
背景技术
雷达信号脉内调制类型识别是侦察接收机进行威胁等级判定和估计雷达辐射源功能的核心技术。随着雷达技术不断提升,脉冲压缩技术在雷达中广泛使用,使得雷达信号的功率谱密度越来越低,雷达信号的类型也越来越多。因此,雷达信号脉内调制识别算法不仅要在低信噪比下具有良好的识别性能,而且要能识别广泛的信号类型。
传统雷达信号调制类型识别方法由特征提取与分类器两部分构成,其中特征提取部分早期并没有明确定义,而是通过具体雷达信号对象决定合适的信号处理手段,专家针对不同的信号设计出适用的特征提取的算法例如高阶统计量法、循环平稳分析法等,得到区分度较大的不同调制类型的雷达信号特征,再通过像决策树等分类器进行区分判断该特征归属于的调制类型。这类传统信号调制识别方法在稳定的环境下,对少量调制类型的雷达信号体现出了较好的识别效果。但是随着现代战场电子战愈演愈烈,雷达波形设计复杂多变,传统雷达信号特征提取和分类方法弊端开始显现。尽管算法的计算复杂度较高,但信号的特征分析和提取能力依旧相对有限,导致识别系统在低信噪比环境下的识别正确率较差,而且即使算法依靠专家进行设计,不断变化的信号调制类型和日益复杂的调制方法也导致算法的泛化性较差,识别类型严重受限。
随着近年来深度学习在图像分类领域的快速发展,研究者们发现在雷达信号识别算法中加入神经网络,往往可以自动提取信号调制类型特征,且提取得到的特征具有很强的抗噪性,对于多种复杂调制类型信号的识别具有很好的识别正确率。
目前的算法优化思路大致有两种。一种是扩大网络的规模以达到更高的识别正确率,一种是训练更多调制类型的雷达信号以达到更好的识别泛化能力。但是依照上述的两种优化思路,一方面网络规模的扩大导致网络的训练难度增加,数据集一旦不充足就极易出现过拟合的现象;另一方面若增加雷达信号识别方法的识别类型,网络的训练过程需要增加相应类型的雷达信号样本。Qu Z在2018年引入一种新的核函数,使用具有更强抗噪声能力的时频分析方法对雷达信号进行预处理,实现了在信噪比为-6dB时对12种调制信号识别率达到96.1%。但是也加大了网络训练难度,且在标注样本有限的情况下,极易产生过拟合,降低网络识别正确率。Wan J在2019年提出一种基于树结构的机器学习过程优化分类器,可识别12种不同的雷达信号,实现离线训练和在线识别,且在信噪比为-4dB时,系统整体识别率达到94.42%,但是其训练需要超过四万的标注样本。Wu B在2020年提出一种具有注意机制的一维卷积神经网络,根据特征对注意单元识别的重要性进行加权,达到对七种辐射源识别的高精度,但是为了保证识别性能,该模型需要超过十二万的雷达信号标注样本,是早期算法的三倍。
因此目前的基于深度学习的雷达调制类型识别研究思路对雷达脉内调制信号标注样本数量和质量上的要求越来越高,而雷达信号样本由于特殊的军事用途,收集难度较大,且专家标注成本昂贵。因此如何在保证算法在低信噪比环境下具有好的识别性能的同时,降低雷达信号训练样本标注成本是目前亟需解决的问题。
发明内容
本发明的目的在于提供降低人工标注成本的同时,在低信噪比情况下,对广泛的信号类型有良好的识别性能的一种基于主动增量式微调的雷达信号调制方式识别方法。
本发明的目的通过如下技术方案来实现:包括以下步骤:
步骤1:获取包含十二种不同雷达脉内调制信号的多组样本集;利用时频分布分析法将各样本信号转换为时频图像;
其中,x(t)为样本信号;t代表时频分布的自变量时间;ω代表时频分布的角频率;φ(τ,v)为核函数,α和β用来调节核函数的大小,核函数的宽度由四倍高斯函数标准差来估计;
所述的十二种不同雷达脉内调制信号包括LFM信号、SFM信号、EQFM信号、2FSK信号、4FSK信号、DLFM信号、MP信号、MLFM信号、BPSK信号、Frank信号、LFM-BPSK信号和2FSK-BPSK信号;
步骤2:对所有时频图像进行预处理,调整时频图像尺寸大小并且幅度归一化;
步骤3:利用手写数字样本预训练卷积神经网络,得到手写数字识别的预训练模型;
所述的卷积神经网络除去输入层输出层外一共十二层,卷积层、池化层各六层;由于手写数字识别的预训练模型的输出层为从0到9的十种手写数字对应类型,但是雷达脉内调制信号识别需要识别十二种信号,因此将手写识别网络中的十分类的最后一层输出层替换为十二分类的输出层,其他部分保留结构及对应权重偏置参数;
