CN114358050A - 一种基于双三次插值和wvd特征方阵的雷达辐射源智能识别方法 - Google Patents
一种基于双三次插值和wvd特征方阵的雷达辐射源智能识别方法 Download PDFInfo
- Publication number
- CN114358050A CN114358050A CN202111513042.1A CN202111513042A CN114358050A CN 114358050 A CN114358050 A CN 114358050A CN 202111513042 A CN202111513042 A CN 202111513042A CN 114358050 A CN114358050 A CN 114358050A
- Authority
- CN
- China
- Prior art keywords
- wvd
- matrix
- radiation source
- characteristic
- square matrix
- 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.)
- Granted
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 147
- 230000005855 radiation Effects 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000012795 verification Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 abstract 1
- 238000013527 convolutional neural network Methods 0.000 description 43
- 230000008569 process Effects 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 16
- 238000012360 testing method Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 8
- 230000009466 transformation Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种基于双三次插值和WVD特征方阵的雷达辐射源智能识别方法,计算雷达辐射源信号的WVD,取矩阵模值后得到原始特征矩阵;利用双三次插值法处理原始特征矩阵,归一化处理后得到WVD特征方阵;综合WVD特征方阵和标签,构建WVD特征方阵数据集,随机抽取训练集和验证集,完成CNN模型训练;对截获雷达辐射源信号进行预处理,形成待识别辐射源的WVD特征方阵;利用训练好的CNN模型对待识别辐射源的WVD特征方阵进行辨识,确定雷达辐射源的类别。本发明能有效识别该类辐射源,满足电磁战领域的实际需求。
Description
技术领域
本发明涉及电磁对抗技术,具体涉及一种基于双三次插值和WVD特征方阵的雷达辐射源智能识别方法。
背景技术
在电磁战领域,雷达辐射源识别(Radar Emitter Identification,REI)对掌握敌方雷达的功能类别、工作模式、力量部署以及威胁等级都有着不可替代的作用。随着复杂体制雷达在实际战场中的应用,基于传统特征的REI方法渐渐地不能满足新的军事任务需求,电磁战领域亟需更具一般性、普适性以及泛化性的雷达信号特征提取方法。雷达辐射源的主要区别往往直接体现在脉内调制信息的差异上,也就是说电磁战部队要提高REI的侦察水平,就必须要提高针对脉内调制类别的侦察识别能力,特别需要解决的是信号特征提取的问题。
早期的雷达工作状态单一、信号模式简单,选用脉冲描述字(Pulse DescriptionWord,PDW)作为特征能满足REI的电磁对抗任务需求。PDW主要包括脉冲到达时间、脉冲到达角、信号载频、脉冲宽度、脉冲幅度和脉内调制参数。电磁战中,为了提高己方雷达作战性能以及削弱敌方对雷达侦察的干扰,雷达信号模式也逐渐从单一载频向复杂调频和调相方向发展。此时,各雷达辐射源的PDW作为特征难以再达到区分识别的效果,因此针对脉内调制的REI技术开始逐渐成为国内外学者的研究重点。
