CN113791389B - 一种未知雷达辐射源个体识别方法及系统 - Google Patents
一种未知雷达辐射源个体识别方法及系统 Download PDFInfo
- Publication number
- CN113791389B CN113791389B CN202110541089.2A CN202110541089A CN113791389B CN 113791389 B CN113791389 B CN 113791389B CN 202110541089 A CN202110541089 A CN 202110541089A CN 113791389 B CN113791389 B CN 113791389B
- Authority
- CN
- China
- Prior art keywords
- radiation source
- radar radiation
- unknown
- individual
- unknown radar
- 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
- 230000005855 radiation Effects 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000006870 function Effects 0.000 claims abstract description 49
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000012512 characterization method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000005315 distribution function Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006911 nucleation Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于电子对抗中雷达辐射源识别技术领域,公开了一种未知雷达辐射源个体识别方法及系统,对接收到的雷达辐射源信号进行模糊函数掩模特征提取;将模糊函数掩模特征输入至深度稀疏自编码器进行特征提取;并将提取到的特征分子集输入至基于支持向量数据描述的集成异常检测器;将多个分布式深度学习异常检测器的结果进行基于Jousselme证据距离的决策融合,最终识别出未知雷达辐射源。系统包括:未知雷达辐射源个体的智能表征模块;基于稀疏自编码器的深层特征提取模块;基于支持向量数据描述的识别模块;基于Jousselme证据距离的决策融合模块。本发明实现了复杂电磁环境下未知雷达辐射源个体的智能识别。
Description
技术领域
本发明属于电子对抗中雷达辐射源识别技术领域,尤其涉及一种未知雷达辐射源个体识别方法及系统。
背景技术
目前针对未知雷达辐射源个体识别的技术研究较少,对于未知雷达辐射源个体的识别可以借鉴异常检测领域的相关技术成果。针对异常检测的研究已有很长的历史,现有技术一基于有参数统计建模的异常检测,使用3理论及假设检验来完成对异常信号的检测。现有技术二基于无参数密度估计的异常检测,采用Parzen窗密度估计实现了基于无参数的密度估计异常检测。上述两种技术存在共同的缺陷,均需要对大量的样本进行统计估计,不能对有限样本下的实际情形进行很好的异常检测。现有技术三,通过挖掘出正常样本的概率分布函数来进行的基于密度的估计,其利用了Parzen窗进行密度估计,从而实现对于入侵的异常检测;现有技术四采用了高斯混合模型获取正常样本的概率分布函数,从而实现异常检测;现有技术五设计了一种基于K-NN图的局部异常因子,并依据该因子实现了异常检测;现有技术六设计出一种网络流量的密度比,并通过估计该密度比实现网络流量的异常检测。现有技术七同样采用密度比的思想,但是估计的是测试样本在训练集和测试集上的密度比而不是直接的密度比,之后求得对正常样本的隶属度,通过对比隶属度,从而得到检测结果。现有技术八设计了一种“深度”的概念,通过在寻找深度函数,从而在核化空间中利用深度函数进行异常检测。上述六种技术主要思想在于通过挖掘出样本的概率分布函数来进行的基于密度的估计,但在大多数实际情况下,由于样本采集难度普遍较高,因此样本的概率分布函数不易获取,从而导致后续的估计不准确,进而异常识别效果受到限制。