CN115905919A - 基于afgan的雷达信号样本数据处理方法、目标识别方法及系统 - Google Patents
基于afgan的雷达信号样本数据处理方法、目标识别方法及系统 Download PDFInfo
- Publication number
- CN115905919A CN115905919A CN202211481272.9A CN202211481272A CN115905919A CN 115905919 A CN115905919 A CN 115905919A CN 202211481272 A CN202211481272 A CN 202211481272A CN 115905919 A CN115905919 A CN 115905919A
- Authority
- CN
- China
- Prior art keywords
- sample data
- radar signal
- signal
- afgan
- radar
- 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
本发明属于雷达信号处理技术领域,特别涉及一种基于AFGAN的雷达信号样本数据处理方法、目标识别方法及系统,通过构建用于雷达信号小样本数据增强处理的AFGAN对抗网络模型,其中,构建的对抗网络模型包含由卷积神经网络构成的生成器和由雷达信号样本数据中模糊函数等高线构建约束函数对生成信号质量进行约束的判别器;并针对雷达信号小样本数据,利用AFGAN对抗网络模型来生成雷达信号伪造样本数据,并将该伪造样本数据与小样本数据进行混合,得到用于雷达信号目标识别中模型训练的样本总数据。本发明能够对小样本信号进行有效地深层特征提取和样本数据增强,产生大量高质量雷达信号生成样本,大大降低了样本数据不均衡程度,明显提高雷达信号整体识别概率。
Description
技术领域
本发明属于雷达信号处理技术领域,特别涉及一种基于AFGAN的雷达信号样本数据处理方法、目标识别方法及系统。
背景技术
随着无线电技术的发展,雷达信号识别(Radar Signal Recognition,RSR)成为目标定位、电磁波探测的重要组成部分。由于应用场所中电磁环境日益复杂,各种新式复杂调制雷达信号不断出现,导致基于脉冲描述字的传统雷达识别方法准确率较低,因此雷达信号识别方法逐渐转向脉内特征的研究。基于机器学习的雷达信号识别方法具有智能化程度高、鲁棒性好等优点,是雷达信号识别领域的研究热点。其中,机器学习中的深度学习被认为是雷达信号调制识别方法的发展趋势。
因深度学习方法的识别率和鲁棒性非常依赖于充足的训练样本,而实际中获取大量的非合作雷达信号数据存在相当大的困难。目前解决训练样本不足问题的一种主流方法是利用深度学习生成对抗网络(GAN),对雷达信号特征图像进行样本库扩充,以实现在小样本条件下实现复杂调制雷达信号的识别,其中,一种方法是采用GAN扩充SAR图像样本库,使得识别率提高了15%左右;另一种方法通过提取雷达信号时频图,采用GAN进行样本扩充,能够在小样本条件下的识别性能提高15dB。但上述方法仍存在小样本条件下复杂调制雷达信号识别率低和类识别率不均衡问题,进而影响目标识别、电磁波探测中的实际应用。
发明内容
为此,本发明提供一种基于AFGAN的雷达信号样本数据处理方法、目标识别方法及系统,能够解决目前使用GAN神经网络在小样本条件下复杂调制雷达信号识别率低、类识别率不均衡等问题,便于实际场景中的应用。
按照本发明所提供的设计方案,提供一种基于AFGAN的雷达信号样本数据处理方法,包含如下内容:
构建用于雷达信号小样本数据增强处理的AFGAN对抗网络模型,其中,构建的对抗网络模型包含由卷积神经网络构成的生成器和由雷达信号样本数据中模糊函数等高线构建约束函数对生成信号质量进行约束的判别器;
