CN113189558B - 冲击噪声环境下基于演化神经网络的雷达信号识别方法 - Google Patents

Abstract

本发明提供一种冲击噪声环境下基于演化神经网络的雷达信号识别方法，包括：在冲击噪声环境计算训练集中第m个雷达辐射源信号序列的分数低阶协方差谱；提取四种特征参数，并将这四种特征参数组成特征向量

判断是否所有雷达辐射源信号序列分数低阶协方差谱的四种特征参数都被提取完毕；利用训练集的特征矩阵和设计双链编码的量子水蒸发优化算法寻找概率神经网络的最优平滑因子σ，量子水蒸发优化算法记做QWEO；将寻找到的全局最优位置赋值给平滑因子σ，利用优化后的概率神经网络模型对测试集或实测数据集进行识别，给出识别结果。本发明降低了识别方法的计算复杂度，解决了特征指数0＜α≤2时冲击噪声环境下的雷达调制信号识别问题。

Description

冲击噪声环境下基于演化神经网络的雷达信号识别方法

技术领域

本发明具体涉及一种冲击噪声环境下基于演化神经网络的雷达信号识别方法，属于雷达信号处理领域。

背景技术

现代战争会发生在各种环境和天气下，复杂的噪声会影响雷达辐射源信号分选与识别的正确率，考虑恶劣情况下，海杂波噪声、大气噪声等冲击性较强的噪声并不能用高斯分布模型来描述，所以一些基于高斯噪声环境设计的雷达信号识别方法的正确率会明显下降。P.Lévy首次提出了Alpha稳定分布的概念，以Nikias为首的研究团队将此概念应用到了信号处理领域，研究结果表明Alpha稳定分布模型能够更加有效地描述噪声。探索和研究不同噪声环境下各种体制雷达辐射源信号的识别方法有着切实的意义和迫切的需求。

近年来，已有学者对Alpha稳定分布噪声下的调制信号识别方法进行了一定的研究。李咏晋(李咏晋.基于模糊函数的雷达脉内特征提取与分类器设计[D].解放军信息工程大学,2017.)设计了分数低阶模糊函数原定径向切片的特征提取算法，在完成组合策略的基础上还需进一步使用CCA与KCCA算法完成降维与特征优化，刘明骞等(刘明骞,李兵兵,曹超凤,李钊.认知无线电中非高斯噪声下数字调制信号识别方法[J].通信学报,2014,35(01):82-88.)提取了分数低阶循环谱截面和频率谱截面以及其投影面的5个相关系数作为识别特征参数，但是以上这两种特征提取方法的计算复杂度较高，实时性较差。赵自璐等(赵自璐,王世练,张炜,谢阳.水下冲激噪声环境下基于多特征融合的信号调制方式识别[J].厦门大学学报(自然科学版),2017,56(03):416-422.)对接收信号进行非线性变换预处理后，提取频谱分形盒维数、信号包络样本熵和S变换时频谱能量熵，利用SVM对调制信号的多特征进行融合识别，但是该方法在低信噪比情况时识别性能较差。李兵兵等(李兵兵,刘明骞,杨吉,贾明利.一种Alpha稳定分布噪声下数字调制信号识别方法:中国,10302963.2[P].2016-05-18)采用分类器设置判决门限来进行调制信号识别，该分类器的缺点是判决门限的值极大影响了识别方法的速度和正确性，如何设置合理的判决门限是件不容易的事情，而且该调制信号识别方法缺乏学习和拓展能力。已有文献的检索结果表明，现有的识别方法计算复杂度较高，适用范围较窄，低信噪比情况时识别性能较差。

发明内容

针对现有方法的缺点和不足，本发明设计了一种冲击噪声环境下基于演化神经网络的雷达信号识别方法，主要解决现有识别方法计算复杂度较高，适用范围较窄的技术难题。该方法计算被截获信号的分数低阶矩协方差谱后，提取近似熵、范数熵、调和平均盒维数和信息维数四种特征参数，这四种特征参数计算简单，无需其它复杂处理，组成特征向量后作为概率神经网络的输入，最后利用设计的量子水蒸发优化(QWEO)算法寻找概率神经网络的最优平滑因子，提高网络的识别正确率。