现有技术九采用通过重构样本来进行数据描述的重构思想,基于K均值进行重构,并通过计算重构误差来进行异常检测;现有技术十分别对平面、曲面及流面进行误差重构,使用的方法分别是K-平面聚类法、主曲线和主流行以及最小生成树描述。现有技术十一首先通过主成分分析及核化主成分分析,在子空间内降维并完了误差重构进而实现异常检测。上述三种技术均采用重构的思想,通过尽可能减小重构误差,从而实现对数据分布的统计估计,进而实现异常检测。该方法有着较高的精度,但存在计算复杂,计算量大,依赖于稳定的环境,当数据环境发生较大变化时,该方法准确度急剧下降。现有技术十二使用了单类支持向量机用于描述包含正常类的几何支撑域;现有技术十三使用支持向量数据描述,形成一个包含正常类的球面,从而根据测试样本处于球面内外来判断是否为异常数据;现有技术十四使用最小体积覆盖超球进行异常数据检测。此类算法凭借这其解的稀疏性,获得了较好的推广性能,从而提高了此类方法的测试效率。
通过上述分析,现有技术存在的问题及缺陷为:现有的未知雷达辐射源个体识别方法存在实时性较差,需要大量正常异常样本,且对实际环境适应性差,可靠性及稳定性较低。
解决以上问题及缺陷的难度为:对未知雷达辐射源个体识别需要满足实时性需求,仅需少量正常异常样本便可实现在实际环境下的稳定可靠识别。
解决以上问题及缺陷的意义为:在实际电子对抗环境中,随着科技水平的提升,电磁环境越来越复杂。这就导致对当前环境中存在的未知雷达辐射源快速识别显得尤为重要,解决上述问题可以在一定程度上提升对抗主动性,对后续的辐射源识别,威胁等级评估等均有重要意义。
发明内容
针对现有技术存在的问题,本发明提供了一种未知雷达辐射源个体识别方法及系统。
本发明是这样实现的,一种未知雷达辐射源个体识别方法,所述未知雷达辐射源个体识别方法首先对接收到的雷达辐射源信号进行模糊函数掩模特征提取,得到能够充分表征雷达辐射源个体差距的特征;然后将模糊函数掩模特征输入至深度稀疏自编码器进行深层特征提取并进行基于支持向量描述的集成异常检测器;最后为解决实际电磁环境中存在的训练样本分布不均匀的问题,将每个分布式传感器上未知雷达辐射源个体识别结果进行基于Jousselme证据距离的决策融合,最终得到未知雷达辐射源个体识别结果。
进一步,对接收到的雷达辐射源信号进行模糊函数掩模特征提取具体包括:
1)对接收到的雷达辐射源信号x(t)进行魏格纳维利时频变换,其定义为:
2)雷达辐射源信号x(t)为有限点长N点序列,则相应的模糊函数及魏格纳维利时频变换矩阵关系为:Af(N×1)=Ψ(N×N)·WD(N×1),其中,Ψ为N×N傅里叶系数矩阵;
3)为了重建魏格纳维利时频变换,并保持高分辨率且抑制噪声的性能,对模糊函数进行稀疏化处理,将模糊函数图作为压缩感知中的模糊域,构建大小为 M×N的量测矩阵Φ,得到尺度为M×1的掩模特征为:/>
进一步,将模糊函数掩模特征输入至深度稀疏自编码器进行深层特征提取并进行基于支持向量数据描述的集成异常检测器:
1)对于得到的模糊函数掩膜特征对其图像进行二值化、向量化处理,之后输入至深度稀疏自编码器进行深度特征提取;
2)对于得到的深度特征,按照比例分别构造训练集及测试集,对后续支持向量数据描述异常检测器进行训练。
进一步,对于得到的深度特征,按照比例分别构造训练集及测试集,对后续支持向量数据描述异常检测器进行训练具体包括:
步骤一:设置支持向量数据描述算法核函数K(p,q);
步骤二:对训练样本进行高维核特征空间映射处理:
遍历所有训练样本,计算任意训练样本间的K型核函数映射结果K(xi,xj),其中xi,xj表示训练样本集的任意训练样本,i,j=1,2,...,n,n表示训练样本数;
步骤三:计算支持向量数据描述算法的边界:
为了构造这样一个最小体积超球体,支持向量数据描述算法要解决以下优化问题:
其中,R是超球体半径,a是超球体的球心,ξ是松弛因子,C是一个权衡超球体体积和误分率的惩罚参数,结合拉格朗日乘子法,原问题的对偶问题为:
其中,αi是样本xi对应的拉格朗日系数,那么超球体的球心和半径的计算公式分别为:
其中,xv∈SV,K(xi,xj)是核函数,K(xi,xj)等同于特征空间中样本的内积,即K(xi,xj)=<Φ(xi),Φ(xj)>;
步骤四:对待识别对象进行识别处理,对于测试样本xtest,其到超球体球心的距离为:
若d≤R,说明测试样本在超球体上或者内部,属于正常样本;反之则属于异常样本。
进一步,将每个分布式传感器上未知雷达辐射源个体识别结果进行基于Jousselme证据距离的决策融合:
1)计算每个分布式传感器所得到证据的Jousselme距离:
