CN113359091B - 基于深度学习的多核函数混叠雷达辐射源识别方法和系统 - Google Patents
基于深度学习的多核函数混叠雷达辐射源识别方法和系统 Download PDFInfo
- Publication number
- CN113359091B CN113359091B CN202110591948.9A CN202110591948A CN113359091B CN 113359091 B CN113359091 B CN 113359091B CN 202110591948 A CN202110591948 A CN 202110591948A CN 113359091 B CN113359091 B CN 113359091B
- Authority
- CN
- China
- Prior art keywords
- radiation source
- radar radiation
- time
- frequency
- kernel function
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
- G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
-
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明属于雷达探测技术领域,公开了一种基于深度学习的多核函数混叠雷达辐射源识别方法和系统。方法包括以下步骤:S1、采样,对采样信号进行滤波和去噪预处理;S2、将预处理后的采样信号输送到指数型核函数的时频分析函数中进行一次时频处理,转化为二维时频图像;S3、将二维时频图像发送至基于卷积神经网络训练生成的雷达辐射源识别模型中进行类别预判断;S4、根据类别预判断结果,确定需要二次判别的采样信号,并对需要二次判别的采样信号进行二次时频处理;S5、将二次时频处理后得到的二维时频图像发送至雷达辐射源识别模型中进行类别判断。本发明可以提高辐射源识别的准确度,而且处理过程直接系统化,简单实用且有效。
Description
技术领域
本发明属于雷达探测技术领域,具体涉及一种基于深度学习的多核函数混叠雷达辐射源识别方法和系统。
背景技术
雷达辐射源个体识别技术在信息化战役中发挥重要作用,针对敌人的雷达通信系统进行电子对抗,对增强军事武器装备的抗敌能力具有重要意义,同时在民用网络安全接入、认知无线电以及公共安全等领域具有较高的应用价值。
对于雷达辐射源信号,传统做法是通过提取的到达时间(Time Of Arrival,TOA)、到达角 (Angle Of Arrival,AOA)、载波频率(Carrier Frequency,CF)、脉冲幅度(PulseAmplitude,PA) 和脉冲宽度(Pulse Width,PW)序列参数,构成脉冲描述字(PulseDescription Word,PDW),然后利用分类方法,如模板匹配法、支持向量等完成识别。随着电磁环境日益复杂,这五类参数,作为传统的识别方法已经不能满足当下所需要的识别精度。
为了有效改善信号特征提取依赖人工提取的缺点,随着人工智能的发展,深度学习逐渐被应用于雷达辐射源识别方法中,并取得良好效果。有学者提出基于时频图像和卷积神经网络的信号自动识别系统,该方法是将信号通过时频分析转化为图像特征提取问题,通过对图像去噪等方式提高对图像的识别精度。时频图像与卷积神经网络相结合实现雷达辐射源自动识别的技术考量了图像统计特征,但是提取的特征并不能完全表征信号的本质特征,且真实环境中的雷达回波信号背景杂波较为复杂,通过仿真实验得到的分析结果并不能完全表征信号的本质信息,尤其是在低信噪比的环境中受噪声影响大。同时,为去除时频图像中的噪声而采取过多的图像预处理去噪会导致部分有效信息丢失,降低识别的精确度,而随着卷积神经网络深度的增加同时也会造成参数大幅增加,提高计算复杂度。
发明内容
本发明克服现有技术存在的不足,所要解决的技术问题为:提供一种基于深度学习的多核函数混叠雷达辐射源识别方法和系统,旨在解决现有技术中的信号处理效率低,原始信号信息丢失和信号识别准确度低的技术问题。
为了解决上述技术问题,本发明采用的技术方案为:一种基于深度学习的多核函数混叠雷达辐射源识别方法,包括以下步骤:
S1、在信号脉冲交叠区域进行信息采样,对采样信号进行滤波和去噪预处理;
S2、将预处理后的采样信号输送到指数型核函数的时频分析函数中进行一次时频处理,将其转化为二维时频图像;
S3、将二维时频图像进行归一化和灰度化处理得到灰度时频图像,将灰度时频图像发送至雷达辐射源识别模块中进行类别预判断;所述雷达辐射源识别模块基于卷积神经网络训练生成。
S4、根据步骤S3的类别预判断结果,确定需要二次判别的采样信号,并对需要二次判别的采样信号进行二次时频处理,所述二次时频处理过程基于对应的二维时频图像的类别预判断结果进行;
S5、将二次时频处理后得到的二维时频图像发送至雷达辐射源识别模型中进行类别判断。
所述步骤S4中,对需要二次判别的二维时频图像的对应的采样信号进行二次时频处理的具体方法为:
根据对应的二维时频图像的类别预判断结果,确定时频分析函数的核函数,通过修改核函数后的Choi-Williams分布时频分析函数对采样信号进行时频处理。
所述步骤S4中,确定需要二次判别的采样信号的方法为:将类别预判断的结果为BPSK、 MLFM、NS、SFM、DLFM、EQFM类型的二维时频图像对应的采样信号作为需要二次判别的采样信号;
对需要二次判别的采样信号进行二次时频处理的具体方法为:
