CN113962260A - 一种基于去噪深度残差网络的雷达信号智能分选方法 - Google Patents
一种基于去噪深度残差网络的雷达信号智能分选方法 Download PDFInfo
- Publication number
- CN113962260A CN113962260A CN202111225783.XA CN202111225783A CN113962260A CN 113962260 A CN113962260 A CN 113962260A CN 202111225783 A CN202111225783 A CN 202111225783A CN 113962260 A CN113962260 A CN 113962260A
- Authority
- CN
- China
- Prior art keywords
- signals
- radar signal
- network
- signal
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 5
- 238000004519 manufacturing process Methods 0.000 claims abstract description 3
- 238000011176 pooling Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 14
- 230000009467 reduction Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 235000004257 Cordia myxa Nutrition 0.000 description 1
- 244000157795 Cordia myxa Species 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于去噪深度残差网络的雷达信号智能分选方法，所述方法包括以下步骤：使用仿真雷达数据集作为训练数据集，并根据训练数据集制作带噪声的雷达信号数据集；以深度自编码器为基础搭建雷达信号去噪网络，并用步骤S1制作的带噪声的雷达信号数据集训练雷达信号去噪网络；以卷积神经网络和残差网络为基础搭建雷达信号分类网络，并用步骤S1中的训练数据集对雷达信号分类网络进行训练；获取待分类的雷达信号，利用训练后的雷达信号去噪网络对待分类的雷达信号进行去噪，然后利用训练后的雷达信号分类网络对去噪后的数据进行分类，得到雷达信号分类结果。本发明有效地提升了雷达信号识别分选的精度。
Description
技术领域
本发明属于雷达电子对抗技术和人工智能技术领域，特别是涉及一种基于去噪深度残差网络的雷达信号智能分选方法。
背景技术
雷达是一种通过电磁波来探测物体间相对距离等特性的电子仪器。侦察和干扰是雷达的两个重要功能，其中雷达侦察任务根据实际情况又可分为：情报侦察、支援侦察、雷达告警、引导干扰等。雷达信号调制分类和参数的识别是侦察的重要功能，是雷达探测侦查信号分析处理的主要内容之一。建立在分类的基础上，仪器设备才能对不同的雷达调制信号的类型和性质进行解析，因而不同信号的分类识别是雷达军事对抗中的一个关键技术。目前信号分选的能力已成为雷达侦察系统在现代军事领域内的重要标志。在深度学习引入雷达领域之前，雷达信号调制识别技术是根据信号的各种特征参数，如高阶矩等雷达参数，计算分析比较不同的调制类型的特点，然后进行信号的分类。这种方法实现起来较为复杂，雷达专业知识掌握较高才能实施。深度学习在各个领域深入，通过计算机模仿完成人类的学习方式，能够最终取代人类的思维模式。如何有效的结合深度学习，使其能够具有雷达信号识别功能，是雷达具备人工智能的有效途径，也是目前雷达信号分选的重点研究内容之一。
发明内容
为实现上述目的，本发明提供一种基于去噪深度残差网络的雷达信号智能分选方法。
一种基于去噪深度残差网络的雷达信号智能分选方法，包括以下步骤：
步骤S1：使用仿真雷达数据集作为训练数据集，并根据所述训练数据集制作带噪声的雷达信号数据集；
步骤S2：以深度自编码器为基础搭建雷达信号去噪网络，并用步骤S1制作的带噪声的雷达信号数据集训练所述雷达信号去噪网络；
步骤S3：以卷积神经网络和残差网络为基础搭建雷达信号分类网络，并用步骤S1中的训练数据集对所述雷达信号分类网络进行训练；
步骤S4：获取待分类的雷达信号，利用训练后的雷达信号去噪网络对待分类的雷达信号进行去噪，然后利用训练后的雷达信号分类网络对去噪后的数据进行分类，得到雷达信号分类结果。
