CN115204211A - 基于深度残差收缩注意力网络的认知侦察识别方法及装置 - Google Patents
基于深度残差收缩注意力网络的认知侦察识别方法及装置 Download PDFInfo
- Publication number
- CN115204211A CN115204211A CN202210570005.2A CN202210570005A CN115204211A CN 115204211 A CN115204211 A CN 115204211A CN 202210570005 A CN202210570005 A CN 202210570005A CN 115204211 A CN115204211 A CN 115204211A
- Authority
- CN
- China
- Prior art keywords
- network
- radar
- pulse
- cognitive
- data
- 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
Images
Classifications
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于深度残差收缩注意力网络的认知侦察识别方法及装置,包括:对原始雷达发射参数数据集进行构建并处理;基于MATLAB对相控阵雷达系统和告警接收机进行仿真,模拟实际空战环境干扰方收集到的各工作模式下的雷达辐射源数据;对每种工作模式进行处理,得到对应的雷达脉冲特征参数,根据参数进行分类,完成认知侦察数据集的构建;构建DRSAN网络,引入通道注意力和软阈值化思想,对构建的认知侦察数据集进行训练学习,并测试网络性能,确定有效性。该方法根据不同的特征描述参数完成认知侦察数据集的构建,对传统深度残差收缩网络进行改进,有效提升对于各不同工作模式时序脉冲序列的识别准确率。
Description
技术领域
本发明涉及工作模式识别技术领域,尤其涉一种基于深度残差收缩注意力网络的认知侦察识别方法及装置。
背景技术
在认知干扰决策中,干扰方首先要面临的一个重要问题就是对敌方雷达进行侦察、感知,确认敌方雷达目前的工作状态。雷达的工作状态是干扰方进行干扰决策的基本依据,同时雷达工作状态的变化也是评估干扰效能的依据。在实际作战环境中,雷达和干扰方的对抗是非合作博弈,干扰方无法直接获取雷达受干扰后的干扰效果,只能通过雷达受干扰前后的状态变化来间接评估干扰效能的好坏,进而优化干扰决策,以达到最大作战效能。
相比于常规雷达,新型多功能雷达可以完成多种雷达任务,具备多种工作模式来对不同战场环境进行侦察。对于对抗方而言,雷达辐射源的工作模式直接决定了雷达的威胁等级,因此对雷达当前工作模式的识别能够提供敌方雷达构成的瞬时威胁程度的线索,以便提前为下一个战术做好准备,具有重要的作战意义。
雷达状态识别的研究起步较晚,在近十年逐渐成为一个热门问题,但研究方法大多集中于使用雷达脉冲参数特征进行特征融合和匹配,将人工智能方法运用到该领域的研究还较少,而人工智能方法在特征提取、环境感知方面有独特的优势,将其应用到雷达状态识别中大有可为。
对雷达而言,雷达的工作状态是当前雷达所使用的工作模式,但对于干扰方而言,无法直接获得敌方雷达的状态,只能通过侦察雷达信号特征参数,利用特定的识别算法推断工作模式。由于雷达工作频段很高,在短时间内能够发射大量脉冲,且特征参数很多,如何根据大量脉冲和特征参数准确判断雷达工作模式是个难题;同时由于环境的复杂性,通常干扰方接收到的雷达数据中含有大量噪声和冗余信息。本发明考虑使用注意力机制对不同脉冲特征进行加权,引入降噪算法中的软阈值思想,并通过残差结构搭建深层网络来对雷达数据进行特征提取,并根据侦察数据的特点,将网络层中的操作特化为一维操作,来应对雷达信号工作模式识别遇到的问题。因此,应用一种方法,基于对雷达辐射源的深入分析,构建一套不同雷达工作模式的参数集,并在经过雷达发射、干扰机告警器接收后形成侦察数据集是非常有必要的。
发明内容
本发明所要解决的一个主要技术问题是,在对雷达辐射源数据进行一套不同雷达工作模式的参数集构建,并在经过雷达发射、干扰机告警器接收后形成侦察数据集。
为了实现上述目的,本发明提供了一种基于深度残差收缩注意力网络的认知侦察识别方法,包括以下步骤:
构建雷达发射参数数据集;
对所述参数数据集进行仿真,得到各种工作模式混合的雷达辐射源数据;
通过信号截断等处理方法对所述各种工作模式下的雷达辐射源数据进行处理,提取得到对应的雷达脉冲特征参数,对工作模式按顺序编号并处理,完成认知侦察数据集的构建;
构建DRSAN网络(Deep Residual Shrinkage Attention Network,深度残差收缩注意力网络),将所述DRSAN网络作为雷达辐射源数据侦察识别网络;
利用所述认知侦察数据集,对所述DRSAN网络进行训练,训练完成后,得到对于多种不同工作模式时序脉冲序列的识别图像。
进一步地,所述构建雷达发射参数数据集的步骤,具体包括:
采集原始雷达信号数据;
根据每种工作模式的参数范围及脉内调制方式、PRI变化特点,为每种工作模式设计特定的工作模式脉冲组结构,包含脉冲个数N_Pulse、脉冲脉内类型PM、脉冲宽度PW、脉冲重复间隔PRI、脉冲带宽BW以及脉冲载频RF六种参数;
针对所述原始雷达信号数据,根据不同工作模式的特点对PRI、PW、RF进行固定和设定脉组组结构的变化规律,建立不同工作模式参数数据集,即雷达发射参数数据集。
进一步地,对所述参数数据集进行仿真,得到各种工作模式下的雷达辐射源数据的步骤,具体包括:
基于MATLAB对相控阵雷达系统发射脉冲数据,对告警接收机侦察截获脉冲信号来模拟实际空战环境干扰方进行仿真系统建模;
对不同工作模式雷达发射参数数据通过所述系统模型进行仿真,得到10种工作模式下的雷达辐射源数据。
进一步地,对所述雷达辐射源数据通过包括信号截断、包络检测、信道化滤波、非相参积累、二维MUSIC估计、二进制伪维格纳维尔和霍夫变换提取的处理方法,提取得到对应的雷达脉冲特征参数,然后对工作模式进行独热编码处理,作为对应工作模式的样本的标签,完成认知侦察数据集的构建。
进一步地,所述DRSAN网络根据雷达脉冲数据时序特点,以残差结构为基础,融合注意力机制和软阈值化思想,构建一种具有一维卷积、池化结构的通道注意力融合软阈值化的残差收缩单元,并以所述残差收缩单元为基础,发挥残差连接带来的网络深度优势,将其进行纵向堆叠并通过全连接层整合特征。
进一步地,所述DRSAN网络由多个一维残差收缩单元与网络层链接组成,将所述雷达辐射源数据输入所述DRSAN网络,得到残差图像,将所对应的雷达工作模式作为标签,采用交叉熵作为损失函数,进行端到端的训练学习,最终实现所属工作模式识别。
进一步地,每个残差收缩单元在基本的残差结构基础上在最后一层一维卷积层引出一路旁路分支子网络,子网络通过全局平均池化、全连接、正则化等网络层学习得到一组权重阈值,用于进行样本参数特征的软阈值化,对各个参数特征的冗余信息和噪声信息进行过滤,同时通过特征注意力加权,聚焦对每种工作模式识别任务影响更大的特征。
进一步地,所述DRSAN网络的损失函数为:
进一步地,所述残差收缩单元对于雷达状态识别的二维时序序列,具有更好的适应性。
本发明还提供了一种基于深度残差收缩注意力网络的认知侦察识别装置,用于实现上述基于深度残差收缩注意力网络的认知侦察识别方法,包括以下模块:
数据集构建模块,用于构建雷达发射参数数据集并预处理;
数据仿真模块,用于对所述参数数据集进行仿真,得到各种工作模式混合的雷达辐射源数据;
数据处理模块,用于通过信号截断等处理方法对所述各种工作模式下的雷达辐射源数据进行处理,提取得到对应的雷达脉冲特征参数,对工作模式按顺序编号并处理,完成认知侦察数据集的构建;
网络构建模块,用于构建DRSAN网络,将所述DRSAN网络作为认知侦察识别网络;
网络训练模块,利用所述认知侦察数据集,对所述DRSAN网络进行训练,训练完成后,得到对于多种不同工作模式时序脉冲序列的识别图像。
本发明提供的技术方案所带来的有益效果是:可以对雷达辐射源脉冲信号进行不同工作模式下的认知侦察识别,对传统深度残差收缩网络进行改进,有效提升对于各不同工作模式时序脉冲序列的识别准确率。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例中的一种基于深度残差收缩注意力网络的认知侦察识别方法的流程图;
图2是本发明实施例中的雷达脉冲特征参数示意图;
图3是本发明实施例中的残差结构网络示意图;
图4是本发明实施例中的通道注意力机制结构示意图;
图5是本发明实施例中的RWR信号处理仿真过程示意图;
图6是本发明实施例中的RSBU-CW-1D单元示意图;
图7是本发明实施例中的DRSAN的网络结构示意图;
图8是本发明实施例中的DRSAN网络训练过程示意图;
图9是本发明实施例中的测试集10种工作模式混淆矩阵示意图;
图10是本发明实施例中的10种工作模式T-SNE二维可视化结果图;
图11是本发明实施例中的三种识别网络训练过程训练集、验证集和测试集混淆矩阵指标对比示意图(DRSAN,DRSN,ResNet);
图12是本发明实施例中的一种基于深度残差收缩注意力网络的认知侦察识别装置的结构图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
参考图1,图1是本发明实例中的一种基于深度残差收缩注意力网络的认知侦察识别方法的流程图;本发明实例中的一种基于深度残差收缩注意力网络的认知侦察识别方法,包括以下步骤:
S1:构建雷达发射参数数据集。
S1具体包括:
S11、采集原始雷达信号数据;
S12、根据每种工作模式的参数范围及脉内调制方式、脉冲重复间隔PRI变化特点,为每种工作模式设计特定的工作模式脉冲组结构,包含脉冲个数N_Pulse、脉冲脉内类型PM、脉冲宽度PW、脉冲重复间隔PRI、脉冲带宽BW以及脉冲载频RF六种参数;
S13、对所述信号数据根据不同工作模式的特点对PRI、PW、RF进行固定和脉组等变化,建立不同工作模式参数数据集。
S2:对所述参数集进行仿真,得到各种工作模式混合的雷达辐射源数据。
S2具体包括:
S21、基于MATLAB对相控阵雷达系统发射脉冲数据,对干扰机告警接收机(RWR)侦察截获脉冲信号来模拟实际空战环境干扰方进行仿真系统建模;
S22、对所述不同工作模式雷达发射参数数据通过所述系统模型进行仿真,得到10种工作模式下的雷达辐射源数据。
在本实例施例中,由于实际机载雷达工作频率极高,为了减少仿真相控阵雷达系统的计算量,将所有工作模式的载频参数根据参数参考范围迁移到1.5G-2GHz频段,其他参数参考范围不变。10种雷达工作模式参数参考范围及变化如表1所示:
表1雷达工作模式参数参考范围及变化
表中工作模式依次表示:速度搜索(Velocity Search,VS);边搜索边测距(RangeWhile Search,RWS);态势感知(Situation Awareness Mode,SAM);边搜索边跟踪(TrackWhile Search,TWS);高优先级目标模式(High Priority Target,HPT);搜索加跟踪(TrackAnd Search,TAS);单目标跟踪(Single Target Track,STT)。以上是机载雷达在空-空超视距作战中的典型工作模式。
S3:通过信号截断等处理方法对所述各种工作模式下的雷达辐射源数据进行处理,提取得到对应的雷达脉冲特征参数,对工作模式按顺序编号并处理,完成认知侦察数据集的构建。
在本实施例中,仿真雷达根据各个工作模式的参数数据集持续生成对应的脉冲信号,并由相控阵天线辐射至空间环境传播到告警接收机,告警接收机进行拦截并通过信号截断、包络检测、信道化滤波、非相参积累、二维MUSIC估计、二进制伪维格纳维尔、霍夫变换提取等处理方法,提取得到如图2所示的对应的雷达脉冲特征参数:脉冲重复间隔、脉冲持续时间、脉冲带宽、中心频率、脉冲幅度、辐射源方位角和辐射源仰角。然后对工作模式进行独热编码(one-hot)处理,作为对应工作模式的样本的标签,完成认知侦察数据集的构建。参考图5,图5是本发明实施例中的RWR信号处理仿真过程。
S4、构建DRSAN网络,将所述DRSAN网络作为认知侦察识别网络;所述DRSAN网络根据雷达脉冲数据时序特点,以如图3所示的残差结构为基础,融合如图4所示的注意力机制和软阈值化思想,构建一种具有一维卷积、池化结构的通道注意力融合软阈值化的残差收缩单元,并以所述残差收缩单元为基础,发挥残差连接带来的网络深度优势,将其进行纵向堆叠并通过全连接层整合特征。
S5、如图8所示,利用所述认知侦察数据集,对所述基于深度残差收缩注意力网络进行训练,得到对于多种不同工作模式时序脉冲序列的识别图像。所述DRSAN网络由多个一维残差收缩单元与网络层链接组成,将所述雷达辐射源数据输入至所述DRSAN网络,得到残差图像,将所对应的雷达工作模式作为标签,采用交叉熵作为损失函数,进行端到端的训练学习,最终实现所属工作模式的识别。
在本实施例中,深度残差收缩注意力网络(DRSAN网络)是用于对认知侦察数据集进行训练对于多种不同工作模式时序脉冲序列的识别图像。在DRSAN网络中,首先使用一维卷积层对输入雷达脉冲特征数据进行特征提取,得到其特征图,再将特征图送入多个一维残差收缩单元,每个残差收缩单元在基本的残差结构基础上在最后一层一维卷积层引出一路旁路分支子网络,子网络通过全局平均池化、全连接、正则化等网络层学习得到一组权重阈值,用于进行样本参数特征的软阈值化(这里的样本是指对应工作模式的样本,即雷达工作模式),对各个参数特征的冗余信息和噪声信息进行过滤,同时通过特征注意力加权,聚焦对每种工作模式识别任务影响更大的特征。所述样本参数特征包括:脉冲个数N_Pulse、脉冲脉内类型PM、脉冲宽度PW、脉冲重复间隔PRI、脉冲带宽BW以及脉冲载频RF。在子网络中,通过sigmoid激活函数保证输出在0到1之间,从而确保得到的阈值为正值,且不会太大。
参考图7,图7是本发明实施例中的DRSAN网络的结构示意图,其中实线部分表示网络结构,雷达工作模式为网络的输出结果,虚线部分表示多个一维残差收缩单元。DRSAN具体的网络结构和超参数如表2所示。
表2 DRSAN具体的网络结构和超参数
网络层 | 输入尺寸 | 卷积核尺寸 | 卷积核数量 | 滑动步长 | 输出尺寸 |
Input | [1024,5] | - | - | - | [1024,5] |
Conv1D(ReLU) | [1024,5] | 3 | 32 | 1 | [1024,32] |
RSBU-CW-1D | [1024,32] | 3 | 32 | 2 | [512,32] |
RSBU-CW-1D | [512,32] | 3 | 32 | 2 | [256,32] |
RSBU-CW-1D | [256,32] | 3 | 32 | 2 | [128,32] |
RSBU-CW-1D | [128,32] | 3 | 32 | 2 | [64,32] |
RSBU-CW-1D | [64,32] | 3 | 32 | 2 | [32,32] |
RSBU-CW-1D | [32,32] | 3 | 32 | 2 | [16,32] |
Flatten | [16,32] | - | - | - | 512 |
FC1(dropout=0.5) | 512 | - | - | - | 256 |
FC2(dropout=0.5) | 256 | - | - | - | 64 |
FC3(softmax) | 64 | - | - | - | 10 |
其中,Conv1D表示一维卷积层,Conv1D后连接一个ReLU激活层;RSBU-CW-1D表示一维带注意力软阈值化的残差收缩单元;Flatten层将多维输入一维化,用来过渡卷积层和全连接层;FC1、FC2和FC3为全连接层,其中FC1、FC2将深层网络高度抽象化的特征进行整合,并使用Dropout+正则化防止过拟合,Dropout参数为0.5;FC3使用softmax激活函数进行分类,输出工作模式预测结果。为了适应告警接收机所产生的二维数据,网络中的所有卷积、池化操作都特化为一维形式。
DRSAN网络中使用的RSBU-CW-1D(一维残差收缩单元)的结构如图6所示,输入数据为从雷达脉冲特征数据进行特征提取所得到其特征图,所使用的RSBU-CW-1D单元将传统残差收缩单元特化为二维形式,其中C为32,表示输入数据的通道数,W为每个RSBU-CW-1D单元输入尺寸的第一个参数,去除第三个维度;在第一个卷积层中滑动步长为2,其余卷积层滑动步长均为1,所以每经过一个RSBU-CW-1D单元,W维度缩小一半,即输入尺寸为[W,C],输出尺寸为[W/2,C],Conv_1D表示一维卷积层,ReLU为修正线性单元激活函数,通过子网络全局平均池化,FC表示全连接层,sigmoid为全连接层激活函数,average表示特征注意力加权,⊕表示相加。
相比于普通残差收缩单元,本发明的残差收缩单元利用残差跨层连接使网络在进行反向传播训练时,损失能通过恒等映射更方便地反向传播,加快网络收敛速度,同时残差收缩单元能提高网络的深度,使网络具有更优秀的感知和特征提取能力。经过多个堆叠的残差收缩单元后,对得到的特征图进行展平并利用全连接层对抽取到的高维特征进行整合映射,与工作模式进行关联。
DRSAN网络的损失函数可表示如下:
DRSAN网络取消了传统深度残差收缩网络最后的BN\ReLU\GAP层,针对工作模式识别任务,使用三层全连接层进行特征整合和降维,并使用Dropout防止过拟合。虽然普通残差收缩单元对于图像等三维数据能达到较好的效果,但对于雷达状态识别的二维时序序列,RSBU-CW-1D单元有更好的适应性。
在本实施例中,将通过两个实验来展示本发明的不同雷达辐射源数据工作模式识别效果和对传统深度残差收缩网络与传统深度残差网络的实验对比:
实验1:DRSAN网络工作模式识别效果及T-SNE可视化分析。
实验1的目的是让DRSAN网络通过对构建的认知侦察数据集的训练,学习已有数据集的特征,使网络能够对数据集进行不同工作模式的认知侦察识别。
在本实验中,对认知侦察数据集作以下预处理:
(1)数据集共10种工作模式,每种工作模式3000个样本,共计30000个样本,网络在训练前根据各特征参数范围对其进行最大最小归一化,以消除不同特征量纲对训练稳定性的影响;
(2)将其按照8:1:1的比例将数据集划分为训练集、验证集和测试集,即训练集共24000个样本,验证集和测试集各3000个样本,训练集用于网络学习,验证集用来验证训练效果,调整网络参数,测试集用于测试网络性能。
在本实验中,网络训练参数设置策略为:网络使用Adam优化器进行训练,初始学习率为0.001,平滑常数设置为0.9和0.999;epoches设置为300次,每个epoch的批处理大小为64。
经过300轮的迭代学习,网络训练的误差和准确率曲线如图8所示,其中图8(a)表示误差曲线,图8(b)表示准确率曲线。由图8可知,对于24000个样本的训练集能够达到100%的准确率,对于3000个验证集样本能够达到99.86%的准确率。从训练过程曲线可以看出,网络在第100轮学习时训练集的误差已经基本收敛,但验证集误差还有下降空间,此时的训练集准确度为99.38%,验证集的准确度为97.46%,说明此时网络对于工作模式特征还未完全提取,泛化性还有提升空间;随着网络的继续训练,在第200轮时,训练集和验证集的误差和准确率基本达到饱和,训练集和验证集的准确度分别为99.95%和99.60%。
在第281轮,DRSAN网络在验证集上达到最低误差,最高准确率为99.86%,取此时的网络作为最终的认知侦察识别网络,对剩下3000个从未进行学习的测试集样本进行测试,根据各个工作模式识别正确的数量和总数量绘制混淆矩阵,如图9所示,其中图9(a)表示正确个数混淆矩阵,图9(b)表示归一化混淆矩阵。
由于进行数据集划分时对各个工作模式的样本进行了随机混洗,因此测试集中每种工作模式的样本总量并不相同,但基本在300个左右。根据识别正确个数混淆矩阵可以看到,对于总共3000个工作模式测试集样本,识别正确的有2993个,有7个数据样本识别错误;而从归一化混淆矩阵可以看到,本发明所构建的DRSAN网络在进行针对性学习后,对于完全未学习过的未知工作模式样本数据,可以达到99.77%的准确率,说明所使用的方法能够对雷达工作模式进行准确有效地识别。
雷达工作模式样本由能够代表脉冲信息的多个维度进行表征,本实施例构建的样本为[1024,5]维度。而深度学习对数据感知提出到的特征也是高维度特征,为具象化DRSAN网络的特征提取能力,本实施例从训练集中随机抽取5000个样本使用T-SNE(t-distributed stochastic neighbor embedding,t分布邻域嵌入算法)对进入网络前后的样本特征进行可视化分析,如图10所示,图10(a)表示输入网络前,图10(b)表示网络提取后。
T-SNE的结果显示,在经过网络训练前,雷达不同工作模式样本具有不同的特征,体现在部分工作模式与其他工作模式特征交叉较少,但很多工作模式由于参数范围有交叉混叠,所以在T-SNE可视化结果中混杂在一起,无法直接进行识别,但在经过DRSAN网络端对端的迭代学习后,通过注意力加权和深层次的特征提取,网络从大量工作模式数据样本中抽象得到不同工作模式的高维特征表示,从而建立对不同工作模式的认知,从T-SNE结果中可以看到不同工作模式可以被很好区分,因此当有新的样本输入到DRSAN网络后,能够快速判断其所属工作模式。
实验1表明,基于雷达脉冲数据二维时序的特点,通过引入通道注意力和软阈值化思想的深度残差收缩注意力网络对于10种不同工作模式时序脉冲序列能达到99.77%的识别准确率,能有效完成侦察识别任务。
实验2:测试DRSAN网络,传统深度残差收缩网络(DRSN),传统深度残差网络(ResNet)在同一数据集下的效果,并进行对比。
实验2的目的是测试三种识别网络的效果对比。
在本实验中,三种网络在训练过程中指标对比曲线如图11所示,其中图11(a)表示训练集误差曲线,图11(b)表示训练集准确率曲线,图11(c)表示验证集误差曲线,图11(d)表示验证集准确率曲线,训练完后取验证集中误差最低的网络对测试集进行测试,其中图11(e)表示DRSN测试集混淆矩阵,图11(f)表示ResNet测试集混淆矩阵。
由图11(a)、(b)可以看到,本实施例所使用的DRSAN网络在对训练集数据进行拟合时能够更快速收敛,同时相比DRSN和ResNet网络有更低的训练误差。由于三种网络都使用了残差连接结构,能够构建更深的网络层数而不造成网络退化,所以在训练集准确率上未见明显差别,都能达到99%以上的准确率,说明对训练集都能达到不错的拟合效果。
但在图11(c)、(d)中的验证集效果上,DRSN和ResNet网络的准确率有明显下降,说明在泛化性上,两种网络不能很好适应雷达脉冲的二维数据特点;且在验证集中,相比引入注意力机制的具有残差收缩单元的深度收缩网络,ResNet在训练前期出现误差收敛不稳定的现象,且准确率在前期较低,而具有残差收缩单元的两种注意力网络未出现该现象,说明引入注意力机制和软阈值化思想,对于雷达工作模式任务有明显效果,具有更高的稳定性。
经过训练后,选择验证集误差最低的网络作为DRSN和ResNet的最终训练结果,并在3000个测试集样本上进行测试,结果如图11(e)、(f)所示,由混淆矩阵可以看到两种网络也能很好识别不同的工作模式,分别能达到98.03%和98.6%的测试集准确率,而本实施例改进的DRSAN相比两种网络分别有1.74%和1.17%的提高,验证了本实施例改进方法对于雷达工作模式识别任务的有效性。
实验2表明,根据雷达脉冲数据时序特点,以残差收缩单元为基础,融合注意力机制和软阈值化思想,发挥残差连接带来的网络深度优势,将其进行纵向堆叠并通过全连接层整合特征,最终得到用于认知侦察识别的深度残差收缩注意力网络(DRSAN)对雷达工作模式识别具有更好的效果。
作为可选地实施方式,本发明实施例还提供了一种基于深度残差收缩注意力网络的认知侦察识别装置,该装置用于实现上述基于深度残差收缩注意力网络的认知侦察识别方法,参考图12,该装置包括以下模块:
数据集构建模块1,用于构建雷达发射参数数据集;
数据仿真模块2,用于对所述参数数据集进行仿真,得到各种工作模式混合的雷达辐射源数据;
数据处理模块3,用于通过信号截断等处理方法对所述各种工作模式下的雷达辐射源数据进行处理,提取得到对应的雷达脉冲特征参数,对工作模式按顺序编号并处理,完成认知侦察数据集的构建;
网络构建模块4,用于构建DRSAN网络,将所述DRSAN网络作为认知侦察识别网络;
网络训练模块5,利用所述认知侦察数据集,对所述DRSAN网络进行训练,训练完成后,得到对于多种不同工作模式时序脉冲序列的识别图像。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为标识。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于深度残差收缩注意力网络的认知侦察识别方法,其特征在于,包括以下步骤:
S1:构建雷达发射参数数据集;
S2:对所述参数数据集进行仿真,得到多种工作模式混合的雷达辐射源数据;
S3:对各种工作模式下的雷达辐射源数据进行处理,提取得到对应的雷达脉冲特征参数,对工作模式按顺序编号并处理,完成认知侦察数据集的构建;
S4:构建DRSAN网络;
S5:利用所述认知侦察数据集,对所述DRSAN网络进行训练,训练完成后,得到对于多种不同工作模式时序脉冲序列的识别图像。
2.如权利要求1所述的一种基于深度残差收缩注意力网络的认知侦察识别方法,其特征在于,步骤S1中,所述构建雷达发射参数数据集的步骤,具体包括:
采集原始雷达信号数据;
根据每种工作模式的参数范围及脉内调制方式、脉冲重复间隔PRI变化特点,为每种工作模式设计特定的工作模式脉冲组结构,该结构包含脉冲个数N_Pulse、脉冲脉内类型PM、脉冲宽度PW、脉冲重复间隔PRI、脉冲带宽BW以及脉冲载频RF六种参数;
针对所述原始雷达信号数据,根据不同工作模式的特点对PRI、PW、RF进行固定和设定脉冲组结构的变化规律,建立不同工作模式参数数据集,即雷达发射参数数据集。
3.如权利要求1所述的一种基于深度残差收缩注意力网络的认知侦察识别方法,其特征在于,步骤S2中,对所述参数数据集进行仿真,得到多种工作模式混合的雷达辐射源数据的步骤,具体包括:
基于MATLAB对相控阵雷达系统发射脉冲数据,对告警接收机侦察截获脉冲信号来模拟实际空战环境干扰方进行仿真系统建模;
对不同工作模式下的雷达发射参数数据通过所述仿真系统进行仿真,得到10种工作模式下的雷达辐射源数据。
4.如权利要求3所述的一种基于深度残差收缩注意力网络的认知侦察识别方法,其特征在于,步骤S3中,对所述雷达辐射源数据通过包括信号截断、包络检测、信道化滤波、非相参积累、二维MUSIC估计、二进制伪维格纳维尔和霍夫变换提取的方法进行处理,提取得到对应的雷达脉冲特征参数,然后对工作模式进行独热编码处理,作为对应工作模式样本的标签,完成认知侦察数据集的构建。
5.如权利要求1所述的一种基于深度残差收缩注意力网络的认知侦察识别方法,其特征在于,步骤S4中,所述DRSAN网络根据雷达脉冲数据时序特点,以残差结构为基础,融合注意力机制和软阈值化思想,构建一种具有一维卷积、池化结构的通道注意力融合软阈值化的残差收缩单元,并以所述残差收缩单元为基础,发挥残差连接带来的网络深度优势,将其进行纵向堆叠并通过全连接层整合特征。
6.如权利要求1所述的一种基于深度残差收缩注意力网络的认知侦察识别方法,其特征在于,步骤S5中,所述DRSAN网络由多个一维残差收缩单元与网络层链接组成,将所述雷达辐射源数据输入至所述DRSAN网络,得到残差图像,将所对应的雷达工作模式作为标签,采用交叉熵作为损失函数,进行端到端的训练学习,最终实现所属工作模式的识别。
7.如权利要求6所述的一种基于深度残差收缩注意力网络的认知侦察识别方法,其特征在于,每个残差收缩单元在基本的残差结构的最后一层一维卷积层引出一路旁路分支子网络,子网络通过包括全局平均池化、全连接及正则化的网络层的学习得到一组权重阈值,用于进行样本参数特征的软阈值化,对各个参数特征的冗余信息和噪声信息进行过滤,同时通过特征注意力加权,聚焦对每种工作模式识别任务影响更大的特征。
8.如权利要求6所述的一种基于深度残差收缩注意力网络的认知侦察识别方法,其特征在于,所述残差收缩单元对于雷达状态识别的二维时序序列,具有更好的适应性。
10.一种基于深度残差收缩注意力网络的认知侦察识别装置,其特征在于,包括以下模块:
数据集构建模块,用于构建原始雷达发射参数数据集并预处理;
数据仿真模块,用于对所述参数数据集进行数据仿真,得到多种工作模式混合的雷达辐射源数据;
数据处理模块,用于对各种工作模式下的雷达辐射源数据进行处理,提取得到对应的雷达脉冲特征参数,完成认知侦察数据集的构建;
网络构建模块,用于构建DRSAN网络;
网络训练模块,利用所述认知侦察数据集,对所述DRSAN网络进行训练,训练完成后,得到对于多种不同工作模式时序脉冲序列的识别图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210570005.2A CN115204211A (zh) | 2022-05-24 | 2022-05-24 | 基于深度残差收缩注意力网络的认知侦察识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210570005.2A CN115204211A (zh) | 2022-05-24 | 2022-05-24 | 基于深度残差收缩注意力网络的认知侦察识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115204211A true CN115204211A (zh) | 2022-10-18 |
Family
ID=83576227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210570005.2A Pending CN115204211A (zh) | 2022-05-24 | 2022-05-24 | 基于深度残差收缩注意力网络的认知侦察识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115204211A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115616504A (zh) * | 2022-12-19 | 2023-01-17 | 湖南力研光电科技有限公司 | 一种自适应雷达信号干扰方法 |
CN117572379A (zh) * | 2024-01-17 | 2024-02-20 | 厦门中为科学仪器有限公司 | 一种基于cnn-cbam收缩二分类网络的雷达信号处理方法 |
-
2022
- 2022-05-24 CN CN202210570005.2A patent/CN115204211A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115616504A (zh) * | 2022-12-19 | 2023-01-17 | 湖南力研光电科技有限公司 | 一种自适应雷达信号干扰方法 |
