CN114925721A - 一种基于U-Net分割网络的信号分选方法 - Google Patents

一种基于U-Net分割网络的信号分选方法 Download PDF

Info

Publication number
CN114925721A
CN114925721A CN202210448789.1A CN202210448789A CN114925721A CN 114925721 A CN114925721 A CN 114925721A CN 202210448789 A CN202210448789 A CN 202210448789A CN 114925721 A CN114925721 A CN 114925721A
Authority
CN
China
Prior art keywords
sequence
pdw
net
segmentation network
sorting
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
Application number
CN202210448789.1A
Other languages
English (en)
Other versions
CN114925721B (zh
Inventor
康智
汤洪
钟轶
吴耀云
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.)
CETC 29 Research Institute
Original Assignee
CETC 29 Research Institute
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 CETC 29 Research Institute filed Critical CETC 29 Research Institute
Priority to CN202210448789.1A priority Critical patent/CN114925721B/zh
Publication of CN114925721A publication Critical patent/CN114925721A/zh
Application granted granted Critical
Publication of CN114925721B publication Critical patent/CN114925721B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Abstract

本发明公开了一种基于U‑Net分割网络的信号分选方法，具体包括：训练U‑Net分割网络；将待分选的PDW序列经过预处理后，输入训练好的U‑Net分割网络，得到所述待分选的PDW序列对应的分选结果；所述分选结果为所述待分选的PDW序列中的所有脉冲所属目标分类。本发明所提出的分选模型在PDW序列预处理环节尽可能地保留了信号在时域和频域的联合特征，通过U‑Net强大的分割能力来实现PDW序列的分选；采用有监督学习方法来训练U‑Net分割网络，一旦较充分地截获到了能够代表单目标信号特征的脉冲序列片段，就可以用本发明中所述的数据增强方法构建任意多个已知目标的数据来训练U‑Net分割网络，提升对已知目标的分选能力。