在每个分布式传感器中,设各个传感器的决策结果集合为{θ0,θ1},其中θ1表示识别为未知雷达辐射源个体,θ0表示识别为已知雷达辐射源个体,各个不同的传感器对雷达辐射源信号进行识别,并得到各传感器对未知雷达辐射源个体的识别基本概率分配Mi:{mi(θ0),mi(θ1)},计算各个传感器节点所得到证据的 Jousselme距离:
2)遍历所有传感器,得到证据距离矩阵:
其中,disjmn表示第m个传感器与第n个传感器所得证据之间的Jousselme距离,其代表所得证据间的冲突程度;
3)计算未知雷达辐射源个体识别系统的最终识别结果:
根据各分布式传感器所得证据间的冲突程度disjij可以推导出各传感器所得识别结果的信任度αij:
αij=1-disjij;
得第i个传感器的识别结果对第j个传感器的识别结果的可信度为:
对可信度归一化后,各传感器识别结果权重为:
则识别系统的识别结果修正为:
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述的未知雷达辐射源个体识别方法,包括以下步骤:对接收到的雷达辐射源信号进行模糊函数掩模特征提取;将模糊函数掩模特征输入至深度稀疏自编码器进行深层特征提取并进行基于支持向量描述的集成异常检测器;将分布式未知雷达辐射源个体识别传感器的结果进行基于Jousselme 证据距离的决策融合,最终得到未知雷达辐射源个体识别结果。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述的未知雷达辐射源个体识别方法,包括以下步骤:对接收到的雷达辐射源信号进行模糊函数掩模特征提取;将模糊函数掩模特征输入至深度稀疏自编码器进行深层特征提取并进行基于支持向量描述的集成异常检测器;将分布式未知雷达辐射源个体识别传感器的结果进行基于Jousselme证据距离的决策融合,最终得到未知雷达辐射源个体识别结果。
本发明的另一目的在于提供一种运行所述未知雷达辐射源个体识别方法的未知雷达辐射源个体识别系统,所述未知雷达辐射源个体识别系统包括:
未知雷达辐射源个体的智能表征模块,用于对雷达辐射源信号进行特征提取,提取其模糊函数掩膜特征;
基于稀疏自编码器的深层特征提取模块,用于对雷达辐射源信号模糊函数掩膜特征进行进一波深度特征提取,得到维度较小且具有较好表征能力的深度特征;
基于支持向量数据描述的识别模块,通过支持向量数据描述算法构造出子空间的球体,使得球体内部包含有最多的正类数据,球体外部包含有最多的负类数据,从而实现未知雷达辐射源个体识别;
基于Jousselme证据距离的决策融合模块,用于对每个分布式未知雷达辐射源个体识别传感器进行识别结果融合。
本发明的另一目的在于提供一种未知雷达辐射源个体识别终端,所述未知雷达辐射源个体识别终端安装有所述的未知雷达辐射源个体识别系统。
本发明的另一目的在于提供一种雷达,所述雷达安装有所述的未知雷达辐射源个体识别系统。
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:
在传统雷达辐射源信号处理流程中,将分选后的雷达辐射源信号与标准雷达库进行比对,可以比对出新增的具有威胁的雷达辐射源信号。考虑到标准雷达库规模较大,进行对比不符合实际战场下雷达辐射源信号分选的实时性要求,本发明采用了异常检测技术对标准雷达库中没有的雷达辐射源个体进行实时识别,同时结合深度学习自监督异常检测技术,实现个体的高效异常检测。其一般思路为:首先对接收到的信号进行特征提取,由于近些年来,模糊函数掩模特征在个体识别领域内应用效果较好,因此采用信号的模糊函数掩模特征,其优点在于不仅具有较强的个体表征能力,同时具有较低的维度,减少了后续神经网络的压力。为进一步提取到深度特征,结合信号标签不易获取的实际特点,采用了深度稀疏自编码器进行进一步的特征提取。在异常检测方面采用了支持向量描述的异常检测模型。实际战场环境下,为实现各作战单位信息共享,借鉴分布式神经网络思想,设计了信号个体异常检测分布式算法模型,提高了未知雷达辐射源个体识别的准确率。
附图说明
图1是本发明实施例提供的未知雷达辐射源个体识别方法流程图。
图2是本发明实施例提供的未知雷达辐射源个体识别系统的结构示意图;
图2中:包括有以下四个组成模块未知雷达辐射源个体的智能表征模块;基于稀疏自编码器的深层特征提取模块;基于支持向量数据描述的识别模块;基于Jousselme证据距离的决策融合模块。
图3是本发明实施例提供的在环境中存在5部辐射源个体时未知雷达辐射源个体识别率图。
图4是本发明实施例提供的未知雷达辐射源个体识别系统在信噪比-5dB到信噪比10dB的仿真结果图。
