CN115470873A - 一种雷达辐射源识别方法与系统 - Google Patents

一种雷达辐射源识别方法与系统 Download PDF

Info

Publication number
CN115470873A
CN115470873A CN202211417491.0A CN202211417491A CN115470873A CN 115470873 A CN115470873 A CN 115470873A CN 202211417491 A CN202211417491 A CN 202211417491A CN 115470873 A CN115470873 A CN 115470873A
Authority
CN
China
Prior art keywords
radar radiation
radiation source
layer
deep
features
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
CN202211417491.0A
Other languages
English (en)
Other versions
CN115470873B (zh
Inventor
吴子龙
毕大平
潘继飞
黄翔璇
杜蒙
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202211417491.0A priority Critical patent/CN115470873B/zh
Publication of CN115470873A publication Critical patent/CN115470873A/zh
Application granted granted Critical
Publication of CN115470873B publication Critical patent/CN115470873B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提出一种雷达辐射源识别方法与系统，涉及雷达辐射源识别技术领域。本发明利用仿真的雷达辐射源数据构造大量的训练任务，利用截获的真实雷达辐射源数据构造测试任务，每个任务均包含支持集和查询集；然后利用大量的训练任务训练改进的关系网络；最后将测试任务输入已训练的改进关系网络，网络输出待识别雷达辐射源的类别。

Description

一种雷达辐射源识别方法与系统
技术领域
本发明属于雷达辐射源识别技术领域，尤其涉及一种雷达辐射源识别方法与系统。
背景技术
在电子战领域，电子战部队的雷达辐射源识别能力对其作战能力有着直接的影响。
雷达辐射源识别主要是指通过电子支援系统或电子情报侦察系统对环境中的各种发射电磁信号的载体进行辨识。电子战部队通过对雷达辐射源的识别，可以进一步判断雷达辐射源的功能属性及其战术地位，从而提供更有价值的情报信息。
最初的雷达辐射源识别方法主要包括两个阶段：“雷达字”提取和特征参数匹配。该类方法用“雷达字”表示辐射源特征，通过“雷达字”模板与信号脉冲模板进行匹配以实现雷达辐射源识别。然而，为适应日趋复杂的战场环境，雷达装备也日趋复杂，此时基于“雷达字”等传统特征的匹配方法开始难以适应新的雷达辐射源识别任务。
之后，深度学习技术开始被大量的研究学者引入到信号识别领域。基于深度学习的雷达辐射源识别方法的一般包括两个阶段：雷达信号域变换和雷达特征自动提取。也有一些基于深度学习的端到端雷达辐射源识别方法，但这类方法往往对于信噪比过于敏感，方法的鲁棒性有待提高。
总体来看，基于深度学习的雷达辐射源识别方法与电子战场景的融合程度并不高，缺乏在电子战场景下对雷达辐射源识别整体架构的详细描述，特别是没有充分考虑极少样本条件下雷达辐射源的识别问题。当电子战部队仅能掌握极少带标签的雷达辐射源样本时，如何快速准确地识别雷达辐射源仍是一个难点问题。
发明内容
为了解决上述技术问题，本发明提出了一种雷达辐射源识别方案。
本发明第一方面公开了一种雷达辐射源识别方法。所述方法包括：步骤S1、获取仿真雷达辐射源数据和真实雷达辐射源数据，分别对所述仿真雷达辐射源数据和所述真实雷达辐射源数据进行双三次插值处理；步骤S2、从经所述双三次插值处理的仿真雷达辐射源数据中构建T个训练任务，以及从经所述双三次插值处理的真实雷达辐射源数据中构建1个测试任务；步骤S3、利用所述T个训练任务对用于识别雷达辐射源的改进关系网络进行训练，对每个训练任务均执行：步骤S3-1、提取所述训练任务包含的支持集和查询集中的各个雷达辐射源样本数据的深层次特征；步骤S3-2、基于所述支持集包含的N×K个深层次特征确定所述支持集的N个类别特征，将所述N个类别特征中的每一个类别特征分别与所述查询集包含的N×Q个深层次特征进行拼接，得到N×N×Q个拼接特征；步骤S3-3、对于所述查询集包含的每一个深层次特征，基于包含该深层次特征的N个拼接特征确定该深层次特征的所属类别，直到将所述查询集包含的N×Q个深层次特征全部归类至N个雷达辐射源类别中；步骤S4、利用经训练的改进关系网络执行所述测试任务，以识别出所述真实雷达辐射源数据中包含的N类雷达辐射源。
根据本发明第一方面的方法，在所述步骤S1中：所述仿真雷达辐射源数据以集合
Figure 100002_DEST_PATH_IMAGE001
来表示，包含M类雷达辐射源S1,S2,…,SM，以及对应的标签L1,L2,…, LM，每类雷达辐射源包含
Figure 63051DEST_PATH_IMAGE002
个样本信号；所述真实雷达辐射源数据以集合
Figure 100002_DEST_PATH_IMAGE003
来表示，包含N类雷达辐射源R1,R2,…,RN，以及对应的标签Y1,Y2,…, YN，每类雷达辐射源包含K+Q个样本信号。
根据本发明第一方面的方法，在所述步骤S1中：集合
Figure 489660DEST_PATH_IMAGE001
和集合
Figure 446115DEST_PATH_IMAGE003
中的任一个样本信号以
Figure 170226DEST_PATH_IMAGE004
来表示，则样本信号
Figure 260542DEST_PATH_IMAGE004
的魏格纳-威利 分布矩阵
Figure 100002_DEST_PATH_IMAGE005
表示为：
Figure 317491DEST_PATH_IMAGE006
其中，
Figure 100002_DEST_PATH_IMAGE007
为样本信号的时间轴坐标，
Figure 883995DEST_PATH_IMAGE008
为魏格纳-威利分布的时域信息，
Figure 100002_DEST_PATH_IMAGE009
为魏格纳- 威利分布的频域信息。
根据本发明第一方面的方法，在所述步骤S1中：所述双三次插值处理具体包括：所 述魏格纳-威利分布矩阵
Figure 659184DEST_PATH_IMAGE005
经所述双三次插值处理后表示为
Figure 271300DEST_PATH_IMAGE010
，根据
Figure 635285DEST_PATH_IMAGE010
和
Figure 808909DEST_PATH_IMAGE005
的 尺寸求解缩放因子
Figure 100002_DEST_PATH_IMAGE011
，
Figure 572859DEST_PATH_IMAGE012
代表矩阵尺寸；双三次插值函数
Figure 100002_DEST_PATH_IMAGE013
为：
Figure 552447DEST_PATH_IMAGE014
其中，
Figure 100002_DEST_PATH_IMAGE015
代表自变量，
Figure 816944DEST_PATH_IMAGE016
。
根据本发明第一方面的方法，在所述步骤S1中：取
Figure 100002_DEST_PATH_IMAGE017
矩阵的每一个元素
Figure 489365DEST_PATH_IMAGE018
，
Figure 100002_DEST_PATH_IMAGE019
表示元素在
Figure 68507DEST_PATH_IMAGE020
矩阵中的位置，求位置
Figure DEST_PATH_IMAGE021
在
Figure 117366DEST_PATH_IMAGE005
中的位置
Figure 439632DEST_PATH_IMAGE022
，其中，
Figure DEST_PATH_IMAGE023
。取
Figure 282954DEST_PATH_IMAGE005
中距离位置
Figure 441403DEST_PATH_IMAGE022
最近的16个元素
Figure 479240DEST_PATH_IMAGE024
，
Figure DEST_PATH_IMAGE025
表示元素
Figure 219794DEST_PATH_IMAGE026
在
Figure 420968DEST_PATH_IMAGE005
中的位置。根据公式
Figure DEST_PATH_IMAGE027
求
Figure 378297DEST_PATH_IMAGE028
。完成
Figure DEST_PATH_IMAGE029
中各个元素基于双三次插 值的求解后，对得到的
Figure 503379DEST_PATH_IMAGE017
矩阵进行归一化处理，获取魏格纳-威利分布方阵
Figure 803167DEST_PATH_IMAGE030
；按照 上述步骤确定集合
Figure 175243DEST_PATH_IMAGE001
和集合
Figure 59016DEST_PATH_IMAGE003
中的所有样本信号 各自的魏格纳-威利分布方阵
Figure 174740DEST_PATH_IMAGE030
，作为雷达辐射源样本数据。
根据本发明第一方面的方法，在所述步骤S2中：从经所述双三次插值处理的仿真 雷达辐射源数据中构建所述T个训练任务
Figure DEST_PATH_IMAGE031
，具体包括：从经所述双三次插 值处理的仿真雷达辐射源数据包含的M类雷达辐射源中随机选择N类雷达辐射源；从随机选 择的N类雷达辐射源的每一类中选取
Figure 529366DEST_PATH_IMAGE032
个样本数据作为支持集、
Figure 72343DEST_PATH_IMAGE033
个样本数据作为查询 集；完成一个训练任务的构建，并记录为
Figure DEST_PATH_IMAGE034
，直到完成T个训练任务的构建。
根据本发明第一方面的方法，在所述步骤S2中：从经所述双三次插值处理的真实 雷达辐射源数据中构建所述1个测试任务
Figure 240151DEST_PATH_IMAGE035
，具体包括：从经所述双三次插值处理的 真实雷达辐射源数据的N类雷达辐射源的每一类中随机选取K个带已知雷达辐射源标签的 样本数据作为支持集，同时随机选取Q个待识别雷达辐射源的样本数据作为查询集。
根据本发明第一方面的方法，所述步骤S3-1具体包括：将所述训练任务中包含的支持集和查询集中的各个雷达辐射源样本数据依次送入第一卷积层、批次正则化层、以ReLu为激活函数的激活层以及B个第一卷积块，来提取所述深层次特征；其中，所述第一卷积层表示卷积核的个数为64，卷积核的大小为3，卷积运算在矩阵边缘处补零。
根据本发明第一方面的方法，在所述步骤S3-1中：所述第一卷积块以所述以ReLu为激活函数的激活层的输出为输入，在所述第一卷积块内部：所述第一卷积块的输入经第一卷积层后得到深层次特征F 1；深层次特征F 1分别通过（i）全局平均池化层、第二卷积层、激活层、第二卷积层以及（ii）全局最大池化层、第二卷积层、激活层、第二卷积层后，通过相加再经过以Sigmoid为激活函数的激活层后得到深层度特征F 2；深层度特征F 2与深层次特征F 1相乘后得到深层次特征F 3；深层次特征F 3分别通过（i）最大值维度约减和（ii）平均值维度约减后，通过拼接再经过第三卷积层和以Sigmoid为激活函数的激活层，得到深层度特征F 4；深层度特征F 4与深层次特征F 3相乘后得到深层次特征F 5；深层次特征F 5与所述第一卷积块的输入相加后，经过第一卷积层、批次正则化层、以ReLu为激活函数的激活层以及平均池化层后，得到所述第一卷积块的输出。
根据本发明第一方面的方法，在所述步骤S3-2中，基于所述支持集包含的N×K个深层次特征确定所述支持集的N个类别特征，具体包括：对于所述支持集包含的的N个雷达辐射源类别中的每一类，对其包含的K个深层次特征进行相加，得到该类雷达辐射源的类别特征，共得到N个类别特征。
根据本发明第一方面的方法，在所述步骤S3-3中，对于所述查询集包含的每一个深层次特征，基于包含该深层次特征的N个拼接特征确定该深层次特征的所属类别，具体包括：将所述N×N×Q个拼接特征分别送入第二卷积块、第一卷积层、批次正则化层、以ReLu为激活函数的激活层、平均池化层、展平层、神经元个数为8的全连接层、以ReLu为激活函数的激活层、神经元个数为1的全连接层、以Sigmoid为激活函数的激活层以及整形层，所述整形层用于将特征维度整形为（-1，N）；对于所述查询集包含的N×Q个深层次特征中的每一个，该深层次特征均在步骤S3-2中与所述N个类别特征分别进行拼接，得到包含该深层次特征的N个拼接特征，通过对N个拼接特征进行打分，选取具有最高分数的拼接特征中的类别特征，将选取出的类别特征对应的类别作为该深层次特征的所属类别。
根据本发明第一方面的方法，在所述步骤S3-3中，在所述第二卷积块内部：所述N×N×Q个拼接特征依次作为输入被送入所述第二卷积块，所述拼接特征经过第一卷积层、批次正则化层以及以ReLu为激活函数的激活层后，得到深层次特征D1；深层次特征D1经过第一卷积层、批次正则化层、以ReLu为激活函数的激活层、第一卷积层以及批次正则化层后，得到深层次特征D2；深层次特征D2与深层次特征D1相加，在经过以ReLu为激活函数的激活层和平均池化层后，得到所述第二卷积块的输出。
本发明第二方面公开了一种雷达辐射源识别系统。所述系统包括：第一处理单元，被配置为：获取仿真雷达辐射源数据和真实雷达辐射源数据，分别对所述仿真雷达辐射源数据和所述真实雷达辐射源数据进行双三次插值处理；第二处理单元，被配置为：从经所述双三次插值处理的仿真雷达辐射源数据中构建T个训练任务，以及从经所述双三次插值处理的真实雷达辐射源数据中构建1个测试任务；第三处理单元，被配置为：利用所述T个训练任务对用于识别雷达辐射源的改进关系网络进行训练，对每个训练任务均执行：步骤S3-1、提取所述训练任务包含的支持集和查询集中的各个雷达辐射源样本数据的深层次特征；步骤S3-2、基于所述支持集包含的N×K个深层次特征确定所述支持集的N个类别特征，将所述N个类别特征中的每一个类别特征分别与所述查询集包含的N×Q个深层次特征进行拼接，得到N×N×Q个拼接特征；步骤S3-3、对于所述查询集包含的每一个深层次特征，基于包含该深层次特征的N个拼接特征确定该深层次特征的所属类别，直到将所述查询集包含的N×Q个深层次特征全部归类至N个雷达辐射源类别中；第四处理单元，被配置为：利用经训练的改进关系网络执行所述测试任务，以识别出所述真实雷达辐射源数据中包含的N类雷达辐射源。
根据本发明第二方面的系统，所述仿真雷达辐射源数据以集合
Figure 411762DEST_PATH_IMAGE001
来表示，包含M类雷达辐射源S1,S2,…,SM，以及对应的标签L1,L2,…, LM，每类雷达辐射源包含
Figure DEST_PATH_IMAGE036
个样本信号；所述真实雷达辐射源数据以集合
Figure 246994DEST_PATH_IMAGE003
来表示，包含N类雷达辐射源R1,R2,…,RN，以及对应的标签Y1,Y2,…, YN，每类雷达辐射源包含K+Q个样本信号。
根据本发明第二方面的系统，集合
Figure 960872DEST_PATH_IMAGE001
和集合
Figure 317773DEST_PATH_IMAGE037
中的任一个样本信号以
Figure 853928DEST_PATH_IMAGE038
来表示，则样本信号
Figure 465038DEST_PATH_IMAGE038
的魏格纳-威利 分布矩阵
Figure 602014DEST_PATH_IMAGE005
表示为：
Figure 931365DEST_PATH_IMAGE006
其中，
Figure 943314DEST_PATH_IMAGE007
为样本信号的时间轴坐标，
Figure 408930DEST_PATH_IMAGE008
为魏格纳-威利分布的时域信息，
Figure 979458DEST_PATH_IMAGE009
为魏格纳- 威利分布的频域信息。
根据本发明第二方面的系统，所述双三次插值处理具体包括：所述魏格纳-威利分 布矩阵
Figure 796104DEST_PATH_IMAGE005
经所述双三次插值处理后表示为
Figure DEST_PATH_IMAGE039
，根据
Figure 408482DEST_PATH_IMAGE039
和
Figure 234663DEST_PATH_IMAGE040
的尺寸求解缩放因子
Figure DEST_PATH_IMAGE041
，
Figure 274294DEST_PATH_IMAGE012
代表矩阵尺寸；双三次插值函数
Figure 155400DEST_PATH_IMAGE042
为：
Figure DEST_PATH_IMAGE043
其中，
Figure 899365DEST_PATH_IMAGE015
代表自变量，
Figure 857351DEST_PATH_IMAGE044
。
根据本发明第二方面的系统，所述第一处理单元具体被配置为：取
Figure DEST_PATH_IMAGE045
矩阵的每一 个元素
Figure 802304DEST_PATH_IMAGE018
，
Figure 593542DEST_PATH_IMAGE019
表示元素在
Figure 983941DEST_PATH_IMAGE046
矩阵中的位置，求位置
Figure 544236DEST_PATH_IMAGE021
在
Figure 863353DEST_PATH_IMAGE005
中的位置
Figure 141887DEST_PATH_IMAGE022
，其中，
Figure DEST_PATH_IMAGE047
。取
Figure 135644DEST_PATH_IMAGE005
中距离位置
Figure 566757DEST_PATH_IMAGE022
最近的16个元素
Figure 571622DEST_PATH_IMAGE024
，
Figure 321141DEST_PATH_IMAGE025
表示元素
Figure 69654DEST_PATH_IMAGE026
在
Figure 89694DEST_PATH_IMAGE005
中的位置。根据公式
Figure 999881DEST_PATH_IMAGE027
求
Figure 239626DEST_PATH_IMAGE048
。完成
Figure DEST_PATH_IMAGE049
中各个元素基于双三次插 值的求解后，对得到的
Figure 339300DEST_PATH_IMAGE017
矩阵进行归一化处理，获取魏格纳-威利分布方阵
Figure 728693DEST_PATH_IMAGE030
；按照 上述步骤确定集合
Figure 59049DEST_PATH_IMAGE001
和集合
Figure 533893DEST_PATH_IMAGE003
中的所有样本信号 各自的魏格纳-威利分布方阵
Figure 109362DEST_PATH_IMAGE030
，作为雷达辐射源样本数据。
根据本发明第二方面的系统，从经所述双三次插值处理的仿真雷达辐射源数据中 构建所述T个训练任务
Figure 353261DEST_PATH_IMAGE031
，具体包括：从经所述双三次插值处理的仿真雷达 辐射源数据包含的M类雷达辐射源中随机选择N类雷达辐射源；从随机选择的N类雷达辐射 源的每一类中选取
Figure 134746DEST_PATH_IMAGE050
个样本数据作为支持集、
Figure 831307DEST_PATH_IMAGE033
个样本数据作为查询集；完成一个训练任 务的构建，并记录为
Figure 210467DEST_PATH_IMAGE034
，直到完成T个训练任务的构建。
根据本发明第二方面的系统，从经所述双三次插值处理的真实雷达辐射源数据中 构建所述1个测试任务
Figure 417195DEST_PATH_IMAGE035
，具体包括：从经所述双三次插值处理的真实雷达辐射源数 据的N类雷达辐射源的每一类中随机选取K个带已知雷达辐射源标签的样本数据作为支持 集，同时随机选取Q个待识别雷达辐射源的样本数据作为查询集。
根据本发明第二方面的系统，所述步骤S3-1具体包括：将所述训练任务中包含的支持集和查询集中的各个雷达辐射源样本数据依次送入第一卷积层、批次正则化层、以ReLu为激活函数的激活层以及B个第一卷积块，来提取所述深层次特征；其中，所述第一卷积层表示卷积核的个数为64，卷积核的大小为3，卷积运算在矩阵边缘处补零。
根据本发明第二方面的系统，在所述步骤S3-1中：所述第一卷积块以所述以ReLu为激活函数的激活层的输出为输入，在所述第一卷积块内部：所述第一卷积块的输入经第一卷积层后得到深层次特征F 1；深层次特征F 1分别通过（i）全局平均池化层、第二卷积层、激活层、第二卷积层以及（ii）全局最大池化层、第二卷积层、激活层、第二卷积层后，通过相加再经过以Sigmoid为激活函数的激活层后得到深层度特征F 2；深层度特征F 2与深层次特征F 1相乘后得到深层次特征F 3；深层次特征F 3分别通过（i）最大值维度约减和（ii）平均值维度约减后，通过拼接再经过第三卷积层和以Sigmoid为激活函数的激活层，得到深层度特征F 4；深层度特征F 4与深层次特征F 3相乘后得到深层次特征F 5；深层次特征F 5与所述第一卷积块的输入相加后，经过第一卷积层、批次正则化层、以ReLu为激活函数的激活层以及平均池化层后，得到所述第一卷积块的输出。
根据本发明第二方面的系统，在所述步骤S3-2中，基于所述支持集包含的N×K个深层次特征确定所述支持集的N个类别特征，具体包括：对于所述支持集包含的的N个雷达辐射源类别中的每一类，对其包含的K个深层次特征进行相加，得到该类雷达辐射源的类别特征，共得到N个类别特征。
根据本发明第二方面的系统，在所述步骤S3-3中，对于所述查询集包含的每一个深层次特征，基于包含该深层次特征的N个拼接特征确定该深层次特征的所属类别，具体包括：将所述N×N×Q个拼接特征分别送入第二卷积块、第一卷积层、批次正则化层、以ReLu为激活函数的激活层、平均池化层、展平层、神经元个数为8的全连接层、以ReLu为激活函数的激活层、神经元个数为1的全连接层、以Sigmoid为激活函数的激活层以及整形层，所述整形层用于将特征维度整形为（-1，N）；对于所述查询集包含的N×Q个深层次特征中的每一个，该深层次特征均在步骤S3-2中与所述N个类别特征分别进行拼接，得到包含该深层次特征的N个拼接特征，通过对N个拼接特征进行打分，选取具有最高分数的拼接特征中的类别特征，将选取出的类别特征对应的类别作为该深层次特征的所属类别。
根据本发明第二方面的系统，在所述步骤S3-3中，在所述第二卷积块内部：所述N×N×Q个拼接特征依次作为输入被送入所述第二卷积块，所述拼接特征经过第一卷积层、批次正则化层以及以ReLu为激活函数的激活层后，得到深层次特征D1；深层次特征D1经过第一卷积层、批次正则化层、以ReLu为激活函数的激活层、第一卷积层以及批次正则化层后，得到深层次特征D2；深层次特征D2与深层次特征D1相加，在经过以ReLu为激活函数的激活层和平均池化层后，得到所述第二卷积块的输出。
本发明第三方面公开了一种电子设备。所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明第一方面所述的一种雷达辐射源识别方法中的步骤。
本发明第四方面公开了一种计算机可读存储介质。所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现本发明第一方面所述的一种雷达辐射源识别方法中的步骤。
综上，本发明提供的技术方案主要面向电子战中极少样本条件下的雷达辐射源识别问题。该方案首先利用仿真的雷达辐射源数据构造大量的训练任务，利用截获的真实雷达辐射源数据构造测试任务，每个任务均包含支持集和查询集；然后利用大量的训练任务训练改进的关系网络；最后将测试任务输入已训练的改进关系网络，网络输出待识别雷达辐射源的类别。进一步地，该方案通过综合运用通道注意力和空间注意力，由于该技术手段可以使关系网络能更好地把握雷达辐射源样本的关键特征区域，因此可使关系网络能更准确地把样本嵌入到特征空间。进一步地，通过跳跃连接，由于该技术可以有效防止网络在训练过程中的梯度消失问题，因此解决了网络训练慢以及网络鲁棒性差的问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的雷达辐射源识别的流程图；
图2为根据本发明实施例的双三次插值处理的流程图；
图3为根据本发明实施例的构建训练任务的流程图；
图4为根据本发明实施例的构建测试任务的流程图；
图5为根据本发明实施例的对改进关系网络进行训练的示意图；
图6为根据本发明实施例的第一卷积块的内部流程示意图；
图7为根据本发明实施例的第二卷积块的内部流程示意图；
图8为根据本发明实施例的一种电子设备的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明第一方面公开了一种雷达辐射源识别方法。主要面向电子战中极少样本条件下的雷达辐射源识别问题。图1为根据本发明实施例的雷达辐射源识别的流程图；如图1所示，首先利用仿真的雷达辐射源数据构造大量的训练任务，利用截获的真实雷达辐射源数据构造测试任务，每个任务均包含支持集和查询集；然后利用大量的训练任务训练改进的关系网络；最后将测试任务输入已训练的改进关系网络，网络输出待识别雷达辐射源的类别。
所述方法具体包括：步骤S1、获取仿真雷达辐射源数据和真实雷达辐射源数据，分别对所述仿真雷达辐射源数据和所述真实雷达辐射源数据进行双三次插值处理。步骤S2、从经所述双三次插值处理的仿真雷达辐射源数据中构建T个训练任务，以及从经所述双三次插值处理的真实雷达辐射源数据中构建1个测试任务。步骤S3、利用所述T个训练任务对用于识别雷达辐射源的改进关系网络进行训练，对每个训练任务均执行：步骤S3-1、提取所述训练任务包含的支持集和查询集中的各个雷达辐射源样本数据的深层次特征；步骤S3-2、基于所述支持集包含的N×K个深层次特征确定所述支持集的N个类别特征，将所述N个类别特征中的每一个类别特征分别与所述查询集包含的N×Q个深层次特征进行拼接，得到N×N×Q个拼接特征；步骤S3-3、对于所述查询集包含的每一个深层次特征，基于包含该深层次特征的N个拼接特征确定该深层次特征的所属类别，直到将所述查询集包含的N×Q个深层次特征全部归类至N个雷达辐射源类别中。步骤S4、利用经训练的改进关系网络执行所述测试任务，以识别出所述真实雷达辐射源数据中包含的N类雷达辐射源。
在步骤S1，获取仿真雷达辐射源数据和真实雷达辐射源数据，分别对所述仿真雷达辐射源数据和所述真实雷达辐射源数据进行双三次插值处理。
在一些实施例中，在所述步骤S1中：所述仿真雷达辐射源数据以集合
Figure 105665DEST_PATH_IMAGE001
来表示，包含M类雷达辐射源S1,S2,…,SM，以及对应的标签L1,L2,…, LM，每类雷达辐射源包含
Figure 305834DEST_PATH_IMAGE002
个样本信号；所述真实雷达辐射源数据以集合
Figure 472373DEST_PATH_IMAGE003
来表示，包含N类雷达辐射源R1,R2,…,RN，以及对应的标签Y1,Y2,…, YN，每类雷达辐射源包含K+Q个样本信号。
在一些实施例中，集合
Figure 677483DEST_PATH_IMAGE001
和集合
Figure 802433DEST_PATH_IMAGE037
中的任 一个样本信号以
Figure 958739DEST_PATH_IMAGE038
来表示，则样本信号
Figure 928969DEST_PATH_IMAGE038
的魏格纳-威利分布矩阵
Figure 251235DEST_PATH_IMAGE005
表示为：
Figure 281508DEST_PATH_IMAGE006
其中，
Figure 190689DEST_PATH_IMAGE007
为样本信号的时间轴坐标，
Figure 699031DEST_PATH_IMAGE008
为魏格纳-威利分布的时域信息，
Figure 144312DEST_PATH_IMAGE009
为魏格纳- 威利分布的频域信息。
所述双三次插值处理具体包括：所述魏格纳-威利分布矩阵
Figure 345487DEST_PATH_IMAGE005
经所述双三次插 值处理后表示为
Figure 741964DEST_PATH_IMAGE039
，根据
Figure 788417DEST_PATH_IMAGE039
和
Figure 85275DEST_PATH_IMAGE005
的尺寸求解缩放因子
Figure 67138DEST_PATH_IMAGE011
，
Figure 200179DEST_PATH_IMAGE012
代表矩阵尺寸；双三次插值函数
Figure 302521DEST_PATH_IMAGE013
为：
Figure 470197DEST_PATH_IMAGE043
其中，
Figure 763906DEST_PATH_IMAGE015
代表自变量，
Figure 283444DEST_PATH_IMAGE016
。
取
Figure DEST_PATH_IMAGE051
矩阵的每一个元素
Figure 45601DEST_PATH_IMAGE018
，
Figure 411991DEST_PATH_IMAGE019
表示元素在
Figure 112487DEST_PATH_IMAGE049
矩阵中的位置，求位置
Figure 485700DEST_PATH_IMAGE021
在
Figure 693959DEST_PATH_IMAGE005
中的位置
Figure 305068DEST_PATH_IMAGE022
，其中，
Figure 704695DEST_PATH_IMAGE047
；取
Figure 34045DEST_PATH_IMAGE040
中距离位置
Figure 780415DEST_PATH_IMAGE022
最近的16 个元素
Figure 511611DEST_PATH_IMAGE024
，
Figure 96787DEST_PATH_IMAGE025
表示元素
Figure 647854DEST_PATH_IMAGE026
在
Figure 463494DEST_PATH_IMAGE005
中的位置；根据公式
Figure 783617DEST_PATH_IMAGE027
求
Figure 525046DEST_PATH_IMAGE048
。
完成
Figure 828988DEST_PATH_IMAGE045
中各个元素基于双三次插值的求解后，对得到的
Figure 182740DEST_PATH_IMAGE017
矩阵进行归一化 处理，获取魏格纳-威利分布方阵
Figure 622949DEST_PATH_IMAGE030
。按照上述步骤确定集合
Figure 538209DEST_PATH_IMAGE001
和集 合
Figure 63868DEST_PATH_IMAGE003
中的所有样本信号各自的魏格纳-威利分布方阵
Figure 221311DEST_PATH_IMAGE030
，作为雷达 辐射源样本数据。
具体地，图2为根据本发明实施例的双三次插值处理的流程图；如图2所示，仿真和 真实的雷达辐射源信号都需要进行预处理，以对原始雷达辐射源信号的维度大小进行标准 化。假设S1, S2, … , SM为仿真的M类雷达辐射源，对应的标签分别为L1, L2, … , LM，可用 集合
Figure 516026DEST_PATH_IMAGE001
表示，仿真的每类雷达辐射源信号样本有
Figure 333678DEST_PATH_IMAGE002
个。R1, R2, … , RN为待识别的N类雷达辐射源，对应的标签分别为Y1, Y2, … , YN，可以用集合
Figure 612213DEST_PATH_IMAGE037
表示，真实的每类雷达辐射源信号样本有K+Q个，并且
Figure 307767DEST_PATH_IMAGE052
。
集合
Figure 722568DEST_PATH_IMAGE001
和集合
Figure 714051DEST_PATH_IMAGE003
中的任何一个雷达辐射源 信号可用
Figure 214303DEST_PATH_IMAGE038
表示，辐射源信号
Figure 979128DEST_PATH_IMAGE038
的魏格纳-威利分布矩阵
Figure 982856DEST_PATH_IMAGE040
可以表示为：
Figure 407890DEST_PATH_IMAGE006
其中，
Figure 661017DEST_PATH_IMAGE004
表示原始雷达辐射源信号、
Figure 698374DEST_PATH_IMAGE007
是信号的时间轴坐标，
Figure 87767DEST_PATH_IMAGE008
代表魏格纳-威利 分布的时域信息，
Figure DEST_PATH_IMAGE053
代表魏格纳-威利分布的频域信息。
对矩阵
Figure 217790DEST_PATH_IMAGE005
进行双三次插值处理，具体步骤如下：
（1）设定
Figure 912208DEST_PATH_IMAGE005
的目标大小为(Gi, Gi)，经过双三次插值处理的
Figure 2524DEST_PATH_IMAGE005
用
Figure 823587DEST_PATH_IMAGE054
表示。
（2）根据目标
Figure 826309DEST_PATH_IMAGE010
和原始
Figure 788449DEST_PATH_IMAGE005
的尺寸大小，求解缩放因子
Figure 657355DEST_PATH_IMAGE011
，
Figure 755761DEST_PATH_IMAGE012
代表取矩阵的尺寸大小。
（3）设定双三次插值函数
Figure 194964DEST_PATH_IMAGE042
为：
Figure 378820DEST_PATH_IMAGE055
Figure 919261DEST_PATH_IMAGE015
代表自变量，另可设
Figure 888485DEST_PATH_IMAGE016
。
（4）取目标
Figure DEST_PATH_IMAGE056
矩阵的每一个元素
Figure 62371DEST_PATH_IMAGE018
，
Figure 733523DEST_PATH_IMAGE019
表示元素在
Figure 454486DEST_PATH_IMAGE049
矩阵中的位置；求 位置
Figure 527484DEST_PATH_IMAGE021
对应原始
Figure 807025DEST_PATH_IMAGE005
中的位置
Figure 965473DEST_PATH_IMAGE022
，
Figure 490127DEST_PATH_IMAGE057
；取原始
Figure 152052DEST_PATH_IMAGE005
中距离位置
Figure 605424DEST_PATH_IMAGE022
最近的16个元素
Figure DEST_PATH_IMAGE058
，
Figure 533060DEST_PATH_IMAGE059
表示元素
Figure 218994DEST_PATH_IMAGE026
在
Figure 266584DEST_PATH_IMAGE005
中的位置；根据 公式
Figure 389392DEST_PATH_IMAGE027
，求
Figure 991275DEST_PATH_IMAGE048
。
（5）完成双三次插值，得到目标矩阵
Figure 93616DEST_PATH_IMAGE046
。
再对
Figure 730134DEST_PATH_IMAGE051
进行归一化处理，得到所需魏格纳-威利分布方阵
Figure DEST_PATH_IMAGE060
。
按照上述步骤，得到集合
Figure 928903DEST_PATH_IMAGE001
和集合
Figure 283661DEST_PATH_IMAGE061
中所 有雷达辐射源样本对应的
Figure 281704DEST_PATH_IMAGE060
，后续步骤中所指雷达辐射源样本均指样本对应的
Figure DEST_PATH_IMAGE062
。
在步骤S2，从经所述双三次插值处理的仿真雷达辐射源数据中构建T个训练任务，以及从经所述双三次插值处理的真实雷达辐射源数据中构建1个测试任务。
在一些实施例中，从经所述双三次插值处理的仿真雷达辐射源数据中构建所述T 个训练任务
Figure 364540DEST_PATH_IMAGE063
，具体包括：从经所述双三次插值处理的仿真雷达辐射源数 据包含的M类雷达辐射源中随机选择N类雷达辐射源；从随机选择的N类雷达辐射源的每一 类中选取
Figure 563572DEST_PATH_IMAGE050
个样本数据作为支持集、
Figure DEST_PATH_IMAGE064
个样本数据作为查询集；完成一个训练任务的构 建，并记录为
Figure 451631DEST_PATH_IMAGE034
，直到完成T个训练任务的构建。
在一些实施例中，从经所述双三次插值处理的真实雷达辐射源数据中构建所述1 个测试任务
Figure 253365DEST_PATH_IMAGE065
，具体包括：从经所述双三次插值处理的真实雷达辐射源数据的N类雷 达辐射源的每一类中随机选取K个带已知雷达辐射源标签的样本数据作为支持集，同时随 机选取Q个待识别雷达辐射源的样本数据作为查询集。
具体地，图3为根据本发明实施例的构建训练任务的流程图；如图3所示，利用所有 仿真的雷达辐射源数据对应的
Figure 130054DEST_PATH_IMAGE030
构造训练任务。构建T个训练任务
Figure DEST_PATH_IMAGE066
的 详细步骤如下：从训练任务i到T：1)从仿真的M类雷达辐射源中随机选择N类雷达辐射源；2) 从选中的N类雷达辐射源中，每类选取
Figure 63768DEST_PATH_IMAGE067
个样本作为支持集、
Figure 143851DEST_PATH_IMAGE064
个样本作为查询集；3)完成 一个训练任务的构建，并记录为
Figure 405068DEST_PATH_IMAGE034
；结束。
具体地，图4为根据本发明实施例的构建测试任务的流程图；如图4所示，利用用真 实的雷达辐射源数据对应的
Figure 385531DEST_PATH_IMAGE030
构造测试任务
Figure 441212DEST_PATH_IMAGE068
。测试任务包含一个支持集和查询 集，支持集是带标签的，查询集的标签为待求类别。构建测试任务
Figure 8591DEST_PATH_IMAGE065
的详细步骤如下： 1)从待识别的N类雷达辐射源中，每类选取K个带标签的样本作为支持集；2)从待识别的N类 雷达辐射源中，每类选取Q个样本作为查询集（即待识别样本）；3)该测试任务用
Figure 73498DEST_PATH_IMAGE065
表 示。
在步骤S3，利用所述T个训练任务对用于识别雷达辐射源的改进关系网络进行训练，对每个训练任务均执行：步骤S3-1、提取所述训练任务包含的支持集和查询集中的各个雷达辐射源样本数据的深层次特征；步骤S3-2、基于所述支持集包含的N×K个深层次特征确定所述支持集的N个类别特征，将所述N个类别特征中的每一个类别特征分别与所述查询集包含的N×Q个深层次特征进行拼接，得到N×N×Q个拼接特征；步骤S3-3、对于所述查询集包含的每一个深层次特征，基于包含该深层次特征的N个拼接特征确定该深层次特征的所属类别，直到将所述查询集包含的N×Q个深层次特征全部归类至N个雷达辐射源类别中。
在一些实施例中，所述步骤S3-1具体包括：将所述训练任务中包含的支持集和查询集中的各个雷达辐射源样本数据依次送入第一卷积层、批次正则化层、以ReLu为激活函数的激活层以及B个第一卷积块，来提取所述深层次特征；其中，所述第一卷积层表示卷积核的个数为64，卷积核的大小为3，卷积运算在矩阵边缘处补零。
在一些实施例中，所述第一卷积块以所述以ReLu为激活函数的激活层的输出为输入，在所述第一卷积块内部：所述第一卷积块的输入经第一卷积层后得到深层次特征F 1；深层次特征F 1分别通过（i）全局平均池化层、第二卷积层、激活层、第二卷积层以及（ii）全局最大池化层、第二卷积层、激活层、第二卷积层后，通过相加再经过以Sigmoid为激活函数的激活层后得到深层度特征F 2；深层度特征F 2与深层次特征F 1相乘后得到深层次特征F 3；深层次特征F 3分别通过（i）最大值维度约减和（ii）平均值维度约减后，通过拼接再经过第三卷积层和以Sigmoid为激活函数的激活层，得到深层度特征F 4；深层度特征F 4与深层次特征F 3相乘后得到深层次特征F 5；深层次特征F 5与所述第一卷积块的输入相加后，经过第一卷积层、批次正则化层、以ReLu为激活函数的激活层以及平均池化层后，得到所述第一卷积块的输出。
在一些实施例中，在所述步骤S3-2中，基于所述支持集包含的N×K个深层次特征确定所述支持集的N个类别特征，具体包括：对于所述支持集包含的的N个雷达辐射源类别中的每一类，对其包含的K个深层次特征进行相加，得到该类雷达辐射源的类别特征，共得到N个类别特征。
在一些实施例中，在所述步骤S3-3中，对于所述查询集包含的每一个深层次特征，基于包含该深层次特征的N个拼接特征确定该深层次特征的所属类别，具体包括：将所述N×N×Q个拼接特征分别送入第二卷积块、第一卷积层、批次正则化层、以ReLu为激活函数的激活层、平均池化层、展平层、神经元个数为8的全连接层、以ReLu为激活函数的激活层、神经元个数为1的全连接层、以Sigmoid为激活函数的激活层以及整形层，所述整形层用于将特征维度整形为（-1，N）；对于所述查询集包含的N×Q个深层次特征中的每一个，该深层次特征均在步骤S3-2中与所述N个类别特征分别进行拼接，得到包含该深层次特征的N个拼接特征，通过对N个拼接特征进行打分，选取具有最高分数的拼接特征中的类别特征，将选取出的类别特征对应的类别作为该深层次特征的所属类别。
在一些实施例中，在所述步骤S3-3中，在所述第二卷积块内部：所述N×N×Q个拼接特征依次作为输入被送入所述第二卷积块，所述拼接特征经过第一卷积层、批次正则化层以及以ReLu为激活函数的激活层后，得到深层次特征D1；深层次特征D1经过第一卷积层、批次正则化层、以ReLu为激活函数的激活层、第一卷积层以及批次正则化层后，得到深层次特征D2；深层次特征D2与深层次特征D1相加，在经过以ReLu为激活函数的激活层和平均池化层后，得到所述第二卷积块的输出。
具体地，图5为根据本发明实施例的对改进关系网络进行训练的示意图；如图5所示，首先，利用第一卷积层、批次正则化层以及激活层(激活函数为ReLu)处理支持集和查询集中所有的样本。在卷积层中，‘64’代表卷积核个数，3代表卷积核大小，‘补零’代表卷积运算中可在矩阵边缘处补零。然后，再利用B个相同的卷积块1提取支持集和查询集样本的深层次特征。
图6为根据本发明实施例的第一卷积块的内部流程示意图；如图6所示，主要包含通道注意力模块、空间注意力模块以及跳跃连接。上一层网络的输出第一卷积块（卷积块1的输入），经过卷积层后得到深度特征F 1，F 1分别通过全局平均池化层和全局最大池化层，各经过两层卷积层，再将两支路深度特征相加，通过激活函数为Sigmoid的激活层，得到深度特征F 2，将F 1与F 2相乘得到深度特征F 3。深度特征F 3在通道轴上分别通过取最大值维度约减和取平均值维度约减，将两支路约减后的特征进行拼接，再通过卷积层以及激活函数为Sigmoid的激活层，得到深度特征F 4，将F 3与F 4相乘得到深度特征F 5。深度特征F5与整个卷积块1的输入进行相加实现特征的跳跃连接，然后再经过卷积层、批次正则化层、激活函数为ReLu的激活层、平均池化层得到卷积块1的输出。
回到图5，通过如图5所示的嵌入模块，支持集和测试集中的每一个样本都可以映射到样本的特定空间特征。支持集中同一类的K个样本对应的K个空间特征求和得到某类样本的类别特征，图5中仅展示支持集中某一类样本的运算过程。查询集中所有的(N×Q)个样本经过嵌入模块得到对应的(N×Q)个空间特征。将查询集样本对应的(N×Q)个空间特征与支持集N个类别特征进行拼接，最终可以得到（N×N×Q）个深度特征。
回到图5，通过如图5所示的打分模块，上述（N×N×Q）个深度特征均对应输出N类中的某一类，输出结果代表查询集的(N×Q)个样本特征与支持集的哪一类类别特征最为相似。首先，（N×N×Q）个深度特征要通过打分模块中的第二卷积块（卷积块2），然后，卷积块2输出后依次经过卷积层、批次正则化层、激活函数为ReLu的激活层、平均池化层、展平层、全连接层（神经元个数为8）、激活函数为ReLu的激活层、全连接层（神经元个数为1）以及激活函数为Sigmoid的激活层，再通过整形层将特征维度整形为（-1，N），最后根据N个输出大小得到样本类别。
图7为根据本发明实施例的第二卷积块的内部流程示意图；如图7所示，（N×N×Q）个深度特征依次通过卷积层、批次正则化层以及激活函数为ReLu的激活层得到深度特征D1，深度特征D1再依次通过卷积层、批次正则化层、激活函数为ReLu的激活层、卷积层、批次正则化层得到深度特征D2，深度特征D1与深度特征D2相加实现特征跳跃连接，然后通过激活函数为ReLu的激活层和平均池化层得到卷积块2的输出。
在步骤S4，利用经训练的改进关系网络执行所述测试任务，以识别出所述真实雷达辐射源数据中包含的N类雷达辐射源。
具体地，利用大量的训练任务训练改进关系网络后，然后将含有待识别样本的测试任务输入已训练的网络模型，最终得到待识别雷达辐射源的类别。
具体实施例
实际电子战中的电子侦察系统仅能捕获少量带标签的目标雷达数据，但是很容易获取大量仿真的带标签雷达数据，所以可以利用大量仿真的雷达辐射源数据信息，以解决新任务中的雷达辐射源识别问题。因此，提出方法和应用实例的条件设置符合实际电子战场景。
训练任务所用的数据由仿真产生。仿真的训练数据集包含八种雷达辐射源信号，信号类型有线性调频 (linear frequency modulation, LFM)、非线性调频 (nonlinearfrequency modulation, NLFM)、连续波脉冲 (continuous wave, CW)、频率分集(frequency diversity, FD)、二进制相移键控 (binary phase shift keying, BPSK)、二进制频移键控 (binary frequency shift keying, BFSK)、二进制幅度键控 (binaryamplitude shift keying, BASK)、巴克码和线性调频复合调制 (Barker code andlinear frequency hybrid modulation， Baker-LFM)。八种仿真雷达辐射源信号的详细参数如表1所示。
表1
Figure 911398DEST_PATH_IMAGE070
测试任务所用的数据由硬件设备产生。硬件设备设置好雷达脉冲信号的参数后，在非协作的条件下，利用信号采集器进行信号采集，采样率为50MHz。经过信号预处理后，仿真的每类辐射源类型含有样本50个，因此训练数据尺寸大小为(8, 50, 128, 128, 1)。真实的每类辐射源类型含有样本30个，因此测试数据尺寸大小为(6, 30, 128, 128, 1)。
向仿真的雷达辐射源信号中加入高斯噪声，以获取更加接近真实的雷达辐射源信号，训练任务中样本的SNR的范围在[-4, 0]dB，步长为1dB，用[-4:1:0]dB表示。用不同SNR的测试样本构造成4-way 6-shot的测试任务，其中K-way N-shot代表的含义为任务中有K类样本，每类样本数目为N。在卷积块1（也为注意力模块）个数B为4、训练迭代次数Epoch=7时，在不同训练任务个数T条件下，提出方法对不同SNR测试任务的识别性能如表2所示。
表2
Figure 137980DEST_PATH_IMAGE072
向仿真的雷达辐射源样本中加入不同量级的高斯噪声，来探究训练任务中样本的SNR对所提方法性能的影响。针对不同SNR样本构成的4-way 6-shot的测试任务，经过不同SNR训练任务训练的网络的识别性能如表3所示。
表3
Figure 192655DEST_PATH_IMAGE074
待识别目标辐射源类别数量和训练任务中样本类别数量N应当相同，样本数目K的不同也会对提出方法的识别性能产生影响。当训练任务样本的SNR在[-4：1：0]dB范围内，测试任务样本的SNR为4dB时，不同的样本类别N和样本数目K条件下，所提方法的识别性能如表4所示。
表4
Figure 795674DEST_PATH_IMAGE076
对比原型网络、关系网络和改进关系网络的性能，以说明提出方法对关系网络改进的有效性。用不同SNR的测试样本构造4-way 6-shot的测试任务，在训练迭代次数Epoch=7时，不同网络对测试任务的识别性能如表5所示。
表5
Figure 485151DEST_PATH_IMAGE078
本发明第二方面公开了一种雷达辐射源识别系统。所述系统包括：第一处理单元，被配置为：获取仿真雷达辐射源数据和真实雷达辐射源数据，分别对所述仿真雷达辐射源数据和所述真实雷达辐射源数据进行双三次插值处理；第二处理单元，被配置为：从经所述双三次插值处理的仿真雷达辐射源数据中构建T个训练任务，以及从经所述双三次插值处理的真实雷达辐射源数据中构建1个测试任务；第三处理单元，被配置为：利用所述T个训练任务对用于识别雷达辐射源的改进关系网络进行训练，对每个训练任务均执行：步骤S3-1、提取所述训练任务包含的支持集和查询集中的各个雷达辐射源样本数据的深层次特征；步骤S3-2、基于所述支持集包含的N×K个深层次特征确定所述支持集的N个类别特征，将所述N个类别特征中的每一个类别特征分别与所述查询集包含的N×Q个深层次特征进行拼接，得到N×N×Q个拼接特征；步骤S3-3、对于所述查询集包含的每一个深层次特征，基于包含该深层次特征的N个拼接特征确定该深层次特征的所属类别，直到将所述查询集包含的N×Q个深层次特征全部归类至N个雷达辐射源类别中；第四处理单元，被配置为：利用经训练的改进关系网络执行所述测试任务，以识别出所述真实雷达辐射源数据中包含的N类雷达辐射源。
根据本发明第二方面的系统，所述仿真雷达辐射源数据以集合
Figure 882634DEST_PATH_IMAGE001
来表示，包含M类雷达辐射源S1,S2,…,SM，以及对应的标签L1,L2,…, LM，每类雷达辐射源包含
Figure 159025DEST_PATH_IMAGE002
个样本信号；所述真实雷达辐射源数据以集合
Figure 565736DEST_PATH_IMAGE003
来表示，包含N类雷达辐射源R1,R2,…,RN，以及对应的标签Y1,Y2,…, YN，每类雷达辐射源包含K+Q个样本信号。
根据本发明第二方面的系统，集合
Figure 706124DEST_PATH_IMAGE001
和集合
Figure 290820DEST_PATH_IMAGE037
中的任一个样本信号以
Figure 38196DEST_PATH_IMAGE004
来表示，则样本信号
Figure 232286DEST_PATH_IMAGE004
的魏格纳-威利 分布矩阵
Figure 647087DEST_PATH_IMAGE005
表示为：
Figure 402684DEST_PATH_IMAGE079
其中，
Figure 902936DEST_PATH_IMAGE007
为样本信号的时间轴坐标，
Figure 626348DEST_PATH_IMAGE008
为魏格纳-威利分布的时域信息，
Figure 895656DEST_PATH_IMAGE009
为魏格纳- 威利分布的频域信息。
根据本发明第二方面的系统，所述双三次插值处理具体包括：所述魏格纳-威利分 布矩阵
Figure 681209DEST_PATH_IMAGE005
经所述双三次插值处理后表示为
Figure 918024DEST_PATH_IMAGE039
，根据
Figure 204649DEST_PATH_IMAGE039
和
Figure 79195DEST_PATH_IMAGE080
的尺寸求解缩放因子
Figure 160284DEST_PATH_IMAGE081
，
Figure 887325DEST_PATH_IMAGE012
代表矩阵尺寸；双三次插值函数
Figure 977640DEST_PATH_IMAGE082
为：
Figure 237852DEST_PATH_IMAGE083
其中，
Figure 755421DEST_PATH_IMAGE084
代表自变量，
Figure 701249DEST_PATH_IMAGE044
。
根据本发明第二方面的系统，所述第一处理单元具体被配置为：取
Figure 329676DEST_PATH_IMAGE029
矩阵的每一 个元素
Figure 834607DEST_PATH_IMAGE085
，
Figure 273810DEST_PATH_IMAGE019
表示元素在
Figure DEST_PATH_IMAGE086
矩阵中的位置，求位置
Figure 365656DEST_PATH_IMAGE021
在
Figure 548506DEST_PATH_IMAGE005
中的位置
Figure 501419DEST_PATH_IMAGE022
，其中，
Figure 203534DEST_PATH_IMAGE087
。取
Figure 359839DEST_PATH_IMAGE005
中距离位置
Figure 330070DEST_PATH_IMAGE022
最近的16个元素
Figure 389686DEST_PATH_IMAGE024
，
Figure 419959DEST_PATH_IMAGE088
表示元素
Figure 63561DEST_PATH_IMAGE026
在
Figure 945804DEST_PATH_IMAGE005
中的位置。根据公式
Figure DEST_PATH_IMAGE089
求
Figure 889620DEST_PATH_IMAGE090
。完成
Figure 26265DEST_PATH_IMAGE039
中各个元素基于双三次插值的求解后，对得到的
Figure 406431DEST_PATH_IMAGE017
矩阵进行归一化 处理，获取魏格纳-威利分布方阵
Figure 469196DEST_PATH_IMAGE030
；按照上述步骤确定集合
Figure 251207DEST_PATH_IMAGE001
和集 合
Figure 466025DEST_PATH_IMAGE003
中的所有样本信号各自的魏格纳-威利分布方阵
Figure 349799DEST_PATH_IMAGE030
，作为雷达 辐射源样本数据。
根据本发明第二方面的系统，从经所述双三次插值处理的仿真雷达辐射源数据中 构建所述T个训练任务
Figure 199943DEST_PATH_IMAGE066
，具体包括：从经所述双三次插值处理的仿真雷达 辐射源数据包含的M类雷达辐射源中随机选择N类雷达辐射源；从随机选择的N类雷达辐射 源的每一类中选取
Figure 88658DEST_PATH_IMAGE091
个样本数据作为支持集、
Figure 975843DEST_PATH_IMAGE064
个样本数据作为查询集；完成一个训练任 务的构建，并记录为
Figure 330601DEST_PATH_IMAGE034
，直到完成T个训练任务的构建。
根据本发明第二方面的系统，从经所述双三次插值处理的真实雷达辐射源数据中 构建所述1个测试任务
Figure 968124DEST_PATH_IMAGE065
，具体包括：从经所述双三次插值处理的真实雷达辐射源数 据的N类雷达辐射源的每一类中随机选取K个带已知雷达辐射源标签的样本数据作为支持 集，同时随机选取Q个待识别雷达辐射源的样本数据作为查询集。
根据本发明第二方面的系统，所述步骤S3-1具体包括：将所述训练任务中包含的支持集和查询集中的各个雷达辐射源样本数据依次送入第一卷积层、批次正则化层、以ReLu为激活函数的激活层以及B个第一卷积块，来提取所述深层次特征；其中，所述第一卷积层表示卷积核的个数为64，卷积核的大小为3，卷积运算在矩阵边缘处补零。
根据本发明第二方面的系统，在所述步骤S3-1中：所述第一卷积块以所述以ReLu为激活函数的激活层的输出为输入，在所述第一卷积块内部：所述第一卷积块的输入经第一卷积层后得到深层次特征F 1；深层次特征F 1分别通过（i）全局平均池化层、第二卷积层、激活层、第二卷积层以及（ii）全局最大池化层、第二卷积层、激活层、第二卷积层后，通过相加再经过以Sigmoid为激活函数的激活层后得到深层度特征F 2；深层度特征F 2与深层次特征F 1相乘后得到深层次特征F 3；深层次特征F 3分别通过（i）最大值维度约减和（ii）平均值维度约减后，通过拼接再经过第三卷积层和以Sigmoid为激活函数的激活层，得到深层度特征F 4；深层度特征F 4与深层次特征F 3相乘后得到深层次特征F 5；深层次特征F 5与所述第一卷积块的输入相加后，经过第一卷积层、批次正则化层、以ReLu为激活函数的激活层以及平均池化层后，得到所述第一卷积块的输出。
根据本发明第二方面的系统，在所述步骤S3-2中，基于所述支持集包含的N×K个深层次特征确定所述支持集的N个类别特征，具体包括：对于所述支持集包含的的N个雷达辐射源类别中的每一类，对其包含的K个深层次特征进行相加，得到该类雷达辐射源的类别特征，共得到N个类别特征。
根据本发明第二方面的系统，在所述步骤S3-3中，对于所述查询集包含的每一个深层次特征，基于包含该深层次特征的N个拼接特征确定该深层次特征的所属类别，具体包括：将所述N×N×Q个拼接特征分别送入第二卷积块、第一卷积层、批次正则化层、以ReLu为激活函数的激活层、平均池化层、展平层、神经元个数为8的全连接层、以ReLu为激活函数的激活层、神经元个数为1的全连接层、以Sigmoid为激活函数的激活层以及整形层，所述整形层用于将特征维度整形为（-1，N）；对于所述查询集包含的N×Q个深层次特征中的每一个，该深层次特征均在步骤S3-2中与所述N个类别特征分别进行拼接，得到包含该深层次特征的N个拼接特征，通过对N个拼接特征进行打分，选取具有最高分数的拼接特征中的类别特征，将选取出的类别特征对应的类别作为该深层次特征的所属类别。
根据本发明第二方面的系统，在所述步骤S3-3中，在所述第二卷积块内部：所述N×N×Q个拼接特征依次作为输入被送入所述第二卷积块，所述拼接特征经过第一卷积层、批次正则化层以及以ReLu为激活函数的激活层后，得到深层次特征D1；深层次特征D1经过第一卷积层、批次正则化层、以ReLu为激活函数的激活层、第一卷积层以及批次正则化层后，得到深层次特征D2；深层次特征D2与深层次特征D1相加，在经过以ReLu为激活函数的激活层和平均池化层后，得到所述第二卷积块的输出。
本发明第三方面公开了一种电子设备。所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明第一方面所述的一种雷达辐射源识别方法中的步骤。
图8为根据本发明实施例的一种电子设备的结构图；如图8所示，电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、近场通信（NFC）或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本发明的技术方案相关的部分的结构图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本发明第四方面公开了一种计算机可读存储介质。所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现本发明第一方面所述的一种雷达辐射源识别方法中的步骤。
综上，本发明提供的技术方案主要面向电子战中极少样本条件下的雷达辐射源识别问题。该方案首先利用仿真的雷达辐射源数据构造大量的训练任务，利用截获的真实雷达辐射源数据构造测试任务，每个任务均包含支持集和查询集；然后利用大量的训练任务训练改进的关系网络；最后将测试任务输入已训练的改进关系网络，网络输出待识别雷达辐射源的类别。进一步地，该方案通过综合运用通道注意力和空间注意力，由于该技术手段可以使关系网络能更好地把握雷达辐射源样本的关键特征区域，因此可使关系网络能更准确地把样本嵌入到特征空间。进一步地，通过跳跃连接，由于该技术可以有效防止网络在训练过程中的梯度消失问题，因此解决了网络训练慢以及网络鲁棒性差的问题。
请注意，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 (10)

1.一种雷达辐射源识别方法，其特征在于，所述方法包括：
步骤S1、获取仿真雷达辐射源数据和真实雷达辐射源数据，分别对所述仿真雷达辐射源数据和所述真实雷达辐射源数据进行双三次插值处理；
步骤S2、从经所述双三次插值处理的仿真雷达辐射源数据中构建T个训练任务，以及从经所述双三次插值处理的真实雷达辐射源数据中构建1个测试任务；
步骤S3、利用所述T个训练任务对用于识别雷达辐射源的改进关系网络进行训练，对每个训练任务均执行：
步骤S3-1、提取所述训练任务包含的支持集和查询集中的各个雷达辐射源样本数据的深层次特征；
步骤S3-2、基于所述支持集包含的N×K个深层次特征确定所述支持集的N个类别特征，将所述N个类别特征中的每一个类别特征分别与所述查询集包含的N×Q个深层次特征进行拼接，得到N×N×Q个拼接特征；
步骤S3-3、对于所述查询集包含的每一个深层次特征，基于包含该深层次特征的N个拼接特征确定该深层次特征的所属类别，直到将所述查询集包含的N×Q个深层次特征全部归类至N个雷达辐射源类别中；
步骤S4、利用经训练的改进关系网络执行所述测试任务，以识别出所述真实雷达辐射源数据中包含的N类雷达辐射源。
2.根据权利要求1所述的一种雷达辐射源识别方法，其特征在于，在所述步骤S1中：
所述仿真雷达辐射源数据以集合
Figure DEST_PATH_IMAGE001
来表示，包含M类雷达辐射源S1, S2,…,SM，以及对应的标签L1,L2,…,LM，每类雷达辐射源包含
Figure 638317DEST_PATH_IMAGE002
个样本信号；
所述真实雷达辐射源数据以集合
Figure DEST_PATH_IMAGE003
来表示，包含N类雷达辐射源R1, R2,…,RN，以及对应的标签Y1,Y2,…,YN，每类雷达辐射源包含K+Q个样本信号；
集合
Figure 451728DEST_PATH_IMAGE001
和集合
Figure 575673DEST_PATH_IMAGE003
中的任一个样本信号以
Figure 33200DEST_PATH_IMAGE004
来 表示，则样本信号
Figure 955894DEST_PATH_IMAGE004
的魏格纳-威利分布矩阵
Figure DEST_PATH_IMAGE005
表示为：
Figure 233816DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE007
为样本信号的时间轴坐标，
Figure 15696DEST_PATH_IMAGE008
为魏格纳-威利分布的时域信息，
Figure DEST_PATH_IMAGE009
为魏格纳-威利 分布的频域信息；
所述双三次插值处理具体包括：
所述魏格纳-威利分布矩阵
Figure 355542DEST_PATH_IMAGE005
经所述双三次插值处理后表示为
Figure 666831DEST_PATH_IMAGE010
，根据
Figure 738823DEST_PATH_IMAGE010
和
Figure DEST_PATH_IMAGE011
的尺寸求解缩放因子
Figure 211262DEST_PATH_IMAGE012
，
Figure DEST_PATH_IMAGE013
代表矩阵尺寸；
双三次插值函数
Figure 466050DEST_PATH_IMAGE014
为：
Figure DEST_PATH_IMAGE015
其中，
Figure 160074DEST_PATH_IMAGE016
代表自变量，
Figure DEST_PATH_IMAGE017
；
取
Figure 635176DEST_PATH_IMAGE018
矩阵的每一个元素
Figure DEST_PATH_IMAGE019
，
Figure 814485DEST_PATH_IMAGE020
表示元素在
Figure 932351DEST_PATH_IMAGE021
矩阵中的位置，求位置
Figure DEST_PATH_IMAGE022
在
Figure 765702DEST_PATH_IMAGE005
中的位置
Figure 959923DEST_PATH_IMAGE023
，其中，
Figure DEST_PATH_IMAGE024
；
取
Figure 344637DEST_PATH_IMAGE011
中距离位置
Figure 16927DEST_PATH_IMAGE023
最近的16个元素
Figure 62375DEST_PATH_IMAGE025
，
Figure DEST_PATH_IMAGE026
表示元素
Figure 273169DEST_PATH_IMAGE027
在
Figure 99174DEST_PATH_IMAGE005
中的位置；根据公式
Figure DEST_PATH_IMAGE028
求
Figure 699789DEST_PATH_IMAGE029
；
完成
Figure DEST_PATH_IMAGE030
中各个元素基于双三次插值的求解后，对得到的
Figure 38891DEST_PATH_IMAGE031
矩阵进行归一化处理， 获取魏格纳-威利分布方阵
Figure DEST_PATH_IMAGE032
；
按照上述步骤确定集合
Figure 152078DEST_PATH_IMAGE001
和集合
Figure 199799DEST_PATH_IMAGE003
中的所有样 本信号各自的魏格纳-威利分布方阵
Figure 454370DEST_PATH_IMAGE032
，作为雷达辐射源样本数据。
3.根据权利要求2所述的一种雷达辐射源识别方法，其特征在于，在所述步骤S2中：
从经所述双三次插值处理的仿真雷达辐射源数据中构建所述T个训练任务
Figure 723678DEST_PATH_IMAGE033
，具体包括：从经所述双三次插值处理的仿真雷达辐射源数据包含的M类 雷达辐射源中随机选择N类雷达辐射源；从随机选择的N类雷达辐射源的每一类中选取
Figure 181335DEST_PATH_IMAGE034
个 样本数据作为支持集、
Figure DEST_PATH_IMAGE035
个样本数据作为查询集；完成一个训练任务的构建，并记录为
Figure 277205DEST_PATH_IMAGE036
，直到完成T个训练任务的构建；
从经所述双三次插值处理的真实雷达辐射源数据中构建所述1个测试任务
Figure DEST_PATH_IMAGE037
，具 体包括：从经所述双三次插值处理的真实雷达辐射源数据的N类雷达辐射源的每一类中随 机选取K个带已知雷达辐射源标签的样本数据作为支持集，同时随机选取Q个待识别雷达辐 射源的样本数据作为查询集。
4.根据权利要求3所述的一种雷达辐射源识别方法，其特征在于，所述步骤S3-1具体包括：
将所述训练任务中包含的支持集和查询集中的各个雷达辐射源样本数据依次送入第一卷积层、批次正则化层、以ReLu为激活函数的激活层以及B个第一卷积块，来提取所述深层次特征；
其中，所述第一卷积层的卷积核的个数为64，卷积核的大小为3，卷积运算在矩阵边缘处补零；
其中，所述第一卷积块以所述以ReLu为激活函数的激活层的输出为输入，在所述第一卷积块内部：
所述第一卷积块的输入经第一卷积层后得到深层次特征F 1；
深层次特征F 1分别通过（i）全局平均池化层、第二卷积层、激活层、第二卷积层以及（ii）全局最大池化层、第二卷积层、激活层、第二卷积层后，通过相加再经过以Sigmoid为激活函数的激活层后得到深层度特征F 2；
其中，所述第二卷积层的卷积核的个数为4，卷积核的大小为1，卷积运算在矩阵边缘处补零；
深层度特征F 2与深层次特征F 1相乘后得到深层次特征F 3；
深层次特征F 3分别通过（i）最大值维度约减和（ii）平均值维度约减后，通过拼接再经过第三卷积层和以Sigmoid为激活函数的激活层，得到深层度特征F 4；
其中，第三卷积层的卷积核的个数为1，卷积核的大小为3，卷积运算在矩阵边缘处补零；
深层度特征F 4与深层次特征F 3相乘后得到深层次特征F 5；
深层次特征F 5与所述第一卷积块的输入相加后，经过第一卷积层、批次正则化层、以ReLu为激活函数的激活层以及平均池化层后，得到所述第一卷积块的输出。
5.根据权利要求4所述的一种雷达辐射源识别方法，其特征在于，在所述步骤S3-2中，基于所述支持集包含的N×K个深层次特征确定所述支持集的N个类别特征，具体包括：对于所述支持集包含的的N个雷达辐射源类别中的每一类，对其包含的K个深层次特征进行相加，得到该类雷达辐射源的类别特征，共得到N个类别特征。
6.根据权利要求5所述的一种雷达辐射源识别方法，其特征在于，在所述步骤S3-3中，对于所述查询集包含的每一个深层次特征，基于包含该深层次特征的N个拼接特征确定该深层次特征的所属类别，具体包括：
将所述N×N×Q个拼接特征分别送入第二卷积块、第一卷积层、批次正则化层、以ReLu为激活函数的激活层、平均池化层、展平层、神经元个数为8的全连接层、以ReLu为激活函数的激活层、神经元个数为1的全连接层、以Sigmoid为激活函数的激活层以及整形层，所述整形层用于将特征维度整形为（-1，N）；
对于所述查询集包含的N×Q个深层次特征中的每一个，该深层次特征均在步骤S3-2中与所述N个类别特征分别进行拼接，得到包含该深层次特征的N个拼接特征，通过对N个拼接特征进行打分，选取具有最高分数的拼接特征中的类别特征，将选取出的类别特征对应的类别作为该深层次特征的所属类别。
7.根据权利要求6所述的一种雷达辐射源识别方法，其特征在于，在所述步骤S3-3中，在所述第二卷积块内部：
所述N×N×Q个拼接特征依次作为输入被送入所述第二卷积块，所述拼接特征经过第一卷积层、批次正则化层以及以ReLu为激活函数的激活层后，得到深层次特征D1；
深层次特征D1经过第一卷积层、批次正则化层、以ReLu为激活函数的激活层、第一卷积层以及批次正则化层后，得到深层次特征D2；
深层次特征D2与深层次特征D1相加，在经过以ReLu为激活函数的激活层和平均池化层后，得到所述第二卷积块的输出。
8.一种雷达辐射源识别系统，其特征在于，所述系统包括：
第一处理单元，被配置为：获取仿真雷达辐射源数据和真实雷达辐射源数据，分别对所述仿真雷达辐射源数据和所述真实雷达辐射源数据进行双三次插值处理；
第二处理单元，被配置为：从经所述双三次插值处理的仿真雷达辐射源数据中构建T个训练任务，以及从经所述双三次插值处理的真实雷达辐射源数据中构建1个测试任务；
第三处理单元，被配置为：利用所述T个训练任务对用于识别雷达辐射源的改进关系网络进行训练，对每个训练任务均执行：
步骤S3-1、提取所述训练任务包含的支持集和查询集中的各个雷达辐射源样本数据的深层次特征；
步骤S3-2、基于所述支持集包含的N×K个深层次特征确定所述支持集的N个类别特征，将所述N个类别特征中的每一个类别特征分别与所述查询集包含的N×Q个深层次特征进行拼接，得到N×N×Q个拼接特征；
步骤S3-3、对于所述查询集包含的每一个深层次特征，基于包含该深层次特征的N个拼接特征确定该深层次特征的所属类别，直到将所述查询集包含的N×Q个深层次特征全部归类至N个雷达辐射源类别中；
第四处理单元，被配置为：利用经训练的改进关系网络执行所述测试任务，以识别出所述真实雷达辐射源数据中包含的N类雷达辐射源。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现权利要求1至7中任一项所述的一种雷达辐射源识别方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至7中任一项所述的一种雷达辐射源识别方法中的步骤。
CN202211417491.0A 2022-11-14 2022-11-14 一种雷达辐射源识别方法与系统 Active CN115470873B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211417491.0A CN115470873B (zh) 2022-11-14 2022-11-14 一种雷达辐射源识别方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211417491.0A CN115470873B (zh) 2022-11-14 2022-11-14 一种雷达辐射源识别方法与系统