本发明的目的是这样实现的：步骤如下：

步骤一：在冲击噪声环境计算训练集中第m个雷达辐射源信号序列的分数低阶协方差谱；

步骤二：提取分数低阶协方差谱φ_m(n)的近似熵

范数熵

调和平均维数

和信息维数

四种特征参数，并将这四种特征参数组成特征向量

步骤三：判断是否所有雷达辐射源信号序列分数低阶协方差谱的四种特征参数都被提取完毕，如果是，将所有特征向量组成特征矩阵作为概率神经网络的输入，进入步骤四；否则，返回步骤一；

步骤四：利用训练集的特征矩阵和设计双链编码的量子水蒸发优化算法寻找概率神经网络的最优平滑因子σ，量子水蒸发优化算法记做QWEO；

步骤五：将寻找到的全局最优位置赋值给平滑因子σ，利用优化后的概率神经网络模型对测试集或实测数据集进行识别，给出识别结果。

本发明还包括这样一些结构特征：

1.步骤一具体为：假设训练集中有M个雷达辐射源信号，定义为x＝[x₁(n),x₂(n),...,x_M(n)]，其中x_m(n)代表第m个信号序列的第n个采样点，m＝1,2,...,M，n＝1,2,...,N，N为采样点数；对x_m(n)进行分数低阶处理，即计算x_m(n)^＜p-1＞＝|x_m(n)|^p-1(x_m(n))^*，然后进行傅里叶变换得到

其中p为分数低阶参数且0≤p＜α/2，α为服从Alpha稳定分布的冲击噪声的特征指数；计算分数低阶协方差谱

第m个雷达辐射源信号序列的分数低阶协方差谱记为φ_m(n)，其中n＝1,2,...,N_φ，N_φ为分数低阶协方差谱的长度。

2.步骤二中提取分数低阶协方差谱φ_m(n)的近似熵特征

包括：

(1)对分数低阶协方差谱φ_m(n)进行能量归一化，然后进行二倍下采样，假设经过处理后的信号序列为X₁(n)，其中n＝1,2,...,N₁，N₁为信号序列X₁(n)的长度；

(2)确定维数k和阈值r；

(3)以k个数据点作为一个子序列对信号序列X₁(n)进行划分，总共可以得到N₁-k+1个子序列，用Y(i)表示第i个子序列，那么Y(i)＝[X₁(i),X₁(i+1),...,X₁(i+k-1)]，其中i＝1,2,...,N₁-k+1；

(4)计算第i个子序列与第j个子序列之间的距离

其中i＝1,2,...,N₁-k+1，j＝1,2,...,N₁-k+1且i≠j，即计算第i个子序列与第j个子序列对应数据点之间的最大距离，总共需计算N₁-k次；

(5)对第i个子序列统计d[Y(i),Y(j)]小于阈值r的数量C^k，并计算它与子序列个数N₁-k+1的比值

(6)每一个

取自然对数后，求其平均值，即

(7)令维数k加1，重复步骤(3)到步骤(6)计算出D^k+1；

(8)计算近似熵

提取分数低阶协方差谱φ_m(n)的范数熵特征

对分数低阶协方差谱φ_m(n)进行以下处理：

其中μ_φ为φ_m(n)的均值，然后再对φ_m(n)进行能量归一化处理，得到序列X₂(n)，其中n＝1,2,...,N₂，N₂为信号序列X₂(n)的长度；计算范数熵

其中1＜p＜2；

提取分数低阶协方差谱φ_m(n)的调和平均盒维数特征

分数低阶协方差谱φ_m(n)进行能量归一化处理后得到序列X₃(n)，其中n＝1,2,...,N₃，N₃为信号序列X₃(n)的长度；令q＝1/N₃，计算盒维数

其中

计算φ_m(n)的量纲一化瞬时幅度为

其中，

为φ_m(n)的瞬时幅度，

Re(φ_m(n))代表φ_m(n)的实部，Im(φ_m(n))代表φ_m(n)的虚部；计算峰度调和参数

计算调和平均盒维数

提取分数低阶协方差谱φ_m(n)的信息维数特征

分数低阶协方差谱φ_m(n)进行能量归一化处理后得到序列X₃(n)，其中n＝1,2,...,N₃，N₃为信号序列X₃(n)的长度；按照Z(i)＝X(i+1)-X(i)的方法重构X₃(n)得到序列Z(i)，其中i＝1,2,...,N₃-1；计算信息维数