Description

一种基于U-Net分割网络的信号分选方法
技术领域
本发明涉及应用U-Net网络来实现信号分选技术领域，特别是一种基于U-Net分割网络的信号分选方法。
背景技术
信号分选传统上是指通过信号检测、预处理等环节获得了一系列PDW(PDW)之后，根据不同辐射源目标之间信号的差异性，将时域上混叠在一起的分属于不同辐射源的PDW序列分离开，得到不同的PDW子序列。
雷达信号分选方法的研究始于20世纪70年代，方法多种多样。石荣，吴聪在文献“基于PRI信息的雷达脉冲信号分选技术研究综述[J].电讯技术,2020.1,60(1):112-120”中指出，基于PRI信息的分选是雷达脉冲信号主分选流程的核心关键技术之一，在雷达侦察中广泛应用。基于PRI信息的分选方法中，Mardia等人1989年在文献“Newtechniquesforthedeinterleavingofrepetitivesequences[J].IEEProceedings，1989，136(4)：149-154.”中提出了非常著名的累积差值直方图(CDIF)算法，非常具有代表性。后续在CDIF的基础上，Nelson、Kenichi，以及王兴颖等人又做了各种各样的改进。基于PRI的分选方法没有利用除脉冲TOA(到达时间)之外的其他的脉冲特征参数，在复杂信号环境中始终存在很大的改进空间。
除了基于PRI信息的分选方法，研究学者们还提出了很多其他的分选方法。例如多参数聚类法、平面变换法等，还提出了多种基于人工智能的分选方法，例如李文君等在文献“一种快速的支持向量聚类雷达信号分选方法[J].现代电子技术，2013，36(17):65-67”中提出了基于SVM的分选算法，GrangerE等在文献“Acomparisonofself-organizingneuralnetworksforfastclusteringofradarpulses[J].Signalprocessing，1998，64(3):249-269”中提出了基于自组织神经网络的雷达脉冲快速聚类算法。
近年来，已经开始有研究学者注意到了深度学习应用于信号分选的前景。例如郑贺在文献“一种基于U-Net图像语义分割技术的雷达信号分选方法[D].长春:吉林大学，2020.”中提出了利用U-Net来分割不同PRI类型的信号的算法；金炜东，陈春利在文献“基于集成深度学习的雷达信号分选研究[J].系统仿真学报.2019.9，31(9)：1868-1874”中开展了用集成深度学习来提高信号分选准确率的研究。
雷达对象变得越来越复杂，经典的信号分选方法面临挑战。深度学习已经在图像、语音、NLP以及智能博弈等多个领域所取得了前所未有的成功。
发明内容
鉴于此，本发明提供一种基于U-Net分割网络的信号分选方法，将深度学习技术应用于信号分选领域，利用深度神经网络强大的特征表征能力来提升信号分选性能，为电子战信号分选提供一种全新思路。
本发明公开了一种基于U-Net分割网络的信号分选方法，具体包括：
步骤1：训练U-Net分割网络；
步骤2：将待分选的PDW序列经过预处理后，输入训练好的U-Net分割网络，得到所述待分选的PDW序列对应的分选结果；所述分选结果为所述待分选的PDW序列中的所有脉冲所属目标分类。
进一步地，所述步骤1具体包括：
步骤1-1：构建数据集；所述数据集由大量
Figure BDA0003617806040000031
数据对组成；
步骤1-2：设计U-Net分割网络；
步骤1-3：有监督训练U-Net分割网络。
进一步地，所述步骤1-1具体包括：
步骤1-1-1：用PDW序列生成
Figure BDA0003617806040000032
首先根据信号环境设定处理时间长度为T，且限定T为预设的切片长度Δt的整数倍，即T＝Δt×N，N为正整数；时间长度T内包含M个脉冲的PDW序列，记为
Figure BDA0003617806040000033
其是由M个脉冲特征参数向量
Figure BDA0003617806040000034
所组成的向量，0≤p<M，其中，
Figure BDA0003617806040000035
Frep、PWp和TOAp分别为第p脉冲的归一化频率、脉宽和到达时间；
Figure BDA0003617806040000036
为频率特征图，其是由N个ffp组成的长度为N的向量，其中，N＝T/Δt，ffpi是
Figure BDA0003617806040000037
的第i个频率特征点，定义如下：
Figure BDA0003617806040000038
步骤1-1-2：生成标签LABEL；
Figure BDA0003617806040000039
是由N个标签向量
Figure BDA00036178060400000310
所构成的向量，其中，0≤i<N，
Figure BDA00036178060400000311
是K+1维的1-hot向量，和频率特征点ffpi所属的目标编号构成一一对应关系，K表示目标空间中已知目标的数量。
进一步地，当
Figure BDA00036178060400000312
的取值分别为[1,0,…,0]T、[0,1,0,…,0]T，…,[0,0,…1,0]T时，对应的目标编号依次为0、1，…，K-1，分别表示ffpi属于第0个、第1个，…，第K-1个已知目标；当
Figure BDA00036178060400000313
的取值为[0,…,0,1]T时，对应的目标编号为K，表示ffpi不属于任何一个目标。
进一步地，所述步骤1-1中的数据集还能够通过数据增强的方法获取，具体为：
设已经获得了目标空间中K个已知目标的PDW序列模板
Figure BDA0003617806040000041
以2目标
Figure BDA0003617806040000042
数据对为例，用
Figure BDA0003617806040000043
生成2目标
Figure BDA0003617806040000044
数据对的方法为步骤1)至步骤5)，其中，r≠s，而生成更多目标
Figure BDA0003617806040000045
数据对的方法以此类推：
步骤1)：选定
Figure BDA0003617806040000046
其中0≤r<K，设其到达时间范围为[TOAStartr,TOAEndr]；
步骤2)：从[TOAStartr,TOAEndr]中随机截取时间长度为T的片段，令其起始时间为x0，从
Figure BDA0003617806040000047
中截取该时段内所包含的脉冲序列片段，记该片段中脉冲个数为PNr，将其中所有脉冲的TOA减去x0，得到
Figure BDA0003617806040000048
步骤3)：选定
Figure BDA0003617806040000049
用与2)相同的方法从中截取脉冲序列片段
Figure BDA00036178060400000410
步骤4)：把
Figure BDA00036178060400000411
