CN114444544A - 一种基于卷积神经网络和知识迁移的信号分类识别方法 - Google Patents

一种基于卷积神经网络和知识迁移的信号分类识别方法 Download PDF

Info

Publication number
CN114444544A
CN114444544A CN202210083233.7A CN202210083233A CN114444544A CN 114444544 A CN114444544 A CN 114444544A CN 202210083233 A CN202210083233 A CN 202210083233A CN 114444544 A CN114444544 A CN 114444544A
Authority
CN
China
Prior art keywords
data
neural network
convolutional neural
training
model
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
Application number
CN202210083233.7A
Other languages
English (en)
Inventor
赵兴海
洪鼎
臧勤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
724th Research Institute of CSIC
Original Assignee
724th Research Institute of CSIC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 724th Research Institute of CSIC filed Critical 724th Research Institute of CSIC
Priority to CN202210083233.7A priority Critical patent/CN114444544A/zh
Publication of CN114444544A publication Critical patent/CN114444544A/zh
Pending legal-status Critical Current

Links

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
    • G06F2218/12—Classification; Matching
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于卷积神经网络和知识迁移的信号分类识别方法，首先采用卷积神经网络提取雷达信号特征，并利用迁移学习技术提升卷积神经网络的训练速率和预测精度，其中卷积神经网络模型采用不同大小卷积核相结合，在提升网络深度的同时，对网络提取的特征进行降维。本发明通过增加卷积神经网络的深度，提高了模型提取样本特征的能力，同时避免了由于网络深度增加带来的计算量增大，梯度消失、梯度爆炸等问题；利用迁移学习等方法，加快了神经网络的训练过程，提升了雷达信号分类识别准确率。