步骤4:将手写数字识别的预训练模型的模型参数分享给雷达脉内调制信号识别模型;采用预处理后的多组样本集训练雷达脉内调制信号识别模型;
步骤5:获取未知调制类型和随机参数的待识别雷达信号,将待识别雷达信号利用时频分布分析法转换为时频图像并预处理后,输入至训练好的雷达脉内调制信号识别模型中,雷达脉内调制信号识别模型自动判断待识别雷达信号的时频图像归属于的类型以及对应概率,实现雷达信号脉内调制方式的识别。
本发明还可以包括:
所述的步骤3中卷积神经网络的每一个卷积层后都加入了批量标准化BN层,同时激活函数采用ReLU函数。
所述的步骤4中采用预处理后的多组样本集训练雷达脉内调制信号识别模型方法具体为:
步骤4.1:采用基于池的抽样场景,将一组未标注的样本集输入至雷达脉内调制信号识别模型中,雷达脉内调制信号识别模型输出各样本对应各类型雷达脉内调制信号的概率;
步骤4.2:通过基于熵的不确定性抽样策略,挑选出熵最大的样本作为网络识别较困难的样本,对这类样本进行专家标注,标注后将其加入至已标注的雷达信号数据集中,通过已标注的雷达数据集对当前雷达脉内调制信号识别模型进行网络微调,对雷达脉内调制信号识别模型中所有层的相关参数进行更新,并保留最终参数;
基于熵的不确定性抽样策略:
其中,yi表示模型输出的所有标签;
步骤4.3:重复步骤4.1至步骤4.2;,直至完成训练。
本发明的有益效果在于:
本发明设计的卷积神经网络模型具有较好的特征提取与识别能力。本发明对雷达信号进行时频分析处理使用的核函数相比于Choi-Williams分布中的核函数,对雷达信号交叉项的抑制效果更好,信号鲁棒性特征更明显。本发明提省去大量图像预处理操作,减少算法计算复杂度,大幅度降低雷达信号的标注成本,同时仍然具有较好的识别泛化能力和抗噪性能。
附图说明
图1是一种基于主动增量式微调的雷达信号调制方式识别方法的系统框图;
图2是本发明中用于预训练和识别的卷积神经网络的结构图。
图3是6000个样本标注量时本算法与Qu Z在Radar Signal Intra-pulseModulation Recognition Based on Convolutional Neural Network一文中所用算法在识别性能上的对比图。
图4是基于主动增量式微调算法的训练网络达到实际应用需求时的标注样本分布图。
图5(a)是本发明对LFM信号的识别正确率与信噪比的关系曲线图。
图5(b)是本发明对DLFM信号的识别正确率与信噪比的关系曲线图。
图5(c)是本发明对MP信号的识别正确率与信噪比的关系曲线图。
图5(d)是本发明对SFM信号的识别正确率与信噪比的关系曲线图。
图5(e)是本发明对BPSK信号的识别正确率与信噪比的关系曲线图。
图5(f)是本发明对Frank信号的识别正确率与信噪比的关系曲线图。
图5(g)是本发明对2FSK信号的识别正确率与信噪比的关系曲线图。
图5(h)是本发明对EQFM信号的识别正确率与信噪比的关系曲线图。
图5(i)是本发明对MLFM信号的识别正确率与信噪比的关系曲线图。
图5(j)是本发明对4FSK信号的识别正确率与信噪比的关系曲线图。
图5(k)是本发明对LFM-BPSK信号的识别正确率与信噪比的关系曲线图。
图5(l)是本发明对2FSK-BPSK的识别正确率与信噪比的关系曲线图。
图6是本发明的实施例中仿真雷达信号参数表。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明公开了一种基于主动增量式微调的雷达信号调制方式识别方法,涉及一种结合深度学习与机器学习的主动学习算法。本发明首先将截获的雷达信号进行Cohen类时频分布(CTFD)处理,得到二维时频图像;接着采用双线性插值算法调整时频图像大小并进行幅度归一化处理;在训练阶段,采用基于池的抽样场景,将雷达信号时频图像样本逐组放入手写识别训练过的预训练模型中,输出其对应各类型的概率,由熵的不确定性抽样策略,寻找有价值的样本进行专家标注,扩大已标注的雷达信号数据集,通过该数据集更新当前网络所有层的参数;这种标注样本并连续增量式微调的训练模式,达到实际应用需求即训练完成;识别阶段,将未知雷达信号时频图像放入该网络中,输出层输出最终识别类型。本发明所述的雷达信号识别算法在低信噪比条件下识别率高,大幅度节省不必要的标注成本,具有良好应用前景。