和
Figure BDA00036178060400000412
合并到一起，并按照TOA从小到大排序，再合并时域上交叠的脉冲，得到
Figure BDA00036178060400000413
如果没有需要合并的时域交叠脉冲，则PN＝PNr+PNs，否则M是一个略小于PNr+PNs的数值；
步骤5)：按照所述步骤1-1中的方法用
Figure BDA00036178060400000414
生成
Figure BDA00036178060400000415
数据对。
进一步地，所述步骤1-3具体包括：
将通过所述步骤1)至步骤5)得到的
Figure BDA00036178060400000416
数据对作为所述步骤1-2得到的设计好的U-Net分割网络的训练样本集，通过有监督学习方法训练U-Net分割网络。
进一步地，所述步骤1-2具体包括：
U-Net分割网络最初用于处理二维图像，但
Figure BDA0003617806040000051
并非一张二维的图像，而是一维数组，因此需要针对该特点设计U-Net分割网络，其设计要点包括：
输入层是1维数组，通道数＝1，所有卷积层采用1维卷积操作，输出层的通道数＝K+1，K是目标空间中已知目标的数量。
进一步地，所述步骤1-3具体包括：
将所述步骤1-1得到的大量
Figure BDA0003617806040000052
数据对作为所述步骤1-2得到的设计好的U-Net分割网络的训练样本集，通过有监督学习方法训练U-Net分割网络。
进一步地，所述步骤2具体包括：
步骤2-1：把待分选的PDW序列预处理为
Figure BDA0003617806040000053
采用所述步骤1-1-1中的方法将PDW序列预处理为
Figure BDA0003617806040000054
步骤2-2：采用所述步骤1中训练好的U-Net分割网络分割
Figure BDA0003617806040000055
步骤2-3：后处理分割结果，得到最终的分选结果；所述步骤2-3包括：
步骤2-3-1：根据U-Net分割网络的输出计算所有频率特征点的分割结果；
步骤2-3-2：计算分选结果。
进一步地，所述步骤2-3-1具体包括：
U-Net分割网络所输出的对
Figure BDA0003617806040000056
的分割结果为
Figure BDA0003617806040000057
由N个分割向量
Figure BDA0003617806040000058
构成；
Figure BDA0003617806040000059
是一个K+1维向量，yi 0～yi K-1是
Figure BDA00036178060400000510
的第i个频率特征点属于第0～(K-1)已知目标的概率，yi K是
Figure BDA00036178060400000511
的第i个频率特征点不属于任何目标的概率；
Figure BDA00036178060400000512
的分割结果为
Figure BDA00036178060400000513
是一个长度为N的向量；其中，segi是
Figure BDA00036178060400000514
的第i个频率特征点所属目标的编号；segi用
Figure BDA00036178060400000515
计算：
Figure BDA0003617806040000061
即segi等于
Figure BDA00036178060400000611
中最大值的索引号；当0≤segi＜K时，表示
Figure BDA0003617806040000062
的第i个频率特征点属于第segi个已知目标；当segi＝K时，表示
Figure BDA0003617806040000063
的第i个频率特征点不属于任何已知目标；
所述步骤2-3-2具体包括：
统计与
Figure BDA0003617806040000064
所对应的
Figure BDA0003617806040000065
的所有频率特征点的分割结果，取其中最优的分割结果作为
Figure BDA0003617806040000066
所属目标的分类tgtNop，
Figure BDA0003617806040000067
即为最终的分选结果。
由于采用了上述技术方案，本发明具有如下的优点：本发明所提出的分选模型在PDW序列预处理环节尽可能地保留了信号在时域和频域的联合特征，通过U-Net强大的分割能力来实现PDW序列的分选；本发明采用有监督学习方法来训练U-Net分割网络，一旦较充分地截获到了能够代表单目标信号特征的脉冲序列片段，就可以用本发明中所述的数据增强方法构建任意多个已知目标的
Figure BDA0003617806040000068
数据来训练U-Net分割网络，提升对已知目标的分选能力；在生成
Figure BDA0003617806040000069
时，如果有多个脉冲在时域上交叠，需首先把多个脉冲合并为一个脉冲，合并可能造成
Figure BDA00036178060400000610
局部失真。因此，如果面临的信号环境信号占空比特别高，且多信号交叠特别严重，本发明中的方法性能会受到一定影响。在本发明实例中各个目标的占空比在7％～10％之间，试验表明分选性能依然很好；最后，因为有监督学习的前提是已经截获到了能够代表目标的脉冲序列片段，因此本发明的方法不能用于对未知目标的分选。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于U-Net的信号分选总体框图示意图；
图2为本发明实施例的一种频率特征图及其标签可视化(片段)示意图；
图3为本发明实施例的一种脉冲合并结果示意图；
图4为本发明实施例的一种训练和验证曲线示意图；
图5为本发明实施例的一种分割结果可视化示意图。
具体实施方式
结合附图和实施例对本发明作进一步说明，显然，所描述的实施例仅是本发明实施例一部分实施例，而不是全部的实施例。本领域普通技术人员所获得的所有其他实施例，都应当属于本发明实施例保护的范围。
实施例一：
在本实施例中将始终用带
Figure BDA0003617806040000076
的字符来表示超向量，用带
Figure BDA0003617806040000077
的字符表示普通向量。组成超向量的元素是向量，相比之下，组成普通向量的元素则是标量。
设目标空间中有K个已知目标，分别为第0#～第(K-1)#目标，本发明提出了一种全新的信号分选方法，其输入是时域上时长固定的时间片(记该时长为T)内的PDW(PulseDescriptiveWord)序列
Figure BDA0003617806040000071
基于U-Net信号分选模型对其进行处理，输出
Figure BDA0003617806040000072
中所有脉冲的目标编号：目标编号可能取值范围是0～K-1，表示脉冲属于第0#～第(K-1)#已知目标，或者K，表示脉冲不属于任何已知目标。