类别预判断为BPSK、MLFM、NS的采样信号采用球型核函数,类别预判断为SFM、DLFM、 EQFM的信号采用蝶型核函数;
所述球型核函数和蝶型核函数的表达式分别为:
其中,Φ2(v,τ)表示球型核函数,Φ3(v,τ)表示蝶型核函数,τ表示时移,v表示频移。α,β,γ,ε分别为指数系数。
所述步骤S3中,将二维时频图像进行归一化和灰度化处理后,发送至雷达辐射源识别模块中进行类别预判断;
所述雷达辐射源识别模块的生成方法为:
获取雷达辐射源样本数据库,所述雷达辐射源样本数据库中包含多种类别雷达辐射源的时频灰度图像;
将样本数据可以的数据分为测试集和训练集;
基于卷积神经网络算法建立含有可变参数的初始化的雷达辐射源识别模型;
根据所述训练集数据以及目标雷达辐射源信息对所述雷达辐射源识别模型中的可变权重进行微调,并保留训练完成时的权重参数;
通过测试数据以及目标雷达辐射源信息对所述雷达辐射源识别模型中进行测试,直至雷达辐射源识别模型满足预设的阈值条件,则雷达辐射源识别模型训练完成。
所述卷积神经网络包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层,最后通过softmax分类器输出结果;
第一卷积层采用6个5*5的卷积核,第二卷积层采用16个5*5的卷积核,第一池化层和第二池化层的卷积核尺寸为2*2。
此外,本发明还提供了一种基于深度学习的多核函数混叠雷达辐射源识别系统,包括:
信号接收单元:用于接收待识别的雷达辐射源原始采样信号s(t);
预处理单元:用于对雷达辐射源原始采样信号s(t)进行预处理,得到信号s1(t);
一次处理模块:用于对信号s1(t)进行一次时频处理得到二维时频图像,对二维时频图像进行处理后发送至雷达辐射源识别模型中进行类别预判断,所述类别预判断基于卷积神经网络训练生成雷达辐射源识别模块实现;
二次处理模块:用于根据类别预判断结果,确定需要二次判别的采样信号,并对需要二次判别的采样信号进行二次时频处理,所述二次时频处理过程基于对应的二维时频图像的类别预判断结果进行;还用于将二次时频处理后得到的二维时频图像再发送至雷达辐射源识别模型中进行类别判断。
所述二次处理模块进行二次时频处理的具体方法为:
根据对应的二维时频图像的类别预判断结果,由模糊域的能量分布确定时频分析函数的核函数,通过修改核函数后的Choi-Williams分布时频分析函数对预处理后的采样信号进行时频处理。
所述二次处理模块根据类别预判断结果,确定需要二次判别的采样信号的具体方法为:将类别预判断的结果为BPSK、MLFM、NS、SFM、DLFM、EQFM类型的二维时频图像对应的采样信号作为需要二次判别的采样信号;
所述二次处理模块对需要二次判别的采样信号进行二次时频处理的具体方法为:类别预判断为BPSK、MLFM、NS的信号采用球型核函数,类别预判断为SFM、DLFM、EQFM的信号采用蝶型核函数;
所述球型核函数和蝶型核函数的表达式分别为:
其中,Φ2(v,τ)表示球型核函数,Φ3(v,τ)表示蝶型核函数,τ表示时移, v表示频移,α,β,γ,ε分别为系数。
一次处理模块和二次处理模块将二维时频图像进行归一化和灰度化处理后,发送至雷达辐射源识别模块中进行类别预判断;
所述雷达辐射源识别模块的生成方法为:
获取雷达辐射源样本数据库,所述雷达辐射源样本数据库中包含多种类别雷达辐射源的时频灰度图像;
将样本数据可以的数据分为测试集和训练集;
基于卷积神经网络算法建立含有可变参数的初始化的雷达辐射源识别模型;
根据所述训练集数据以及目标雷达辐射源信息对所述雷达辐射源识别模型中的可变权重进行微调,保留训练完成时的权重参数;
通过测试数据以及目标雷达辐射源信息对所述雷达辐射源识别模型进行测试,直至雷达辐射源识别模型满足预设的阈值条件,则雷达辐射源识别模型训练完成。
所述卷积神经网络包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层,最后通过softmax分类器输出结果;
第一卷积层采用6个5*5的卷积核,第二卷积层采用16个5*5的卷积核,第一池化层和第二池化层的卷积核尺寸为2*2。
本发明与现有技术相比具有以下有益效果:
1、本发明提供了一种基于深度学习的多核函数混叠雷达辐射源识别方法和系统,通过将待识别的雷达辐射源信号进行信号预处理,然后将预处理后的信号输送到基于卷积神经网络训练生成的雷达辐射源识别模块中进行类别预判别,通过预判别辐射源,对特殊辐射源信号选择对应的核函数,可以实现在模糊域中最有效地提取信号能量,提高辐射源识别的准确性,选择对应核函数的时频分析方法进行二次时频处理得到时频图像后,再次发送至雷达辐射源识别模块中进行类别二次判别。
2、本发明相比于现有技术中的信号处理以及识别方法,处理过程直接系统化,简单实用且有效,且采用双重处理方式使得识别准确度更高。
3、现有技术提供的雷达辐射源方法虽然可以在-8dB-10dB之间进行识别,但在低信噪比条件下,识别效果会很低,而本发明与现有识别技术相比,在时频域中对不同雷达辐射源信息进行较强针对性的模糊域能量提取,在得到的时频域图像低信噪比下噪声影响小,可以有效提高网络模型的识别率。
附图说明
图1为本发明实施例提供的一种基于深度学习的多核函数混叠雷达辐射源识别方法的流程示意图;
图2为本发明实施例中一次处理和二次处理的具体流程示意图;
图3为本发明实施例中采用的卷积神经网络模型LetNet-5结构示意图;
图4为本发明实施例提供的时频域灰度图像(SNR=-6dB)的示意图;
图5为本发明实施例经雷达辐射源识别模型对测试数据的精度图;
图6为本发明实施例中的球型和蝶型核函数的示意图;图中,横轴代表时延,纵轴代表频移;