Publications (2)

Publication Number Publication Date
CN115470873A true CN115470873A (zh) 2022-12-13
CN115470873B CN115470873B (zh) 2023-04-18

Family

ID=84338266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211417491.0A Active CN115470873B (zh) 2022-11-14 2022-11-14 一种雷达辐射源识别方法与系统

Country Status (1)

Country Link
CN (1) CN115470873B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118362869A (zh) * 2024-06-18 2024-07-19 广东智尚防务科技有限公司 电磁辐射分析方法和装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109271926A (zh) * 2018-09-14 2019-01-25 西安电子科技大学 基于gru深度卷积网络的智能辐射源识别方法
CN110458137A (zh) * 2019-08-19 2019-11-15 重庆大学 一种基于两级多任务学习的合成孔径雷达图像识别方法
CN111160176A (zh) * 2019-12-19 2020-05-15 南京理工大学 基于融合特征的一维卷积神经网络地面雷达目标分类方法
CN112101205A (zh) * 2020-09-15 2020-12-18 东软睿驰汽车技术（沈阳）有限公司 基于多任务网络的训练方法和装置
CN112115924A (zh) * 2020-09-27 2020-12-22 西安电子科技大学 基于一维cnn和lstm的雷达辐射源识别方法
US20220051133A1 (en) * 2020-08-12 2022-02-17 NEC Laboratories Europe GmbH Decentralized multi-task learning
CN114358050A (zh) * 2021-12-11 2022-04-15 中国人民解放军国防科技大学 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
CN114595732A (zh) * 2022-05-10 2022-06-07 西安晟昕科技发展有限公司 基于深度聚类的雷达辐射源分选方法
US20220335711A1 (en) * 2021-07-29 2022-10-20 Beijing Baidu Netcom Science Technology Co., Ltd. Method for generating pre-trained model, electronic device and storage medium

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109271926A (zh) * 2018-09-14 2019-01-25 西安电子科技大学 基于gru深度卷积网络的智能辐射源识别方法
CN110458137A (zh) * 2019-08-19 2019-11-15 重庆大学 一种基于两级多任务学习的合成孔径雷达图像识别方法
CN111160176A (zh) * 2019-12-19 2020-05-15 南京理工大学 基于融合特征的一维卷积神经网络地面雷达目标分类方法
US20220051133A1 (en) * 2020-08-12 2022-02-17 NEC Laboratories Europe GmbH Decentralized multi-task learning
CN112101205A (zh) * 2020-09-15 2020-12-18 东软睿驰汽车技术（沈阳）有限公司 基于多任务网络的训练方法和装置
CN112115924A (zh) * 2020-09-27 2020-12-22 西安电子科技大学 基于一维cnn和lstm的雷达辐射源识别方法
US20220335711A1 (en) * 2021-07-29 2022-10-20 Beijing Baidu Netcom Science Technology Co., Ltd. Method for generating pre-trained model, electronic device and storage medium
CN114358050A (zh) * 2021-12-11 2022-04-15 中国人民解放军国防科技大学 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
CN114595732A (zh) * 2022-05-10 2022-06-07 西安晟昕科技发展有限公司 基于深度聚类的雷达辐射源分选方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YAO XIAO 等: "Specific emitter identification of radar based on one dimensional convolution neural network", 《JOURNAL OF PHYSICS: CONFERENCE SERIES》 *
谭龙 等: "基于脉冲角度特征的雷达辐射源识别及仿真实现", 《舰船电子工程》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118362869A (zh) * 2024-06-18 2024-07-19 广东智尚防务科技有限公司 电磁辐射分析方法和装置
CN118362869B (zh) * 2024-06-18 2024-08-16 广东智尚防务科技有限公司 电磁辐射分析方法和装置

Also Published As

Publication number Publication date
CN115470873B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN112750140B (zh) 基于信息挖掘的伪装目标图像分割方法
CN111401516B (zh) 一种神经网络通道参数的搜索方法及相关设备
CN111414953B (zh) 点云分类方法和装置
CN112801146B (zh) 一种目标检测方法及系统
CN106250931A (zh) 一种基于随机卷积神经网络的高分辨率图像场景分类方法
CN110619352A (zh) 基于深度卷积神经网络的典型红外目标分类方法
CN113673312B (zh) 基于深度学习的雷达信号脉内调制识别方法
CN112085056B (zh) 目标检测模型生成方法、装置、设备及存储介质
CN111860124B (zh) 基于空谱胶囊生成对抗网络的遥感图像分类方法
CN111553215A (zh) 人员关联方法及其装置、图卷积网络训练方法及其装置
CN115470873B (zh) 一种雷达辐射源识别方法与系统
Ahmad et al. Hybrid dense network with attention mechanism for hyperspectral image classification
CN106097290A (zh) 基于nmf图像融合的sar图像变化检测方法
CN116883726A (zh) 基于多分支与改进的Dense2Net的高光谱图像分类方法及系统
CN118397351A (zh) 一种小样本分类方法、系统、介质及设备
CN114049491A (zh) 指纹分割模型训练、指纹分割方法、装置、设备及介质
CN114419308A (zh) 基于感兴趣区域的颜色识别方法、系统、电子设备和介质
CN117134958B (zh) 用于网络技术服务的信息处理方法及系统
CN110210279A (zh) 目标检测方法、装置及计算机可读存储介质
CN117710728A (zh) Sar图像目标识别方法、装置、计算机设备和存储介质
CN111639523B (zh) 目标检测方法、装置、计算机设备和存储介质
CN116993752A (zh) 实景三维Mesh模型语义分割方法、介质和系统
Islam et al. Frequency dropout: Feature-level regularization via randomized filtering
CN111104965A (zh) 车辆目标识别的方法及装置
CN113542527B (zh) 一种人脸图像传输方法、装置、电子设备及存储介质

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