本发明在降低人工标注成本的同时,在低信噪比情况下,对广泛的信号类型(仿真中为12种)有良好的识别性能。
本发明包括以下步骤:
(1)获取十二种不同的雷达脉内调制信号,包括LFM信号、SFM信号、EQFM信号、2FSK信号、4FSK信号、DLFM信号、MP信号、MLFM信号、BPSK信号、Frank信号、LFM-BPSK信号和2FSK-BPSK信号,将这些信号作为样本信号,利用时频分布分析法将其转换为时频图像;
(2)对步骤(1)得到的雷达信号时频图像进行预处理,调整时频图像大小并进行图像幅度归一化处理;
(3)本发明设计卷积神经网络以进行特征提取与分类。该卷积神经网络除去输入层、输出层共十二层,其中卷积层、池化层各六层。先用手写数字样本对网络进行训练,后采用该网络作为雷达信号识别算法的预训练网络;
(4)根据实际需求,整体训练网络需要在降低雷达信号标注成本的同时,具备在更低信噪比下更好的识别性能,因此本发明采用基于主动增量式微调(Active IncrementalFine-Turing,AIFT)的雷达信号脉内调制类型识别算法来训练步骤(3)得到的预训练网络;
(5)对(1)中任意一种信号经过步骤(2)的处理后作为未知调制类型的雷达信号,放入步骤(4)训练完成的分类网络中,分类网络即可根据输入给出相应的雷达信号类型,实现信号的分类识别。
特别地,
步骤(1)具体为:
对接收到的信号x(t),采用Cohen类时频分布,其数学表达式为
其中t和ω代表时频分布的自变量时间和角频率,φ(τ,v)称为核函数。且根据雷达信号与交叉项在模糊域的分布特点,使用一种新的核函数,其表达式为
其中,α和β用来调节核函数的大小,新核函数的宽度可以用四倍高斯函数标准差来估计。
步骤(3)具体为:
(3.1)设计卷积神经网络进行特征提取与分类。其中设计的卷积神经网络除去输入层输出层外一共十二层,卷积层、池化层各六层。因为手写数字样本特征与雷达脉内调制信号特征较为相似,所以先利用手写数字样本训练所设计的卷积神经网络,得到手写数字识别的预训练模型,并将该模型参数分享给雷达脉内调制信号识别模型,从而加快并优化雷达脉内调制信号识别模型的学习效率。
(3.2)因为先用手写数字样本对设计的卷积神经网络进行训练,因此预训练网络的输出层为从0到9的十种手写数字对应类型。但是雷达脉内调制信号识别需要识别十二种信号,因此将手写识别网络中的十分类的最后一层输出层替换为十二分类的输出层,其他预训练网络部分保留结构及对应权重偏置参数。
步骤(4)具体为:
(4.1)在步骤(2)之后,采用基于池的抽样场景,将一组未标注的处理好的雷达信号样本放入步骤(3)设计好的预训练网络中,通过该网络的各层,最终Softmax层输出对应各类型的概率。
(4.2)通过熵的不确定性抽样策略,挑选出熵最大的样本作为网络识别较困难的样本,对这类样本进行专家标注,标注后将其加入至已标注的雷达信号数据集中,通过已标注的雷达数据集对当前网络进行网络微调,在这里设置对网络所有层的相关参数进行更新,并保留最终参数。
(4.3)得到已更新参数的网络,再输入一组未标注的雷达信号样本集,寻找网络识别较为困难的样本,标注并微调网络。
(4.4)重复步骤(4.1)~(4.3)的训练步骤。这种标注样本并连续增量式微调的训练模式达到实际应用需求时即停止,完成训练。
与现有技术相比,本发明具有如下优点:
1.本发明设计的卷积神经网络模型具有较好的特征提取与识别能力。
2.本发明对雷达信号进行时频分析处理使用的核函数相比于Choi-Williams分布中的核函数,对雷达信号交叉项的抑制效果更好,信号鲁棒性特征更明显。
3.本发明提出一种基于主动增量式微调的雷达信号脉内调制识别算法,省去大量图像预处理操作,减少算法计算复杂度,大幅度降低雷达信号的标注成本,同时仍然具有较好的识别泛化能力和抗噪性能。
如图1是本发明的雷达信号脉内调制方式识别算法的流程图,下面结合图1对该算法的步骤和原理进行详细说明。
步骤1:获取几种不同的雷达脉内调制信号的时频图像,包括LFM信号、SFM信号、EQFM信号、2FSK信号、4FSK信号、DLFM信号、MP信号、MLFM信号、BPSK信号、Frank信号、LFM-BPSK信号和2FSK-BPSK信号,将这些信号作为样本信号,利用时频分布将雷达接收机接收到的信号转换为时频图像。