其中P(i)＝Z(i)/L，

4.3.步骤四具体包括：

(1)初始化量子水蒸发算法的最大迭代次数t_max、水分子数量W、搜索空间的上下限、底层能量和接触角的最大值、最小值；

(2)初始化水分子的量子位置及其相应映射态，计算每个水分子位置的适应度值，确定全局最优量子位置；

令迭代次数t＝1；W个水分子的量子位置在量子域[0,1]内随机初始化，第t次迭代时第w个水分子的量子位置定义为

其中

且

为主量子位且

为辅助量子位，w＝1,2,...,W，d＝1,2,...,D；通过主量子位进行映射，可以获得水分子位置；定义第w个水分子的位置为

映射关系方程为

其中a_d为第d维搜索空间的下限，b_d为第d维搜索空间的上限，w＝1,2,...,W，d＝1,2,...,D；

在QWEO中，利用量子旋转门来更新量子位置，量子旋转门定义为

其中

代表第t次迭代时第w个水分子的量子旋转角的第d维，第w个水分子的量子位置的更新过程为

其中abs(·)代表绝对值函数，w＝1,2,…,W，d＝1,2,…,D；

(3)判断迭代次数t是否小于等于t_max/2，若是，执行(4)；否则，执行(5)；

(4)进入单层蒸发阶段，更新基板能量矢量，构造单层蒸发概率矩阵，更新步长矩阵，更新水分子的量子位置及其相应映射态；

第w个水分子的基板能量为

其中E_max代表基板能量最大值，E_min代表基板能量最小值，Min代表最小值函数，Max代表最大值函数，w＝1,2,…,W，d＝1,2,…,D；按照方程

构造单层蒸发概率矩阵，其中

代表(0,1)之间的随机数，exp为以自然常数e为底的指数函数，w＝1,2,…,W，d＝1,2,…,D；第w个水分子量子旋转角第d维的更新方程为

其中

代表(-1,1)之间的随机数，w＝1,2,…,W，d＝1,2,…,D；第w个水分子量子位置第d维的更新方程为

同时按照映射方程

获得量子位置的相应映射态，即水分子的位置，w＝1,2,…,W，d＝1,2,…,D；执行(6)；

(5)进入液滴蒸发阶段，更新接触角矢量，构造液滴蒸发概率矩阵，更新步长矩阵，更新水分子的量子位置及其相应映射态；

第w个水分子的接触角为

其中Q_max代表接触角最大值，Q_min代表接触角最小值，Min为最小值函数，Max为最大值函数，w＝1,2,…,W，d＝1,2,…,D；按照方程

构造单层蒸发概率矩阵，其中

代表(0,1)之间的随机数，

式中J₀和P₀为常数，w＝1,2,…,W，d＝1,2,…,D；第w个水分子量子旋转角第d维的更新方程为

其中

代表(-1,1)之间的随机数，w＝1,2,…,W，d＝1,2,…,D；第w个水分子量子位置第d维的更新方程为

同时按照映射方程

获得量子位置的相应映射态，即水分子的位置，w＝1,2,…,W，d＝1,2,…,D；执行(6)；

(6)计算每个水分子位置的适应度，更新全局最优量子位置；

计算第w个水分子位置的适应度，更新全局最优量子位置，即如果第w个水分子位置的适应度小于全局最优位置的适应度，则

否则，g^t+1＝g^t，w＝1,2,…,W；

(7)判断迭代次数t是否大于最大迭代次数t_max，若是，输出全局最优位置，执行步骤五；否则，令t＝t+1，返回(3)。

与现有技术相比，本发明的有益效果是：1.本发明可以解决冲击噪声环境下，基于传统二阶及二阶以上统计量的雷达信号识别方法正确率急剧下降的问题；2.本发明降低了识别方法的计算复杂度，解决了特征指数0＜α≤2时冲击噪声环境下的雷达调制信号识别问题，仿真实验结果证明本发明识别性能较好，而且具有较好的泛化能力。

附图说明

图1为本发明所设计的冲击噪声环境下基于演化神经网络的雷达信号识别方法示意图。

图2为量子水蒸发优化算法的流程图。

图3为仿真实验1不同α值下识别正确率与GSNR关系曲线。

图4为仿真实验2不同α值下识别正确率与GSNR关系曲线。

图5为仿真实验3不同α值下QWEO-PNN和未优化的PNN的识别结果。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述。

