CN115510915A - 一种基于门控循环网络原理的已知雷达信号分选方法 - Google Patents
一种基于门控循环网络原理的已知雷达信号分选方法 Download PDFInfo
- Publication number
- CN115510915A CN115510915A CN202211233100.XA CN202211233100A CN115510915A CN 115510915 A CN115510915 A CN 115510915A CN 202211233100 A CN202211233100 A CN 202211233100A CN 115510915 A CN115510915 A CN 115510915A
- Authority
- CN
- China
- Prior art keywords
- network
- sorting
- pulse
- radar
- pdw
- 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
-
- 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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明是一种基于门控循环网络原理的已知雷达信号分选方法,其方案为:基于已知雷达数据库对信号进行分类,并生成原始数据集;对原始的PDW流数据进行处理,构建联合特征向量;处理联合特征向量,划分为训练样本集和测试样本集;构建基于门控循环网络原理的雷达信号分选网络;使用训练样本集,按照设定的损失函数和优化方法对网络进行训练,得到训练好的分选网络;使用测试样本集对训练好的分选网络进行测试。本发明在仅使用PDW流数据的情况下,能够有效地提取PDW流前后脉冲的时序特征,且在高脉冲丢失环境中也得到较为准确的分类结果,有良好的抗脉冲丢失性能。
Description
技术领域
本发明属于信号处理领域,更进一步涉及一种基于门控循环(GRU)网络原理的已知雷达信号分选方法。
背景技术
雷达信号分选是电子侦察系统信号处理的关键环节,外部的雷达信号在接收机中被测量处理,雷达脉冲信息被以雷达脉冲描述字(PDW)的格式传输到后端的数据处理模块,利用PDW流信息进行雷达信号分选具有明显的工程应用价值,是电子侦察系统工程研究的重点。
如今各类新体制雷达快速发展,脉冲雷达信号参数变化复杂、模式多样,进入侦察接收机的信号脉冲流密度急剧增大,信号间产生干涉和混叠,同时虚假脉冲和脉冲丢失现象大量出现。由于新体制雷达的各参数变化形式多种多样,变化范围也很大,传统的模板匹配法无法应对的多变的雷达信号参数,只能被动地通过增大容差来应对捷变、参差等参数变化形式,但增大的容差使许多非目标雷达信号通过,造成分选错误。传统的模板匹配法无法满足复杂已知雷达信号的预分选需要,而在有已知分类数据的情况下,机器学习技术能达到很好的效果,可以采取神经网络对雷达数据库的数据进行有监督学习,完成已知信号分选。
雷达的参数变化很明显具有时间的上的关联性,而循坏神经网络这一大类神经网络对时序相关数据具有独特的分析能力,为了提高训练速度和减少算力开销,同时基于已知雷达信号数据样本并不充足的情况,采取门循环单元网络模型构建分选网络。
发明内容
发明目的:本发明的目的是提供一种能够解决现有技术中存在的缺陷的基于GRU网络原理的已知雷达信号分选方法,该方案能在使用PDW数据的情况下,提取前后脉冲的时序特征,并能抵抗脉冲丢失,达到较好的已知雷达信号分选准确率。
技术方案:本发明的一种基于门控循环网络原理的已知雷达信号分选方法,包括以下步骤:
步骤1、基于已知雷达数据库中的雷达信号参数生成原始的雷达脉冲描述字PDW流数据集,同时参考数据库生成干扰信号和未知雷达信号数据集;
步骤2、对原始的PDW流数据进行处理,将PDW流中的载频、脉宽和脉冲重复间隔三种参数联合起来,建立联合特征,为方便网络学习,需要对联合特征组进一步做归一化、数字取整、独热编码、压缩拼接操作,最终得到联合特征输入向量;
步骤3、将得到的联合特征输入向量集合按照75%、5%、20%的比例分别划分成训练数据集、验证数据集和测试数据集;
步骤4、构建基于门控循环网络原理的雷达信号分选网络,网络由门控循环GRU网络和全连接网络组成,其中联合特征输入向量在门控循环GRU网络中被提取出可能存在的时序和数值上的变化关联,门控循环GRU对这些模式变化域关联进行学习并存储到隐藏层中,而分类的任务则连接门控循环GRU网络输出的全连接层完成;