针对雷达信号小样本数据,利用AFGAN对抗网络模型来生成雷达信号伪造样本数据,并将该伪造样本数据与小样本数据进行混合,得到用于雷达信号目标识别中模型训练的样本总数据。
作为本发明中基于AFGAN的雷达信号样本数据处理方法,进一步地,利用雷达信号样本数据中模糊函数等高线构建约束函数中,首先选择雷达信号样本数据的多条模糊函数有效等高线,并通过对模糊函数有效等高线进行归一化处理来获取雷达信号样本数据的模糊函数有效等高线特征图像,然后利用图像中模糊函数有效等高线的时间分辨常数值和频率分辨常数值来设置约束函数中对生成的信号数据进行质量约束的阈值。
作为本发明中基于AFGAN的雷达信号样本数据处理方法,进一步地,针对雷达信号样本数据,选择雷达信号样本数据的多条模糊函数有效等高线,包含:首先,依据雷达信号的复调制包络、回波信号件延迟差和频率差来表示样本数据中雷达信号的模糊函数;接着,将模糊函数的三维立体图进行处理,转化为二维模糊函数等高线图;进而,依据预设等高线层级、和每个等高线与模糊函数等高线最大值的比值来选取多条模糊函数有效等高线。
作为本发明中基于AFGAN的雷达信号样本数据处理方法,进一步地,模糊函数有效等高线的时间分辨常数值和频率分辨常数值分别表示为:
作为本发明中基于AFGAN的雷达信号样本数据处理方法,进一步地,利用图像中模糊函数有效等高线的时间分辨常数值和频率分辨常数值来设置约束函数中对生成的信号数据进行质量约束的阈值,包含:首先,采用二元选择模型,选取上述两种分辨常数中数值较小的作为主体分辨常数,然后,通过小波阈值去噪算法来获取雷达信号小样本数据中主体分辨常数的最大值,并将该最大值作为质量约束的阈值。
作为本发明基于AFGAN的雷达信号样本数据处理方法,进一步地,判别器约束函数表示为:
其中,x为真实样本数据张量,为对应的生成器生成的伪造数据样本,D为判别器,Pr为真实样本空间分布,Pg为伪造数据样本空间分布,为整个样本空间分布,PgAFECL为利用阈值对伪造数据样本进行优化后的伪造样本空间分布。
进一步地,本发明还提供一种基于AFGAN的雷达信号小样本目标识别方法,包含:
针对收集的雷达信号小样本数据,利用上述的数据处理方法来对小样本数据进行增强,获取用于目标识别的总样本数据;
利用总样本数据对雷达信号目标识别模型进行训练优化,直至雷达信号目标识别模型达到收敛状态;
利用训练后的雷达信号目标识别模型来对目标区域范围内复杂调制雷达信号进行分类识别。
作为本发明基于AFGAN的雷达信号小样本目标识别方法,进一步地,收集雷达信号小样本数据中,利用仿真软件来获取多种信号类型下的复杂调制雷达信号,其中,该复杂调制雷达信号的信号类型包含但不局限于:线性调频信号、正弦频率调制信号、二相编码信号、Frank码多相编码信号、基于BFSK的码间线性调频信号、基于信号频率调制的码内相位编码调制信号。
作为本发明基于AFGAN的雷达信号小样本目标识别方法,进一步地,所述雷达信号目标识别模型采用Resnet模型结构,并利用预设比例将所述总样本数据进行比例划分来获取用于目标识别模型训练的训练数据集、用于目标识别模型验证的验证数据集和用于目标识别模型测试的测试数据集,并利用训练数据集、验证数据集和测试数据及测试数据集来对目标识别模型进行训练、训练后的验证及测试调优。
进一步地,本发明还提供一种基于AFGAN的雷达信号小样本目标识别系统,包含:样本数据构建模块、识别模型训练模块和目标信号识别模块,其中,
样本数据构建模块,用于针对收集的雷达信号小样本数据,利用上述的数据处理方法来对小样本数据进行增强,获取用于目标识别的总样本数据;
识别模型训练模块,用于利用总样本数据对雷达信号目标识别模型进行训练优化,直至雷达信号目标识别模型达到收敛状态;
目标信号识别模块,用于利用训练后的雷达信号目标识别模型来对目标区域范围内复杂调制雷达信号进行分类识别。
本发明的有益效果:
本发明通过根据模糊函数有效等高线方法提取现有仿真样本数据AFECL特征图;然后分析不同类型雷达信号的AFECL主体分辨常数并计算其阈值用于约束生成样本的质量;再将AFECL特征图输入到AFGAN模型中进行训练,训练稳定后生成大量不同类型的复杂调制雷达信号AFECL特征图;再次将仿真样本数据和生成样本数据混合对Resnet模型进行训练,直到模型达到稳定状态;最后用训练好的Resnet模型对不同类型的复杂调制雷达信号进行分类识别,能够提升信号识别率高,并降低类识别率差值。进一步通过实验数据证明,本案方案能够对小样本信号进行有效地深层特征提取和样本数据增强,产生大量高质量的雷达信号生成样本,大大降低了样本数据不均衡程度,明显提高雷达信号整体识别概率,复杂调制雷达信号在小样本条件下经AFGAN数据增强后整体识别率提高18.64%达到99.25%,类识别率最大差值降低40.67%达到1.33%,且在信噪比-8dB时可以达到94.28%的信号识别率,具有较好的应用前景。
附图说明:
图1为实施例中图像内容属性提取流程示意图;
图2为实施例中AFGAN对抗网络模型框架结构示意;
图3为实施例中小样本复杂调制雷达信号目标识别流程示意;
图4为实施例中不同样本数量条件下信号识别率示意;
图5为实施例中不同生成样本数量条件下信号识别率示意;
图6为实施例中AFCL、STFT、WVD信号特征有效性分析示意;
图7为实施例中GAN、WGAN-GP、AFGAN数据增强方法性能对比分析示意;
图8为实施例中信噪比-10dB~10dB条件下信号识别率变化示意。
具体实施方式:
为使本发明的目的、技术方案和优点更加清楚、明白,下面结合附图和技术方案对本发明作进一步详细的说明。
本发明实施例,提供一种基于AFGAN的雷达信号样本数据处理方法,用于复杂调制雷达信号小样本目标识,参见图1所示,包含:
S101、构建用于雷达信号小样本数据增强处理的AFGAN对抗网络模型,其中,构建的对抗网络模型包含由卷积神经网络构成的生成器和由雷达信号样本数据中模糊函数等高线构建约束函数对生成信号质量进行约束的判别器;
S102、针对雷达信号小样本数据,利用AFGAN对抗网络模型来生成雷达信号伪造样本数据,并将该伪造样本数据与小样本数据进行混合,得到用于雷达信号目标识别中模型训练的样本总数据。
参见图2所示,本案实施例中,对抗网络模型由卷积神经网络构成的生成器G、由AFECL(Ambiguity Function Efficient Contour Lines,AFECL)主体分辨常数阈值构成约束函数的判别器D。AFGAN模型将AF特性与GAN网络进行有机结合,提取小样本复杂调制雷达信号AFECL特征灰度图对WGAN-GP进行训练,训练稳定后,首先根据模糊函数有效等高线值对生成的AFECL特征灰度图进行灰度值修正,然后提取其AFECL主体分辨常数值与阈值进行比较,只有AFECL主体分辨常数小于阈值的样本才能作为高质量雷达信号样本,通过对小样本数据进行增强和混合来用于后续雷达信号识别分析处理。
进一步地,依据雷达信号的复调制包络、回波信号间延迟差和频率差来表示样本数据中雷达信号的模糊函数等高线;接着,依据预设等高线层级、和每个等高线与模糊函数等高线最大值的比值来设置等高线对应的模糊函数点集;然后,依据模糊函数性质中最大值及每个等高线与模糊函数等高线最大值的比值取值范围,并利用模糊函数等高线及模糊函数点集来表示模糊函数有效等高线。
具体地,设u(t)为雷达信号的复调制包络,则该信号的AF计算公式可表示为
式中τ为两个回波信号间的延迟差,ξ为频率差,模糊函数χ(τ,ξ)的值越小,说明两个信号在该(τ,ξ)处的模糊度越小,分辨力越高。
假设AFCL中等高线层数为NCL,第i层等高线值与AF最大值的比值为hri,可得等高线对应的AF点集为:
ΩAFCL={(τ,ξ)||χ(τ,ξ)|=hri·|χ(0,0)|,hri∈[0,1],i=1,2,...,NCL}(2)
由模糊函数性质可知,其最大值为|χ(0,0)|,hri的取值范围为[0,1]。