如图1所示，本发明设计了一种冲击噪声环境下基于演化神经网络的雷达信号识别方法，所述方法包括以下步骤：

步骤一：在冲击噪声环境计算训练集中第m个雷达辐射源信号序列的分数低阶协方差谱。

假设训练集中有M个雷达辐射源信号，定义为x＝[x₁(n),x₂(n),…,x_M(n)]，其中x_m(n)代表第m个信号序列的第n个采样点，m＝1,2,...,M，n＝1,2,...,N，N为采样点数。对x_m(n)进行分数低阶处理，即计算x_m(n)^＜p-1＞＝|x_m(n)|^p-1(x_m(n))^*，然后进行傅里叶变换得到

其中p为分数低阶参数且0≤p＜α/2，α为服从Alpha稳定分布的冲击噪声的特征指数。计算分数低阶协方差谱

为方便表示，第m个雷达辐射源信号序列的分数低阶协方差谱记为φ_m(n)，其中n＝1,2,...,N_φ，N_φ为分数低阶协方差谱的长度。

步骤二：提取分数低阶协方差谱φ_m(n)的近似熵

范数熵

调和平均维数

和信息维数

四种特征参数，并将这四种特征参数组成特征向量

按照以下步骤提取分数低阶协方差谱φ_m(n)的近似熵特征

(1)对分数低阶协方差谱φ_m(n)进行能量归一化，然后进行二倍下采样，假设经过处理后的信号序列为X₁(n)，其中n＝1,2,...,N₁，N₁为信号序列X₁(n)的长度；

(2)确定维数k和阈值r；

(3)以k个数据点作为一个子序列对信号序列X₁(n)进行划分，总共可以得到N₁-k+1个子序列，用Y(i)表示第i个子序列，那么Y(i)＝[X₁(i),X₁(i+1),...,X₁(i+k-1)]，其中i＝1,2,...,N₁-k+1；

(4)计算第i个子序列与第j个子序列之间的距离

其中i＝1,2,...,N₁-k+1，j＝1,2,...,N₁-k+1且i≠j，即计算第i个子序列与第j个子序列对应数据点之间的最大距离，总共需计算N₁-k次；

(5)对第i个子序列统计d[Y(i),Y(j)]小于阈值r的数量C^k，并计算它与子序列个数N₁-k+1的比值

(6)每一个

取自然对数后，求其平均值，即

(7)令维数k加1，重复步骤(3)到步骤(6)计算出D^k+1；

(8)计算近似熵

提取分数低阶协方差谱φ_m(n)的范数熵特征

对分数低阶协方差谱φ_m(n)进行以下处理：

其中μ_φ为φ_m(n)的均值，然后再对φ_m(n)进行能量归一化处理，得到序列X₂(n)，其中n＝1,2,...,N₂，N₂为信号序列X₂(n)的长度；计算范数熵

其中1＜p＜2。

提取分数低阶协方差谱φ_m(n)的调和平均盒维数特征

分数低阶协方差谱φ_m(n)进行能量归一化处理后得到序列X₃(n)，其中n＝1,2,...,N₃，N₃为信号序列X₃(n)的长度；令q＝1/N₃，计算盒维数

其中

计算φ_m(n)的量纲一化瞬时幅度为

其中，

为φ_m(n)的瞬时幅度，

Re(φ_m(n))代表φ_m(n)的实部，Im(φ_m(n))代表φ_m(n)的虚部；计算峰度调和参数

计算调和平均盒维数

提取分数低阶协方差谱φ_m(n)的信息维数特征

分数低阶协方差谱φ_m(n)进行能量归一化处理后得到序列X₃(n)，其中n＝1,2,...,N₃，N₃为信号序列X₃(n)的长度；按照Z(i)＝X(i+1)-X(i)的方法重构X₃(n)得到序列Z(i)，其中i＝1,2,...,N₃-1；计算信息维数

其中P(i)＝Z(i)/L，

步骤三：判断是否训练集中所有雷达辐射源信号序列分数低阶协方差谱的四种特征参数都被提取完毕，如果是，将所有特征向量组成特征矩阵[A_E,N_E,K_b,D_I]^T，其中，

将该特征矩阵作为概率神经网络的输入，进入步骤四；否则，返回步骤一；

步骤四：利用训练集的特征矩阵和设计双链编码的量子水蒸发优化算法寻找概率神经网络的最优平滑因子σ，概率神经网络识别性能的优劣主要受平滑因子σ的影响，所以平滑因子σ是QWEO算法要寻优的参数，即每个水分子的位置代表不同的σ值。拥有不同σ值的概率神经网络识别性能不同，根据雷达辐射源信号识别问题，将概率神经网络的识别错误率作为QWEO算法的适应度函数，使识别错误率最小的σ值为最优解，所以适应度最小的水分子位置为全局最优位置。