图7为正弦调制信号在模糊域的能量分布示意图;
图8为现有技术与本发明的识别方法的对比示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
本发明实施例一为解决现有技术存在的雷达辐射源信号处理过程的局限性,识别效果不佳和针对性不强的技术问题,提供了一种基于深度学习的多核函数混叠雷达辐射源识别方法,通过将待识别的雷达辐射源信号进行信号预处理,然后将预处理后的信号输送到中心数据处理计算机进行CWD(Choi-Williams分布)时频处理得到时频图像后,对时频图像进行归一化和灰度化处理得到灰度时频图像,这样可以减少数据计算量,将灰度时频图像对通过基于卷积神经网络训练生成的雷达辐射源识别模块进行类别预判别,再根据预判别类型对特殊6类雷达辐射源信号选择对应的核函数再次进行基于对应核函数的时频分析方法得到时频图像,该步骤能够在信号模糊域对能量进行良好提取,而减少交叉项的影响,提高了雷达辐射源的识别准确度,其识别方法简单可靠。
具体地,如图1~2所示,本发明实施例一提供的一种基于深度学习的多核函数混叠雷达辐射源识别方法,包括以下步骤:
S1、在信号脉冲交叠区域进行信息采样,对采样信号进行滤波和去噪预处理。
S2、将预处理后的采样信号输送到指数型核函数的时频分析函数中进行一次时频处理,对采样信号在模糊域进行能量提取,然后将其转化为二维时频图像。
本实施例中,一次时频处理时,使用的时频分析方法采用Choi-Williams分布(CWD),所述CWD是引入一种指数型核函数,该核函数可以有效抑制那些由不同频率中心和不同时间中心的自项所产生的交叉项。所述CWD进行时频分析的过程如下:
AF(v,τ)为模糊函数,是对时变自相关函数作傅里叶变换,得到一个联合时频表达式,表达式如下:
上述式中,s1(t)为预处理后的雷达辐射源信号表达式,其中,S1 *表示s1的共轭函数,τ为时延,v为频移,AFs1(ν,τ)表示信号s1的模糊函数,t表示时间。
Choen类时频分布的表达式为:
其中,Φ(ν,τ)表示核函数,C(t,w)表示雷达辐射源信号的Choen类时频分布函数,通过类时频分布函数,可以输出雷达辐射源信号的时频图像。本申请中,通过式(1)计算雷达辐射源信号的模糊函数,可以将雷达辐射源信号转化到模糊域,然后,通过式(2)的计算,即利用模糊函数与核函数相乘,实现在模糊域内提取能量,再将该部分进行傅里叶逆变换,得到时频图像。
CWD时频处理中,采用指数型核函数,其表达式为:
指数型核函数能抑制那些由不同频率中心和不同时间中心的自项所产生的交叉项,其中α控制了衰减速度,α越大越能控制交叉项,但另一方面,α越大,自项也越受到影响。
具体地,本实施例中,通过mesh()函数,并且取绝对值,可以将类时频分布函数C(t,w) 转化为时频图像。
S3、将二维时频图像进行归一化和灰度化处理得到灰度时频图像,将灰度图像发送至雷达辐射源识别模块中进行类别预判断;所述雷达辐射源识别模块基于卷积神经网络训练生成。
具体地,将一次处理后的二维时频图像进行归一化和灰度化处理后,发送至雷达辐射源识别模块中进行类别预判断,如图4所示,为归一化和灰度化处理后得到的时频域灰度图像 (SNR=-6dB)的示意图。由于imagesc函数处理生成的时频域图像为彩色图像,可以通过灰度化处理将所述时频域图像处理生成单通道的时频域灰度图像,相比于处理三通道的彩色图像,卷积神经网络算法在处理时频域灰度图像时所需处理的数据量大大降低,但是同时不会影响最终网络模型对图像的识别准确率。
具体地,所述雷达辐射源识别模块的生成方法为:
S301、获取雷达辐射源样本数据库,所述雷达辐射源样本数据库中包含多种类别雷达辐射源的时频灰度图像。也就是说,雷达辐射源样本数据库中包含多个时频灰度图像以及其相对应的目标雷达辐射源信息。
作为本发明的一种可行实施例,在-10dB到10dB信噪比下每隔2dB产生数量相等的不同调制方式的雷达辐射源样本信号,所述不同调制方式的雷达辐射源样本信号包括常规脉冲信号,线性调频信号,正弦调频信号,频率编码信号、相位编码信号以及混合调制信号,上述雷达辐射源样本信号的参数如表1所示。
表1仿真雷达信号参数表:
S302、将样本数据分为测试集和训练集。
本发明实例中,通过12类雷达信号分别随机得到-10dB~10dB间隔2dB共11个信噪比下的原始信号,每个信噪比下采集100个信号作为原始信号,共13200个随机信号,通过中心计算机处理得到时频图像后,对其时频图像进行归一化和灰度处理后,得到了对应的时频域灰度图像,将该图像作为训练雷达辐射源模型的样本数据共13200张时频图像。根据上述的样本选取规则,在不同信噪比下取得不同类型雷达辐射源信号各20个原始信号得到时频域灰度图像共2640张图像作为测试集数据。
S303、基于卷积神经网络算法建立含有可变参数的初始化雷达辐射源识别模型。
具体的,本实施例中,基于卷积神经网络LetNet-5建立雷达辐射源识别模型;卷积神经网络LetNet5模型共有7层网络,从前至后依次为:输入层、卷积层、池化层、卷积层、池化层、全连接层和全连接层,最后通过softmax分类器输出结果。
卷积神经网络LetNet-5的网络结构如图3所示,输入层大小是32*32*1,即经计算机处理得到的时频域灰度图像尺寸要求为32*32;网络第一个卷积层采用6个5*5的卷积核,该部分的卷积指离散二维滤波(卷积核)与二维图像做卷积操作,用于提取图像中的特征,第二个卷积层采用16个5*5的卷积核,池化层卷积核尺寸为2*2,池化层是非线性下采样的一种形式,主要作用是通过减少网络的参数来减小计算量,并且在一定程度上可以控制过拟合,该部分使用的平均池化;第六层为全连接层,用来计算向量和权重向量之间的点积,再加上一个偏置,结果通过sigmoid函数输出;第七层output层也是全连接层,根据12种雷达辐射源类别,该部分包括12个节点。
