CN113156386A - 一种雷达、辐射源识别方法及计算机可读存储介质 - Google Patents

Abstract

本发明属于雷达辐射源识别技术领域，公开了一种雷达、辐射源识别方法及计算机可读存储介质，基于深度置信网络和AF矩阵奇异值向量，将加噪时域信号经中值滤波进行降噪，求解信号AF矩阵，提取SVV，作为深度网络的输入样本；利用DBN相对简单的结构及对一维样本的高效处理能力，完成对SVV的深层特征的学习，进而实现对雷达信号的准确识别。本发明从一个全新的角度看待基于模糊函数的雷达辐射源识别中的特征选取问题，将模糊函数矩阵奇异值向量作为新的特征，利用DBN强大的低维特征识别能力，完成雷达辐射源的识别。仿真实验表明，在SNR≥‑10dB时，本发明的方法仍具有大于99％的识别准确率。

Description

一种雷达、辐射源识别方法及计算机可读存储介质

技术领域

本发明属于雷达辐射源识别技术领域，尤其涉及一种雷达、辐射源识别方法及计算机可读存储介质，具体涉及一种基于深度置信网络和模糊函数奇异值向量的雷达辐射源识别方法。

背景技术

目前，雷达辐射源分选与识别是雷达电子战中的关键技术，在工程应用领域一般通过对雷达信号中的载频(Carrier Frequency，CF)、脉宽(pulse Width，PW)、脉冲重复间隔(Pulse Repetition Interval，PRI)、脉冲到达时间(Time Of Arrival，TOA)和到达角(Direction Of Arrival，DOA)等5个脉间参数(脉冲描述字)的测量与分析，结合情报积累，完成分选和简单调制样式的识别。在研究领域采用时频分析、高阶统计量和模糊函数进行脉内分析，提取相关识别特征。其中模糊函数(Ambiguity Function，AF)相对其他方式而言能更完整地反映信号的内部结构信息，挖掘出的特征对噪声的敏感度更低。

目前基于模糊函数的雷达辐射源识别算法，主要是通过信号模糊函数三维图或俯视图分析、代表性切片等手段，基于三维地貌特征、等高线特征、主脊特征等几何形态学特征等，采用聚类或深度网络的方式完成雷达辐射源的分选与识别。但相关特征在低信噪比下性能下降明显，导致此类算法一般只适用于较高的信噪比(Signal noise ratio，SNR)。因此，亟需一种新的雷达辐射源识别方法。

通过上述分析，现有技术存在的问题及缺陷为：目前基于模糊函数的雷达辐射源识别算法，相关特征在低信噪比下性能下降明显，导致此类算法一般只适用于较高的信噪比。

解决以上问题及缺陷的难度为：

解决上述问题的难度在于，目前基于模糊函数的辐射源识别主要通过对模糊函数进行几何学特征的提取，主要步骤在于通过时频域的二维联合分布求解模糊函数矩阵→绘制相关图像→进行切片处理→主脊切线或图像的识别，一方面中间步骤比较多，各步骤处理方面存在一定的近似处理，导致识别的主要对象其特征在近似处理过程中有所缺失，最终致使信噪比降低时表征能力下降较快，及时采用非线性能力较强的神经网络进行分类，易造成对非信号本质特征的过学习，识别精度难以得到提升；另一方面，虽然信号的模糊函数对时域信号进行了自相关，相对于别的方法，其对噪声的敏感度较低，但在图像方面仍容易出现幅值较低的非预期随机噪点，且噪点的数量和幅值随着信噪比的降低而增加，而这些噪点，在几何学处理过程中是难以避免的，故导致低信噪比条件下识别准确度下降较快，难以满足辐射源识别的要求。

解决以上问题及缺陷的意义为：

将信号的模糊函数直接作为一个矩阵，通过数理分析的方式，能够有效减少中间步骤，降低近似处理而弱化表征能力的影响；且通过奇异值分解，提取矩阵的主要特征，因噪点分布的随机性，弱化其对矩阵主要特征的影响，从而进一步降低了选取特征的噪声敏感度；与之同时，充分发挥参数调优的深度置信网络对一维数据的分类识别能力，最终达到低信噪比条件下的高识别准确度。