如图2所示，为了表述方便，量子水蒸发优化算法记做QWEO，寻找最优平滑因子的具体过程如下：

(1)初始化量子水蒸发算法的最大迭代次数t_max、水分子数量W、搜索空间的上下限、底层能量和接触角的最大值、最小值等参数。

(2)初始化水分子的量子位置及其相应映射态，计算每个水分子位置的适应度值，确定全局最优量子位置。

令迭代次数t＝1。W个水分子的量子位置在量子域[0,1]内随机初始化，第t次迭代时第w个水分子的量子位置定义为

其中

且

为主量子位且

为辅助量子位，w＝1,2,...,W，d＝1,2,...,D。通过主量子位进行映射，可以获得水分子位置。定义第w个水分子的位置为

映射关系方程为

其中a_d为第d维搜索空间的下限，b_d为第d维搜索空间的上限，w＝1,2,...,W，d＝1,2,...,D。

在QWEO中，利用量子旋转门来更新量子位置，量子旋转门定义为

其中

代表第t次迭代时第w个水分子的量子旋转角的第d维，第w个水分子的量子位置的更新过程为

其中abs(·)代表绝对值函数，w＝1,2,…,W，d＝1,2,…,D。

初始化水分子的量子位置后，根据映射关系方程可计算出水分子的位置。概率神经网络识别性能的优劣主要受平滑因子σ的影响，所以平滑因子σ是QWEO算法要寻优的参数，即每个水分子的位置代表不同的σ值。拥有不同σ值的概率神经网络识别性能不同，根据雷达辐射源信号识别问题，将概率神经网络的识别错误率作为QWEO算法的适应度函数，使识别错误率最小的σ值为最优解，所以适应度最小的水分子位置为全局最优位置，到第t次迭代为止的全局最优位置记为

d＝1,2,…,D。

(3)判断迭代次数t是否小于等于t_max/2，若是，执行(4)；否则，执行(5)。

(4)进入单层蒸发阶段，更新基板能量矢量，构造单层蒸发概率矩阵，更新步长矩阵，更新水分子的量子位置及其相应映射态。

第w个水分子的基板能量为

其中E_max代表基板能量最大值，E_min代表基板能量最小值，Min代表最小值函数，Max代表最大值函数，w＝1,2,…,W，d＝1,2,…,D。按照方程

构造单层蒸发概率矩阵，其中

代表(0,1)之间的随机数，exp为以自然常数e为底的指数函数，w＝1,2,…,W，d＝1,2,…,D。第w个水分子量子旋转角第d维的更新方程为

其中

代表(-1,1)之间的随机数，w＝1,2,…,W，d＝1,2,…,D。第w个水分子量子位置第d维的更新方程为

同时按照映射方程

获得量子位置的相应映射态，即水分子的位置，w＝1,2,…,W，d＝1,2,…,D。执行(6)。

(5)进入液滴蒸发阶段，更新接触角矢量，构造液滴蒸发概率矩阵，更新步长矩阵，更新水分子的量子位置及其相应映射态。

第w个水分子的接触角为

其中Q_max代表接触角最大值，Q_min代表接触角最小值，Min为最小值函数，Max为最大值函数，w＝1,2,…,W，d＝1,2,…,D。按照方程

构造单层蒸发概率矩阵，其中

代表(0,1)之间的随机数，

式中J₀和P₀为常数，w＝1,2,…,W，d＝1,2,…,D。第w个水分子量子旋转角第d维的更新方程为

其中

代表(-1,1)之间的随机数，w＝1,2,…,W，d＝1,2,…,D。第w个水分子量子位置第d维的更新方程为

同时按照映射方程

获得量子位置的相应映射态，即水分子的位置，w＝1,2,…,W，d＝1,2,…,D。执行(6)。

(6)计算每个水分子位置的适应度，更新全局最优量子位置。

计算第w个水分子位置的适应度，更新全局最优量子位置，即如果第w个水分子位置的适应度小于全局最优位置的适应度，则

否则，g^t+1＝g^t，w＝1,2,…,W。

(7)判断迭代次数t是否大于最大迭代次数t_max，若是，输出全局最优位置，执行步骤五；否则，令t＝t+1，返回(3)。

步骤五：将寻找到的全局最优位置赋值给平滑因子σ，利用优化后的概率神经网络模型对测试集或实测数据集进行识别，给出识别结果。

将QWEO寻找到水分子全局最优位置赋值给平滑因子σ，此时概率神经网络使训练集识别错误率最低，此时的概率神经网络模型定义为量子水蒸发演化概率神经网络模型，记做QWEO-PNN。