参见附图图1所示，基于U-Net的信号分选模型由数据预处理、U-Net分割网络和后处理三部分组成。第一步是把
Figure BDA0003617806040000073
预处理为频率特征图
Figure BDA0003617806040000074
(FrequencyFeatureMap)，
Figure BDA0003617806040000075
表征了信号的到达时间、脉宽和频率的联合特征，
Figure BDA0003617806040000081
中的各个脉冲分别和
Figure BDA0003617806040000082
中的某些频率特征点ffp(FrequencyFeaturePoint)相对应；第二步用U-Net分割网路来分割
Figure BDA0003617806040000083
中的各个ffp，给出其分别属于不同目标，或不属于任何目标的概率；第三步逐脉冲统计与脉冲对应的ffp的分割结果，得到所有脉冲所属的目标类别向量
Figure BDA0003617806040000084
此即信号分选结果。从U-Net信号分选模型的输出可以看出，相比经典的分选算法，分选模型在实现信号分选的同时，还同步实现了对
Figure BDA0003617806040000085
中所有脉冲的目标识别。
为获得高性能的U-Net分割网络，本发明中构造由
Figure BDA0003617806040000086
数据对构成的数据集，用有监督学习方法来训练U-Net分割网络，其中
Figure BDA0003617806040000087
是和
Figure BDA0003617806040000088
相对应的标签。为增加数据集的覆盖性，本发明中还介绍了充分利用已知目标的PDW序列模板
Figure BDA0003617806040000089
来生成多目标
Figure BDA00036178060400000810
的数据增强方法。
Figure BDA00036178060400000811
ffp、
Figure BDA00036178060400000812
以及
Figure BDA00036178060400000813
等概念接下来在本节中将进一步详细介绍。
a)数据预处理
首先根据信号环境设定处理时间长度T，且限定T为某个预设的切片长度Δt的整数倍，即T＝Δt×N，N为整数。时长T内包含了M个脉冲的PDW序列，记为
Figure BDA00036178060400000814
是由M个脉冲特征参数向量
Figure BDA00036178060400000815
(0≤p<M)所组成的超向量，其中
Figure BDA00036178060400000816
Frep、PWp、TOAp分别是第p脉冲的归一化频率(根据感兴趣的频段范围进行归一化，具体的频段范围根据信号环境和分选需求定义)，脉宽和到达时间。除了Frep、PWp、TOAp，脉冲的特征参数还包含幅度、方位等其他一些信息，这些信息在本发明中没有利用。
预处理的目标是利用
Figure BDA00036178060400000817
生成
Figure BDA00036178060400000818
便于后续用U-Net网络处理。
Figure BDA0003617806040000092
，是由N(＝T/Δt)个ffp组成的长度为N的向量，其中ffpi是
Figure BDA0003617806040000093
的第i个频率特征点，定义如下：
Figure BDA0003617806040000091
训练U-Net需要生成和
Figure BDA0003617806040000095
相对应的标签
Figure BDA0003617806040000096
在此一并说明。
Figure BDA0003617806040000097
是由N个标签向量
Figure BDA0003617806040000098
(0≤i<N)所构成的超向量，其中
Figure BDA0003617806040000099
是一个K+1维的1-hot向量，和频率特征点ffpi所属的目标编号构成一一对应关系。
Figure BDA00036178060400000910
的取值为[1,0,…,0]T、[0,1,0,…,0]T，…,[0,0,…1,0]T时，对应的目标编号是0、1，…，K-1，分别表示ffpi属于第0#、第1#，…，第(K-1)#已知目标，取值为[0,…,0,1]T时，对应的目标编号是K，表示ffpi不属于任何一个目标。
Figure BDA00036178060400000911
的取值和目标类别之间也可以用其他方式建立一一对应关系，例如也可以用[1,0,…,0]T来表示ffpi不属于任何一个目标，这种调整仍然在本发明的保护范围之内。
利用
Figure BDA00036178060400000912
生成
Figure BDA00036178060400000913
及其对应的标签
Figure BDA00036178060400000914
的示例见附图图2，图2中只有1个脉冲(属于3#目标，归一化频率0.5，脉宽3.2μs，到达时间1.5μs)，图中显示的标签值直接用目标编号来表示，这和1-hot向量的表示法是完全等效的。该示例中设定K＝5，因此不属于任何脉冲(因此也就不属于任何目标)的频率特征点的标签值＝5。
在生成
Figure BDA00036178060400000915
时，假如两个脉冲在时域上有交叠，需先将两个脉冲合并为一个脉冲，然后再生成
Figure BDA0003617806040000094
。合并脉冲时，频率取先到脉冲的频率，脉宽取两个脉冲的脉宽和减去其交叠长度。如有超过2个脉冲出现时域上的交叠，依此类推将其全部合并。图3显示了时域上交叠的2个脉冲合并后的结果。脉冲合并会导致
Figure BDA0003617806040000101
在局部的失真，U-Net网络对此有一定的适应能力。
b)U-Net分割网络
生成
Figure BDA0003617806040000102
后，可以用U-Net分割网络来输出对各个ffpi的分割结果。U-Net网络最初用于处理二维图像，但频率特征图并非一张二维的图像，而是一维数组，因此需要针对该特点设计U-Net网络，要点包括：
1)输入层是1维数组，通道数＝1；
2)所有卷积层采用1维卷积操作；
3)输出层的通道数＝K+1，如前所述，K是目标空间中已知目标的数量。
0是实施例二中所使用的U-Net网络，根据具体的信号环境，U-Net网络的构型可以进行局部调整，例如输出层通道数，上下采样的比例可以和实施例二中的表1不同，但无论网络的具体结构如何，只要是用U-Net网络来对
Figure BDA0003617806040000103
进行分割，就都在本发明的保护范围之内。
训练U-Net网络需要生成训练和验证数据集。数据集由大量形如
Figure BDA0003617806040000104
的数据对构成。利用
Figure BDA0003617806040000105