发明内容

针对现有技术存在的问题，本发明提供了一种雷达、辐射源识别方法及计算机可读存储介质，尤其涉及一种基于深度置信网络和模糊函数奇异值向量的雷达辐射源识别方法。

本发明是这样实现的，一种雷达辐射源识别方法，所述雷达辐射源识别方法包括：

基于深度置信网络和AF矩阵奇异值向量，在样本构建方面，将加噪时域信号经中值滤波进行降噪，求解信号AF矩阵，提取SVV，作为深度网络的输入样本；在识别方法方面，利用DBN相对简单的结构及对一维样本的高效处理能力，完成对SVV的深层特征的学习，进而实现对雷达信号的准确识别。

进一步，结合雷达信号调制样式实际，选取二相编码、四相编码、M伪随机序列、二频编码、调频连续波、线性调频－二相编码六类典型调制信号作为识别对象。

进一步，所述雷达辐射源识别方法包括以下步骤：

步骤一，信号仿真；

步骤二，中值滤波降噪；

步骤三，一维中值滤波降噪后的信号模糊函数矩阵奇异值向量求解；

步骤四，模型训练及动态SNR条件下的识别效果检验；

步骤五，模型固定SNR识别效果检验。

进一步，步骤一中，所述信号仿真，包括：

仿真生成脉宽为10μs，SNR＝-10:1:10dB的21组随机初相的BPSK、QPSK、MSEQ、BFSK、FMCW、LFM-BC信号，采样点数N＝1 000，单一SNR条件下每类信号数量为120个，共计15120个。

进一步，步骤二中，所述中值滤波降噪，包括：

将生成的信号采用窗口大小M为11的一维中值滤波降噪，中值滤波如下式所示：

x_i＝median(x_i),i∈[1,M]；

由中值滤波公式可知，一维中值滤波降噪的基本原理是基于排序统计理论，把数字序列中各点的值用该序列的中值代替，当选取窗口为M时，将窗口内所有数值进行排序，取其序号正中间的数值则为该窗口序列的输出。

M取值如下式所示：

由M取值公式可知，对于采样数为N的离散时域信号，当N除以100的商向下取整为奇数时，M为此向下取整后的商值；当为偶数时，M为此取整商值加1。

进一步，步骤三中，所述一维中值滤波降噪后的信号模糊函数矩阵奇异值向量求解，包括：

(1)连续时域信号的模糊函数表达式如下：

(2)信号经过N点采样后的离散时域信号的模糊函数表达式如下：

其中，对于采样点为N的离散时域信号，其模糊函数为N维方阵；

(3)矩阵m行n列的矩阵A进行奇异值分解的形式如下：

其中，对角矩阵D中的对角线元素值为矩阵A分解的奇异值。

综上所述，对于N点采样的离散时域信号，可以提取其N维的模糊函数矩阵奇异值向量。

进一步，步骤四中，所述模型训练及动态SNR条件下的识别效果检验，包括：

进行完成仿真生成的时域信号奇异值向量的提取，归一化处理后，构建数据集；将数据集按照5：1的比例划分为训练集和测试集，作为DBN输入训练深度网络模型，得到模型最终损失函数值、测试集平均准确率及该模型在动态SNR条件下的识别准确率。

进一步，步骤五中，所述模型固定SNR识别效果检验，包括：

(1)生成脉宽为10μs，SNR＝-20:1:20dB的41组随机初相的BPSK、QPSK、MSEQ、BFSK、FMCW、LFM-BC信号，采样点数N＝1 000，单一SNR条件下每类信号数量为100个，共24600个信号；

(2)重复步骤二和步骤三，通过归一化后的信号模糊函数矩阵奇异值向量组，对固定SNR条件下的41组信号进行识别；训练模型的识别准确率与损失函数值成负相关，说明能够使用该模型完成辐射源的识别。