CN117572379A (zh) * | 2024-01-17 | 2024-02-20 | 厦门中为科学仪器有限公司 | 一种基于cnn-cbam收缩二分类网络的雷达信号处理方法 |
CN117572379B (zh) * | 2024-01-17 | 2024-04-12 | 厦门中为科学仪器有限公司 | 一种基于cnn-cbam收缩二分类网络的雷达信号处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115204211A (zh) | 基于深度残差收缩注意力网络的认知侦察识别方法及装置 | |
CN112731309B (zh) | 一种基于双线性高效神经网络的有源干扰识别方法 | |
CN108169708B (zh) | 模块化神经网络的直接定位方法 | |
CN114429156A (zh) | 雷达干扰多域特征对抗学习与检测识别方法 | |
Zhang et al. | Deep learning for robust automatic modulation recognition method for IoT applications | |
CN113435247A (zh) | 一种通信干扰智能识别方法、系统及终端 | |
CN110048978A (zh) | 一种信号调制识别方法 | |
CN116047427B (zh) | 一种小样本雷达有源干扰识别方法 | |
Gao et al. | A radar signal recognition system based on non-negative matrix factorization network and improved artificial bee colony algorithm | |
CN115661869A (zh) | 基于多维特征智能融合的射频信号指纹识别方法和系统 | |
CN113673312A (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
Bertran et al. | Scalable membership inference attacks via quantile regression | |
CN114943245A (zh) | 一种基于数据增强和特征嵌入的自动调制识别方法和装置 | |
CN113608193A (zh) | 一种基于UNet的雷达多目标距离和速度估计方法 | |
CN111983569B (zh) | 基于神经网络的雷达干扰抑制方法 | |
CN116797846A (zh) | 一种基于RoAtten-PN网络的小样本雷达辐射源识别方法及装置 | |
CN111310680A (zh) | 一种基于深度学习的辐射源个体识别方法 | |
CN114724245B (zh) | 基于csi的增量学习人体动作识别方法 | |
CN115951315A (zh) | 基于改进小波包能量谱的雷达欺骗干扰识别方法及系统 | |
Jdidi et al. | Unsupervised Disentanglement for PostIdentification of GNSS Interference in the Wild | |
Wang et al. | Convolutional neural network-based interference recognition | |
CN115422968A (zh) | 基于多通道卷积神经网络的红外目标识别方法 | |
Feng et al. | FCGCN: Feature Correlation Graph Convolution Network for Few-Shot Individual Identification | |
Govalkar et al. | Siamese Network based Pulse and Signal Attribute Identification | |
Sangari et al. | Deep learning-based Object Detection in Underwater Communications System |
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 |