生成
Figure BDA0003617806040000106
及其对应
Figure BDA0003617806040000107
的方法已在本节-a)中阐述，
Figure BDA0003617806040000108
可以从侦收所获得的PDW序列中截取。根据生成
Figure BDA0003617806040000109
所用的
Figure BDA00036178060400001011
中
Figure BDA00036178060400001010
所属的目标数量，
Figure BDA00036178060400001012
分为多种类型。如果
Figure BDA00036178060400001013
中的所有
Figure BDA00036178060400001014
全部来源于同一个目标，称对应的
Figure BDA00036178060400001015
为单目标
Figure BDA00036178060400001016
；如果来源于2个不同的目标，称为2目标
Figure BDA00036178060400001017
；3目标
Figure BDA00036178060400001018
或更多目标
Figure BDA00036178060400001019
的定义依此类推。
只用侦收获得的PDW序列来构建数据集，受实际侦收获得数据的限制，数据集中对各种情形的覆盖性可能不够，例如如果没有收到过某两个目标的交错信号，就会导致数据集无法覆盖这种情形，进而导致训练出的U-Net信号分选模型难以分选混合了这两类目标的PDW序列。针对这个问题，本节d)中介绍了数据增强方法，用多个单目标PDW序列来生成多目标
Figure BDA0003617806040000111
，解决数据集覆盖性问题。
数据集构建完毕后，即可以用经典的有监督学习方法来训练U-Net网络，训练U-Net的目标是最小化U-Net的分割结果和标签之间的差异。业界常见的各种机器学习平台(例如keras、caffe，以及pytorch等)都能提供有监督学习算法支持，进一步的细节本发明中不再赘述。
c)后处理
后处理分两个步骤。
1)根据U-Net网络的输出计算所有ffpi的分割结果
U-Net分割网络所输出的对
Figure BDA0003617806040000112
的分割结果为
Figure BDA0003617806040000113
，是由N个分割向量
Figure BDA0003617806040000114
构成的超向量。
Figure BDA0003617806040000115
是一个K+1维向量，
Figure BDA0003617806040000116
，
Figure BDA0003617806040000117
的含义分别是ffpi属于0#～(K-1)#已知目标，以及不属于任何目标的概率。
对
Figure BDA0003617806040000118
的分割结果
Figure BDA0003617806040000119
是一个长度为N的向量，其中segi是ffpi所属目标的编号。segi可以用
Figure BDA00036178060400001110
来计算：
Figure BDA00036178060400001111
即segi等于yi 0～yi K中最大值的索引号。显然有0≤segi≤K，当0≤segi＜K时，表示ffpi属于第segi#已知目标；当segi＝K时，表示其不属于任何已知目标。图5中显示了实施实例中的分割结果，其中，时间(×0.2μs)表示时间轴上的每个点需要乘上0.2微秒(即切片的长度)。
2)计算分选结果
Figure BDA00036178060400001113
统计和某个
Figure BDA00036178060400001114
(0≤p＜M)所对应的所有ffpi的分割结果，取其中占优势地位的分割结果作为
Figure BDA00036178060400001115
所属目标的分类tgtNop。例如，假如某个
Figure BDA00036178060400001116
(脉宽1μs，Δt＝0.2μs)对应了5个频率特征点ffp10～ffp14，其对应的seg10～seg14是[1,1,1,1,3]，则tgtNop＝1，即输出
Figure BDA00036178060400001117
属于1#已知目标。
Figure BDA0003617806040000121
即为最终的分选结果。
d)数据增强
设已经获得了目标空间中K个已知目标的PDW序列模板
Figure BDA0003617806040000122
，以2目标
Figure BDA0003617806040000123
为例，用
Figure BDA0003617806040000124
(r≠s)生成2目标
Figure BDA0003617806040000125
的方法如下所示。生成更多目标
Figure BDA0003617806040000126
的方法以此类推：
1)选定
Figure BDA0003617806040000127
，其中0≤r<K，设其到达时间范围为[TOAStartr,TOAEndr]；
2)从[TOAStartr,TOAEndr]中随机截取时长为T(此即之前所述的“时域上时长固定的时间片”的长度)的片段，令其起始时间为x0，从
Figure BDA0003617806040000128
中截取该时段内所包含的脉冲序列片段，记该片段中脉冲个数为PNr，将其中所有脉冲的TOA减去x0，得到
Figure BDA0003617806040000129
；
3)选定
Figure BDA00036178060400001210
，用与2)相同的方法从中截取脉冲序列片段
Figure BDA00036178060400001211
4)把
Figure BDA00036178060400001212
和
Figure BDA00036178060400001213
合并到一起，并按照TOA从小到大排序，再合并时域上交叠的脉冲，得到
Figure BDA00036178060400001214
如果没有需要合并的时域交叠脉冲，则PN＝PNr+PNs，否则M是一个略小于PNr+PNs的数值；
5)按照本节a)中的方法用
Figure BDA00036178060400001215
生成
Figure BDA00036178060400001216
本发明实例中的数据集由单目标、2目标和3目标
Figure BDA00036178060400001217
构成，根据信号环境的实际情况和分选的具体要求，在应用本发明时也可以构建由更多目标
Figure BDA00036178060400001218
所组成的数据集来训练U-Net网络。
实施例二：
本发明的实施方式不受本节实施实例的限制。
实施实例为信号分选仿真实验，仿真软件使用Python+keras框架开发。