本发明具有以下有益效果：
本发明所提出的一种基于去躁深度残差网络的雷达信号智能分选方法，将深度自编码器与神经网络相结合，首先采用训练好的雷达信号去躁网络对待分类的雷达信号进行降噪处理，降低噪声对分类结果的影响，然后再利用训练好的雷达信号分类网络对去躁后的数据进行分类，可以有效地提升雷达信号识别分选的精度。
附图说明
图1是本发明一种基于去噪深度残差网络的雷达信号智能分选方法的流程图；
图2是本发明一种基于去噪深度残差网络的雷达信号智能分选方法中雷达信号去噪网络的结构图；
图3是本发明一种基于去噪深度残差网络的雷达信号智能分选方法中雷达信号去噪网络的训练过程示意图；
图4是本发明一种基于去噪深度残差网络的雷达信号智能分选方法中雷达信号分类网络的结构图；
图5是本发明一种基于去噪深度残差网络的雷达信号智能分选方法中残差栈的示意图；
图6是本发明一种基于去噪深度残差网络的雷达信号智能分选方法中残差单元的示意图；
图7(a)～图7(b)是本发明一种基于去噪深度残差网络的雷达信号智能分选方法中信噪比为30dB的8PSK信号添加噪声前IQ图和添加噪声后IQ图；
图8(a)～图8(b)是本发明一种基于去噪深度残差网络的雷达信号智能分选方法中信噪比为-2dB的OOK信号降噪前IQ图和降噪后IQ图；
图9是本发明一种基于去噪深度残差网络的雷达信号智能分选方法中全部信噪比的OOK信号的分类准确率结果图；
图10(a)～图10(d)是本发明一种基于去噪深度残差网络的雷达信号智能分选方法中信噪比为30dB、22dB、16dB、10dB调制信号的分类混淆矩阵；
图11(a)～图11(d)是本发明一种基于去噪深度残差网络的雷达信号智能分选方法中信噪比为8dB、6dB、4dB、2dB调制信号的分类混淆矩阵；
图12(a)～图12(d)是本发明一种基于去噪深度残差网络的雷达信号智能分选方法中信噪比为0dB、-2dB、-4dB、-8dB调制信号的分类混淆矩阵；
图13是本发明一种基于去噪深度残差网络的雷达信号智能分选方法中信噪比为-12dB的各类调制信号的分类混淆矩阵；
图14是本发明一种基于去噪深度残差网络的雷达信号智能分选方法中降噪前与降噪后全部信噪比的训练集和测试集的分类准确率对比结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
如图1所示，本发明提供一种基于去噪深度残差网络的雷达信号智能分选方法,该方法具体包括如下步骤：
步骤S1：使用仿真雷达数据集作为训练数据集，并根据训练数据集制作带噪声的雷达信号数据集。
本发明中的仿真雷达数据集包括24种不同调制类型的信号，分别为OOK信号、4ASK信号、8ASK信号、BPSK信号、QPSK信号、8PSK信号、16PSK信号、32PSK信号、16APSK信号、32APSK信号、64APSK信号、128APSK信号、16QAM信号、32QAM信号、64QAM信号、128QAM信号、256QAM信号、AM-SSB-WC信号、AM-SSB-SC信号、AM-DSB-WC信号、AM-DSB-SC信号、FM信号、GMSK信号和OQPSK信号，每种信号类型下共有26种信噪比，例如从-20dB到30dB，每种调制类型的单信噪比样本数为3000个，并且数据集内的雷达信号存储形式为IQ两路信号，单样本长度为1024点，样本维数为1024×2。
以训练数据集为基础，制作带噪声的雷达信号数据集，该过程包括以下步骤：
步骤S11：选取训练数据集中每种调制类型下最高信噪比的信号作为纯净信号；
步骤S12：将每种纯净信号的原始长度为1024的单样本信号分割为8段长度为128的信号；
步骤S13：对全部长度为128的信号添加不同程度的高斯白噪声，得到带噪声的雷达信号数据集。
例如，将每种调制类型下信噪比为30dB的信号当作纯净信号，首先将1024×2大小的单样本信号分割成8段，每段的大小为128×2，然后添加高斯白噪声。高斯白噪声能模拟自然界的随机噪声，其幅度分布服从高斯分布，功率谱密度服从均匀分布，将高斯分布的均值μ设置为0，标准差σ设置为从0.1到0.7，间隔为0.1的7个值，这样每一段信号获得对应的7个带高斯白噪声的信号。
对于每一个输入纯净样本Pin，将噪声数据F乘以k与原始信号数据相加可得叠加噪声后的数据，得到具有高斯白噪声的样本输出Pout：
Pout＝Pin+F(μ,σ)*k
其中，
Ps是Pin的功率，Pn是生成噪声的功率，SNR是信噪比。