将接收到的雷达脉内调制信号表示为x(t),利用Cohen类时频分布(CTFD)的方法将雷达信号转换为二维时频分布,其中CTFD类分布的一般表示形式为:
其中t和ω代表时频分布的自变量时间和角频率,φ(τ,v)称为核函数,且根据雷达信号与交叉项在模糊域的分布特点,使用一种新的核函数,其表达式为
其中,α和β用来调节核函数的大小。经过上式的时频分析就可以得到雷达信号的时频图像。
步骤2:对时频图像进行预处理,即调整图像尺寸大小并且幅度归一化。
本算法采用双线性插值法,通过按行按列,先后进行线性插值的方法求出调整尺寸后的图像;为了方便后续工作,将时频图像的幅度均除以幅度最大值,实现幅度归一化。
步骤3:设计预训练网络。
(3.1)设计卷积神经网络进行特征提取与分类。其中设计的卷积神经网络除去输入层输出层外一共十二层,卷积层、池化层各六层。因为手写数字样本特征与雷达脉内调制信号特征较为相似,所以先利用手写数字样本训练所设计的卷积神经网络,得到手写数字识别的预训练模型,并将该模型参数分享给雷达脉内调制信号识别模型,从而加快并优化雷达脉内调制信号识别模型的学习效率。
(3.2)该卷积神经网络的输入特征图尺寸设置为211×211×1,第一层的卷积层卷积核尺寸为5×5,第二三层为3×3,其余层均为2×2,最终全连接层神经元个数为1024。因为先用手写数字样本对设计的卷积神经网络进行训练,因此预训练网络的输出层为从0到9的十种手写数字对应类型。但是雷达脉内调制信号识别需要识别十二种信号,因此将手写识别网络中的十分类的最后一层输出层替换为十二分类的输出层,其他预训练网络部分保留结构及对应权重偏置参数。
需要说明的是,为防止梯度消失与梯度爆炸现象,在每一个卷积层后都加入了批量标准化(BN)层,同时激活函数采用ReLU函数。
步骤4:训练卷积神经网络。
(4.1)选择难标识的样本进行专家标注。采用基于池的抽样场景,将步骤(2)中处理好的一组雷达脉内调制信号的时频图像放入预训练网络,得到其对应各类型的概率。因为主动学习的应用场景都涉及到对未标注的样本的信息性评估问题,因此采用基于样本不确定性的查询策略,结合预训练网络输出的概率,分类网络会自动查询不确定要如何分类的未标注雷达信号样本。从实际出发,对于识别类型很多的情况,为考虑所有输出的概率分布信息,采用基于熵的不确定性抽样策略,。其中基于熵的不确定性抽样策略:
其中yi表示模型输出的所有标签。熵作为一种不确定性的度量,熵越大,则对其分类结果的不确定性越大,因此专家对其进行标注的价值越大。所以我们选取熵最大,即难标识的样本进行专家标注。
(4.2)对预训练网络进行微调。将标注后的样本放入标注样本集,逐步扩大标注样本集的数量,通过标注样本集对步骤3设计好的与训练网络进行微调,更新所有层的参数。
(4.3)得到已更新参数的网络,再输入一组未标注的雷达信号样本集,寻找网络识别较为困难的样本,标注并微调网络。这种标注样本并连续增量式微调的训练模式达到实际应用需求时即停止,完成训练。
步骤5:经过训练后的该网络就可以对未知雷达信号进行脉内调制类型的识别,在调制类型训练集范围内,将未知调制类型和随机参数的雷达信号,放入训练好的深度卷积神经网络,分类网络自动判断该时频图像归属于的类型以及对应概率,实现雷达信号脉内调制方式的识别。
具体地,本实施例中通过仿真进行验证:仿真雷达调制信号总共12种,类型及参数如图6所示,信号长度N=1024,信号采样周期设置为1。训练集样本信噪比范围在-10dB到10dB,每隔1dB随机产生500个参数满足图6的样本,共126000个样本作为训练集。测试集的样本信噪比范围调控在-10dB到10dB,同训练集相同的方式随机产生共25200个样本作为测试集。预训练阶段,训练集每种类型750张手写标注样本,共7500张手写标注样本。测试集每种类型250张手写标注样本,共2500张手写标注样本。
图3可以看出AIFT算法在信噪比大于等于-2dB时整体识别率已经达到100%,在更低的信噪比下整体识别正确率也均保持在90%以上,而对比文献的算法在0dB时正确率为100%,但在更低信噪比下的识别性能下降较快,SNR为-8dB时,识别正确率为78%,相比AIFT算法减少了19%。且此时AIFT算法已标注样本数量只为文献所用算法的三分之一。进一步地,图4为AIFT算法的训练网络达到实际应用需求时的标注样本分布,图5示出了AIFT算法在最高性能时对十二种调制类型信号的信噪比与识别正确率的关系曲线。仿真结果表明,该算法专家标注成本至少缩小到其他的算法的63%,同时信噪比在-9dB时,12种信号识别正确率均保持在90%以上,在信噪比为-10dB时整体识别率为94.3%;
这表明该算法是有效的,可实现多达12类雷达信号脉内调制类型分类识别且在低信噪比条件下均具有很高的识别率,且大幅度降低标注成本。
本发明实施例的雷达信号脉内调制方式识别算法的其他步骤细节及作用对于本领域的技术人员而言都是已知的,为了减少冗余,在此不做赘述。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于主动增量式微调的雷达信号调制方式识别方法,其特征在于,包括以下步骤:
步骤1:获取包含十二种不同雷达脉内调制信号的多组样本集;利用时频分布分析法将各样本信号转换为时频图像;
其中,x(t)为样本信号;t代表时频分布的自变量时间;ω代表时频分布的角频率;φ(τ,v)为核函数,α和β用来调节核函数的大小,核函数的宽度由四倍高斯函数标准差来估计;
所述的十二种不同雷达脉内调制信号包括LFM信号、SFM信号、EQFM信号、2FSK信号、4FSK信号、DLFM信号、MP信号、MLFM信号、BPSK信号、Frank信号、LFM-BPSK信号和2FSK-BPSK信号;
步骤2:对所有时频图像进行预处理,调整时频图像尺寸大小并且幅度归一化;
步骤3:利用手写数字样本预训练卷积神经网络,得到手写数字识别的预训练模型;
所述的卷积神经网络除去输入层输出层外一共十二层,卷积层、池化层各六层;由于手写数字识别的预训练模型的输出层为从0到9的十种手写数字对应类型,但是雷达脉内调制信号识别需要识别十二种信号,因此将手写识别网络中的十分类的最后一层输出层替换为十二分类的输出层,其他部分保留结构及对应权重偏置参数;
步骤4:将手写数字识别的预训练模型的模型参数分享给雷达脉内调制信号识别模型;采用预处理后的多组样本集训练雷达脉内调制信号识别模型;
步骤5:获取未知调制类型和随机参数的待识别雷达信号,将待识别雷达信号利用时频分布分析法转换为时频图像并预处理后,输入至训练好的雷达脉内调制信号识别模型中,雷达脉内调制信号识别模型自动判断待识别雷达信号的时频图像归属于的类型以及对应概率,实现雷达信号脉内调制方式的识别。
2.根据权利要求1所述的一种基于主动增量式微调的雷达信号调制方式识别方法,其特征在于:所述的步骤3中卷积神经网络的每一个卷积层后都加入了批量标准化BN层,同时激活函数采用ReLU函数。
3.根据权利要求1或2所述的一种基于主动增量式微调的雷达信号调制方式识别方法,其特征在于:所述的步骤4中采用预处理后的多组样本集训练雷达脉内调制信号识别模型方法具体为:
步骤4.1:采用基于池的抽样场景,将一组未标注的样本集输入至雷达脉内调制信号识别模型中,雷达脉内调制信号识别模型输出各样本对应各类型雷达脉内调制信号的概率;
步骤4.2:通过基于熵的不确定性抽样策略,挑选出熵最大的样本作为网络识别较困难的样本,对这类样本进行专家标注,标注后将其加入至已标注的雷达信号数据集中,通过已标注的雷达数据集对当前雷达脉内调制信号识别模型进行网络微调,对雷达脉内调制信号识别模型中所有层的相关参数进行更新,并保留最终参数;
基于熵的不确定性抽样策略:
其中,yi表示模型输出的所有标签;
步骤4.3:重复步骤4.1至步骤4.2;,直至完成训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110388521.9A CN113111774B (zh) | 2021-04-12 | 2021-04-12 | 一种基于主动增量式微调的雷达信号调制方式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110388521.9A CN113111774B (zh) | 2021-04-12 | 2021-04-12 | 一种基于主动增量式微调的雷达信号调制方式识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111774A true CN113111774A (zh) | 2021-07-13 |
CN113111774B CN113111774B (zh) | 2022-10-28 |
Family
ID=76715615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110388521.9A Active CN113111774B (zh) | 2021-04-12 | 2021-04-12 | 一种基于主动增量式微调的雷达信号调制方式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111774B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114021603A (zh) * | 2021-10-25 | 2022-02-08 | 哈尔滨工程大学 | 一种基于模型重参数化的雷达信号调制方式识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2238567A1 (en) * | 2008-01-31 | 2010-10-13 | The Boeing Company | Use of associate memory learning agent technology to identify interchangeable parts in parts catalog |
CN107169435A (zh) * | 2017-05-10 | 2017-09-15 | 天津大学 | 一种基于雷达仿真图像的卷积神经网络人体动作分类方法 |
US20190050368A1 (en) * | 2016-04-21 | 2019-02-14 | Sas Institute Inc. | Machine learning predictive labeling system |
CN110175560A (zh) * | 2019-05-24 | 2019-08-27 | 哈尔滨工程大学 | 一种雷达信号脉内调制识别方法 |
CN111160176A (zh) * | 2019-12-19 | 2020-05-15 | 南京理工大学 | 基于融合特征的一维卷积神经网络地面雷达目标分类方法 |
CN111414942A (zh) * | 2020-03-06 | 2020-07-14 | 重庆邮电大学 | 一种基于主动学习和卷积神经网络的遥感图像分类方法 |
US20200265301A1 (en) * | 2019-02-15 | 2020-08-20 | Microsoft Technology Licensing, Llc | Incremental training of machine learning tools |
-
2021
- 2021-04-12 CN CN202110388521.9A patent/CN113111774B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2238567A1 (en) * | 2008-01-31 | 2010-10-13 | The Boeing Company | Use of associate memory learning agent technology to identify interchangeable parts in parts catalog |
US20190050368A1 (en) * | 2016-04-21 | 2019-02-14 | Sas Institute Inc. | Machine learning predictive labeling system |
CN107169435A (zh) * | 2017-05-10 | 2017-09-15 | 天津大学 | 一种基于雷达仿真图像的卷积神经网络人体动作分类方法 |
US20200265301A1 (en) * | 2019-02-15 | 2020-08-20 | Microsoft Technology Licensing, Llc | Incremental training of machine learning tools |