仿照步骤一和步骤二，提取测试集或实测数据集中所有信号序列分数低阶协方差谱的近似熵特征、范数熵特征、调和平均维数特征和信息维数特征，将这四种特征组成特征矩阵作为量子水蒸发演化概率神经网络模型的输入，并给出网络的识别结果。

仿真内容与结果如下：

在以下实验中，选取七种典型的雷达辐射源信号：常规雷达辐射源信号，记做CW；线性调频信号，记做LFM；非线性调频信号，记做NLFM；二相编码信号，记做BPSK；四相编码信号，记做QPSK；频率编码信号，记做BFSK和COSTAS跳频信号。脉冲宽度T为10μs，采样频率为1000MHz，长度为10000个采样点，其中，LFM信号、NLFM信号、CW信号的载频范围为1～2GHz，BPSK信号与BFSK信号的载频范围为1～1.5GHz，QPSK信号的载频范围在0.6～1GHz，LFM的调频斜率在8000～9000GHz/s范围内随机取值，NLFM信号采用正弦波调制，BPSK信号采用11位巴克码，QPSK信号采用16位Frank码，BFSK信号采用10位随机编码，COSTAS跳频信号的跳频频率为[2,1.5,2.25,1.75,2.5]GHz，各信号幅度均为1。噪声均为加性标准SαS分布噪声。分数低阶矩参数p＝0。提取近似熵时，维数k＝2，阈值

为信号序列X₁的标准差。

QWEO算法的参数设置如下：水分子的数量K＝20，最大迭代次数t_max＝20，底层能量最大值E_max＝-0.5，底层能量最小值E_min＝-3.5，接触角最大值θ_max＝-20，接触角最小值θ_min＝-50，第一阶段和第二阶段的迭代次数均设为10，速度范围为[-0.1,0.1]，搜索空间的维度D＝1，上界a_d＝2，下界b_d＝0，d＝1,2,…,D，即利用QWEO算法在(0,2)范围内寻找概率神经网络最优的平滑因子。

仿真实验1

对以上七种雷达辐射源调制信号进行识别，每种信号分别产生300个样本用于训练，200个样本用于测试，广义信噪比记做GSNR，所以训练集和测试集内分别有2100个和1400个同一GSNR值下不同雷达调制信号的样本数据。在广义信噪比GSNR为-5到20dB范围内，每隔5dB做一次实验，不同α值下本发明识别方法的识别结果如图3所示。从图3中可以看出，本发明识别方法的识别正确率随着GSNR的增大而提高，同一GSNR值情况下随着α值的减小，识别正确率会随之降低。但是从总体来看，在GSNR和α的取值范围内，该仿真实验设计的冲击噪声环境下，本发明识别方法的识别正确率仍然可达到80％以上。当α＝2时，α-稳定分布转变为高斯分布，所以本发明识别方法在服从高斯分布的噪声环境下仍然能够达到识别信号的目的。

仿真实验2

对以上七种雷达辐射源调制信号进行识别，在广义信噪比(GSNR)为-5至20dB范围内，每种信号每隔5dB分别产生300个训练样本，将这些训练样本放在同一个训练集内，最终训练集有12600个样本数据。此外，在相同的GSNR范围内，每隔5dB每种信号生成200个测试样本形成测试集，即测试集由同一GSNR情况下不同信号的共1400个测试样本组成。本发明识别方法的识别结果如图4所示。从图4中可以看出，本发明识别方法的识别正确率均可达到85％以上，无论在冲击噪声环境下，还是在高斯噪声环境下，都拥有较好的识别性能。该实验设置利用混合GSNR情况下雷达调制信号数据集作训练集，利用单一GSNR情况下雷达调制信号数据集作测试集，本发明识别性能稳定，这说明了QWEO-PNN模型具有优秀的学习能力和泛化能力。