深度学习技术在计算机视觉领域取得的巨大成就,加快了电磁战的智能化进程,尤其以辐射源识别技术的智能化为经典代表。在基于雷达信号脉内调制的REI技术智能化过程中,为加快深度神经网络(Deep Neural Networks,DNN)训练速度,可适当降低信号维度或者凸显其本质特征,否则网络模型将难以训练或者训练时间较长不适宜实际作战需求。在截获雷达信号后,对一维时序信号进行特征变换,信号变换后的特征作为原始数据训练DNN,当再次截获辐射源信号时即可用DNN模型进行智能识别。近年来,一维时序信号特征变换被广泛应用于辐射源识别领域,特征变换的方式主要有短时傅里叶变换(Short TimeFourier Transform,STFT)、小波变换(Wavelet Transform,WT)、WVD、希尔伯特-黄变换(Hilbert Huang Transform,HHT)以及崔-威廉姆斯分布(Choi-Williams Distribution,CWD)等等。然而,雷达脉内信号经过特征变换得到的特征矩阵往往不是方阵,这阻碍了信号特征变换与DNN的有机结合,也使得各特征变换的特征提取效果难以进行比较,最终影响着半监督条件下甚至是无监督条件下REI的进一步发展。
总之,电磁战领域的雷达辐射源识别存在传统特征难以提取的问题、信号变换后的矩阵难以有效和CNN模型结合的问题以及CNN模型的训练过程可以进一步优化的问题。
发明内容
本发明的目的在于提供一种基于双三次插值和WVD特征方阵的雷达辐射源智能识别方法。
实现本发明目的的技术解决方案为:一种基于双三次插值和WVD特征方阵的雷达辐射源智能识别方法,包括以下阶段:
阶段1,求雷达辐射源信号的WVD,取矩阵模值后得到原始特征矩阵;
阶段2,利用双三次插值法处理原始特征矩阵,归一化处理后得到WVD特征方阵;
阶段3,综合WVD特征方阵和标签,构建WVD特征方阵数据集,随机抽取训练集和验证集,完成CNN模型训练;
阶段4,对截获雷达辐射源信号进行预处理,形成待识别辐射源的WVD特征方阵;
阶段5,利用训练好的CNN模型对待识别辐射源的WVD特征方阵进行辨识,输出雷达辐射源的类别。
进一步的,阶段1,计算雷达辐射源信号的WVD,取矩阵模值后得到原始特征矩阵,其中WVD具体计算公式如下:
其中,x(t)代表雷达辐射源信号,τ代表时移变量,ω代表WVD变换后的频率因子。
进一步的,阶段2,利用双三次插值法处理原始特征矩阵,归一化处理后得到WVD特征方阵,具体步骤如下:
1)根据采集的一维雷达信号的维度确定缩放因子K,假设截获原始雷达信号尺度为(1,k),那么阶段1中原始特征矩阵维度为(k,2k),缩放因子K=(k/m,2k/m),待求坐标(X,Y)对应到原始特征矩阵位置的坐标为(x,y)=(X/K,Y/K),其中m代表待训练CNN模型的输入尺寸;
2)取原始特征矩阵位置的坐标(x,y)最近16个坐标点(xi,yj),其中i,j∈{0,1,2,3};
3)计算待求WVD特征方阵的任意坐标(X,Y)对应的矩阵值,计算公式如式2所示;
其中,(x,y)为阶段1中求得的(x,y),(xi,yj)为阶段2第2)步中所求16个坐标点,函数f代表坐标点(xi,yj)对应的矩阵值,W(l)是bicubic函数如式3所示;
其中,l等于公式(2)中的x-xi,a为权重因子;
4)对f(X,Y)进行归一化处理,即得最终的WVD特征方阵。
进一步的,阶段3,综合WVD特征方阵和标签,构建WVD特征方阵数据集,随机抽取训练集和验证集,完成CNN模型训练,其中CNN模型具体如下:
在全连接层非线性激活之前进行BatchNormalization处理;
使用one-hot对标签进行编码。
一种基于双三次插值和WVD特征方阵的雷达辐射源智能识别系统,其特征在于,基于所述的基于双三次插值和WVD特征方阵的雷达辐射源智能识别方法,实现基于双三次插值和WVD特征方阵的雷达辐射源智能识别。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,基于所述的基于双三次插值和WVD特征方阵的雷达辐射源智能识别方法,实现基于双三次插值和WVD特征方阵的雷达辐射源智能识别。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于所述的基于双三次插值和WVD特征方阵的雷达辐射源智能识别方法,实现基于双三次插值和WVD特征方阵的雷达辐射源智能识别。
本发明与现有技术相比,其显著优点为:1)在雷达辐射源信号预处理阶段,采用双三次插值法将信号WVD原始特征矩阵变换为WVD特征方阵,避免了矩阵经裁剪或补零转换为方阵的特征损失;2)在雷达辐射源数据集制作阶段,采用WVD特征方阵直接作为数据集,而不是用特征方阵对应的图像作为数据集,避免了图像存取过程中分辨率的下降;3)在CNN模型训练阶段,利用验证集实时评估CNN模型并保存性能最优的网络模型,另外CNN模型中利用BatchNormalization和one-hot标签编码技术提高模型性能;4)选择WVD特征方阵作为信号预处理手段,在低SNR条件下该特征方阵的特征提取效果优良,无论在低SNR条件下还是在样本数目较少的条件下,基于双三次插值和WVD特征方阵的雷达辐射源识别方法均有较高的识别准确率,具有较高的鲁棒性和较强的适应性能力,同时避免了传统方法人工特征提取的复杂性,便于实际应用。
附图说明
图1为雷达信号WVD特征方阵的生成流程图。
图2为CNN模型训练过程的流程图。