S304、根据所述训练集数据以及目标雷达辐射源信息对上述网络进行训练,本申请中设置的迭代次数为400次,每次迭代读取33张数据图像。迭代过程中使用交叉熵函数计算损失,反向传播过程中梯度下降采用Adam优化算法,在计算过程中会对初始化的参数进行调整,同时计算精度,训练完成后,保存权重参数。
S305、通过测试集数据以及目标雷达辐射源信息对所述雷达辐射源识别模型进行测试,在测试过程中,设置的迭代次数为400次,初始化参数采用训练网络保留的权重参数,将2640 张时频域灰度图像作为测试集输入到LetNet-5网络中,通过交叉熵函数计算损失,反向传播过程中梯度下降采用Adam优化算法,同时计算精度,当精度达到阈值条件时,及已达到本申请所需精度的要求。
具体地,上述阈值条件指测试集的精度达到90%以上。
所述雷达辐射源识别模型通过训练模块训练完成,其中训练模块包括响应雷达辐射源信息确定模块、损失确定模块、可变参数调整模块、雷达辐射源识别模型确定模块;所述损失确定模块用于所述响应雷达辐射源信息和目标雷达辐射源信息的损失值,损失值采用交叉熵损失函数进行计算。
当损失值较大时,表明雷达辐射源识别模型的识别准确率不高,识别出的雷达辐射源信息与实际匹配的信息存在较大的差异,需要使用反向传播算法对所述雷达辐射源模型的参数进行调整;当损失值较小时,表明雷达辐射源识别模型的识别准确率足够,对输入到模型中的雷达辐射源信息识别与实际信息基本相符;
本发明实例通过上述13200个样本数据训练的雷达辐射源模型可以达到对测试集95%以上的精度,且易错率低,可应用于实际操作当中。
训练完成后的雷达辐射源识别模型,可以实现时频域灰度图像的类别预判断,也就是说,将时频域灰度图像直接输入到雷达辐射源识别模型中,可以输出对应的响应雷达辐射源类别。
所述步骤S3中,所述雷达辐射源识别模块中进行类别预判断结果包括表1中的12种类型。
图5为所示,为本发明实施例中,雷达辐射源识别模型对测试数据的精度图。
S4、根据步骤S3的类别预判断结果,确定需要二次判别的采样信号,并对需要二次判别的采样信号进行二次时频处理,所述多通道时频分析模块用于根据对应的二维时频图像的类别预判断结果,对预处理后的采样信号在模糊域的能量分布再次进行时频处理。
具体地,本实施例中,根据对应二维时频图像的类别预判断结果,确定时频分析函数的核函数,根据模糊域的能量分布,通过修改核函数后的Choi-Williams分布时频分析函数对预处理后的采样信号进行时频处理。也就是说,在二次时频处理中,对CWD函数中的核函进行修改,针对不同的雷达辐射源使用不同核函数的CWD时频分析函数。
所述步骤S4中,确定需要二次判别的采样信号的方法为:将类别预判断的结果为BPSK、 MLFM、NS、SFM、DLFM、EQFM类型的二维时频图像对应的预处理后的采样信号作为需要二次判别的采样信号。
具体地,本实施例中,对需要二次判别的采样信号进行二次时频处理的具体方法为:类别预判断为BPSK、MLFM、NS的信号采用球型核函数,类别预判断为SFM、DLFM、EQFM的信号采用蝶型核函数。所述球型核函数和蝶型核函数的表达式分别为:
其中,Φ2(v,τ)表示球型核函数,Φ3(v,τ)表示蝶型核函数,τ表示时移,ν表示频移。α,β,γ,ε分别为指数系数,本实施例中,α=0.0005,β=0.001,γ=0.0005,ε=0.025。
如图6所示,分别为球型核函数和蝶型核函数的示意图,本实施例中,使用Matlab(一款数学领域数据处理软件)中的imagesc函数对蝶型和球型核函数的模糊域图像进行显示。
如图7所示,为正弦调制信号(SFM)在模糊域的能量分布示意图,SFM信号的模糊域能量分布集中在中间部分,该信号的模糊域能量分布说明,本申请中,选取蝶型与球型核函数可以更好的提取模糊域能量。
图8为本发明的识别方法与现有技术的对比示意图,图中采用的数据源为根据表1中的参数随机产生的正弦调频雷达辐射源信号,图中a为通过常用CWD的指数型核函数进行时频分析得到的图像,图中b为通过本发明实施例的二次时频处理后得到的时频图像。图8说明,本发明的识别方法,具有更好的识别效果。
实施例二
如图1~2所示,本发明实施例二提供了一种基于深度学习的多核函数混叠雷达辐射源识别系统,包括:
信号接收单元:用于接收待识别的雷达辐射源原始采样信号s(t);
预处理单元:用于对雷达辐射源原始采样信号s(t)进行预处理,得到信号s1(t);
一次处理模块:用于对信号s1(t)进行一次时频处理得到二维时频图像,并将二维时频图像发送至雷达辐射源识别模型中进行类别预判断,所述类别预判断基于卷积神经网络训练生成雷达辐射源识别模块实现;
二次处理模块:用于根据类别预判断结果,确定需要二次判别的采样信号,并对需要二次判别的采样信号进行二次时频处理,所述二次时频处理过程基于对应的二维时频图像的类别预判断结果进行;还用于将二次时频处理后得到的二维时频灰度图像发送至雷达辐射源识别模型中进行类别判断。
具体地,本实施例中,所述二次处理模块进行二次时频处理的具体方法为:
根据对应的二维时频图像的类别预判断结果,确定时频分析函数的核函数,通过修改核函数后的Choi-Williams分布时频分析函数对原始采样信号在模糊域的能量分布进行时频处理。
具体地,所述一次处理模块中,所述雷达辐射源识别模块中进行类别预判断结果包括表1 中的12种类型,其中,通过所述二次处理模块进行二次时频处理并送到雷达辐射源识别模块中进行二次类别的信号包括预判断结果为BPSK、MLFM、NS、SFM、DLFM、EQFM六种类型的信号。
具体地,所述二次处理模块中,类别预判断结果为BPSK、MLFM、NS的信号采用球型核函数进行时频处理,类别预判断为SFM、DLFM、EQFM的信号采用蝶型核函数进行时频处理。
所述球型核函数和蝶型核函数的表达式如式(4)~(5)所示。
具体地,本实施例中,一次处理模块将二维时频图像进行灰度化处理后,发送至雷达辐射源识别模块中进行类别预判断。
所述雷达辐射源识别模块的生成方法为:
1、获取雷达辐射源样本数据库,所述雷达辐射源样本数据库中包含多种类别雷达辐射源的时频灰度图像。
2、将样本数据可以的数据分为测试集和训练集。
3、基于卷积神经网络算法建立含有可变参数的初始化的雷达辐射源识别模型。
4、根据所述训练集数据以及目标雷达辐射源信息对所述雷达辐射源识别模型中的可变权重进行微调,保留训练完成时的权重参数;上述训练过程是将13200张时频图像作为训练样本,做好类别标签后打乱顺序,输入到LetNet-5网络中进行训练,设置的迭代次数为400次,迭代过程中使用交叉熵函数计算损失,反向传播过程中梯度下降采用Adam优化算法。
5、通过测试数据以及目标雷达辐射源信息对所述雷达辐射源识别模型中进行测试,直至雷达辐射源识别模型满足预设的阈值条件,则雷达辐射源模型训练完成,即达到本实施例的要求。测试过程是将随机产生的2640张时频域图像作为测试集,输入到训练完成之后保留参数的LetNet-5网络中,通过交叉熵计算损失值,并且计算识别精度。所述预设的阈值条件指测试样本的精确度达到90%以上,该阈值用于衡量雷达辐射源模型识别的准确率,当满足预设的阈值条件时,识别准确率也达到了预设的要求。
具体地,本实施例中,基于卷积神经网络LetNet5建立雷达辐射源识别模型;卷积神经网络LetNet5模型共有7层网络,从前至后依次为:输入层、卷积层、池化层、卷积层、池化层、全连接层和全连接层,最后通过softmax分类器输出结果。
卷积神经网络LetNet-5的网络结构如图3所示,输入层大小是32*32*1,即经计算机处理得到的时频域灰度图像尺寸为32*32;网络第一个卷积层采用6个5*5的卷积核,该部分的卷积指离散二维滤波(卷积核)与二维图像做卷积操作,用于提取图像中的特征,第二个卷积层采用16个5*5的卷积核,池化层卷积核尺寸为2*2,池化层是非线性下采样的一种形式,主要作用是通过减少网络的参数来减小计算量,并且在一定程度上可以控制过拟合,该部分使用的平均池化;第六层为全连接层,用来计算向量和权重向量之间的点积,再加上一个偏置,结果通过sigmoid函数输出;第七层output层也是全连接层,根据12种雷达辐射源类别,该部分包括12个节点。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种基于深度学习的多核函数混叠雷达辐射源识别方法,其特征在于,包括以下步骤:
S1、在信号脉冲交叠区域进行信息采样,对采样信号进行滤波和去噪预处理;
S2、将预处理后的采样信号输送到指数型核函数的时频分析函数中进行一次时频处理,将其转化为二维时频图像;
S3、将二维时频图像进行处理后发送至雷达辐射源识别模块中进行类别预判断;所述雷达辐射源识别模块基于卷积神经网络训练生成;
S4、根据步骤S3的类别预判断结果,确定需要二次判别的采样信号,并对需要二次判别的采样信号进行二次时频处理,二次时频处理过程基于对应的二维时频图像的类别预判断结果进行;
S5、将二次时频处理后得到的二维时频图像发送至雷达辐射源识别模型中进行类别判断;
所述步骤S4中,确定需要二次判别的采样信号的方法为:将类别预判断的结果为BPSK、MLFM、NS、SFM、DLFM、EQFM类型的二维时频图像对应的采样信号作为需要二次判别的采样信号;
对需要二次判别的采样信号进行二次时频处理的具体方法为:
类别预判断为BPSK、MLFM、NS的采样信号采用球型核函数,类别预判断为SFM、DLFM、EQFM的信号采用蝶型核函数;
所述球型核函数和蝶型核函数的表达式分别为:
2.根据权利要求1所述的一种基于深度学习的多核函数混叠雷达辐射源识别方法,其特征在于,所述步骤S4中,对需要二次判别的二维时频图像的对应的采样信号进行二次时频处理的具体方法为:
根据对应的二维时频图像的类别预判断结果,确定时频分析函数的核函数,通过修改核函数后的Choi-Williams分布时频分析函数对采样信号进行时频处理。
3.根据权利要求1所述的一种基于深度学习的多核函数混叠雷达辐射源识别方法,其特征在于,所述步骤S3中,将二维时频图像进行归一化和灰度化处理后,发送至雷达辐射源识别模块中进行类别预判断;
所述雷达辐射源识别模块的生成方法为:
获取雷达辐射源样本数据库,所述雷达辐射源样本数据库中包含多种类别雷达辐射源的时频灰度图像;
将样本数据可以的数据分为测试集和训练集;
基于卷积神经网络算法建立含有可变参数的初始化的雷达辐射源识别模型;
根据训练集数据以及目标雷达辐射源信息对所述雷达辐射源识别模型中的可变权重进行微调,并保留训练完成时的权重参数;
通过测试数据以及目标雷达辐射源信息对所述雷达辐射源识别模型中进行测试,直至雷达辐射源识别模型满足预设的阈值条件,则雷达辐射源识别模型训练完成。
4.根据权利要求1所述的一种基于深度学习的多核函数混叠雷达辐射源识别方法,其特征在于,所述卷积神经网络包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层,最后通过softmax分类器输出结果;
第一卷积层采用6个5*5的卷积核,第二卷积层采用16个5*5的卷积核,第一池化层和第二池化层的卷积核尺寸为2*2。
5.一种基于深度学习的多核函数混叠雷达辐射源识别系统,其特征在于,包括:
信号接收单元:用于接收待识别的雷达辐射源原始采样信号s(t);
预处理单元:用于对雷达辐射源原始采样信号s(t)进行预处理,得到信号s 1(t);
一次处理模块:用于对信号s 1(t)进行一次时频处理得到二维时频图像,对二维时频图像进行处理后发送至雷达辐射源识别模型中进行类别预判断,所述类别预判断基于卷积神经网络训练生成雷达辐射源识别模块实现;
二次处理模块:用于根据类别预判断结果,确定需要二次判别的采样信号,并对需要二次判别的采样信号进行二次时频处理,二次时频处理过程基于对应的二维时频图像的类别预判断结果进行;还用于将二次时频处理后得到的二维时频图像再发送至雷达辐射源识别模型中进行类别判断;
所述二次处理模块根据类别预判断结果,确定需要二次判别的采样信号的具体方法为:将类别预判断的结果为BPSK、MLFM、NS、SFM、DLFM、EQFM类型的二维时频图像对应的采样信号作为需要二次判别的采样信号;
所述二次处理模块对需要二次判别的采样信号进行二次时频处理的具体方法为:类别预判断为BPSK、MLFM、NS的信号采用球型核函数,类别预判断为SFM、DLFM、EQFM的信号采用蝶型核函数;
所述球型核函数和蝶型核函数的表达式分别为:
6.根据权利要求5所述的一种基于深度学习的多核函数混叠雷达辐射源识别系统,其特征在于,所述二次处理模块进行二次时频处理的具体方法为:
根据对应的二维时频图像的类别预判断结果,由模糊域的能量分布确定时频分析函数的核函数,通过修改核函数后的Choi-Williams分布时频分析函数对预处理后的采样信号进行时频处理。
7.根据权利要求5所述的一种基于深度学习的多核函数混叠雷达辐射源识别系统,其特征在于,一次处理模块和二次处理模块将二维时频图像进行归一化和灰度化处理后,发送至雷达辐射源识别模块中进行类别预判断;
所述雷达辐射源识别模块的生成方法为:
获取雷达辐射源样本数据库,所述雷达辐射源样本数据库中包含多种类别雷达辐射源的时频灰度图像;
将样本数据可以的数据分为测试集和训练集;
基于卷积神经网络算法建立含有可变参数的初始化的雷达辐射源识别模型;
根据训练集数据以及目标雷达辐射源信息对所述雷达辐射源识别模型中的可变权重进行微调,保留训练完成时的权重参数;
通过测试数据以及目标雷达辐射源信息对所述雷达辐射源识别模型进行测试,直至雷达辐射源识别模型满足预设的阈值条件,则雷达辐射源识别模型训练完成。
8.根据权利要求5所述的一种基于深度学习的多核函数混叠雷达辐射源识别系统,其特征在于,所述卷积神经网络包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层,最后通过softmax分类器输出结果;
第一卷积层采用6个5*5的卷积核,第二卷积层采用16个5*5的卷积核,第一池化层和第二池化层的卷积核尺寸为2*2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110591948.9A CN113359091B (zh) | 2021-05-28 | 2021-05-28 | 基于深度学习的多核函数混叠雷达辐射源识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110591948.9A CN113359091B (zh) | 2021-05-28 | 2021-05-28 | 基于深度学习的多核函数混叠雷达辐射源识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113359091A CN113359091A (zh) | 2021-09-07 |
CN113359091B true CN113359091B (zh) | 2022-05-17 |
Family
ID=77528098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110591948.9A Active CN113359091B (zh) | 2021-05-28 | 2021-05-28 | 基于深度学习的多核函数混叠雷达辐射源识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113359091B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5877721A (en) * | 1998-02-20 | 1999-03-02 | Northrop Grumman Corporation | Apparatus and method for mitigating multipath |
CN103675791A (zh) * | 2013-12-05 | 2014-03-26 | 北京师范大学 | 基于数值分布均衡化的米散射激光雷达云识别方法 |
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
CN107301381A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学昆山创新研究院 | 基于深度学习和多任务学习策略的雷达辐射源识别方法 |
CN108090412A (zh) * | 2017-11-17 | 2018-05-29 | 西北工业大学 | 一种基于深度学习的雷达辐射源类别识别方法 |
WO2018183546A1 (en) * | 2017-03-28 | 2018-10-04 | Sri International | Identification system for subject or activity identification using range and velocity data |
CN109507648A (zh) * | 2018-12-19 | 2019-03-22 | 西安电子科技大学 | 基于VAE-ResNet网络的雷达辐射源识别方法 |
CN109932699A (zh) * | 2019-03-15 | 2019-06-25 | 西安电子科技大学 | 一种雷达辐射源识别方法、装置、计算机设备和存储介质 |
CN110109059A (zh) * | 2019-03-27 | 2019-08-09 | 西安电子科技大学 | 一种基于深度学习网络的雷达辐射源信号识别方法 |
CN110147812A (zh) * | 2019-04-04 | 2019-08-20 | 中国人民解放军战略支援部队信息工程大学 | 基于扩张残差网络的雷达辐射源识别方法及装置 |
CN111126134A (zh) * | 2019-11-11 | 2020-05-08 | 浙江大学 | 基于非指纹信号消除器的雷达辐射源深度学习识别方法 |
CN111913156A (zh) * | 2020-08-05 | 2020-11-10 | 电子科技大学 | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 |
CN112034434A (zh) * | 2020-09-04 | 2020-12-04 | 中国船舶重工集团公司第七二四研究所 | 基于稀疏时频检测卷积神经网络的雷达辐射源识别方法 |
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 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9978013B2 (en) * | 2014-07-16 | 2018-05-22 | Deep Learning Analytics, LLC | Systems and methods for recognizing objects in radar imagery |
TWI514193B (zh) * | 2014-12-25 | 2015-12-21 | Univ Nat Sun Yat Sen | 動作感測裝置 |
CN107991877A (zh) * | 2017-12-20 | 2018-05-04 | 东南大学 | 一种基于循环神经网络的动态模型辨识方法及系统 |
WO2019182974A2 (en) * | 2018-03-21 | 2019-09-26 | Nvidia Corporation | Stereo depth estimation using deep neural networks |
CN110109060B (zh) * | 2019-03-27 | 2022-11-22 | 西安电子科技大学 | 一种基于深度学习网络的雷达辐射源信号分选方法及系统 |
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 |
CN112232120B (zh) * | 2020-09-10 | 2022-10-28 | 中国人民解放军海军工程大学 | 一种基于软件无线电的雷达辐射源信号分类系统及方法 |
-
2021
- 2021-05-28 CN CN202110591948.9A patent/CN113359091B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5877721A (en) * | 1998-02-20 | 1999-03-02 | Northrop Grumman Corporation | Apparatus and method for mitigating multipath |
CN103675791A (zh) * | 2013-12-05 | 2014-03-26 | 北京师范大学 | 基于数值分布均衡化的米散射激光雷达云识别方法 |
WO2018183546A1 (en) * | 2017-03-28 | 2018-10-04 | Sri International | Identification system for subject or activity identification using range and velocity data |
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
CN107301381A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学昆山创新研究院 | 基于深度学习和多任务学习策略的雷达辐射源识别方法 |
CN108090412A (zh) * | 2017-11-17 | 2018-05-29 | 西北工业大学 | 一种基于深度学习的雷达辐射源类别识别方法 |
CN109507648A (zh) * | 2018-12-19 | 2019-03-22 | 西安电子科技大学 | 基于VAE-ResNet网络的雷达辐射源识别方法 |