步骤S2：以深度自编码器为基础搭建雷达信号去噪网络，并用步骤S1制作的带噪声的雷达信号数据集训练雷达信号去噪网络。雷达信号去噪网络的结构如图2所示，参数如表1所示，它采用二维卷积，在卷积核的维度顺序上有变动，与常见的深度学习框架一样。雷达信号去噪网络为包括七层卷积层的深度自编码器网络，深度自编码器网络包括编码器、解码器以及设置在编码器和解码器之间能提取特征的最小隐含层，最小隐含层的维度为256×16×1；编码器包括三个卷积层，每一个卷积层后有一个最大池化层，编码器的三个卷积层的维度依次为32×128×2、128×64×1、256×32×1，最大池化层的维度依次为32×64×1、128×32×1、256×16×1；解码器也包括三个卷积层，每一个卷积层前有一个上采样操作，解码器的三个卷积层的维度依次为128×32×1、32×64×1、1×128×2，上采样操作的维度依次为256×32×1、128×64×1、32×128×2。雷达信号去噪网络通过学习信号编码解码之间的规律，将信号中的一部分高斯白噪声舍弃，只提取对网络有用的信息，达到降噪的目的。
表1雷达信号去噪网络的结构参数
表1中，Conv2D表示二维卷积，SeLU表示激活函数，Maxpool2D表示最大池化，Up_sampling2D表示上采样。
雷达信号去噪网络的训练过程如图3所示，图中，L(x,z)为损失函数，h为特征表达，z为还原后的特征表达，x为输入数据样本，
为输入数据样本x对应的损坏样本，g(h)为解码器的表示，
为自编码器的表示，
表示加入噪声之后的条件分布，用来表示输入数据样本x得到损坏样本
的概率。自编码器训练数据对
来得到重构分布
其过程如下：
(1)从训练数据里面随机选取一个样本；
(2)从
中选取对应的损坏样本
(3)将
作为训练样本，用来估计自编码器的重构分布
其中h是特征表达即自编码器
的输出，Pdecoder根据解码器g(h)来定义。
解码函数将特征表达h映射还原为z，最后重构误差由损失函数L(x,z)来表示：
式中D＝(x1,x2,x3,...xi...xm)为N个无标签的训练；J(x,z)是均方函数，
表示l层的权值；sl为第l层的神经单元数目；λ表示权值的衰减因子，用于减少权值的幅度，以免发生过拟合的情况。
本发明使用基于随机梯度下降的反向传播算法(简称为随机梯度下降算法)对雷达信号去躁网络进行训练，并使用Adam优化器优化训练过程。随机梯度下降算法流程如表2所示。
表2随机梯度下降算法过程
步骤S3：以卷积神经网络和残差网络为基础搭建雷达信号分类网络，并用步骤S1中的训练数据集对雷达信号分类网络进行训练。
将雷达正交信号当作图片进行处理，把单样本的IQ正交信号数据当作“图片”，样本数据的大小为1024×2×1，将深度学习在图像中的分类应用部署在雷达调制信号分类上。以卷积神经网络和残差网络为基础搭建雷达信号分类网络，雷达信号分类网络的输入维度为1024×2，网络结构如图4所示，参数如表3所示。雷达信号分类网络包括输入层、6个残差栈、Flatten层、两个全连接层和softmax层，每个残差栈包括一个卷积层、两个残差单元和一个最大池化层，每个残差单元包括一个卷积核大小为1×1的卷积层。本发明在网络中引入了残差栈和残差单元，其结构分别如图5和图6所示。每个残差栈包含一个卷积层、两个残差单元和一个最大池化层。每个残差单元则包括一个卷积核大小为1×1的卷积层，用于在通道数上做计算。整个神经网络模型包含6个残差栈，每经过一个残差栈数据的维度减半。在模型的所有卷积层计算中，卷积核的数量都为32。
6个残差栈将雷达信号特征初步提取出来，再使用Flatten层(即全连接层)将输入的多维度特征“压平”，使多维的雷达信号数据成为一维的特征层，方便在卷积层和全连接层计算中过渡。接着数据通过两个全连接层(FC1、EC2)，将前面通过多次卷积计算后的抽象化的雷达信号数据特征进行一系列的整合和降维。全连接层通过ReLU激活函数后都进行了概率为0.5的dropout操作。接着对输入的特征进行归一化，对24种调制类型的分类情况都输出一个概率值，最后一层softmax的分类器根据概率值进行最后的分类。
表3雷达信号分类网络的结构参数
步骤S4、获取待分类的雷达信号，利用步骤S2训练后的雷达信号去噪网络对待分类的雷达信号进行去噪，然后利用步骤S3训练后的雷达信号分类网络对去噪后的数据进行分类，最终得到雷达信号分类结果。
深度学习能高效地处理具有复杂规律和构造的数据，在雷达信号数据处理的方面上，首先将雷达信号数据输入到多层的神经网络中进行每一层地预训练计算和特征学习，在多次迭代计算后将关系映射到有用的数据解释中去，然后在最后一层神经网络进行分类。与根据参数来估计雷达调制信号方法相比，使用深度学习方法能够具有自动提取雷达信号的深层特征、准确分类识别等优势。