图3为基于WVD特征方阵的智能识别模型的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
一种基于双三次插值和WVD特征方阵的雷达辐射源智能识别方法,包括以下阶段:
阶段1,求雷达辐射源信号的WVD,取矩阵模值后得到原始特征矩阵;
阶段2,利用双三次插值法处理原始特征矩阵,经归一化处理后得到维度为(500,500)的WVD特征方阵,
阶段2中双三次插值法具体步骤如下:
1)设待求WVD特征方阵的任意坐标为(X,Y),先求缩放因子K,然后可得待求坐标(X,Y)对应到原始特征矩阵位置的坐标为(x,y)=(X/K,Y/K)。其中,缩放因子K根据采集的一维雷达信号的维度大小可以求得,假设截获原始雷达信号尺度为(1,k),那么阶段1中原始特征矩阵维度为(k,2k),可求得缩放因子K=(k/500,2k/500),继而可以求得每个待求坐标(X,Y)对应的(x,y),其中“500”代表待训练CNN模型的输入尺寸;
2)取坐标(x,y)最近16个坐标点(xi,yj),其中i,j∈{0,1,2,3};
3)待求WVD特征方阵的任意坐标(X,Y)可根据式2求得:
其中,(x,y)为阶段1中求得的(x,y),(xi,yj)为阶段2第2)步中所求16个坐标点,函数f代表坐标点(xi,yj)对应的矩阵值,W(l)是bicubic函数如式3所示。
此时,l等于公式(2)中的x-xi,另外可设a=0.5。
至此,已得到维度为(500,500)的WVD特征方阵,该特征方阵可以有效地与CNN模型进行直接结合,而不需要再对矩阵进行裁剪或补零使其转换为方阵,避免了矩阵维度变换过程中信号特征的损失。
阶段3,对维度为(500,500)的WVD特征方阵进行归一化处理,得到最终的WVD特征方阵,将截获的多个雷达辐射源信号均按照上述流程处理成WVD特征方阵,并给各雷达辐射源添加类别标签,至此得到WVD特征方阵数据集,避免了将WVD特征方阵转换为WVD特征图像过程中图像存取引起的分辨力下降。
本发明阶段1、阶段2和阶段3可以归纳为雷达辐射源WVD特征方阵数据集的制作过程,如图1所示。
阶段4,从WVD特征方阵数据集中随机抽取60%作为训练集和20%作为验证集,训练改进CNN模型,每次迭代结束后,用验证集评估已训练的CNN模型,实时保存在验证集上效果最好的CNN模型,避免了因设定固定迭代次数导致的CNN模型训练过拟合问题;
阶段4中CNN模型训练过程的流程如图2所示。
为防止CNN在训练过程中出现过拟合的情况,本发明对CNN模型及其训练过程进行了改进:
1)实时保存在验证集上评估效果更好的训练网络模型;
2)在全连接层非线性激活之前进行BatchNormalization处理;
3)使用one-hot对标签进行编码使特征距离计算更加合理。
阶段5,对再次截获的雷达辐射源信号进行阶段1、阶段2和阶段3预处理过程,形成待识别的辐射源WVD特征方阵;
阶段6,加载阶段4得到的性能最优的已训练CNN模型对待识别辐射源的WVD特征方阵进行辨识,输出待识别雷达辐射源的类别。
本发明阶段5和阶段6具体来说就是再次截获雷达信号之后,经过信号预处理,加载训练好的CNN模型,用CNN模型推测截获雷达信号的类型。此时,基于WVD特征方阵的智能识别模型如图3所示。
本发明还提出一种基于双三次插值和WVD特征方阵的雷达辐射源智能识别系统,其特征在于,基于所述的基于双三次插值和WVD特征方阵的雷达辐射源智能识别方法,实现基于双三次插值和WVD特征方阵的雷达辐射源智能识别。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,基于所述的基于双三次插值和WVD特征方阵的雷达辐射源智能识别方法,实现基于双三次插值和WVD特征方阵的雷达辐射源智能识别。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于所述的基于双三次插值和WVD特征方阵的雷达辐射源智能识别方法,实现基于双三次插值和WVD特征方阵的雷达辐射源智能识别。
实施例
为了验证本发明方案的有效性,进行如下实验。
图1为雷达信号的WVD特征方阵的产生流程,对应本发明所用雷达辐射源信号的预处理阶段,下面结合具体的雷达辐射源信号来介绍阶段1、阶段2和阶段3,详细步骤如下:
1)不同的雷达辐射源往往对应具有不同调制信息的信号类型,即本发明中不同的雷达信号类型可以代表不同的雷达辐射源。本实例处理对象为硬件设备仪器产生的雷达信号,信号类型包含二进制相移键控(Binary Phase Shift Keying,BPSK)、频率编码(Frequency Encoding,FE)、线性调频(Linear Frequency Modulation,LFM)、非线性调频(Nonlinear Frequency Modulation,NLFM)、常规脉冲(Conventional Pulse,CP)以及四进制相移键控(Quaternary Phase Shift Keying,QPSK)。各雷达信号的脉冲宽度为10μs,脉冲周期30μs,载频F0为20MHz,具体参数如表1所示。