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,本发明提供了一种未知雷达辐射源个体识别方法及系统,下面结合附图对本发明作详细的描述。
如图1所示,本发明提供的未知雷达辐射源个体识别方法包括以下步骤:
S101:对接收到的雷达辐射源信号进行模糊函数掩模特征提取;
S102:将模糊函数掩模特征输入至深度稀疏自编码器中进行深层特征提取,从而获取到维度较低且具有较好表征效果的深层特征;
S103:将深层特征输入至基于支持向量数据描述的集成异常检测器中,从而获得各传感器的识别结果;
S104:将分布式未知雷达辐射源个体识别传感器的结果进行基于Jousselme 证据距离的决策融合,最终得到未知雷达辐射源个体识别结果。
本发明提供的未知雷达辐射源个体识别方法业内的普通技术人员还可以采用其他的步骤实施,图1的本发明提供的未知雷达辐射源个体识别方法仅仅是一个具体实施例而已。
如图2所示,本发明提供的未知雷达辐射源个体识别系统包括:
未知雷达辐射源个体的智能表征模块1,用于对雷达辐射源信号进行特征提取,提取其模糊函数掩膜特征;
基于稀疏自编码器的深层特征提取模块2,用于对雷达辐射源信号模糊函数掩膜特征进行进一波深度特征提取,得到维度较小且具有较好表征能力的深度特;
基于支持向量数据描述的识别模块3,通过支持向量数据描述算法构造出子空间的球体,使得球体内部包含有最多的正类数据,球体外部包含有最多的负类数据,从而实现未知雷达辐射源个体识别;
基于Jousselme证据距离的决策融合模块4,用于对多个未知雷达辐射源个体识别传感器进行识别结果融合。
下面结合附图对本发明的技术方案作进一步的描述。
本发明实施例提供未知雷达辐射源个体识别方法及系统具体包括以下步骤:
步骤一,对接收到的雷达辐射源信号进行模糊函数掩模特征提取具体包括:
1)对接收到的雷达辐射源信号x(t)进行魏格纳维利时频变换,其中τ表示时移,其定义为:
2)雷达辐射源信号x(t)为有限点长N点序列,则相应的模糊函数及魏格纳维利时频变换矩阵关系为:Af(N×1)=Ψ(N×N)·WD(N×1),其中Ψ为N×N傅里叶系数矩阵;
3)为了重建魏格纳维利时频变换,并保持高分辨率且抑制噪声的性能,对模糊函数进行稀疏化处理,将模糊函数图作为压缩感知中的模糊域,构建大小为 M×N的量测矩阵Φ,得到尺度为M×1的掩模特征如下:
步骤二,将模糊函数掩模特征输入至深度稀疏自编码器进行深层特征提取并进行基于支持向量数据描述的集成异常检测器:
1)对于得到的模糊函数掩膜特征对其图像进行二值化、向量化处理,之后输入至深度稀疏自编码器进行深度特征提取;
2)对于得到的深度特征,按照比例分别构造训练集及测试集,对后续支持向量数据描述异常检测器进行训练,具体包括:
步骤1:设置支持向量数据描述算法核函数K(p,q);
步骤2:对训练样本进行高维核特征空间映射处理:
遍历所有训练样本,计算任意训练样本间的K型核函数映射结果K(xi,xj),其中xi,xj表示训练样本集的任意训练样本,i,j=1,2,...,n,n表示训练样本数。
步骤3:计算支持向量数据描述算法的边界:
为了构造这样一个最小体积超球体,支持向量数据描述算法要解决以下优化问题:
式中,R是超球体半径,a是超球体的球心,ξ是松弛因子,C是一个权衡超球体体积和误分率的惩罚参数。
结合拉格朗日乘子法,原问题的对偶问题为:
式中,αi是样本xi对应的拉格朗日系数。那么超球体的球心和半径的计算公式分别为:
式中,xv∈SV,K(xi,xj)是核函数,K(xi,xj)等同于特征空间中样本的内积,即K(xi,xj)=<Φ(xi),Φ(xj)>。
步骤4:对待识别对象进行识别处理:
对于测试样本xtest,其到超球体球心的距离为:
若d≤R,说明测试样本在超球体上或者内部,属于正常样本;反之则属于异常样本。
步骤三,将分布式未知雷达辐射源个体识别传感器的结果进行基于 Jousselme证据距离的决策融合:
1)计算传感器所得到证据的Jousselme距离:
在分布式未知雷达辐射源个体识别系统中,设各个传感器的决策结果集合为{θ0,θ1},其中θ1表示识别为未知雷达辐射源个体,θ0表示识别为已知雷达辐射源个体。各个不同的识别传感器对雷达辐射源信号进行识别,并得到各传感器对未知雷达辐射源个体的识别基本概率分配Mi:{mi(θ0),mi(θ1)}。计算各个传感器节点所得到证据的Jousselme距离:
2)遍历所有传感器,得到证据距离矩阵:
其中,disjmn表示第m个传感器与第n个传感器所得证据之间的Jousselme距离,其代表所得证据间的冲突程度。
3)计算分布式未知雷达辐射源个体识别系统的最终识别结果:
根据各传感器所得证据间的冲突程度disjij可以推导出各传感器所得识别结果的信任度αij:
αij=1-disjij;
可得第i个传感器的识别结果对第j个传感器的识别结果的可信度为:
对可信度归一化后,各传感器识别结果权重为:
则识别系统的识别结果修正为:
下面结合仿真对本发明的技术效果作详细的描述。
采用表1中辐射源个体1至辐射源个体5,其中辐射源个体2至辐射源个体 5归为已知辐射源个体,剩余辐射源个体归为未知辐射源。所有辐射源发射的均为LFM信号,在信噪比-5dB到信噪比10dB的区间内生成信号,每部辐射源个体随机生成1000组信号。按照7:3的比例构造训练样本集及测试集。环境中存在5部辐射源个体时,未知雷达辐射源个体识别率为如图3所示。
采用表1中辐射源个体1至辐射源个体9,分别构造四组对比实验,分别包含2、5、7、9种辐射源,具体设置如表2所示。对表2中四种仿真结果分别进行未知雷达辐射源个体的智能检测,稀疏自编码器隐藏层单元数均选择100,在信噪比-5dB到信噪比10dB的仿真结果如图4所示。
采用表1中辐射源个体1至辐射源个体5,其中辐射源个体2至辐射源个体 5归为已知辐射源个体,剩余辐射源个体归为未知辐射源。构造信噪比-5dB至 10dB下每个辐射源个体包含11200个样本的训练集,在不同信噪比下分别训练 16种传感器。构造信噪比-5dB至10dB下每个辐射源个体包含4800个样本的测试集,分别测试16种传感器识别准确率及决策融合后的识别准确率,结果如表3 所示。
为验证支持向量描述算法的有效性,现将支持向量数据描述算法、K-最近邻数据描述算法(K-nearest-neighbor Data Description,K-NNDD)及支持向量机算法(SupportVectorMachine,SVM)进行对比。采用表1中辐射源个体1 至辐射源个体5,其中辐射源个体2至辐射源个体5归为已知辐射源个体,剩余辐射源个体归为未知辐射源。在信噪比-5dB至0dB下每个辐射源个体包含11200 个样本,对上述辐射源个体信号进行信号仿真,并提取其深层特征,输入至上述算法中,得到的未知辐射源个体识别率如表4所示。
表1
表2
表3
表4
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
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 (7)
1.一种未知雷达辐射源个体识别方法,其特征在于,所述未知雷达辐射源个体识别方法首先对接收到的雷达辐射源信号进行模糊函数掩模特征提取;然后将模糊函数掩模特征输入至深度稀疏自编码器进行深层特征提取并进行基于支持向量描述的集成异常检测器;最后将每个分布式传感器上未知雷达辐射源个体识别结果进行基于Jousselme证据距离的决策融合,最终得到未知雷达辐射源个体识别结果;
将模糊函数掩模特征输入至深度稀疏自编码器进行深层特征提取并进行基于支持向量数据描述的集成异常检测器:
1)对于得到的模糊函数掩膜特征对其图像进行二值化、向量化处理,之后输入至深度稀疏自编码器进行深度特征提取;
2)对于得到的深度特征,按照比例分别构造训练集及测试集,对后续支持向量数据描述异常检测器进行训练;
对于得到的深度特征,按照比例分别构造训练集及测试集,对后续支持向量数据描述异常检测器进行训练具体包括:
步骤一:设置支持向量数据描述算法核函数K(p,q);
步骤二:对训练样本进行高维核特征空间映射处理:
遍历所有训练样本,计算任意训练样本间的K型核函数映射结果K(xi,xj),其中xi,xj表示训练样本集的任意训练样本,i,j=1,2,...,n,n表示训练样本数;
步骤三:计算支持向量数据描述算法的边界:
为了构造这样一个最小体积超球体,支持向量数据描述算法要解决以下优化问题:
其中,R是超球体半径,a是超球体的球心,ξ是松弛因子,C是一个权衡超球体体积和误分率的惩罚参数,结合拉格朗日乘子法,原问题的对偶问题为:
其中,αi是样本xi对应的拉格朗日系数,那么超球体的球心和半径的计算公式分别为:
其中,xv∈SV,K(xi,xj)是核函数,K(xi,xj)等同于特征空间中样本的内积,即K(xi,xj)=<Φ(xi),Φ(xj)>;
步骤四:对待识别对象进行识别处理,对于测试样本xtest,其到超球体球心的距离为:
若d≤R,说明测试样本在超球体上或者内部,属于正常样本;反之则属于异常样本;
将每个分布式传感器上未知雷达辐射源个体识别结果进行基于Jousselme证据距离的决策融合:
1)计算每个分布式传感器所得到证据的Jousselme距离:
在每个分布式传感器中,设各个传感器的决策结果集合为{θ0,θ1},其中θ1表示识别为未知雷达辐射源个体,θ0表示识别为已知雷达辐射源个体,各个不同的传感器对雷达辐射源信号进行识别,并得到各传感器对未知雷达辐射源个体的识别基本概率分配Mi:{mi(θ0),mi(θ1)},计算各个传感器节点所得到证据的Jousselme距离:
2)遍历所有传感器,得到证据距离矩阵:
其中,disjmn表示第m个传感器与第n个传感器所得证据之间的Jousselme距离,其代表所得证据间的冲突程度;
3)计算未知雷达辐射源个体识别系统的最终识别结果:
根据各分布式传感器所得证据间的冲突程度disjij可以推导出各传感器所得识别结果的信任度αij:
αij=1-disjij;
得第i个传感器的识别结果对第j个传感器的识别结果的可信度为:
对可信度归一化后,各传感器识别结果权重为:
则识别系统的识别结果修正为:
2.如权利要求1所述的未知雷达辐射源个体识别方法,其特征在于,对接收到的雷达辐射源信号进行模糊函数掩模特征提取具体包括:
1)对接收到的雷达辐射源信号x(t)进行魏格纳维利时频变换,其定义为:
2)雷达辐射源信号x(t)为有限点长N点序列,则相应的模糊函数及魏格纳维利时频变换矩阵关系为:Af(N×1)=Ψ(N×N)·WD(N×1),其中,Ψ为N×N傅里叶系数矩阵;
3)为了重建魏格纳维利时频变换,并保持高分辨率且抑制噪声的性能,对模糊函数进行稀疏化处理,将模糊函数图作为压缩感知中的模糊域,构建大小为M×N的量测矩阵Φ,得到尺度为M×1的掩模特征为:/>
3.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1~2任意一项所述的未知雷达辐射源个体识别方法,包括以下步骤:对接收到的雷达辐射源信号进行模糊函数掩模特征提取;将模糊函数掩模特征输入至深度稀疏自编码器进行深层特征提取并进行基于支持向量描述的集成异常检测器;将分布式未知雷达辐射源个体识别传感器的结果进行基于Jousselme证据距离的决策融合,最终得到未知雷达辐射源个体识别结果。
4.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1~2任意一项所述的未知雷达辐射源个体识别方法,包括以下步骤:对接收到的雷达辐射源信号进行模糊函数掩模特征提取;将模糊函数掩模特征输入至深度稀疏自编码器进行深层特征提取并进行基于支持向量描述的集成异常检测器;将分布式未知雷达辐射源个体识别传感器的结果进行基于Jousselme证据距离的决策融合,最终得到未知雷达辐射源个体识别结果。
5.一种运行权利要求1~2任意一项所述未知雷达辐射源个体识别方法的未知雷达辐射源个体识别系统,其特征在于,所述未知雷达辐射源个体识别系统包括:
未知雷达辐射源个体的智能表征模块,用于对雷达辐射源信号进行特征提取,提取其模糊函数掩膜特征;
基于稀疏自编码器的深层特征提取模块,用于对雷达辐射源信号模糊函数掩膜特征进行进一波深度特征提取,得到维度较小且具有较好表征能力的深度特征;
基于支持向量数据描述的识别模块,通过支持向量数据描述算法构造出子空间的球体,使得球体内部包含有最多的正类数据,球体外部包含有最多的负类数据,从而实现未知雷达辐射源个体识别;
基于Jousselme证据距离的决策融合模块,用于对每个分布式未知雷达辐射源个体识别传感器进行识别结果融合。
6.一种未知雷达辐射源个体识别终端,其特征在于,所述未知雷达辐射源个体识别终端安装有权利要求5所述的未知雷达辐射源个体识别系统。
7.一种雷达,其特征在于,所述雷达安装有权利要求5所述的未知雷达辐射源个体识别系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110541089.2A CN113791389B (zh) | 2021-05-18 | 2021-05-18 | 一种未知雷达辐射源个体识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110541089.2A CN113791389B (zh) | 2021-05-18 | 2021-05-18 | 一种未知雷达辐射源个体识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113791389A CN113791389A (zh) | 2021-12-14 |