试验中设定目标空间中已知目标数量K＝5，各个已知目标的信号参数设置见表1所示。由表1可见，仿真试验中5个已知目标全部设定为常规信号。尽管信号样式简单，但信号参数高度雷同，仍可以充分验证U-Net分割网络的分选能力。在5个目标中，0#和1#目标的频率、重频完全相同，只有脉宽不同，1#和2#目标只有频率不同，3#和4#目标则是只有重频不同。
表1 已知目标信号参数
序号 归一化频率 Pri(μs) 脉宽(μs)
0 0.1 15 1.5
1 0.1 15 1.2
2 0.9 15 1.2
3 0.6 13 0.9
4 0.6 11 0.9
本实例中设定时间片长度T＝3.2768ms，切片长度Δt＝200ns，显然有N＝3.2768ms/200ns＝16384。U-Net分割网络的网络结构如表2所示。
表2 U-Net分割模型网络结构
Figure BDA0003617806040000131
Figure BDA0003617806040000141
Figure BDA0003617806040000151
训练U-Net分割网络的训练参数设置如下：
1)每个训练轮次训练20个batch；
2)每个batch中包含40个
Figure BDA0003617806040000152
。其中10个单目标
Figure BDA0003617806040000153
(0#～4#目标×2)，20个2目标(0#～4#两两组合×2)，10个3目标(0#～4#三三组合)；
3)使用Adam优化算法；
4)损失函数为多分类交叉熵损失函数；
5)初始学习率设定为0.001；
6)网络性能评估指标使用验证集精度；
7)连续16个训练轮次s性能无改善学习率减半，连续40个训练轮次s无改善终止训练。
构建数据集时，由于数据占用存储空间非常大，因此数据集不预先全部生成，而是用keras的内嵌方法为每个训练轮次生成并更新训练和验证数据集。
仿真试验中，训练132个训练轮次后验证集上
Figure BDA0003617806040000161
的分割准确率达到峰值99.88％。训练曲线见附图图4所示。
接下来连续10次重新生成测试数据评估已经训练好的U-Net网络，平均分割准确率为99.81％。
选择测试数据集中某个3目标
Figure BDA0003617806040000162
(包含1#、3#和4#目标的交错PDW序列)显示其分割结果，见附图图5所示。图5(a)-(d)分别是
Figure BDA0003617806040000166
Figure BDA0003617806040000164
以及
Figure BDA0003617806040000165
的可视化显示(片段)。仿真试验中没有输出和显示最终的分选结果
Figure BDA0003617806040000167
而是显示后处理的第1个步骤的输出
Figure BDA0003617806040000168
原因是这样做更加能够体现本发明的特点，而且
Figure BDA0003617806040000169
和
Figure BDA00036178060400001610
的准确率高度正相关，显示
Figure BDA0003617806040000163
已经足以说明问题。
图5中包含了1#目标的2个脉冲，3#和4#目标各4个脉冲，共10个脉冲交错在一起。其中，3#目标和4#目标的第2个脉冲恰好完全重叠，且和1#目标的第1个脉冲部分交叠，其他脉冲时域上没有交叠。
由图5可见，所有不交叠的脉冲，其分割结果和标签完全一致。3个发生了交叠的脉冲中，1#目标的第1个脉冲虽然因为脉冲合并，其频率特征值在预处理时出现失真，从0.1变成了0.6，但在其不交叠的部分分割结果仍然提示其是1#目标，说明即使频率出现失真，U-Net分割网络仍能够根据PW和PRI信息还原出目标信息；4#目标的第2个脉冲被误分为3#目标，和其标签值不一致，但进一步分析，3#目标和4#目标的第2个脉冲本就完全重叠，且频率、脉宽完全相同，这种情况下丢失一个脉冲是必然的，分割结果不论是3#还是4#目标都是正确的分割。
无论是验证集精度、测试集精度还是可视化结果，均表明只要多个目标的频率、脉宽和pri这3个参数中，只要有任何1个具备可分性，U-Net网络就可以很好地实现分割。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于U-Net分割网络的信号分选方法，其特征在于，具体包括：
步骤1：训练U-Net分割网络；
步骤2：将待分选的PDW序列经过预处理后，输入训练好的U-Net分割网络，得到所述待分选的PDW序列对应的分选结果；所述分选结果为所述待分选的PDW序列中的所有脉冲所属目标分类。
2.根据权利要求1所述的方法，其特征在于，所述步骤1具体包括：
步骤1-1：构建数据集；所述数据集由大量
Figure FDA0003617806030000011
数据对组成；
步骤1-2：设计U-Net分割网络；
步骤1-3：有监督训练U-Net分割网络。
3.根据权利要求2所述的方法，其特征在于，所述步骤1-1具体包括：
步骤1-1-1：用PDW序列生成
Figure FDA0003617806030000012
首先根据信号环境设定处理时间长度为T，且限定T为预设的切片长度Δt的整数倍，即T＝Δt×N，N为正整数；时间长度T内包含M个脉冲的PDW序列，记为
Figure FDA0003617806030000013
其是由M个脉冲特征参数向量
Figure FDA0003617806030000014
所组成的向量，0≤p<M，其中，
Figure FDA0003617806030000015
Frep、PWp和TOAp分别为第p脉冲的归一化频率、脉宽和到达时间；
Figure FDA0003617806030000016
为频率特征图，其是由N个ffp组成的长度为N的向量，其中，N＝T/Δt，ffpi是
Figure FDA0003617806030000017
的第i个频率特征点，定义如下：
Figure FDA0003617806030000018
步骤1-1-2：生成标签
Figure FDA0003617806030000019
Figure FDA0003617806030000021
是由N个标签向量
Figure FDA0003617806030000022
所构成的向量，其中，0≤i<N，
Figure FDA0003617806030000023
是K+1维的1-hot向量，和频率特征点ffpi所属的目标编号构成一一对应关系，K表示目标空间中已知目标的数量。
4.根据权利要求3所述的方法，其特征在于，当
Figure FDA0003617806030000024
的取值分别为[1,0,…,0]T、[0,1,0,…,0]T，…,[0,0,…1,0]T时，对应的目标编号依次为0、1，…，K-1，分别表示ffpi属于第0个、第1个，…，第K-1个已知目标；当
Figure FDA0003617806030000025
的取值为[0,…,0,1]T时，对应的目标编号为K，表示ffpi不属于任何一个目标。
5.根据权利要求3所述的方法，其特征在于，所述步骤1-1中的数据集还能够通过数据增强的方法获取，具体为：
设已经获得了目标空间中K个已知目标的PDW序列模板
Figure FDA0003617806030000026
以2目标
Figure FDA0003617806030000027
数据对为例，用
Figure FDA0003617806030000028
和
Figure FDA0003617806030000029
生成2目标
Figure FDA00036178060300000210
数据对的方法为步骤1)至步骤5)，其中，r≠s，而生成更多目标
Figure FDA00036178060300000211
数据对的方法以此类推：
步骤1)：选定
Figure FDA00036178060300000212
其中0≤r<K，设其到达时间范围为[TOAStartr,TOAEndr]；
步骤2)：从[TOAStartr,TOAEndr]中随机截取时间长度为T的片段，令其起始时间为x0，从
Figure FDA00036178060300000213
中截取该时段内所包含的脉冲序列片段，记该片段中脉冲个数为PNr，将其中所有脉冲的TOA减去x0，得到
Figure FDA00036178060300000214
步骤3)：选定
Figure FDA00036178060300000215
用与2)相同的方法从中截取脉冲序列片段
Figure FDA00036178060300000216
步骤4)：把
Figure FDA00036178060300000217
和
Figure FDA00036178060300000218
合并到一起，并按照TOA从小到大排序，再合并时域上交叠的脉冲，得到
Figure FDA0003617806030000031
如果没有需要合并的时域交叠脉冲，则PN＝PNr+PNs，否则M是一个略小于PNr+PNs的数值；
步骤5)：按照所述步骤1-1中的方法用
Figure FDA0003617806030000032
生成
Figure FDA0003617806030000033
数据对。
6.根据权利要求5所述的方法，其特征在于，所述步骤1-3具体包括：
将通过所述步骤1)至步骤5)得到的
Figure FDA0003617806030000034
数据对作为所述步骤1-2得到的设计好的U-Net分割网络的训练样本集，通过有监督学习方法训练U-Net分割网络。
7.根据权利要求2所述的方法，其特征在于，所述步骤1-2具体包括：
U-Net分割网络最初用于处理二维图像，但
Figure FDA0003617806030000035
并非一张二维的图像，而是一维数组，因此需要针对该特点设计U-Net分割网络，其设计要点包括：
输入层是1维数组，通道数＝1，所有卷积层采用1维卷积操作，输出层的通道数＝K+1，K是目标空间中已知目标的数量。
8.根据权利要求2所述的方法，其特征在于，所述步骤1-3具体包括：
将所述步骤1-1得到的大量
Figure FDA0003617806030000036
数据对作为所述步骤1-2得到的设计好的U-Net分割网络的训练样本集，通过有监督学习方法训练U-Net分割网络。
9.根据权利要求3所述的方法，其特征在于，所述步骤2具体包括：
步骤2-1：把待分选的PDW序列预处理为
Figure FDA0003617806030000037
采用所述步骤1-1-1中的方法将PDW序列预处理为
Figure FDA0003617806030000038
步骤2-2：采用所述步骤1中训练好的U-Net分割网络分割
Figure FDA0003617806030000039
步骤2-3：后处理分割结果，得到最终的分选结果；所述步骤2-3包括：
步骤2-3-1：根据U-Net分割网络的输出计算所有频率特征点的分割结果；
步骤2-3-2：计算分选结果。
10.根据权利要求9所述的方法，其特征在于，所述步骤2-3-1具体包括：
U-Net分割网络所输出的对
Figure FDA0003617806030000041
的分割结果为
Figure FDA0003617806030000042
Figure FDA0003617806030000043
由N个分割向量
Figure FDA0003617806030000044
构成；
Figure FDA0003617806030000045
是一个K+1维向量，yi 0 ～yi K-1是
Figure FDA0003617806030000046
的第i个频率特征点属于第0～(K-1)已知目标的概率，yi K是
Figure FDA0003617806030000047
的第i个频率特征点不属于任何目标的概率；
Figure FDA0003617806030000048
的分割结果为
Figure FDA0003617806030000049
Figure FDA00036178060300000410
是一个长度为N的向量；其中，segi是
Figure FDA00036178060300000411
的第i个频率特征点所属目标的编号；segi用
Figure FDA00036178060300000412
计算：
Figure FDA00036178060300000413
即segi等于yi 0～yi K中最大值的索引号；当0≤segi＜K时，表示
Figure FDA00036178060300000414
的第i个频率特征点属于第segi个已知目标；当segi＝K时，表示
Figure FDA00036178060300000415
的第i个频率特征点不属于任何已知目标；
所述步骤2-3-2具体包括：
统计与
Figure FDA00036178060300000416
所对应的
Figure FDA00036178060300000417
的所有频率特征点的分割结果，取其中最优势的分割结果作为
Figure FDA00036178060300000418
所属目标的分类tgtNop，
Figure FDA00036178060300000419
即为最终的分选结果。
CN202210448789.1A 2022-04-27 2022-04-27 一种基于U-Net分割网络的信号分选方法 Active CN114925721B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210448789.1A CN114925721B (zh) 2022-04-27 2022-04-27 一种基于U-Net分割网络的信号分选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210448789.1A CN114925721B (zh) 2022-04-27 2022-04-27 一种基于U-Net分割网络的信号分选方法