表1雷达信号具体调制参数
信号 | 调制信息 |
BPSK | 绝对编码:0101001100000;相对编码:011110101000 |
FE | 频率值:16、19、21、24/MHz |
LFM | 带宽:5MHz |
NLFM | 带宽:5MHz |
CP | -- |
QPSK | 绝对编码:0132213201002;相对编码:0123032321302 |
2)信号采集器通过传输馈线截获六种类型的雷达信号,采样率为Fs=50MHz,采样点数为3,800,000,其中每一个雷达脉冲对应500个采样点,即每种类型的每个雷达信号样本维度为(1,500)。
3)MATLAB处理被采集的雷达辐射源信号得到信号的WVD,取模值后得到原始特征矩阵。由WVD的定义可知,原始特征矩阵的维度大小为(500,1000),该矩阵不适用于CNN模型。
4)利用双三次插值法处理原始特征矩阵得到维度大小为(500,500)的WVD特征方阵,为消除雷达辐射源采集幅度值的影响,对WVD特征方阵进行归一化处理,并分别加上对应的BPSK、FE、LFM、NLFM、CP和QPSK类别标签,最终可以得到带标签的雷达辐射源WVD特征方阵数据集。
图2为CNN模型训练过程的流程图,表2为算法模型中的CNN结构,图2和表2均对应本发明所用CNN模型的训练阶段。
表2 CNN结构
表2中,尺寸大小形如(500,500,1)的前两项代表特征图尺寸,第三项代表特征图通道数;卷积层(15,3,3,’same’)代表卷积核个数为15,卷积核大小为3×3,’same’代表填零运算;最大池化层(2,2,’same’)代表池化尺寸为2×2,’BatchNormalization’代表非线性激活函数之前进行批次正则化处理。
本实例中CNN模型训练过程具体如下:
1)采集的带标签雷达辐射源WVD特征方阵数据集中共有3000个样本,随机选取1800个作为训练集,再随机选取600个作为验证集,其余600个作为测试集。
2)搭建CNN模型框架,具体参数如表1所示。设定CNN全局参数,其中训练迭代次数epoch=100、批次处理大小batchsize=8、优化器为Adam。
3)开始训练,判断当前迭代次数i是否小于设定的总迭代次数epoch,若为否训练结束,否则执行4)。
4)用训练集训练CNN模型,执行5)。
5)用验证集评估已训练好的CNN模型,执行6)。
6)此时CNN模型对验证集的识别准确率是否为历史最优。若为否,i=i+1,执行3)进行下一次训练。若为是,保存此时已训练的CNN模型,i=i+1,执行3)进行下一次训练。
图3为基于WVD特征方阵的智能识别模型,对应本发明对雷达辐射源进行智能识别的阶段,具体如下:
1)信号采集器截获雷达信号,采样率为Fs=50MHz。
2)MATLAB处理被采集的雷达辐射源信号,得到信号WVD对应的原始特征矩阵。
3)利用双三次插值法处理原始特征矩阵得到维度大小为(500,500)的WVD特征方阵,然后对WVD特征方阵进行归一化处理,得到待识别的雷达辐射源WVD特征方阵。至此,也就对应得到本实例CNN模型训练阶段中的验证集。
4)加载已训练好的性能最优的CNN模型。
5)基于已训练CNN模型完成对待识别雷达辐射源WVD特征方阵的辨识,输出每个雷达辐射源对应六种类别中的某一类,即完成对雷达辐射源的识别。
实验1
从3000个雷达信号中,随机选取1800个作为训练集,再随机选取600个作为验证集,其余600个作为测试集。利用训练集和验证集训练CNN模型,其中CNN全局参数设为训练迭代次数epoch=100、批次处理大小8、优化器Adam。对采集雷达信号脉冲添加高斯噪声来探究智能识别算法模型的性能。不同SNR条件下,针对测试集而言,基于双三次插值和WVD特征方阵的算法模型识别准确率如表3所示。
表3基于双三次插值和WVD特征方阵的识别准确率
SNR(dB) | -16 | -14 | -12 | -10 | -8 | -6 | -4 | -2 | 0 |
WVD | 34.67 | 53.17 | 81.50 | 94.50 | 99.67 | 100 | 100 | 100 | 100 |
由表3可知,在SNR为-16dB时,基于双三次插值和WVD特征方阵的算法模型识别准确率可以达到34.67%;在SNR为-12dB时,模型识别率可以达到81.50%;当SNR大于-8dB时,模型识别准确率接近100%,可以满足电磁战的实际需求。为进一步观察实施案例结果,给出SNR为-10dB下,基于双三次插值和WVD特征方阵的算法模型识别混淆矩阵如表4所示。
表4 SNR=-10dB时基于双三次插值和WVD特征方阵的识别混淆矩阵