Description

一种基于卷积神经网络和知识迁移的信号分类识别方法
技术领域
本发明属于被动探测领域，涉及雷达信号识别和人工智能深度学习算法等技术。
技术背景
传统信号分选算法如扩展关联法，差直方图法，PRI变换法，TOA折叠分选法，都针对一种或几种信号特征进行分析，产生分选结果后多通过与已知数据比对的方式来确定信号源类别，这种方法存在诸多局限：首先，不同雷达的信号参数会存在程度不同的重叠，需要综合分析才能加以区分；其二，同类的信号源设备在硬件条件上有差异，发射的信号参数也会有波动，给数据比对造成困难；随着数据库的逐渐扩大，比对所需的硬件成本、时间成本也相应的提升。传统信号分选算法在样本识别过程中，需要耗费大量的时间和计算量，且在数据集较小的情况下极容易出现过拟合现象。
随着深度学习技术的发展，传统雷达信号侦测识别的方法主要采用雷达信号的阈值进行匹配的方法，但是对于日益渐增的新体制雷达信号，传统的识别方法正确率较低。而目前深度学习技术的发展，为雷达信号的识别技术提供了一种更为有效的识别方法：采用卷积神经网络的深度学习模型，对雷达信号的样本进行特征提取，利用这些特征进行训练，最终利用训练好的模型对雷达信号进行识别。而在深度学习的训练过程中，需要大量预先标注好的数据样本作为训练集。现有的样本标注方法主要针对图片、影像或简单的数据文本，未找到针对雷达信号侦测数据的样本标注方法。雷达信号侦测数据样本提取的困难主要体现在：由于复杂电磁环境影响，侦测手段的限制，获取的原始数据干扰信息较多，有效数据少；数据具有时序关系，参数之间存在关联，参数特征变化复杂多样，且无法简单区分，需要对各种雷达信号数据特征具有极其丰富的分析经验的专业人员进行样本提取。然而采集原始数据的数据量巨大，雷达信号特征几乎被淹没于干扰及噪声之中，标注效率极低，有效标注样本少，严重影响深度学习的效果。
发明内容
针对上述存在的问题，本发明引进卷积神经网络方法，提出了一种基于卷积神经网络和知识迁移的多分类信号识别方法，利用卷积神经网络搭建特征提取器，标签预测器，以及域分类器三个模块，通过引用迁移学习，加速卷积神经网络的训练过程，从而提高样本模型训练效率和预测准确性。卷积神经网络方法属于计算机深度学习领域，其网络结构是采用不同大小卷积核相结合，在提升网络深度的同时，对网络提取的特征进行降维。
本发明是通过以下技术方案实现的：
步骤1：利用设备对雷达信号进行数据采集，将数据转换存储为需要的格式；
步骤2：对采集的原始脉冲描述字数据进行数据清洗：提取维度数据，包括频率、脉宽、幅度、时间、方位角、起始时间；对所述维度数据进行缺失值处理，去除冗余数据；
步骤3：对清洗过的数据进行标准化归一化处理，利用批处理方法优化改变方差大小和均值位置，使得新的分布更切合数据的真实分布，保证模型的非线性表达能力；
步骤4：利用卷积神经网络提取雷达信号特征训练网络模型。
进一步的，所述步骤4还包括：
(1)读取处理好的雷达信号脉冲描述字数据；
(2)建立卷积层提取初步特征；
(3)建立池化层提取主要特征；
(4)将雷达信号仿真数据进行预训练，利用预训练模型的体系结构进行预训练，加速卷积神经网络的训练过程。
本发明的有益效果为：增加了卷积神经网络的深度，提高模型提取样本特征的能力，同时避免了由于网络深度增加带来的计算量增大，梯度消失、梯度爆炸等问题，加快了神经网络的训练过程，提升了网络的性能，精确的识别雷达信号源类型，雷达信号分类识别判断准确率可以达到95％以上。
附图说明
图1分类信号识别算法软件主要处理流程图。
图2本发明实施例的卷积神经网络和迁移学习的多分类信号识别算法结构图。
具体实施方式
下面将结合实施例及附图，对本发明技术方案作进一步的详细阐述。
如图1所示，本发明提出的基于卷积神经网络和知识迁移的多分类信号识别方法，引进了卷积神经网络方法，主要针对雷达信号的样本利用卷积神经网络提取雷达信号的特征，包括：
步骤1：选择某电磁环境，通过装备采集原始数据，将采集好的原始数据落地到服务器上。
步骤2：对采集的原始数据进行数据清洗：通过可视化方法，对原始侦测数据的参数进行展示、分析、处理、清洗，参数。最终包括频率、脉宽、幅度、时间、方位角、起始时间等特征；在此条件下对采集到的脏数据进行缺失值处理，去除冗余数据，修复异常数据、极端值数据等。
步骤3：对清洗后的数据进行标准化处理和归一化处理：在进行神经网络的训练过程中，由于样本特征分布较散，可能会导致深度神经网络学习速度缓慢，甚至严重时造成梯度消失，梯度爆炸等问题。将输入样本的雷达特征利用批处理方法对输入样本进行归一化处理，使得数据的均值为0，方差为1的分布，换句话说服从正态分布。具体算法如下：
Figure BDA0003486731020000031
通过上述算法处理后得到服从正态分布的训练数据。正态分布如下：
Figure BDA0003486731020000032
步骤4：搭建卷积神经网络提取雷达信号特征，利用清洗好、标准化好的数据进行训练，此外，利用迁移学习，加速卷积神经网络的训练过程与预测精度。其中卷积神经网络提取雷达信号特征训练网络模型主要包括如下步骤：
步骤4-1：建立卷积层提取初步特征：卷积层的作用就是提取雷达信号中分布特征，在卷积神经网络中用卷积核去提取特征，这些初始化的卷积核会在反向传播算法计算后，在迭代中一次又一次的更新，类似一个滤波器(其细节不完全相同)，经过大量的训练以后，机器自动调整卷积核的值，然后与样本矩阵做卷积，可以从样本中提取一定的特征出来，卷积核的数量对初步特征提取有很大影响，最终采用18层的res-net(残差网络)模型搭建方法，具体网络搭建方法见图2。
步骤4-2：在卷积神经网络的基础上添加了残差网络来避免梯度消失和梯度爆炸的问题，将卷积神经网络变成残差网络的方法是加上所有的跳跃连接，每层增加一个捷径，构成一个残差块。
步骤4-3：在网络的最后一层全连接层将卷积核展开成向量后对每个feature map(特征图层)进行分类，最后进行softmax(归一化指数函数)分类，达到防止过拟合的作用。最后，本发明应用完全连接的层来生成一个等于模型需要的类数的分类器。将权重矩阵相乘，添加偏移值，然后使用ReLU(修正线性单元)或lekyRelu(泄露修正线性单元)激活函数使用梯度下降方法优化参数。LekyRelu激活函数如下：
Figure BDA0003486731020000033
步骤4-4：将仿真数据进行预训练，利用预训练模型的体系结构进行预训练；在分类模型中，选择Res-Net(残差网络)作为基本模型，通过迁移学习的方法，将从训练好的卷积神经网络作为预训练模型，投入准备好的雷达信号数据集，再次训练，最后得到模型进行预测。Res-Net的转换公式为：
Figure BDA0003486731020000034

Claims (2)

1.一种基于卷积神经网络和知识迁移的信号分类识别方法，其特征在于：
步骤1：利用设备对雷达信号进行数据采集，将数据转换存储为需要的格式；
步骤2：对采集的原始脉冲描述字数据进行数据清洗：提取维度数据，包括频率、脉宽、幅度、时间、方位角、起始时间；对所述维度数据进行缺失值处理，去除冗余数据；
步骤3：对清洗过的数据进行标准化归一化处理，利用批处理方法优化改变方差大小和均值位置，使得新的分布更切合数据的真实分布，保证模型的非线性表达能力；
步骤4：利用卷积神经网络提取雷达信号特征训练网络模型。
2.一种根据权利要求1所述的卷积神经网络和知识迁移的信号分类识别方法，其特征在于：所述步骤4还包括：
(4-1)读取处理好的雷达信号脉冲描述字数据；
(4-2)建立卷积层提取初步特征；
(4-3)建立池化层提取主要特征；
(4-4)将雷达信号仿真数据进行预训练，利用预训练模型的体系结构进行预训练，加速卷积神经网络的训练过程。
CN202210083233.7A 2022-01-25 2022-01-25 一种基于卷积神经网络和知识迁移的信号分类识别方法 Pending CN114444544A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210083233.7A CN114444544A (zh) 2022-01-25 2022-01-25 一种基于卷积神经网络和知识迁移的信号分类识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210083233.7A CN114444544A (zh) 2022-01-25 2022-01-25 一种基于卷积神经网络和知识迁移的信号分类识别方法

Publications (1)

Publication Number Publication Date
CN114444544A true CN114444544A (zh) 2022-05-06

Family

ID=81370153

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210083233.7A Pending CN114444544A (zh) 2022-01-25 2022-01-25 一种基于卷积神经网络和知识迁移的信号分类识别方法

Country Status (1)

Country Link
CN (1) CN114444544A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116776230A (zh) * 2023-08-22 2023-09-19 北京海格神舟通信科技有限公司 一种基于特征压印与特征迁移识别信号的方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116776230A (zh) * 2023-08-22 2023-09-19 北京海格神舟通信科技有限公司 一种基于特征压印与特征迁移识别信号的方法及系统
CN116776230B (zh) * 2023-08-22 2023-11-14 北京海格神舟通信科技有限公司 一种基于特征压印与特征迁移识别信号的方法及系统

Similar Documents

Publication Publication Date Title
Zhao et al. Cloud shape classification system based on multi-channel cnn and improved fdm
CN107563433B (zh) 一种基于卷积神经网络的红外小目标检测方法
CN114564982B (zh) 雷达信号调制类型的自动识别方法
CN110197205A (zh) 一种多特征来源残差网络的图像识别方法
CN105184265A (zh) 一种基于自学习的手写表格数字字符串快速识别的方法
CN110018453A (zh) 基于飞机航迹特征的智能机型识别方法
CN107679453A (zh) 基于支持向量机的天气雷达电磁干扰回波识别方法
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
CN109753874A (zh) 一种基于机器学习的低慢小雷达目标分类方法
CN112860183B (zh) 基于高阶矩匹配的多源蒸馏-迁移机械故障智能诊断方法
CN111914902B (zh) 一种基于深度神经网络的中药识别与表面缺陷检测方法
CN114997211A (zh) 一种基于改进对抗网络和注意力机制的跨工况故障诊断方法
CN111126361A (zh) 基于半监督学习和特征约束的sar目标鉴别方法
CN116400168A (zh) 一种基于深度特征聚类的电网故障诊断方法及系统
CN115393631A (zh) 基于贝叶斯层图卷积神经网络的高光谱图像分类方法
CN116087880A (zh) 一种基于深度学习的雷达辐射源信号分选系统
CN118427681A (zh) 一种基于自监督对比学习增强的跨工况开集故障诊断方法及设备
CN114444544A (zh) 一种基于卷积神经网络和知识迁移的信号分类识别方法
CN111815526A (zh) 基于图像滤波和cnn的有雨图像雨条纹去除方法及系统
Duan Automatic identification of conodont species using fine-grained convolutional neural networks
CN118097550A (zh) 利用图像对比算法实现输电线路红外图像故障识别的方法
CN113064133A (zh) 一种基于时频域深度网络的海面小目标特征检测方法
CN111832463A (zh) 一种基于深度学习的交通标志检测方法
CN116304966A (zh) 基于多源数据融合的航迹关联方法
CN112990279B (zh) 基于自动编码器的雷达高分辨距离像库外目标拒判方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 210003 No. 346, Zhongshan North Road, Jiangsu, Nanjing

Applicant after: 724 Research Institute of China Shipbuilding Corp.

Address before: 210003 No. 346, Zhongshan North Road, Jiangsu, Nanjing

Applicant before: 724TH RESEARCH INSTITUTE OF CHINA SHIPBUILDING INDUSTRY Corp.