本发明的另一目的在于提供一种雷达，所述雷达实施所述的雷达辐射源识别方法。

本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行所述的雷达辐射源识别方法。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的雷达辐射源识别方法，基于深度置信网络(Deep Belief Networks，DBN)和AF矩阵奇异值向量(Singular Value Vector，SVV)，在样本构建方面，将加噪时域信号经中值滤波进行降噪，求解信号AF矩阵，提取SVV，作为深度网络的输入样本；在识别方法方面，利用DBN相对简单的结构及对一维样本的高效处理能力，完成对SVV的深层特征的学习，进而实现对雷达信号的准确识别。结合雷达信号调制样式实际，选取二相编码、四相编码、M伪随机序列、二频编码、调频连续波、线性调频－二相编码六类典型调制信号作为识别对象。

本发明从不同类别信号内部特征出发，提出了一种基于DBN和模糊函数矩阵奇异值向量的雷达辐射源识别方法。该方法从一个全新的角度看待基于模糊函数的雷达辐射源识别中的特征选取问题，将模糊函数矩阵奇异值向量作为新的特征，不再局限于模糊函数主脊切线、等高线、三维地貌等几何学特征，并利用DBN强大的低维特征识别能力，完成雷达辐射源的识别。仿真实验表明，在SNR≥-10dB时，该方法仍具有大于99％的识别准确率。

附图说明

图1是本发明实施例提供的雷达辐射源识别方法流程图。

图2是本发明实施例提供的雷达辐射源识别方法原理图。

图3(a)是本发明实施例提供的不同SNR时的识别准确率示意图。

图3(b)是本发明实施例提供的不同SNR时的损失函数值示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种雷达辐射源识别方法，下面结合附图对本发明作详细的描述。

如图1所示，本发明实施例提供的雷达辐射源识别方法包括以下步骤：

S101，信号仿真；

S102，中值滤波降噪；

S103，一维中值滤波降噪后的信号模糊函数矩阵奇异值向量求解；

S104，模型训练及动态SNR条件下的识别效果检验；

S105，模型固定SNR识别效果检验。

下面结合实施例对本发明作进一步描述。

实施例1

本发明提出一种基于深度置信网络(Deep Belief Networks，DBN)和AF矩阵奇异值向量(Singular Value Vector，SVV)的雷达辐射源识别方法。在样本构建方面，将加噪时域信号经中值滤波进行降噪，求解信号AF矩阵，提取SVV，作为深度网络的输入样本；在识别方法方面，利用DBN相对简单的结构及对一维样本的高效处理能力，完成对SVV的深层特征的学习，进而实现对雷达信号的准确识别。结合雷达信号调制样式实际，选取二相编码(Binary phase shift keying，BPSK)、四相编码(Quadrature phase shift keying，QPSK)、M伪随机序列(M-sequence，MSEQ)、二频编码(Binary frequency shift keying，BFSK)、调频连续波(Frequency modulated continuous wave，FMCW)、线性调频－二相编码(Linear frequency modulation-Binary phase shift keying，LFM-BC)六类典型调制信号作为识别对象，其识别流程图如图2所示。

主要步骤如下：

1.信号仿真。仿真生成脉宽为10μs，SNR＝-10:1:10dB的21组随机初相的BPSK、QPSK、MSEQ、BFSK、FMCW、LFM-BC信号，采样点数N＝1000，单一SNR条件下每类信号数量为120个，共计15120个。

2.中值滤波降噪。将生成的信号采用窗口大小M为11的一维中值滤波降噪，中值滤波及M取值如式(1)、式(2)所示：

x_i＝median(x_i),i∈[1,M] (1)

式(1)可知，一维中值滤波降噪的基本原理是基于排序统计理论，把数字序列中各点的值用该序列的中值代替，当选取窗口为M时，将窗口内所有数值进行排序，取其序号正中间的数值则为该窗口序列的输出。式(2)可知，对于采样数为N的离散时域信号，当N除以100的商向下取整为奇数时，M为此向下取整后的商值；当为偶数时，M为此取整商值加1。