如表4所示,在SNR为-10dB条件下,本发明提出的基于双三次插值和WVD特征方阵的算法模型基本能够正确识别CP、NLFM、LFM和FE四种雷达辐射源信号,在识别QPSK和BPSK时,算法模型会出现少量的错误。如测试集中有95个QPSK样本,其中84个样本能够被本发明中的模型正确识别,仅仅有3个样本分别被该模型错误识别为CP、LFM和FE,8个样本被该模型错误识别为BPSK。
综上,虽然本发明在识别辐射源时会出现极少量的错误,但也同时表明信号的WVD能够较大程度上保存信号的本质特征,在低SNR条件下仍对雷达辐射源有良好的特征提取效果,另外也说明本发明方法鲁棒性强,通过双三次插值得到的WVD特征方阵能够有效与CNN模型结合,为雷达辐射源的智能识别提供可靠的技术支撑,能够满足实际电磁战的需求。
实验2
在电磁战领域,非协作方数据样本的获取存在着困难,因此辐射源识别方法必须要考虑数据样本数目对算法性能的影响。下面探究训练集样本数对本发明算法模型性能的影响。
从总数为3000个雷达脉冲信号中,随机选取若干样本作为训练集,从该训练集中再随机抽出1/4作为训练时的验证集,剩余样本作为测试集,以测试集样本占总样本比例作为实施案例的自变量。CNN全局参数设置:训练迭代次数epoch=100;批次处理大小8;优化器Adam。训练过程中,实时保存验证集准确率更高的CNN模型,最后通过测试集对保存的网络模型进行性能评估。当SNR为-10dB时,不同测试集样本数对应的算法模型识别准确率如表5所示。
表5 SNR=-10dB时不同测试集样本数对应的算法模型识别准确率(%)
如表5所示,随着测试集样本数占总样本数比例的降低,也就是训练集样本数目的增加,本发明算法模型的识别准确率逐渐提高。当测试集样本数占总样本数比例为0.9时,基于双三次插值和WVD特征方阵的算法模型识别准确率可以达到66.41%;当测试集样本数占总样本数比例为0.8时,本发明算法模型识别准确率可以达到81.29%;当测试集样本数占总样本数比例小于0.8时,本发明算法模型识别准确率可以超过90%。实施案例结果表明,在SNR为-10dB条件下,当训练集和验证集样本数目占总样本数目大于0.2时,本发明提出的基于双三次插值和WVD特征方阵的算法模型的平均识别准确率可以达到90%以上,即在样本较少条件下,本发明提出的模型仍有不错的识别效果,适应性强,满足实际战场的需求。
综上所述,本发明解决了雷达辐射源传统特征难以提取的问题,利用双三次插值法有效地将信号WVD原始特征矩阵与CNN模型结合起来,同时也对网络模型的训练过程进行了优化,提高了雷达辐射源智能识别系统的鲁棒性和可行性,满足实际电磁战需求,具有较高的实用价值。
以上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申请的几种实施方式,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,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于双三次插值和WVD特征方阵的雷达辐射源智能识别方法,其特征在于,包括以下阶段:
阶段1,计算雷达辐射源信号的WVD,取矩阵模值后得到原始特征矩阵;
阶段2,利用双三次插值法处理原始特征矩阵,归一化处理后得到WVD特征方阵;
阶段3,综合WVD特征方阵和标签,构建WVD特征方阵数据集,随机抽取训练集和验证集,完成CNN模型训练;
阶段4,对截获雷达辐射源信号进行预处理,形成待识别辐射源的WVD特征方阵;
阶段5,利用训练好的CNN模型对待识别辐射源的WVD特征方阵进行辨识,确定雷达辐射源的类别。
3.根据权利要求1所述的基于双三次插值和WVD特征方阵的雷达辐射源智能识别方法,其特征在于,阶段2,利用双三次插值法处理原始特征矩阵,归一化处理后得到WVD特征方阵,具体步骤如下:
1)根据采集的一维雷达信号的维度确定缩放因子K,假设截获原始雷达信号尺度为(1,k),那么阶段1中原始特征矩阵维度为(k,2k),缩放因子K=(k/m,2k/m),待求坐标(X,Y)对应到原始特征矩阵位置的坐标为(x,y)=(X/K,Y/K),其中m代表待训练CNN模型的输入尺寸;
2)取原始特征矩阵位置的坐标(x,y)最近16个坐标点(xi,yj),其中i,j∈{0,1,2,3};
3)计算待求WVD特征方阵的任意坐标(X,Y)对应的矩阵值,计算公式如式2所示;
其中,(x,y)为阶段1中求得的(x,y),(xi,yj)为阶段2第2)步中所求16个坐标点,函数f代表坐标点(xi,yj)对应的矩阵值,W(l)是bicubic函数如式3所示;
其中,l等于公式(2)中的x-xi,a为权重因子;
4)对f(X,Y)进行归一化处理,即得最终的WVD特征方阵。
4.根据权利要求1所述的基于双三次插值和WVD特征方阵的雷达辐射源智能识别方法,其特征在于,阶段3,综合WVD特征方阵和标签,构建WVD特征方阵数据集,随机抽取训练集和验证集,完成CNN模型训练,其中CNN模型具体如下:
在全连接层非线性激活之前进行BatchNormalization处理;
使用one-hot对标签进行编码。
5.一种基于双三次插值和WVD特征方阵的雷达辐射源智能识别系统,其特征在于,基于权利要求1-4任一项所述的基于双三次插值和WVD特征方阵的雷达辐射源智能识别方法,实现基于双三次插值和WVD特征方阵的雷达辐射源智能识别。
6.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,基于权利要求1-4任一项所述的基于双三次插值和WVD特征方阵的雷达辐射源智能识别方法,实现基于双三次插值和WVD特征方阵的雷达辐射源智能识别。
7.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于权利要求1-4任一项所述的基于双三次插值和WVD特征方阵的雷达辐射源智能识别方法,实现基于双三次插值和WVD特征方阵的雷达辐射源智能识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111513042.1A CN114358050B (zh) | 2021-12-11 | 2021-12-11 | 一种基于双三次插值和wvd特征方阵的雷达辐射源智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111513042.1A CN114358050B (zh) | 2021-12-11 | 2021-12-11 | 一种基于双三次插值和wvd特征方阵的雷达辐射源智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114358050A true CN114358050A (zh) | 2022-04-15 |
CN114358050B CN114358050B (zh) | 2024-02-02 |
Family
ID=81099360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111513042.1A Active CN114358050B (zh) | 2021-12-11 | 2021-12-11 | 一种基于双三次插值和wvd特征方阵的雷达辐射源智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358050B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115470873A (zh) * | 2022-11-14 | 2022-12-13 | 中国人民解放军国防科技大学 | 一种雷达辐射源识别方法与系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108226889A (zh) * | 2018-01-19 | 2018-06-29 | 中国人民解放军陆军装甲兵学院 | 一种雷达目标识别的分类器模型训练方法 |
CN108256488A (zh) * | 2018-01-19 | 2018-07-06 | 中国人民解放军陆军装甲兵学院 | 一种基于微多普勒特征提取和深度学习的雷达目标识别方法 |
US20180357542A1 (en) * | 2018-06-08 | 2018-12-13 | University Of Electronic Science And Technology Of China | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method |
CN113156376A (zh) * | 2021-04-15 | 2021-07-23 | 中国人民解放军空军航空大学 | 基于sacnn的雷达辐射源信号识别方法 |
-
2021
- 2021-12-11 CN CN202111513042.1A patent/CN114358050B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108226889A (zh) * | 2018-01-19 | 2018-06-29 | 中国人民解放军陆军装甲兵学院 | 一种雷达目标识别的分类器模型训练方法 |
CN108256488A (zh) * | 2018-01-19 | 2018-07-06 | 中国人民解放军陆军装甲兵学院 | 一种基于微多普勒特征提取和深度学习的雷达目标识别方法 |
US20180357542A1 (en) * | 2018-06-08 | 2018-12-13 | University Of Electronic Science And Technology Of China | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method |