CN113791389B true CN113791389B (zh) | 2024-03-12 |
Family
ID=79181242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110541089.2A Active CN113791389B (zh) | 2021-05-18 | 2021-05-18 | 一种未知雷达辐射源个体识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113791389B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116540190A (zh) * | 2023-07-06 | 2023-08-04 | 西安电子科技大学 | 一种端到端的自监督智能干扰抑制方法、装置及电子设备 |
CN117271969A (zh) * | 2023-09-28 | 2023-12-22 | 中国人民解放军国防科技大学 | 辐射源个体指纹特征在线学习方法、系统、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7193558B1 (en) * | 2003-09-03 | 2007-03-20 | The United States Of America As Represented By The Secretary Of The Navy | Radar processor system and method |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8081209B2 (en) * | 2008-06-26 | 2011-12-20 | Toyota Motor Engineering & Manufacturing North America, Inc. | Method and system of sparse code based object classification with sensor fusion |
US9978392B2 (en) * | 2016-09-09 | 2018-05-22 | Tata Consultancy Services Limited | Noisy signal identification from non-stationary audio signals |
-
2021
- 2021-05-18 CN CN202110541089.2A patent/CN113791389B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7193558B1 (en) * | 2003-09-03 | 2007-03-20 | The United States Of America As Represented By The Secretary Of The Navy | Radar processor system and method |
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 |
Non-Patent Citations (2)
Title |
---|
"2-D DOA Robust Estimation of Echo Signals Based on Multiple Satellites Passive Radar in the Presence of Alpha Stable Distribution Noise";MINGQIAN LIU et al.;《IEEE Access》(第7期);全文 * |
"一种基于样本熵的雷达辐射源信号分选";徐赛等;《电子世界》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113791389A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401307B (zh) | 基于深度度量学习的卫星遥感图像目标关联方法和装置 | |
CN113791389B (zh) | 一种未知雷达辐射源个体识别方法及系统 | |
CN111913156B (zh) | 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 | |