CN110175560A (zh) * | 2019-05-24 | 2019-08-27 | 哈尔滨工程大学 | 一种雷达信号脉内调制识别方法 |
CN111160176A (zh) * | 2019-12-19 | 2020-05-15 | 南京理工大学 | 基于融合特征的一维卷积神经网络地面雷达目标分类方法 |
CN111414942A (zh) * | 2020-03-06 | 2020-07-14 | 重庆邮电大学 | 一种基于主动学习和卷积神经网络的遥感图像分类方法 |
Non-Patent Citations (1)
Title |
---|
孔维宇: "基于时频图像的雷达信号调制识别技术研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114021603A (zh) * | 2021-10-25 | 2022-02-08 | 哈尔滨工程大学 | 一种基于模型重参数化的雷达信号调制方式识别方法 |
CN114021603B (zh) * | 2021-10-25 | 2024-05-31 | 哈尔滨工程大学 | 一种基于模型重参数化的雷达信号调制方式识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113111774B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN112308158B (zh) | 一种基于部分特征对齐的多源领域自适应模型及方法 | |
CN110826630B (zh) | 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 | |
CN111126386B (zh) | 场景文本识别中基于对抗学习的序列领域适应方法 | |
CN106909924B (zh) | 一种基于深度显著性的遥感影像快速检索方法 | |
CN107515895B (zh) | 一种基于目标检测的视觉目标检索方法与系统 | |
CN106228185B (zh) | 一种基于神经网络的通用图像分类识别系统及方法 | |
WO2019179403A1 (zh) | 基于序列宽深学习的欺诈交易检测方法 | |
CN114488140B (zh) | 一种基于深度迁移学习的小样本雷达一维像目标识别方法 | |
CN103955702A (zh) | 基于深度rbf网络的sar图像地物分类方法 | |
CN114564982A (zh) | 雷达信号调制类型的自动识别方法 | |
CN114636975A (zh) | 基于谱图融合和注意力机制的lpi雷达信号识别方法 | |
CN110991554B (zh) | 一种基于改进pca的深度网络图像分类方法 | |
CN113657472B (zh) | 一种基于子空间学习的多源遥感数据融合方法 | |
CN113111774B (zh) | 一种基于主动增量式微调的雷达信号调制方式识别方法 | |
CN114627424A (zh) | 一种基于视角转化的步态识别方法和系统 | |
CN114488069A (zh) | 基于图神经网络的雷达高分辨率距离像识别方法 | |
CN117649552A (zh) | 一种基于对比学习和主动学习的图像增量学习方法 | |
CN116229330A (zh) | 一种视频有效帧的确定方法、系统、电子设备及存储介质 | |
CN114168782B (zh) | 一种基于三元组网络的深度哈希图像检索方法 | |
CN115329821A (zh) | 一种基于配对编码网络和对比学习的舰船噪声识别方法 | |
CN114282585A (zh) | 基于天文光谱数据的离群天体分类方法 | |
CN110750672B (zh) | 基于深度度量学习和结构分布学习损失的图像检索方法 | |
CN114170426A (zh) | 一种基于代价敏感的稀有肿瘤类别小样本分类的算法模型 | |
Xu et al. | Auto Parts Defect Detection Based on Few-shot Learning |
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 |