仿真实验3

本实验采用仿真实验2的训练集，与仿真实验1不同的是该仿真实验将测试样本混在一起，即在GSNR为-5至20dB范围内，每种信号每隔5dB分别产生200个测试样本，测试集内共8400个测试样本。当特征指数α为不同值时，QWEO-PNN和未优化的PNN的识别结果如图5中表所示，未优化PNN的平滑因子取固定值0.5。从图5中表中可以看出，在特征指数α取值范围内，本发明所提方法对训练集和测试集的识别率可达到95％以上。未经过QWEO优化的PNN拥有固定的平滑因子，并不能使网络性能达到最优，若想要得到更优的网络性能需要不断改变平滑因子的值，而QWEO-PNN能在QWEO算法的迭代过程中自动搜索到使网络性能最优的平滑因子，最终通过仿真实验结果证明了QWEO-PNN比原PNN的识别正确率高，同时还证明了无论在冲击噪声环境下，还是在高斯噪声环境下，当不同SNR值下产生的七种雷达辐射源调制信号混合在一起时，本发明识别方法能够拥有良好的识别性能。

Claims (3)

1.冲击噪声环境下基于演化神经网络的雷达信号识别方法，其特征在于：步骤如下：

步骤一：在冲击噪声环境计算训练集中第m个雷达辐射源信号序列的分数低阶协方差谱；

步骤二：提取分数低阶协方差谱φ_m(n)的近似熵

范数熵

调和平均维数

和信息维数

四种特征参数，并将这四种特征参数组成特征向量

步骤三：判断是否所有雷达辐射源信号序列分数低阶协方差谱的四种特征参数都被提取完毕，如果是，将所有特征向量组成特征矩阵作为概率神经网络的输入，进入步骤四；否则，返回步骤一；