Zhang et al. | Multilayer probability extreme learning machine for device-free localization | |
CN104330721A (zh) | 集成电路硬件木马检测方法和系统 | |
Pan et al. | Learning to correct climate projection biases | |
CN112036239B (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
Cai et al. | Anomaly detection of earthquake precursor data using long short-term memory networks | |
CN111695473B (zh) | 基于长短时记忆网络模型的热带气旋强度客观监测方法 | |
Hong-hai et al. | Radar emitter multi-label recognition based on residual network | |
CN107832778A (zh) | 一种基于空间综合相似度的相同目标识别方法 | |
Karn et al. | Learning without forgetting: A new framework for network cyber security threat detection | |
Sun et al. | Radar emitter individual identification based on convolutional neural network learning | |
CN113567975B (zh) | 基于涡旋电磁波模态扫描的人体快速安检方法 | |
CN112327286B (zh) | 低复杂度下日常活动分类方法、装置、设备及存储介质 | |
Zou et al. | Cross-scene target detection based on feature adaptation and uncertainty-aware pseudo-label learning for high resolution SAR images | |
Liao et al. | A novel classification and identification scheme of emitter signals based on ward’s clustering and probabilistic neural networks with correlation analysis | |
CN116109907B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN116628612A (zh) | 一种无监督异常检测方法、装置、介质及设备 | |
Zong et al. | Application of artificial fish swarm optimization semi-supervised kernel fuzzy clustering algorithm in network intrusion | |
Perďoch et al. | An improved radar clutter suppression by simple neural network | |
Wang et al. | Automatic jamming modulation classification exploiting convolutional neural network for cognitive radar | |
Wu et al. | Network Construction for Bearing Fault Diagnosis Based on Double Attention Mechanism | |
Jiang et al. | Classification and model reconstruction method of non‐cooperative multifunctional radar waveform unit | |
Xu et al. | Adaptive Clustering‐Based Marine Radar Sea Clutter Normalization |
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 |