步骤5、使用训练样本集,按照设定的损失函数和优化方法对网络进行训练,得到训练好的分选网络;
步骤6、使用测试样本集对训练好的分选网络进行测试,完成信号分选,并计算准确率。
其中,
步骤1中,已知雷达数据库中的雷达信号参数,主要参考的信息为:载频单位为MHz及调制类型、脉宽单位为us、脉冲重复间隔PRI单位为us及调制类型;此外,还有雷达序号标志其为不同的雷达,生成的干扰和未知信号的参数选取与已知雷达信号参数相近。
所述的载频,其调制方式选取为固定、抖动、组变或捷变,脉冲重复间隔PRI的调制方式包括固定、抖动、参差、滑变、组变、捷变。
所述步骤2具体包括:
步骤2.1、将雷达信号PDW中的载频RF、脉宽参数PW与脉冲重复间隔共三种参数联合起来建立联合特征向量,而联合特征向量首先表示成类似PDW序列的形式,如式(1):
{PRI1,PW1,RF1},...,{PRIm,PWm,RFm} (1)
其中参数需要设置一个限定范围,即最大的脉冲重复间隔值max_PRI和最大脉宽max_PW,当超过最大范围后对序列进行切割,成为两个不同的序列流;
步骤2.2、进行数字取整,先实现无量纲化,设定各参数的量化处理范围,各参数通过与量化处理范围相比去除量纲单位,并可以将不同参数特征之间相差极大的数值范围进行缩小统一,然后对无量纲化的特征参数进行数字取整,如式(2):
步骤2.3、进行独热编码,采取嵌入矩阵映射方法,嵌入矩阵映射为Epdw,将稀疏的独特编码压缩为稠密向量epdw,其公式如(3):
epdwi=Epdwi·pdwi (3)
步骤2.4、对稠密编码特征向量进行拼接,即可得到联合特征输入向量x输入到神经网络中,具体的拼接形式如式(4):
x=[epri,epw,erf] (4)。
所述步骤4中,分选模型中门控循环GRU网络作为隐藏层,由于雷达分选数据量较小,使用一层的门控循环GRU网络对即可,门控循环GRU网络经过训练后的状态向量ht继续输入全连接网络,输出结果是一个已知雷达各型号分类的概率向量,代表了该脉冲属于某种雷达型号的概率。
所述步骤5中,损失函数采用交叉熵损失函数,信号分选网络损失函数的优化采取了自适应动量估计Adam算法。
所述步骤6中,为了评估分选网络在面对脉冲丢失问题的能力,将测试集数据随机按0~30%的范围进行数据点抽取,获得脉冲丢失下的测试集,然后分别使用训练好的已知雷达信号分选网络进行分选。
有益效果:本发明公开了一种基于GRU网络原理的已知雷达信号分选方法,与现有技术相比,具有如下的有益效果:在仅利用PDW数据的情况下提取雷达脉冲前后时序特征,不需要在接收机前端额外增加复杂处理,方便对现有设备的改造升级;面对待分选雷达信号各参数存在交叠且变化模式复杂的情况下,有效利用提取到的时序关联特征以及旧有特征,能在较高的脉冲丢失环境中达到较好的分选准确率,计算开销相较其他神经网络较低,对数据的数量和质量要求不高,利于工程应用。
附图说明
图1为本发明的基于GRU的已知雷达信号分选网络示意图。
图2为本发明在不同脉冲丢失率下与传统算法的查准率对比图。
图3为本发明在不同脉冲丢失率下与GRU网络、LSTM网络的查准率对比图。
具体实施方式
下面结合具体实施方式和附图对本发明的技术方案作进一步的介绍。
本具体实施方式公开了一种基于GRU网络原理的已知雷达信号分选方法,基于GRU的已知雷达信号分选网络示意图如图1所示:
具体应用步骤如下:
步骤1、基于已知雷达数据库中的雷达信号参数生成原始的雷达PDW流数据集,同时参考数据库生成干扰信号和未知雷达信号数据集;
步骤2、对原始的PDW流数据进行处理,将PDW流中的载频、脉宽和脉冲重复间隔三种参数联合起来,建立联合特征,为方便网络学习,需要对联合特征组进一步做归一化、数字取整、独热编码、压缩拼接操作,最终得到联合特征输入向量;
步骤3、将得到的联合特征输入向量集合按照75%、5%、20%的比例分别划分成训练数据集、验证数据集和测试数据集;
步骤4、构建基于门控循环网络原理的雷达信号分选网络,网络由GRU网络和全连接网络组成,其中联合特征输入向量在GRU网络中被提取出可能存在的时序和数值上的变化关联,GRU对这些模式变化域关联进行学习并存储到隐藏层中,而分类的任务则连接GRU网络输出的全连接层完成;
步骤5、使用训练样本集,按照设定的损失函数和优化方法对网络进行训练,得到训练好的分选网络;
步骤6、使用测试样本集对训练好的分选网络进行测试,完成信号分选,并计算准确率。
独热编码(One-Hot Encoding),又称一位有效编码,用N位来对N个状态进行编码,每个状态都有它独立的位,并且在任意时候,其中只有一位有效。即,只有一位是1,其余都是零值。如,男女性别可编码为女10男01。
步骤1中,已知雷达数据库中的雷达信号参数,主要参考的信息为:载频单位为MHz及调制类型、脉宽单位为us、脉冲重复间隔PRI单位为us及调制类型;此外,还有雷达序号标志其为不同的雷达,生成的干扰和未知信号的参数选取与已知雷达信号参数相近。
所述的载频,其调制方式选取为固定、抖动、组变或捷变,脉冲重复间隔PRI的调制方式包括固定、抖动、参差、滑变、组变、捷变。
所述步骤2具体包括:
步骤2.1、将雷达信号PDW中的载频RF、脉宽参数PW与脉冲重复间隔共三种参数联合起来建立联合特征向量,而联合特征向量首先表示成类似PDW序列的形式,如式(1):
{PRI1,PW1,RF1},...,{PRIm,PWm,RFm} (1)
其中参数需要设置一个限定范围,即最大的脉冲重复间隔值max_PRI和最大脉宽max_PW,当超过最大范围后对序列进行切割,成为两个不同的序列流;
步骤2.2、进行数字取整,先实现无量纲化,设定各参数的量化处理范围,各参数通过与量化处理范围相比去除量纲单位,并可以将不同参数特征之间相差极大的数值范围进行缩小统一,然后对无量纲化的特征参数进行数字取整,如式(2):
步骤2.3、进行独热编码,采取嵌入矩阵映射方法,嵌入矩阵映射为Epdw,将稀疏的独特编码压缩为稠密向量epdw,其公式如(3):
epdwi=Epdwi·pdwi (3)
步骤2.4、对稠密编码特征向量进行拼接,即可得到联合特征输入向量x输入到神经网络中,具体的拼接形式如式(4):
x=[epri,epw,erf] (4)。
所述步骤4中,分选模型中门控循环GRU网络作为隐藏层,由于雷达分选数据量较小,使用一层的门控循环GRU网络对即可,门控循环GRU网络经过训练后的状态向量ht继续输入全连接网络,输出结果是一个已知雷达各型号分类的概率向量,代表了该脉冲属于某种雷达型号的概率。
所述步骤5中,损失函数采用交叉熵损失函数,信号分选网络损失函数的优化采取了自适应动量估计Adam算法。
所述步骤6中,为了评估分选网络在面对脉冲丢失问题的能力,将测试集数据随机按0~30%的范围进行数据点抽取,获得脉冲丢失下的测试集,然后分别使用训练好的已知雷达信号分选网络进行分选。
在本实施例中,一共设置了6台已知的参数不同的雷达,设置的雷达各项参数交叠,特征采取多样式的调制方式,其具体参数设置如表1,每种已知雷达生成2000个脉冲样本数据,构成总样本数为12000的原始样本数据集。
表1已知雷达仿真参数设置
数据集的样本除载频、脉宽、PRI参数外,其雷达序号将作为数据标签,对原始雷达仿真信号数据集采取75%、5%、20%的比例分别划分成训练数据集、验证数据集和测试数据集,由于样本量较小且信号分选网络的超参数较少,所以设置很小的验证集用来初步评估和调整网络即可。而对于GRU网络,稠密化的编码联合特征输入向量长度为48,GRU雷达信号分选网络的参数设置如表2:
表2网络参数表
依照表中参数设置网络,使用仿真的雷达数据训练集对网络进行学习。通过验证集对已知雷达信号分选网络进行效果评估并调参,最后得到训练完成的分选网络。使用仿真雷达信号测试集对分选网络进行试验,为了评估分选网络在面对脉冲丢失问题的能力,将测试集数据随机按0~30%的范围进行数据点抽取,获得脉冲丢失下的测试集,然后分别使用训练好的已知雷达信号分选网络进行分选,不同丢失率训练集的分选结果的混淆矩阵。
将基于GRU的雷达信号分选方法与传统模板匹配法相比较,使用相同参数,在不同脉冲丢失率的情况下对比其准确率,如图2;另将其与基于简单RNN网络、LSTM网络设计的分选网络进行比较,在不同脉冲丢失率的情况下对比其查准率,如图3。
综合仿真结果与分析内容,当面对待分选雷达信号各参数存在交叠且变化模式复杂的情况下,本发明提出的已知雷达信号分选方案可以很好地提取分析参数关联,快速且准确地完成已知雷达信号预分选任务,而且满足了已知雷达信号分选算法抗脉冲丢失的需要。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (7)
1.一种基于门控循环网络原理的已知雷达信号分选方法,其特征在于,该方法包括以下步骤:
步骤1、基于已知雷达数据库中的雷达信号参数生成原始的雷达脉冲描述字PDW流数据集,同时参考数据库生成干扰信号和未知雷达信号数据集;
步骤2、对原始的PDW流数据进行处理,将PDW流中的载频、脉宽和脉冲重复间隔三种参数联合起来,建立联合特征,为方便网络学习,需要对联合特征组进一步做归一化、数字取整、独热编码、压缩拼接操作,最终得到联合特征输入向量;
步骤3、将得到的联合特征输入向量集合按照75%、5%、20%的比例分别划分成训练数据集、验证数据集和测试数据集;
步骤4、构建基于门控循环网络原理的雷达信号分选网络,网络由门控循环GRU网络和全连接网络组成,其中联合特征输入向量在门控循环GRU网络中被提取出可能存在的时序和数值上的变化关联,门控循环GRU对这些模式变化域关联进行学习并存储到隐藏层中,而分类的任务则连接门控循环GRU网络输出的全连接层完成;
步骤5、使用训练样本集,按照设定的损失函数和优化方法对网络进行训练,得到训练好的分选网络;
步骤6、使用测试样本集对训练好的分选网络进行测试,完成信号分选,并计算准确率。
2.根据权利要求1所述的一种基于门控循环网络原理的已知雷达信号分选方法,其特征在于,步骤1中,已知雷达数据库中的雷达信号参数,主要参考的信息为:载频单位为MHz及调制类型、脉宽单位为us、脉冲重复间隔PRI单位为us及调制类型;此外,还有雷达序号标志其为不同的雷达,生成的干扰和未知信号的参数选取与已知雷达信号参数相近。
3.根据权利要求2所述的一种基于门控循环网络原理的已知雷达信号分选方法,其特征在于,所述的载频,其调制方式选取为固定、抖动、组变或捷变,脉冲重复间隔PRI的调制方式包括固定、抖动、参差、滑变、组变、捷变。
4.根据权利要求1所述的一种基于门控循环网络原理的已知雷达信号分选方法,其特征在于,所述步骤2具体包括:
步骤2.1、将雷达信号PDW中的载频RF、脉宽参数PW与脉冲重复间隔共三种参数联合起来建立联合特征向量,而联合特征向量首先表示成类似PDW序列的形式,如式(1):
{PRI1,PW1,RF1},...,{PRIm,PWm,RFm} (1)
其中参数需要设置一个限定范围,即最大的脉冲重复间隔值max_PRI和最大脉宽max_PW,当超过最大范围后对序列进行切割,成为两个不同的序列流;
步骤2.2、进行数字取整,先实现无量纲化,设定各参数的量化处理范围,各参数通过与量化处理范围相比去除量纲单位,并可以将不同参数特征之间相差极大的数值范围进行缩小统一,然后对无量纲化的特征参数进行数字取整,如式(2):
步骤2.3、进行独热编码,采取嵌入矩阵映射方法,嵌入矩阵映射为Epdw,将稀疏的独特编码压缩为稠密向量epdw,其公式如(3):
epdwi=Epdwi·pdwi (3)
步骤2.4、对稠密编码特征向量进行拼接,即可得到联合特征输入向量x输入到神经网络中,具体的拼接形式如式(4):
x=[epri,epw,erf] (4)。
5.根据权利要求1所述的一种基于门控循环网络原理的已知雷达信号分选方法,其特征在于,所述步骤4中,分选模型中门控循环GRU网络作为隐藏层,由于雷达分选数据量较小,使用一层的门控循环GRU网络对即可,门控循环GRU网络经过训练后的状态向量ht继续输入全连接网络,输出结果是一个已知雷达各型号分类的概率向量,代表了该脉冲属于某种雷达型号的概率。
6.根据权利要求1所述的一种基于门控循环网络原理的已知雷达信号分选方法,其特征在于,所述步骤5中,损失函数采用交叉熵损失函数,信号分选网络损失函数的优化采取了自适应动量估计Adam算法。
7.根据权利要求1所述的一种基于门控循环网络原理的已知雷达信号分选方法,其特征在于,所述步骤6中,为了评估分选网络在面对脉冲丢失问题的能力,将测试集数据随机按0~30%的范围进行数据点抽取,获得脉冲丢失下的测试集,然后分别使用训练好的已知雷达信号分选网络进行分选。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211233100.XA CN115510915A (zh) | 2022-10-10 | 2022-10-10 | 一种基于门控循环网络原理的已知雷达信号分选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211233100.XA CN115510915A (zh) | 2022-10-10 | 2022-10-10 | 一种基于门控循环网络原理的已知雷达信号分选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115510915A true CN115510915A (zh) | 2022-12-23 |
Family
ID=84508737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211233100.XA Pending CN115510915A (zh) | 2022-10-10 | 2022-10-10 | 一种基于门控循环网络原理的已知雷达信号分选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115510915A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117554919A (zh) * | 2024-01-11 | 2024-02-13 | 成都金支点科技有限公司 | 一种基于双向lstm网络的雷达信号分选搜索方法 |
-
2022
- 2022-10-10 CN CN202211233100.XA patent/CN115510915A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117554919A (zh) * | 2024-01-11 | 2024-02-13 | 成都金支点科技有限公司 | 一种基于双向lstm网络的雷达信号分选搜索方法 |
CN117554919B (zh) * | 2024-01-11 | 2024-03-29 | 成都金支点科技有限公司 | 一种基于双向lstm网络的雷达信号分选搜索方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107656245B (zh) | 一种将信息融合应用到雷达信号分选中的方法 | |
CN108960303B (zh) | 一种基于lstm的无人机飞行数据异常检测方法 | |
CN110166484A (zh) | 一种基于LSTM-Attention网络的工业控制系统入侵检测方法 | |
CN108304877A (zh) | 一种基于机器学习的物理层信道认证方法 | |
CN111366820A (zh) | 局部放电信号的模式识别方法、装置、设备及存储介质 | |
CN111343182B (zh) | 一种基于灰度图的异常流量检测方法 | |
CN113516228B (zh) | 一种基于深度神经网络的网络异常检测方法 | |
CN113962381B (zh) | 微弱信号数据增强方法 | |
CN115510915A (zh) | 一种基于门控循环网络原理的已知雷达信号分选方法 | |
CN113759323A (zh) | 基于改进K-Means联合卷积自编码器的信号分选方法及装置 | |
CN111050315A (zh) | 一种基于多核双路网络的无线发射机识别方法 | |
CN112684427A (zh) | 基于串行二次强化训练的雷达目标识别方法 | |
CN115051929B (zh) | 基于自监督目标感知神经网络的网络故障预测方法及装置 | |
CN110889207B (zh) | 一种基于深度学习的体系组合模型可信度智能评估方法 | |
CN110309904A (zh) | 一种神经网络压缩方法 | |
CN109033836A (zh) | 基于统计学习的恶意代码多模型交叉检测方法 | |
KR102407835B1 (ko) | 기계학습 기반의 펄스 레이더 신호 속성 분류 방법 및 장치 | |
CN113037668B (zh) | 一种毫米波点对点通信信道均衡方法 | |
CN115563510B (zh) | 一种点击率预估模型的训练方法及相关装置 | |
CN117391816A (zh) | 一种异质图神经网络推荐方法、装置及设备 | |
CN116340533B (zh) | 一种基于知识图谱的星载电磁频谱大数据智能处理系统 | |
CN116500546A (zh) | 一种基于点云分割网络的雷达信号分选方法 | |
CN115982566A (zh) | 一种水电机组多通道故障诊断方法 | |
Wang et al. | FCM algorithm and index CS for the signal sorting of radiant points | |
CN113806561A (zh) | 一种基于实体属性的知识图谱事实补全方法 |
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 |