3.模糊函数矩阵奇异值向量求解。根据式(3)、式(4)、式(5)所示，完成一维中值滤波降噪后的信号模糊函数矩阵奇异值向量的求解：

式(3)为连续时域信号的模糊函数表达式；式(4)为该信号经过N点采样后的离散时域信号的模糊函数表达式，由该式可知，对于采样点为N的离散时域信号，其模糊函数为N维方阵；式(5)为矩阵m行n列的矩阵A进行奇异值分解的形式，其中对角矩阵D中的对角线元素值为矩阵A分解的奇异值。综上所述，对于N点采样的离散时域信号，可以提取其N维的模糊函数矩阵奇异值向量。

4.模型训练及动态SNR条件下的识别效果检验。按照上述方法，完成仿真生成的15120个时域信号奇异值向量的提取，进行归一化处理后，构建数据集1。将数据集1按照5:1的比例划分为训练集和测试集，作为DBN输入训练深度网络模型，得到模型最终损失函数值为0.0073(loss＝0.0073)，测试集平均准确率(Accuracy，acc)及该模型在动态SNR条件下的识别准确率为99.80％。表1为参数设置情况，表2为测试集混淆矩阵。

表1参数设置情况

表2测试集混淆矩阵

5.模型固定SNR识别效果检验。生成脉宽为10μs，SNR＝-20:1:20dB的41组随机初相的BPSK、QPSK、MSEQ、BFSK、FMCW、LFM-BC信号，采样点数N＝1000，单一SNR条件下每类信号数量为100个，共24600个信号。重复步骤2和步骤3，通过归一化后的信号模糊函数矩阵奇异值向量组，对固定SNR条件下的41组信号进行识别。按图3可知，训练模型的识别准确率与损失函数值成负相关，说明能够使用该模型完成辐射源的识别。由图3(a)可知，在SNR＝-20dB时，仍有近80％(≥78.83％)的识别准确率，且整体上随着SNR的增加而提升，当SNR≥-11dB时，识别准确率已基本接近100％(acc≥97.5％)，当SNR选取为非训练集区间时，模型的平均识别准确率并未出现明显的下降，说明该模型具有较好的鲁棒性，尤其是对于QPSK、QPSK、LFM-BC信号，仍能保持高于90％的识别准确率，对于BPSK信号，因噪声过大时，编码信号的抖动增加，中值滤波输出值出现非预期突变概率增加，导致信号无法根据相位变化进行翻转，调制特性表征能力变弱，识别准确率出现了断崖式下滑，而对于FMCW信号，噪声的增加导致信号“毛刺”幅度上升，与原始信号幅值差异性降低，致使中值滤波输出存在随机性，无法确保频率的一致性要求，故识别准确率出现了抖动。由图3(b)可知，当-10dB≤SNR≤-6dB时，损失函数取值(0.0430≥loss≥0.0154)，虽大于模型训练时的取值(Loss＝0.0073)，但并未发生明显的突变，说明选取的特征对噪声的敏感度较低，在低SNR条件下能够保持较高的类内聚敛性。

实施例2

1.实验比对

选取SNR分别为-15dB，-10dB，-5dB，0dB，5dB，10dB和15dB的信噪比条件下6类信号各100个，同时采用基于DBN的双谱对角切片特征识别方法(BDS-DBN)，基于DBN的SVD分解条件下模糊函数主脊切面特征识别方法(SVD-DBN)，基于时频图像特征识别方法(DCGAN+VGG16)，与本发明提出的识别方法(SVV-DBN)进行对比实验。表3为各方法在选定SNR条件下的平均识别准确率。

表3不同SNR时各方法的识别准确率

从表3实验结果对比可知，在各调优深度网络皆能有效提取输入数据特征的前提下，本发明所提取的模糊函数矩阵奇异值向量，具备更强的信号内在特性的表征能力，在低SNR时可达到更高的识别准确率，且具有更强的鲁棒性和更高的稳定度。

2.本发明从不同类别信号内部特征出发，提出了一种基于DBN和模糊函数矩阵奇异值向量的雷达辐射源识别方法。该方法从一个全新的角度看待基于模糊函数的雷达辐射源识别中的特征选取问题，将模糊函数矩阵奇异值向量作为新的特征，不再局限于模糊函数主脊切线、等高线、三维地貌等几何学特征，并利用DBN强大的低维特征识别能力，完成雷达辐射源的识别。仿真实验表明，在SNR≥-10dB时，该方法仍具有大于99％的识别准确率。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种雷达辐射源识别方法，其特征在于，所述雷达辐射源识别方法包括：

基于深度置信网络和AF矩阵奇异值向量，在样本构建时，将加噪时域信号经中值滤波进行降噪，求解信号AF矩阵，提取SVV，作为深度网络的输入样本；

利用DBN结构及对一维样本的处理，对SVV的深层特征的学习，实现对雷达信号的识别。

2.如权利要求1所述的雷达辐射源识别方法，其特征在于，选取二相编码、四相编码、M伪随机序列、二频编码、调频连续波、线性调频－二相编码调制信号作为识别对象。

3.如权利要求1所述的雷达辐射源识别方法，其特征在于，所述雷达辐射源识别方法具体包括以下步骤：

步骤一，信号仿真；

步骤二，中值滤波降噪；

步骤三，一维中值滤波降噪后的信号模糊函数矩阵奇异值向量求解；

步骤四，模型训练及动态SNR条件下的识别效果检验；

步骤五，模型固定SNR识别效果检验。

4.如权利要求3所述的雷达辐射源识别方法，其特征在于，步骤一中，所述信号仿真，包括：

仿真生成脉宽为10μs，SNR＝-10:1:10dB的21组随机初相的BPSK、QPSK、MSEQ、BFSK、FMCW、LFM-BC信号，采样点数N＝1 000。

5.如权利要求3所述的雷达辐射源识别方法，其特征在于，步骤二中，所述中值滤波降噪，包括：

将生成的信号采用窗口大小M为11的一维中值滤波降噪，中值滤波如下式所示：

x_i＝median(x_i),i∈[1,M]；

由中值滤波公式可知，一维中值滤波降噪的基本原理是基于排序统计理论，把数字序列中各点的值用该序列的中值代替，当选取窗口为M时，将窗口内所有数值进行排序，取其序号正中间的数值则为该窗口序列的输出；

M取值如下式所示：

由M取值公式可知，对于采样数为N的离散时域信号，当N除以100的商向下取整为奇数时，M为此向下取整后的商值；当为偶数时，M为此取整商值加1。

6.如权利要求3所述的雷达辐射源识别方法，其特征在于，步骤三中，所述一维中值滤波降噪后的信号模糊函数矩阵奇异值向量求解，包括：

(1)连续时域信号的模糊函数表达式如下：

(2)信号经过N点采样后的离散时域信号的模糊函数表达式如下：

其中，对于采样点为N的离散时域信号，其模糊函数为N维方阵；

(3)矩阵m行n列的矩阵A进行奇异值分解的形式如下：

其中，对角矩阵D中的对角线元素值为矩阵A分解的奇异值；

综上所述，对于N点采样的离散时域信号，可以提取其N维的模糊函数矩阵奇异值向量。

7.如权利要求3所述的雷达辐射源识别方法，其特征在于，步骤四中，所述模型训练及动态SNR条件下的识别效果检验，包括：

进行完成仿真生成的时域信号奇异值向量的提取，归一化处理后，构建数据集；将数据集按照5：1的比例划分为训练集和测试集，作为DBN输入训练深度网络模型，得到模型最终损失函数值、测试集平均准确率及该模型在动态SNR条件下的识别准确率。

8.如权利要求3所述的雷达辐射源识别方法，其特征在于，步骤五中，所述模型固定SNR识别效果检验，包括：

(1)生成脉宽为10μs，SNR＝-20:1:20dB的41组随机初相的BPSK、QPSK、MSEQ、BFSK、FMCW、LFM-BC信号，采样点数N＝1 000，单一SNR条件下每类信号数量为100个，共24600个信号；

(2)重复步骤二和步骤三，通过归一化后的信号模糊函数矩阵奇异值向量组，对固定SNR条件下的41组信号进行识别；训练模型的识别准确率与损失函数值成负相关，说明能够使用该模型完成辐射源的识别。

9.一种雷达，其特征在于，所述雷达实施权利要求1～8任意一项所述的雷达辐射源识别方法。

10.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1～8任意一项所述的雷达辐射源识别方法。

Images