CN113156376A (zh) * | 2021-04-15 | 2021-07-23 | 中国人民解放军空军航空大学 | 基于sacnn的雷达辐射源信号识别方法 |
Non-Patent Citations (3)
Title |
---|
QIANG LIU等: "Deep learning and recognition of radar jamming based on CNN", pages 1 - 7 * |
SERGEY IOFFE等: "Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift", pages 5 * |
黄智;王俊杰;石国良;: "基于时频分析和CNN的雷达辐射源识别算法", 舰船电子工程, no. 01 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115470873A (zh) * | 2022-11-14 | 2022-12-13 | 中国人民解放军国防科技大学 | 一种雷达辐射源识别方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114358050B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110109060B (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 | |
CN110163258B (zh) | 一种基于语义属性注意力重分配机制的零样本学习方法及系统 | |
CN107220606B (zh) | 基于一维卷积神经网络的雷达辐射源信号的识别方法 | |
CN107301432A (zh) | 基于时频分析的自适应辐射源调制识别方法 | |
Liu | Multi-feature fusion for specific emitter identification via deep ensemble learning | |
CN111027509B (zh) | 一种基于双流卷积神经网络的高光谱图像目标检测方法 | |
CN113221631B (zh) | 基于卷积神经网络的序列脉冲抗干扰目标检测方法 | |
CN110210422B (zh) | 一种基于光学图像辅助的舰船isar像识别方法 | |
Ni et al. | LPI radar waveform recognition based on multi-resolution deep feature fusion | |
CN115272681B (zh) | 基于高阶特征类解耦的海洋遥感图像语义分割方法及系统 | |
Yang et al. | One-dimensional deep attention convolution network (ODACN) for signals classification | |
CN114429151A (zh) | 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统 | |
CN112967210A (zh) | 一种基于全卷积孪生网络的无人机图像去噪方法 | |
CN115661627A (zh) | 一种基于GAF-D3Net的单波束水下目标识别方法 | |
CN114897002A (zh) | 基于LPINet的低截获概率雷达信号脉内调制识别方法 | |
CN114358050A (zh) | 一种基于双三次插值和wvd特征方阵的雷达辐射源智能识别方法 | |
CN116337449A (zh) | 一种基于信息融合的稀疏自编码故障诊断方法、系统 | |
CN117689579A (zh) | 一种渐进式双解耦的sar辅助遥感影像厚云去除方法 | |
CN113920320B (zh) | 一种面向典型有源干扰的雷达图像目标检测系统 | |
CN114019461A (zh) | 基于卷积去噪自编码的微波雷达海杂波抑制方法及系统 | |
CN110942105A (zh) | 一种基于最大池化和平均池化的混合池化方法 | |
CN107395540B (zh) | 基于lmd近似熵、高积累积量和svm的调制信号识别方法 | |
CN114821335B (zh) | 基于深度特征与线性判别特征融合的未知目标判别方法 | |
CN112132104B (zh) | 一种基于环路生成对抗网络的isar舰船目标图像域增强识别方法 | |
CN114140495A (zh) | 基于多尺度Transformer的单目标跟踪方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |