CN114444546B - 一种基于自监督学习的雷达信号分选识别方法 - Google Patents
一种基于自监督学习的雷达信号分选识别方法 Download PDFInfo
- Publication number
- CN114444546B CN114444546B CN202210103370.2A CN202210103370A CN114444546B CN 114444546 B CN114444546 B CN 114444546B CN 202210103370 A CN202210103370 A CN 202210103370A CN 114444546 B CN114444546 B CN 114444546B
- Authority
- CN
- China
- Prior art keywords
- self
- radar signal
- encoder
- learning
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims abstract description 3
- 230000006835 compression Effects 0.000 claims description 18
- 238000007906 compression Methods 0.000 claims description 18
- 230000001360 synchronised effect Effects 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 239000003086 colorant Substances 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004040 coloring Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000011426 transformation method Methods 0.000 claims description 4
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 241000573219 Parula Species 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 238000012805 post-processing Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于自监督学习的雷达信号分选识别方法，通过结合时频分析和图像处理技术对雷达信号进行处理,该方法首先可利用无监督数据提升分类模型的泛化能力与抗噪声能力，首先通过多重同步压缩变换完成对雷达信号的时频变换，进而得到信号的RGB时频图像，接着对得到的时频图像进行尺寸放缩和归一化处理。随后基于时频二维图像数据训练自监督对比学习模型，再将训练完成的特征编码器迁移到下游的分类任务。在6个种类的信号数据上的模拟表明，本发明能够有效地提升下游分类任务的准确率，不同信噪比下，提升幅度从9％到53％不等，证明该方法可以有效利用无监督数据构建具有较好特征泛化能力的信号特征。
Description
技术领域
本发明涉及雷达信号处理领域，尤其涉及一种基于自监督学习的雷达信号分选识别方法。
背景技术
雷达信号的分选识别是对信号进一步分析的前提，对于电子对抗战有着重要的意义。而目前电磁环境复杂，雷达的调制方式日益复杂，基于传统参数的特征匹配识别算法已经逐渐失效。
近年来图像处理技术发展迅速，因此基于信号的时频图像完成分选识别成为了一种趋势。目前已有的许多研究尝试沿用这种思路，首先利用短时傅里叶变换、Choi-Williams时频分布等方法对信号进行时频分析，得到信号的时频图像，再基于信息论，领域专业知识，针对时频图像人工设计雷达信号的特征向量，最后再利用机器学习方法完成信号分类。这种方法的特征提取模块虽然语义明确，但泛化性较差，同时特征维数有限，在复杂情况下容易遇到瓶颈。另一类基于深度学习的雷达信号分选识别方法，虽然完成了信号的自动特征提取，但是对标签数据有较大依赖。
自监督学习是一种新兴概念，它可以利用辅助任务挖掘无监督数据的自身信息，学习到数据的潜在特征。将自监督学习方法迁移到信号分选识别领域，可以提高人们对无监督数据的利用率，降低对标签数据的依赖，同时仍然保持良好的特征质量与特征泛化性。对比学习是一种自监督学习中的主流方法，通过构造相似实例对和不相似实例对，学习得到一个编码器网络，通过这个网络的映射，相似的实例对象会在特征空间中距离较近，不相似的实例对象则会在特征空间中距离较远。时频图像包含丰富的不同维度的特征，利用对比学习良好的归纳抽象能力，可以有效学习到信号的潜在高维度特征。
发明内容
本发明正是针对现有技术中存在的技术问题提供一种基于自监督学习的雷达信号分选识别方法，该方案能够提高算法对于无监督信号数据的利用率，能够基于无监督数据进行信号的自动特征提取，得到较高质量且泛化性较好的信号特征。
为了实现上述目的，本发明的技术方案如下：一种基于自监督学习的雷达信号分选识别方法，包括以下步骤：
步骤一：利用多重同步压缩变换方法对一维雷达信号进行时频变换，得到时频分布矩阵；
步骤二：选定色带，从色带上找到时频分布矩阵元素的数值对应的颜色，完成矩阵的着色，将矩阵保存为RBG图像；
步骤三：对时频图像进行尺寸放缩处理，将图像尺寸放缩至128×128×3，同时对每个通道的像素进行归一化处理；
步骤四：将残差网络作为骨干编码器，在编码器之后连接一个多层感知机模块，将这种顺序结构复制，形成两个结构相同的分支，构建基于对比学习的雷达信号自监督学习框架；
步骤五：将产生的时频图像数据集划分为无标签数据组A和有标签数据组B，利用A组数据训练自监督学习，最小化损失函数并更新模型中的编码器网络参数；
步骤六：冻结训练完成的自监督学习中的编码器f，保持编码器f的网络参数不变，迁移雷达信号的特征模块；
步骤七：基于编码器f，在网络的输出层之后连接一个多层感知机，利用B组数据训练多层感知机分类器，在测试集上完成雷达信号的识别分选，计算识别准确率。
进一步的，步骤一中，多重同步压缩变换是一种对短时傅里叶变换多次执行同步压缩后处理的改进算法，同步压缩变换从频率方向对短时傅里叶变换的结果进行压缩，而多重同步压缩变换则是对同步压缩变换的结果继续进行同步压缩处理，重复迭代若干次，本发明中的迭代次数为4次。
进一步的，步骤二中，着色依托的色带为Parula颜色数组，由不同强度的红、绿、蓝颜色融合而成，强度范围为[0,1]。
进一步的，图像放缩采用双三次插值法，归一化则采用RGB图像归一化公式：设原始三通道像素分为别R、G、B，每个通道的像素取值范围为[0,255]，归一化后的通道像素分别为r、g、b，则有
进一步的，步骤四中，对比学习模型由残差网络ResNet50，多个二层感知机组成，并且二层感知机中加入了Batch-Normalization层；其中残差网络作为雷达信号的特征模块，二层感知机作为辅助的投影头和预测头。
进一步的，步骤五中，仅使用无监督数据训练自监督学习，损失函数为带有梯度停止回传模块的余弦相似度损失函数，优化器选择随机梯度下降优化器SGD，损失函数具体如下：
p1＝h(g(f(x1)))
其中x1,x2分别为输入图像x的两个不同的图象增强版本，f(·)表示编码器，g(·)表示投影头，h(·)表示预测头，D(p1,z2)表示余弦相似度，stopgrad(·)表示该分支上的梯度不再进行后续的反向传播过程。p1,p2是图像经过编码器、投影头和预测头的输出向量，z1,z2是图像经过编码器和投影头的输出向量。图像增强的方式包括水平翻转、随机裁剪、高斯加噪。
进一步的，步骤七中，用于信号识别的多层感知机层数为2层，由全连接层、Relu激活函数，BN层构成。
有益效果：本发明提供了一种基于自监督学习的雷达信号分选识别方法，相较于已有技术，本发明能够有效利用无监督数据，同时得到泛化性良好的高质量信号特征。本发明可以迁移到不同的复杂电磁环境中，完成快速部署，对雷达信号数据的质量要求不高，因此更适合工程应用。下面的实施例表明，该发明能基于无监督数据学习到信号的潜在高维度特征，有效提升信号分类任务的准确率。
附图说明
图1为本发明的框架流程图；
图2为本发明中的自监督对比学习模型示意图；
图3为本发明中信号的多重同步压缩变换时频图像。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细说明：
实施例：参见图1-图3，本实施例提供一种基于自监督学习的雷达信号特征学习，且用于6种雷达信号数据集的识别分选方法，首先基于多重同步压缩变换方法得到雷达信号的时频图像，再通过无监督的时频图像数据集训练自监督对比学习模型，完成对信号的特征提取，最后再通过多层感知机完成信号分类。
该方法的流程如图1所示，构建的自监督对比学习模型如图2所示，基于多重同步压缩变换得到的信号时频图像如图3所示，具体的应用步骤如下：
步骤一：利用多重同步压缩变换方法对一维雷达信号进行时频变换，得到时频分布矩阵；
步骤二：选定色带，从色带上找到时频分布矩阵元素的数值对应的颜色，完成矩阵的着色，将矩阵保存为RBG图像；
步骤三：对时频图像进行尺寸放缩处理，将图像尺寸放缩至128×128×3，同时对每个通道的像素进行归一化处理；
步骤四：将残差网络作为骨干编码器，在编码器之后连接一个多层感知机模块，将这种顺序结构复制，形成两个结构相同的分支，构建基于对比学习的雷达信号自监督学习框架；
步骤五：将产生的时频图像数据集划分为无标签数据组A和有标签数据组B，利用A组数据训练自监督学习，最小化损失函数并更新模型中的编码器网络参数；
步骤六：冻结训练完成的自监督学习中的编码器f，保持编码器f的网络参数不变，迁移雷达信号的特征模块；
步骤七：基于编码器f，在网络的输出层之后连接一个多层感知机，利用B组数据训练多层感知机分类器，在测试集上完成雷达信号的识别分选，计算识别准确率。
在本实施例中，所用到的雷达信号数据集包含6种雷达信号：CW、LFM、NLFM、BPSK、2FSK、LFM/NLFM(两种调制方式的线性混合信号)。数据集共分为6个信噪比，分别为-6dB，-2dB，2dB，6dB，10dB，14dB。对于同一个信噪比条件下，用于训练自监督对比学习模型的A组数据，每种信号各400例(共计2400例)；训练下游分类器的B组数据，每种信号各500例(共计3000例)，按照8：2的比例划分为训练集、验证集，测试集固定每类信号50个样本。
在训练时，自监督对比学习模型中的编码器采用ResNet50残差网络，预测头和投影头均为二层感知机，隐藏层神经元数量分别为512和2048，输出层的神经元数量均为2048。模型中的残差网络、二层感知机的参数均随机初始化，训练的批大小设置为100，优化器设置为SGD，学习率为0.03。此外，标准的残差网络输入图像尺寸为224×224×3，本发明中做出了一定修改，使用了自适应池化层，使得网络可以适应任意尺寸的输入图像。自监督学习模型中编码器输出的特征维数为2048。用于分类任务的多层感知机也被设置为两层，其中隐藏层的神经元数量为512。在利用标签数据训练多层感知机时，固定编码器f的参数不变，训练时的批大小设置为128。
在该数据集上我们还同仅使用多层感知机识别，全监督学习等方法进行了比较，具体的比较结果如表1所示。从结果中可以看出，相比于仅使用多层感知机识别，本发明在任意信噪比下都有不小幅度的提升，从9％到53％不等；相比于全监督学习，则互有优劣。但全监督学习的计算代价更高，对于标签数据有依赖性，同时模型的泛化能力较弱，更换信号场景之后可能性能有所下降，因此本发明提出的方法在实际应用中具有更大的优势。
表1
需要说明的是上述实施例仅仅是本发明的较佳实施例，并没有用来限定本发明的保护范围，在上述技术方案的基础上做出的等同替换或者替代均属于本发明的保护范围。
Claims (7)
1.一种基于自监督学习的雷达信号分选识别方法，其特征在于，包括以下七个步骤：
步骤一：利用多重同步压缩变换方法对一维雷达信号进行时频变换，得到时频分布矩阵；
步骤二：选定色带，从色带上找到时频分布矩阵元素的数值对应的颜色，完成矩阵的着色，将矩阵保存为RBG图像；
步骤三：对时频图像进行尺寸放缩处理，将图像尺寸放缩至128×128×3，同时对每个通道的像素进行归一化处理；
步骤四：将残差网络作为骨干编码器，在编码器之后连接一个多层感知机模块，将这种顺序结构复制，形成两个结构相同的分支，构建基于对比学习的雷达信号自监督学习框架；
步骤五：将产生的时频图像数据集划分为无标签数据组A和有标签数据组B，利用A组数据训练自监督学习，最小化损失函数并更新模型中的编码器网络参数；
步骤六：冻结训练完成的自监督学习中的编码器f，保持编码器f的网络参数不变，迁移雷达信号的特征模块；
步骤七：基于编码器f，在网络的输出层之后连接一个多层感知机，利用B组数据训练多层感知机分类器，在测试集上完成雷达信号的识别分选，计算识别准确率。
2.根据权利1所述的基于自监督学习的雷达信号分选识别方法，其特征在于：步骤一中，多重同步压缩变换是一种对短时傅里叶变换多次执行同步压缩后处理的改进算法，同步压缩变换从频率方向对短时傅里叶变换的结果进行压缩，而多重同步压缩变换则是对同步压缩变换的结果继续进行同步压缩处理，重复迭代若干次。
3.根据权利1所述的基于自监督学习的雷达信号分选识别方法，其特征在于：步骤二中，着色依托的色带为Parula颜色数组，由不同强度的红、绿、蓝颜色融合而成，强度范围为[0,1]。
4.根据权利1所述的基于自监督学习的雷达信号分选识别方法，其特征在于：图像放缩采用双三次插值法，归一化则采用RGB图像归一化公式：设原始三通道像素分为别R、G、B，每个通道的像素取值范围为[0,255]，归一化后的通道像素分别为r、g、b，则有
5.根据权利1所述的基于自监督学习的雷达信号分选识别方法，其特征在于：步骤四中，对比学习模型由残差网络ResNet50，多个二层感知机组成，并且二层感知机中加入了Batch-Normalization层；其中残差网络作为雷达信号的特征模块，二层感知机作为辅助的投影头和预测头。
6.根据权利1所述的基于自监督学习的雷达信号分选识别方法，其特征在于：步骤五中，仅使用无监督数据训练自监督学习，损失函数为带有梯度停止回传模块的余弦相似度损失函数，优化器选择随机梯度下降优化器SGD，损失函数具体如下：
p1＝h(g(f(x1)))
z2＝g(f(x2))
其中x1,x2分别为输入图像x的两个不同的图象增强版本，f(·)表示编码器，g(·)表示投影头，h(·)表示预测头，D(p1,z2)表示余弦相似度，stopgrad(·)表示该分支上的梯度不再进行后续的反向传播过程，p1,p2是图像经过编码器、投影头和预测头的输出向量，z1,z2是图像经过编码器和投影头的输出向量，图像增强的方式包括水平翻转、随机裁剪、高斯加噪。
7.根据权利1所述的基于自监督学习的雷达信号分选识别方法，其特征在于：步骤七中，用于信号识别的多层感知机层数为2层，由全连接层、Relu激活函数，BN层构成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210103370.2A CN114444546B (zh) | 2022-01-27 | 2022-01-27 | 一种基于自监督学习的雷达信号分选识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210103370.2A CN114444546B (zh) | 2022-01-27 | 2022-01-27 | 一种基于自监督学习的雷达信号分选识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114444546A CN114444546A (zh) | 2022-05-06 |
| CN114444546B true CN114444546B (zh) | 2024-04-16 |
Family
ID=81369137
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210103370.2A Active CN114444546B (zh) | 2022-01-27 | 2022-01-27 | 一种基于自监督学习的雷达信号分选识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114444546B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115186720B (zh) * | 2022-09-07 | 2023-01-06 | 中国科学技术大学 | 预训练模型、无线感知模型的训练方法及电子设备 |
| CN116229219B (zh) * | 2023-05-10 | 2023-09-26 | 浙江大学 | 基于联邦和对比表征学习的图像编码器训练方法和系统 |
| CN116385813B (zh) * | 2023-06-07 | 2023-08-29 | 南京隼眼电子科技有限公司 | 基于无监督对比学习的isar图像空间目标分类方法、装置及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113723491A (zh) * | 2021-08-24 | 2021-11-30 | 哈尔滨理工大学 | 一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法 |
| CN113792597A (zh) * | 2021-08-10 | 2021-12-14 | 广东省科学院智能制造研究所 | 一种基于自监督特征提取的机械设备异常声音检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210350152A1 (en) * | 2020-05-11 | 2021-11-11 | Toyota Research Institute, Inc. | Structural object detector for hierarchical ontology for traffic light handling |
-
2022
- 2022-01-27 CN CN202210103370.2A patent/CN114444546B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113792597A (zh) * | 2021-08-10 | 2021-12-14 | 广东省科学院智能制造研究所 | 一种基于自监督特征提取的机械设备异常声音检测方法 |
| CN113723491A (zh) * | 2021-08-24 | 2021-11-30 | 哈尔滨理工大学 | 一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114444546A (zh) | 2022-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114444546B (zh) | 一种基于自监督学习的雷达信号分选识别方法 | |
| US8503792B2 (en) | Patch description and modeling for image subscene recognition | |
| CN112070158B (zh) | 一种基于卷积神经网络和双边滤波的面部瑕疵检测方法 | |
| CN108647595B (zh) | 基于多属性深度特征的车辆重识别方法 | |
| CN109242097B (zh) | 无监督学习的视觉表示学习系统及方法 | |
| Liu et al. | Discovering distinctive" semantics" in super-resolution networks | |
| CN110796022A (zh) | 一种基于多流形耦合映射的低分辨人脸识别方法 | |
| WO2022261550A1 (en) | Method and apparatus for image processing | |
| Kiani et al. | Image colorization using generative adversarial networks and transfer learning | |
| CN110210422A (zh) | 一种基于光学图像辅助的舰船isar像识别方法 | |
| Juwita et al. | Batik pattern identification using GLCM and artificial neural network backpropagation | |
| CN109947960B (zh) | 基于深度卷积的人脸多属性联合估计模型构建方法 | |
| CN112070116B (zh) | 一种基于支持向量机的艺术画作自动分类系统及方法 | |
| Jolly et al. | Bringing monochrome to life: A GAN-based approach to colorizing black and white images | |
| Bodavarapu et al. | An optimized neural network model for facial expression recognition over traditional deep neural networks | |
| CN116863293A (zh) | 一种基于改进YOLOv7算法的可见光下海上目标检测方法 | |
| CN116311504A (zh) | 一种小样本行为识别方法、系统及设备 | |
| CN115661754A (zh) | 一种基于维度融合注意力的行人重识别方法 | |
| Neagoe | An optimum 2d color space for pattern recognition. | |
| CN114140495A (zh) | 基于多尺度Transformer的单目标跟踪方法 | |
| Hsu et al. | Dolphin recognition with adaptive hybrid saliency detection for deep learning based on DenseNet recognition | |
| Kurmi et al. | An algorithm for various crop diseases detection and classification using leaves images | |
| Sheng | Asymmetric CycleGAN for unpaired image-to-image translation based on dual attention module | |
| Becker et al. | Kernelboost: Supervised learning of image features for classification | |
| Tian et al. | Reliable and Accurate Pattern Search by Combination of Absent Color Indexing with Correlation Filter |
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 |