本发明所提出的一种基于去躁深度残差网络的雷达信号智能分选方法，将深度自编码器与神经网络相结合，首先采用训练好的雷达信号去躁网络对待分类的雷达信号进行降噪处理，降低噪声对分类结果的影响，然后再利用训练好的雷达信号分类网络对去躁后的数据进行分类，可以有效地提升雷达信号识别分选的精度。
为进一步说明本发明的技术效果，接下来通过实验来展示本发明对于雷达调制信号识别的性能。
实验一添加高斯噪声实验
以sigma为0.1，信噪比为30dB的8PSK单样本信号为例，图7给出了添加高斯噪声的IQ两路信号值绘制出的图像，其中图7(a)为添加噪声前IQ图，图7(b)为添加噪声后的IQ，通过观察可以看出信号连续值之间的波动变大了。
实验二去噪网络降噪实验
如图8所示为信噪比为-2dB的OOK信号降噪前IQ图(a)和降噪后IQ图(b)，由图8可以看出，降噪处理后，IQ两路信号的数值发生了明显的变化，噪声明显降低。
实验三分类网络分类实验
如图9所示为全部信噪比的OOK信号的训练集与测试集分类准确率结果图，由图9可知，雷达信号分类网络在高信噪比的数据集上的分类准确率最高可达97.3％，分类准确率与信噪比的关系如图9。分类结果离分类任务还有一定距离：信噪比大于8dB的部分，分类正确率大于95％；信噪比低于8dB的信号，分类正确率开始呈现骤降趋势。信噪比低于-10dB的信号，几乎都是噪声信号，分辨率甚至有低于5％的情况，说明网络完全不能识别此信噪比下的信号。
对于每种调制信号在各个类别上的分类状况，可以采用混淆矩阵的方式展示出来，从而观察雷达信号分类网络在各个类别上的表现。使用混淆矩阵可以方便地观察到哪些类别不容易分类出来，比如某一类别中有多少比例的数据被划分到其他类别中，使得观察起来更有区分性、更直观。在这里总共有26种信噪比的分类情况和混淆矩阵图不能一次性展示，选取其中具有代表性的信噪比30dB，22dB，16dB，10dB，8dB，6dB，4dB，2dB，0dB，-2dB，-4dB，-8dB和-16dB下的分类结果进行比较分析。
信噪比为30dB的各类调制信号分类情况混淆矩阵如图10(a)所示，其中第14种(64QAM)、第15种(128QAM)和第16种(256QAM)调制信号在分类时有混淆错误预测的情况，第17种(AM-SSB-WC)和第18种(AM-SSB-SC)调制信号在分类时有混淆预测错误，第19种(AM-DSB-WC)和第18种(AM-DSB-SC)调制信号在分类时有混淆预测错误。随着信噪比的降低，从图10(b)所示22dB的分类混淆矩阵、图10(c)所示16dB的分类混淆矩阵、图10(d)所示10dB的分类混淆矩阵可以看出，位于中间标签部分的信号出现分类混淆的情况逐渐增加。
信噪比为8dB的各类调制信号分类情况混淆矩阵如图11(a)所示，其中第6种(16PSK)和第7种(32PSK)调制信号分类出现混淆的预测错误，第14种(64QAM)、第15种(128QAM)和第16种(256QAM)调制信号在分类时有混淆错误预测的情况，第17种(AM-SSB-WC)和第18种(AM-SSB-SC)调制信号在分类时有混淆预测错误，第19种(AM-DSB-WC)和第18种(AM-DSB-SC)调制信号在分类时有混淆预测错误。除第6、7种调制信号出现混淆分类，其余调制信号与信噪比为30dB的分类情况一样。说明信噪比高于8dB的信号都能有良好的分类准确率。随着信噪比的降低，从图11(b)所示6dB的分类混淆矩阵、图11(c)所示4dB的分类混淆矩阵、图所示11(d)2dB的分类混淆矩阵可以看出，位于中间标签部分的信号出现分类混淆的情况逐渐增加。
信噪比为0dB的各类调制信号分类情况混淆矩阵如图12所示，大部分调制信号不能分类识别出来，只有部分信号如FM、GMSK、OOK、BPSK和OQPSK信号能够识别。0dB到-8dB之间的信号的分辨准确率随着信噪比的降低而逐渐降低。信噪比于-6dB的信号只能识别出FM、OOK和BPSK等部分信号，而且效果并不理想。
图13展示了-12dB信噪比情况下的各类调制信号的分类混淆矩阵，实验结果表明几乎不能分辨，并且随着信噪比的下降，分类器模型的准确率甚至低于百分之五，说明分类器完全不能识别。
实验四降噪前后分类效果对比实验
利用训练后的雷达信号去噪网络处理信噪比低于30dB的数据集(包括随机划分的训练集和测试集)后，将24种降噪后的信号数据放入训练后的雷达信号分类网络中进行分类测试，得到的最终分类结果如图14所示。