CN109932699A (zh) * | 2019-03-15 | 2019-06-25 | 西安电子科技大学 | 一种雷达辐射源识别方法、装置、计算机设备和存储介质 |
CN110109059A (zh) * | 2019-03-27 | 2019-08-09 | 西安电子科技大学 | 一种基于深度学习网络的雷达辐射源信号识别方法 |
CN110147812A (zh) * | 2019-04-04 | 2019-08-20 | 中国人民解放军战略支援部队信息工程大学 | 基于扩张残差网络的雷达辐射源识别方法及装置 |
CN111126134A (zh) * | 2019-11-11 | 2020-05-08 | 浙江大学 | 基于非指纹信号消除器的雷达辐射源深度学习识别方法 |
CN111913156A (zh) * | 2020-08-05 | 2020-11-10 | 电子科技大学 | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 |
CN112034434A (zh) * | 2020-09-04 | 2020-12-04 | 中国船舶重工集团公司第七二四研究所 | 基于稀疏时频检测卷积神经网络的雷达辐射源识别方法 |
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 |
Non-Patent Citations (3)
Title |
---|
Research on Radar Signal Recognition Technology Based on Deep Learning;Yuze Wu et al.;《2020 IEEE 3rd International Conference on Electronics Technology (ICET)》;20200617;全文 * |
基于深度学习的雷达辐射源识别技术研究;井博军;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20180415;第17-47页 * |
多核融合框架下的雷达辐射源个体识别;史亚 等;《电子与信息学报》;20141031;第36卷(第10期);第2484-2489页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113359091A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113050042B (zh) | 基于改进UNet3+网络的雷达信号调制类型识别方法 | |
CN114429156B (zh) | 雷达干扰多域特征对抗学习与检测识别方法 | |
CN109993280A (zh) | 一种基于深度学习的水下声源定位方法 | |
CN112001306A (zh) | 基于深度卷积对抗生成神经网络的脑电信号解码方法 | |
CN113673312B (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
CN110532932B (zh) | 一种多分量雷达信号脉内调制方式识别方法 | |
CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
CN110490265B (zh) | 一种基于双路卷积和特征融合的图像隐写分析方法 | |
CN113657491A (zh) | 一种用于信号调制类型识别的神经网络设计方法 | |
CN110417694A (zh) | 一种通信信号调制方式识别方法 | |
CN111948622A (zh) | 基于并联cnn-lstm的线性调频雷达信号toa估计算法 | |
CN111582236A (zh) | 一种基于稠密卷积神经网络的lpi雷达信号分类方法 | |
CN112149524A (zh) | 一种雷达信号分选识别方法、装置、探测器及存储介质 | |
CN114726692B (zh) | 一种基于SEResNet-LSTM的辐射源调制方式识别方法 | |
Huang et al. | Radar waveform recognition based on multiple autocorrelation images | |
CN113792685A (zh) | 一种基于多尺度卷积神经网络的微地震事件检测方法 | |
CN114943245A (zh) | 一种基于数据增强和特征嵌入的自动调制识别方法和装置 | |
CN113109782B (zh) | 一种直接应用于雷达辐射源幅度序列的分类方法 | |
CN113902095A (zh) | 一种无线通信自动调制识别方法、装置与系统 | |
CN116482618B (zh) | 基于多损失特征自校准网络的雷达有源干扰识别方法 | |
CN113359091B (zh) | 基于深度学习的多核函数混叠雷达辐射源识别方法和系统 | |
CN116430317A (zh) | 一种辐射源调制样式与个体识别方法及系统 | |
CN115661443A (zh) | 复杂环境的多尺度正向特征增益红外弱小目标检测方法 | |
CN113343924B (zh) | 一种基于循环谱特征和生成对抗网络的调制信号识别方法 | |
CN115223033A (zh) | 一种合成孔径声呐图像目标分类方法及系统 |
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 |