Publications (2)

Publication Number Publication Date
CN114925721A true CN114925721A (zh) 2022-08-19
CN114925721B CN114925721B (zh) 2023-04-25

Family

ID=82806626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210448789.1A Active CN114925721B (zh) 2022-04-27 2022-04-27 一种基于U-Net分割网络的信号分选方法

Country Status (1)

Country Link
CN (1) CN114925721B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040023674A1 (en) * 2002-07-30 2004-02-05 Miller Karl A. System and method for classifying signals using timing templates, power templates and other techniques
CN106772261A (zh) * 2016-12-07 2017-05-31 中国船舶重工集团公司第七二四研究所 雷达侦测信号多维特征聚类可视化显示方法
CN108416290A (zh) * 2018-03-06 2018-08-17 中国船舶重工集团公司第七二四研究所 基于残差深度学习的雷达信号特征提取方法
CN110109060A (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分选方法及系统
CN111239692A (zh) * 2020-01-10 2020-06-05 西安电子科技大学 基于深度学习的pri联合脉内信息辐射源信号识别方法
KR20200068051A (ko) * 2018-11-26 2020-06-15 전자부품연구원 스파이킹 뉴럴 네트워크 장치 및 이를 포함하는 지능형 장치
CN112347921A (zh) * 2020-11-06 2021-02-09 中国电子科技集团公司第二十九研究所 Pdw序列预处理方法、系统、计算机设备及存储介质
CN113051070A (zh) * 2021-02-26 2021-06-29 中国人民解放军空军研究院战略预警研究所 一种电磁信号分选方法
CN113866735A (zh) * 2021-06-20 2021-12-31 北京理工大学 基于动态修正混沌粒子群优化的雷达信号分选方法
CN114254141A (zh) * 2021-12-20 2022-03-29 哈尔滨工程大学 一种基于深度分割的端到端雷达信号分选方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040023674A1 (en) * 2002-07-30 2004-02-05 Miller Karl A. System and method for classifying signals using timing templates, power templates and other techniques
CN106772261A (zh) * 2016-12-07 2017-05-31 中国船舶重工集团公司第七二四研究所 雷达侦测信号多维特征聚类可视化显示方法
CN108416290A (zh) * 2018-03-06 2018-08-17 中国船舶重工集团公司第七二四研究所 基于残差深度学习的雷达信号特征提取方法
KR20200068051A (ko) * 2018-11-26 2020-06-15 전자부품연구원 스파이킹 뉴럴 네트워크 장치 및 이를 포함하는 지능형 장치
CN110109060A (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分选方法及系统
CN111239692A (zh) * 2020-01-10 2020-06-05 西安电子科技大学 基于深度学习的pri联合脉内信息辐射源信号识别方法
CN112347921A (zh) * 2020-11-06 2021-02-09 中国电子科技集团公司第二十九研究所 Pdw序列预处理方法、系统、计算机设备及存储介质
CN113051070A (zh) * 2021-02-26 2021-06-29 中国人民解放军空军研究院战略预警研究所 一种电磁信号分选方法
CN113866735A (zh) * 2021-06-20 2021-12-31 北京理工大学 基于动态修正混沌粒子群优化的雷达信号分选方法
CN114254141A (zh) * 2021-12-20 2022-03-29 哈尔滨工程大学 一种基于深度分割的端到端雷达信号分选方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ZHONGYONG WANG等: "Signal Sorting Algorithm of Hybrid Frequency Hopping Network Station Based on Neural Network" *
康智: "基于U-Net的雷达脉冲信号一体化检测、分选和识别" *
张旭威等: "基于深度网络的雷达信号分选" *
郑贺: "一种基于U-Net图像语义分割技术的雷达信号分选方法" *

Also Published As

Publication number Publication date
CN114925721B (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
Ya et al. Large-scale real-world radio signal recognition with deep learning
Dreissigacker et al. Deep-learning continuous gravitational waves
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
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
CN111767848B (zh) 一种基于多域特征融合的辐射源个体识别方法
Li et al. Work modes recognition and boundary identification of MFR pulse sequences with a hierarchical seq2seq LSTM
CN112884059B (zh) 一种融合先验知识的小样本雷达工作模式分类方法
CN107830996B (zh) 一种飞行器舵面系统故障诊断方法
Cain et al. Convolutional neural networks for radar emitter classification
CN112560803A (zh) 基于时频分析与机器学习的雷达信号调制识别方法
Zhou et al. Specific emitter identification via bispectrum-radon transform and hybrid deep model
Ni et al. LPI radar waveform recognition based on multi-resolution deep feature fusion
CN115034261B (zh) 雷达辐射源信号脉间特征提取方法、设备及存储介质
CN116047427B (zh) 一种小样本雷达有源干扰识别方法
Zhang et al. Few-shot learning for fine-grained signal modulation recognition based on foreground segmentation
CN114897002A (zh) 基于LPINet的低截获概率雷达信号脉内调制识别方法
CN111983569B (zh) 基于神经网络的雷达干扰抑制方法
CN114925721A (zh) 一种基于U-Net分割网络的信号分选方法
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
CN111310680A (zh) 一种基于深度学习的辐射源个体识别方法
CN113361204B (zh) 一种基于sae的雷达辐射源pri调制识别方法
CN116243248A (zh) 基于多标签分类网络的多分量干扰信号识别方法
CN112966544B (zh) 一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法
CN115166678A (zh) 复杂场景雷达辐射源脉冲信号分选与认知对抗系统
CN112529035B (zh) 识别不同电台个体种类的智能识别方法

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
GR01 Patent grant
GR01 Patent grant