当信噪比较高和信噪比很低时，模型的降噪效果并不理想。在信噪比低于-6dB后，分类准确率和没有进行降噪的信号分类比较起来，准确率都在5％左右，相当于完全分辨不出来，降噪没有效果。信噪比在-4dB、-2dB、0dB、2dB、4dB、6dB时，测试集上的分辨准确率分别提升了4.93％、7.22％、10.01％、13.94％、9.00％、5.08％。在信噪比高于8dB或低于-6dB时，分类准确率的差距很小，说明降噪模型对这部分的有噪声数据集的去噪效果有限。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于去噪深度残差网络的雷达信号智能分选方法，其特征在于，包括以下步骤：
步骤S1：使用仿真雷达数据集作为训练数据集，并根据所述训练数据集制作带噪声的雷达信号数据集；
步骤S2：以深度自编码器为基础搭建雷达信号去噪网络，并用步骤S1制作的带噪声的雷达信号数据集训练所述雷达信号去噪网络；
步骤S3：以卷积神经网络和残差网络为基础搭建雷达信号分类网络，并用步骤S1中的训练数据集对所述雷达信号分类网络进行训练；
步骤S4：获取待分类的雷达信号，利用训练后的雷达信号去噪网络对待分类的雷达信号进行去噪，然后利用训练后的雷达信号分类网络对去噪后的数据进行分类，得到雷达信号分类结果。
2.根据权利要求1所述的一种基于去噪深度残差网络的雷达信号智能分选方法，其特征在于，所述仿真雷达数据集包括24种不同调制类型的信号，每种信号类型下共有26种信噪比，每种调制类型的单信噪比样本数为3000个，且数据集内的雷达信号存储形式为IQ两路信号，单样本长度为1024点，样本维数为1024×2。
3.根据权利要求2所述的一种基于去噪深度残差网络的雷达信号智能分选方法，其特征在于，根据所述训练数据集制作带噪声的雷达信号数据集的过程包括以下步骤：
步骤S11：选取所述训练数据集中每种调制类型下最高信噪比的信号作为纯净信号；
步骤S12：将每种纯净信号的原始长度为1024的单样本信号分割为8段长度为128的信号；
步骤S13：对全部长度为128的信号添加不同程度的高斯白噪声，得到带噪声的雷达信号数据集。
4.根据权利要求2所述的一种基于去噪深度残差网络的雷达信号智能分选方法，其特征在于，24种不同调制类型的信号包括OOK信号、4ASK信号、8ASK信号、BPSK信号、QPSK信号、8PSK信号、16PSK信号、32PSK信号、16APSK信号、32APSK信号、64APSK信号、128APSK信号、16QAM信号、32QAM信号、64QAM信号、128QAM信号、256QAM信号、AM-SSB-WC信号、AM-SSB-SC信号、AM-DSB-WC信号、AM-DSB-SC信号、FM信号、GMSK信号和OQPSK信号。
5.根据权利要求1所述的一种基于去噪深度残差网络的雷达信号智能分选方法，其特征在于，所述雷达信号去噪网络为包括七层卷积层的深度自编码器网络，所述深度自编码器网络包括编码器、解码器以及设置在编码器和解码器之间能提取特征的最小隐含层，最小隐含层的维度为256×16×1；编码器包括三个卷积层，每一个卷积层后有一个最大池化层，编码器的三个卷积层的维度依次为32×128×2、128×64×1、256×32×1，最大池化层的维度依次为32×64×1、128×32×1、256×16×1；解码器也包括三个卷积层，每一个卷积层前有一个上采样操作，解码器的三个卷积层的维度依次为128×32×1、32×64×1、1×128×2，上采样操作的维度依次为256×32×1、128×64×1、32×128×2。
6.根据权利要求5所述的一种基于去噪深度残差网络的雷达信号智能分选方法，其特征在于，使用基于随机梯度下降的反向传播算法对所述雷达信号去躁网络进行训练，并使用Adam优化器优化训练过程。
7.根据权利要求1所述的一种基于去噪深度残差网络的雷达信号智能分选方法，其特征在于，所述雷达信号分类网络包括输入层、6个残差栈、Flatten层、两个全连接层和softmax层，每个所述残差栈包括一个卷积层、两个残差单元和一个最大池化层，每个所述残差单元包括一个卷积核大小为1×1的卷积层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111225783.XA CN113962260A (zh) | 2021-10-21 | 2021-10-21 | 一种基于去噪深度残差网络的雷达信号智能分选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111225783.XA CN113962260A (zh) | 2021-10-21 | 2021-10-21 | 一种基于去噪深度残差网络的雷达信号智能分选方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113962260A true CN113962260A (zh) | 2022-01-21 |
Family
ID=79465832
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111225783.XA Pending CN113962260A (zh) | 2021-10-21 | 2021-10-21 | 一种基于去噪深度残差网络的雷达信号智能分选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113962260A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115994303A (zh) * | 2023-03-24 | 2023-04-21 | 中国人民解放军军事科学院国防科技创新研究院 | 一种残差神经网络模型及其信号调制识别方法 |
| CN116430347A (zh) * | 2023-06-13 | 2023-07-14 | 成都实时技术股份有限公司 | 一种雷达数据采集与存储方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110166387A (zh) * | 2019-05-22 | 2019-08-23 | 中国电力科学研究院有限公司 | 一种基于卷积神经网络识别信号调制方式的方法及系统 |
| CN110532932A (zh) * | 2019-08-26 | 2019-12-03 | 哈尔滨工程大学 | 一种多分量雷达信号脉内调制方式识别方法 |
| CN112464837A (zh) * | 2020-12-03 | 2021-03-09 | 中国人民解放军战略支援部队信息工程大学 | 基于小数据样本的浅海水声通信信号调制识别方法及系统 |
| CN112910811A (zh) * | 2021-02-18 | 2021-06-04 | 北京交通大学 | 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置 |
| CN113094993A (zh) * | 2021-04-12 | 2021-07-09 | 电子科技大学 | 基于自编码神经网络的调制信号去噪方法 |
| CN113343801A (zh) * | 2021-05-26 | 2021-09-03 | 郑州大学 | 基于轻量化卷积神经网络的无线信号自动调制识别方法 |
-
2021
- 2021-10-21 CN CN202111225783.XA patent/CN113962260A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110166387A (zh) * | 2019-05-22 | 2019-08-23 | 中国电力科学研究院有限公司 | 一种基于卷积神经网络识别信号调制方式的方法及系统 |
| CN110532932A (zh) * | 2019-08-26 | 2019-12-03 | 哈尔滨工程大学 | 一种多分量雷达信号脉内调制方式识别方法 |
| CN112464837A (zh) * | 2020-12-03 | 2021-03-09 | 中国人民解放军战略支援部队信息工程大学 | 基于小数据样本的浅海水声通信信号调制识别方法及系统 |
| CN112910811A (zh) * | 2021-02-18 | 2021-06-04 | 北京交通大学 | 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置 |
| CN113094993A (zh) * | 2021-04-12 | 2021-07-09 | 电子科技大学 | 基于自编码神经网络的调制信号去噪方法 |