步骤四：利用训练集的特征矩阵和设计双链编码的量子水蒸发优化算法寻找概率神经网络的最优平滑因子σ，量子水蒸发优化算法记做QWEO；

(1)初始化量子水蒸发算法的最大迭代次数t_max、水分子数量W、搜索空间的上下限、底层能量和接触角的最大值、最小值；

(2)初始化水分子的量子位置及其相应映射态，计算每个水分子位置的适应度值，确定全局最优量子位置；

令迭代次数t＝1；W个水分子的量子位置在量子域[0,1]内随机初始化，第t次迭代时第w个水分子的量子位置定义为

其中

且

为主量子位且

为辅助量子位，w＝1,2,...,W，d＝1,2,...,D；通过主量子位进行映射，可以获得水分子位置；定义第w个水分子的位置为

映射关系方程为

其中a_d为第d维搜索空间的下限，b_d为第d维搜索空间的上限，w＝1,2,...,W，d＝1,2,...,D；

在QWEO中，利用量子旋转门来更新量子位置，量子旋转门定义为

其中

代表第t次迭代时第w个水分子的量子旋转角的第d维，第w个水分子的量子位置的更新过程为

其中abs()代表绝对值函数，w＝1,2,…,W，d＝1,2,…,D；

(3)判断迭代次数t是否小于等于t_max/2，若是，执行(4)；否则，执行(5)；

(4)进入单层蒸发阶段，更新基板能量矢量，构造单层蒸发概率矩阵，更新步长矩阵，更新水分子的量子位置及其相应映射态；

第w个水分子的基板能量为

其中E_max代表基板能量最大值，E_min代表基板能量最小值，Min代表最小值函数，Max代表最大值函数，w＝1,2,…,W，d＝1,2,…,D；按照方程

构造单层蒸发概率矩阵，其中

代表(0,1)之间的随机数，exp为以自然常数e为底的指数函数，w＝1,2,…,W，d＝1,2,…,D；第w个水分子量子旋转角第d维的更新方程为

其中

代表(-1,1)之间的随机数，w＝1,2,…,W，d＝1,2,…,D；第w个水分子量子位置第d维的更新方程为

同时按照映射方程

获得量子位置的相应映射态，即水分子的位置，w＝1,2,…,W，d＝1,2,…,D；执行(6)；

(5)进入液滴蒸发阶段，更新接触角矢量，构造液滴蒸发概率矩阵，更新步长矩阵，更新水分子的量子位置及其相应映射态；

第w个水分子的接触角为

其中Q_max代表接触角最大值，Q_min代表接触角最小值，Min为最小值函数，Max为最大值函数，w＝1,2,…,W，d＝1,2,…,D；按照方程

构造单层蒸发概率矩阵，其中

代表(0,1)之间的随机数，

式中J₀和P₀为常数，w＝1,2,…,W，d＝1,2,…,D；第w个水分子量子旋转角第d维的更新方程为

其中

代表(-1,1)之间的随机数，w＝1,2,…,W，d＝1,2,…,D；第w个水分子量子位置第d维的更新方程为

同时按照映射方程

获得量子位置的相应映射态，即水分子的位置，w＝1,2,…,W，d＝1,2,…,D；执行(6)；

(6)计算每个水分子位置的适应度，更新全局最优量子位置；

计算第w个水分子位置的适应度，更新全局最优量子位置，即如果第w个水分子位置的适应度小于全局最优位置的适应度，则

否则，g^t+1＝g^t，w＝1,2,…,W；

(7)判断迭代次数t是否大于最大迭代次数t_max，若是，输出全局最优位置，执行步骤五；否则，令t＝t+1，返回(3)；

步骤五：将寻找到的全局最优位置赋值给平滑因子σ，利用优化后的概率神经网络模型对测试集或实测数据集进行识别，给出识别结果。

2.根据权利要求1所述的冲击噪声环境下基于演化神经网络的雷达信号识别方法，其特征在于：步骤一具体为：假设训练集中有M个雷达辐射源信号，定义为x＝[x₁(n),x₂(n),...,x_M(n)]，其中x_m(n)代表第m个信号序列的第n个采样点，m＝1,2,...,M，n＝1,2,...,N，N为采样点数；对x_m(n)进行分数低阶处理，即计算x_m(n)^＜p-1＞＝|x_m(n)|^p-1(x_m(n))^*，然后进行傅里叶变换得到

其中p为分数低阶参数且0≤p＜α/2，α为服从Alpha稳定分布的冲击噪声的特征指数；计算分数低阶协方差谱

第m个雷达辐射源信号序列的分数低阶协方差谱记为φ_m(n)，其中n＝1,2,...,N_φ，N_φ为分数低阶协方差谱的长度。

3.根据权利要求1或2所述的冲击噪声环境下基于演化神经网络的雷达信号识别方法，其特征在于：步骤二中提取分数低阶协方差谱φ_m(n)的近似熵特征

包括：

(1)对分数低阶协方差谱φ_m(n)进行能量归一化，然后进行二倍下采样，假设经过处理后的信号序列为X₁(n)，其中n＝1,2,…,N₁，N₁为信号序列X₁(n)的长度；

(2)确定维数k和阈值r；

(3)以k个数据点作为一个子序列对信号序列X₁(n)进行划分，总共可以得到N₁-k+1个子序列，用Y(i)表示第i个子序列，那么Y(i)＝[X₁(i),X₁(i+1),…,X₁(i+k-1)]，其中i＝1,2,...,N₁-k+1；

(4)计算第i个子序列与第j个子序列之间的距离

其中i＝1,2,...,N₁-k+1，j＝1,2,...,N₁-k+1且i≠j，即计算第i个子序列与第j个子序列对应数据点之间的最大距离，总共需计算N₁-k次；

(5)对第i个子序列统计d[Y(i),Y(j)]小于阈值r的数量C^k，并计算它与子序列个数N₁-k+1的比值

(6)每一个

取自然对数后，求其平均值，即

(7)令维数k加1，重复步骤(3)到步骤(6)计算出D^k+1；

(8)计算近似熵

提取分数低阶协方差谱φ_m(n)的范数熵特征

对分数低阶协方差谱φ_m(n)进行以下处理：

其中μ_φ为φ_m(n)的均值，然后再对φ_m(n)进行能量归一化处理，得到序列X₂(n)，其中n＝1,2,...,N₂，N₂为信号序列X₂(n)的长度；计算范数熵

其中1＜p＜2；

提取分数低阶协方差谱φ_m(n)的调和平均盒维数特征

分数低阶协方差谱φ_m(n)进行能量归一化处理后得到序列X₃(n)，其中n＝1,2,...,N₃，N₃为信号序列X₃(n)的长度；令q＝1/N₃，计算盒维数

其中

计算φ_m(n)的量纲一化瞬时幅度为

其中，

为φ_m(n)的瞬时幅度，

Re(φ_m(n))代表φ_m(n)的实部，Im(φ_m(n))代表φ_m(n)的虚部；计算峰度调和参数

计算调和平均盒维数

提取分数低阶协方差谱φ_m(n)的信息维数特征

分数低阶协方差谱φ_m(n)进行能量归一化处理后得到序列X₃(n)，其中n＝1,2,...,N₃，N₃为信号序列X₃(n)的长度；按照Z(i)＝X(i+1)-X(i)的方法重构X₃(n)得到序列Z(i)，其中i＝1,2,...,N₃-1；计算信息维数

其中P(i)＝Z(i)/L，

Images