| CN113343801A (zh) * | 2021-05-26 | 2021-09-03 | 郑州大学 | 基于轻量化卷积神经网络的无线信号自动调制识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| CHONG LIN 等: "A Real-Time Modulation Recognition System Based on Software-Defined Radio and Multi-Skip Residual Neural Network", 《IEEE》, 21 December 2020 (2020-12-21), pages 221235 - 221243 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115994303A (zh) * | 2023-03-24 | 2023-04-21 | 中国人民解放军军事科学院国防科技创新研究院 | 一种残差神经网络模型及其信号调制识别方法 |
| CN116430347A (zh) * | 2023-06-13 | 2023-07-14 | 成都实时技术股份有限公司 | 一种雷达数据采集与存储方法 |
| CN116430347B (zh) * | 2023-06-13 | 2023-08-22 | 成都实时技术股份有限公司 | 一种雷达数据采集与存储方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109597043B (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
| CN109471074B (zh) | 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 | |
| CN113094993B (zh) | 基于自编码神经网络的调制信号去噪方法 | |
| CN113962260A (zh) | 一种基于去噪深度残差网络的雷达信号智能分选方法 | |
| CN110532932B (zh) | 一种多分量雷达信号脉内调制方式识别方法 | |
| CN110109060A (zh) | 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 | |
| CN109948692B (zh) | 基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法 | |
| CN111582320A (zh) | 一种基于半监督学习的动态个体识别方法 | |
| CN112364729A (zh) | 基于特征参数与bp神经网络的调制识别方法 | |
| CN113156376B (zh) | 基于sacnn的雷达辐射源信号识别方法 | |
| CN112842348B (zh) | 一种基于特征提取与深度学习的心电信号自动分类方法 | |
| Yang et al. | One-dimensional deep attention convolution network (ODACN) for signals classification | |
| CN114157539B (zh) | 一种数据知识双驱动的调制智能识别方法 | |
| CN111507047B (zh) | 一种基于SP-CUnet的逆散射成像方法 | |
| CN114636975A (zh) | 基于谱图融合和注意力机制的lpi雷达信号识别方法 | |
| CN113673312B (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
| CN114239657A (zh) | 一种基于复值干涉神经网络的时序信号识别方法 | |
| CN115982613A (zh) | 一种基于改进卷积神经网络的信号调制识别系统及方法 | |
| CN111415323A (zh) | 图像的检测方法及装置，神经网络的训练方法及装置 | |
| CN113076925B (zh) | 基于cnn和elm的m-qam信号调制模式识别方法 | |
| CN114282576A (zh) | 基于时频分析及去噪的雷达信号调制格式识别方法及装置 | |
| CN110826425A (zh) | 一种基于深度神经网络的vhf/uhf频段无线电信号调制方式识别方法 | |
| CN114520758A (zh) | 一种基于瞬时特征的信号调制识别方法 | |
| CN113902095A (zh) | 一种无线通信自动调制识别方法、装置与系统 | |
| CN113569773A (zh) | 基于知识图谱和Softmax回归的干扰信号识别方法 |
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 |