模糊函数有效等高线对应表达式为
本案方案中,选取5条AF等高线作为主要特征量,称其为模糊函数有效等高线,将AF归一化,取其主瓣半功率波束宽度等高线为第1有效等高线,等高线值约为峰值幅度的0.7倍,依次取下方的0.6倍、0.5倍处两条等高线为第2、3有效等高线,再依次取下方的0.3倍、0.1倍处两条等高线为第4、5有效等高线。模糊函数有效等高线分布间距大覆盖范围广,既能够有效体现AF轮廓分布特征,又能够在低信噪比条件下充分保留AF特征。据此可得雷达信号样本的AFCL特征图像。因此,公式(3)中,NCL=5,hr=[0.7 0.6 0.5 0.3 0.1]。
进一步地,本案实施例中,选择雷达信号样本数据的多条模糊函数有效等高线,并通过对模糊函数有效等高线进行归一化处理来获取雷达信号样本数据的模糊函数有效等高线特征图像,然后利用图像中模糊函数有效等高线的时间分辨常数值和频率分辨常数值来设置约束函数中对生成的信号数据进行质量约束的阈值。
可通过采用二元选择模型来选取两种分辨常数中数值较小的作为主体分辨常数,并通过小波阈值去噪算法计算得到训练样本的主体分辨常数最大值作为阈值,该阈值用于WGAN-GP生成信号的质量评估,只有当生成信号的主体分辨常数值小于该阈值时,才被认为是高质量雷达信号。通过分析不同类型雷达信号的AFECL主体分辨常数并计算其阈值,使之作为约束条件对WGAN-GP生成信号进行质量性约束,使得GAN生成的样本数据满足雷达信号设计要求。
AF的时间分辨常数和频率分辨常数分别为
式中χ(τ,0),χ(0,ξ)分别是令AF定义式中ξ=0、τ=0得到,分别称为距离模糊函数和速度模糊函数。
根据公式得到μτ和μξ的估计值,选取min{μτ,μξ}作为该类雷达信号的AFECL主体分辨常数,需要确定其阈值用于生成样本信号质量评估。通过小波阈值去噪算法(WNDA)计算得到训练样本的主体分辨常数最大值作为阈值:
在AFGAN模型训练和伪造样本数据生成中。通过提取小样本复杂调制雷达信号AFECL特征灰度图,提取其AFECL主体分辨常数值,然后对对WGAN-GP的约束函数进行优化,得到AFGAN模型。将AFECL特征灰度图输入到AFGAN中进行训练,训练稳定后,对生成的AFECL特征灰度图进行灰度值修正,然后提取其AFECL主体分辨常数值与阈值进行比较,只有AFECL主体分辨常数小于阈值的样本才能作为高质量雷达信号样本,用于后续雷达信号识别分析处理,意味着对生成样本分布进行了优化,使得整个损失函数减小。
对抗网络GAN目标函数定义为:
WGAN-GP的判别器损失函数可表示为
其中Pr是真实样本分布,Pg是生成样本分布,是整个样本空间分布。WGAN-GP训练稳定后,首先根据模糊函数有效等高线值对生成的AFECL特征灰度图进行灰度值修正,然后提取其AFECL主体分辨常数值与阈值进行比较,只有AFECL主体分辨常数小于阈值的样本才能作为高质量雷达信号样本,用于后续雷达信号识别分析处理,意味着对生成样本分布进行了优化使得式(7)中的第二、三项减小,整个损失函数减小。AFGAN的判别器损失函数可表示为:
进一步地,基于上述的数据处理方法,本发明实施例还提供一种基于AFGAN的雷达信号小样本目标识别方法,包含:
针对收集的雷达信号小样本数据,利用上述的数据处理方法来对小样本数据进行增强,获取用于目标识别的总样本数据;
利用总样本数据对雷达信号目标识别模型进行训练优化,直至雷达信号目标识别模型达到收敛状态;
利用训练后的雷达信号目标识别模型来对目标区域范围内复杂调制雷达信号进行分类识别。
参见图3所示,根据模糊函数有效等高线方法提取现有仿真样本数据AFECL特征图;然后分析不同类型雷达信号的AFECL主体分辨常数并计算其阈值;再将AFECL特征图输入到AFGAN模型中进行训练,训练稳定后生成大量不同类型的复杂调制雷达信号AFECL特征图;再次将仿真样本数据和生成样本数据混合对Resnet模型进行训练,直到模型达到稳定状态;最后用训练好的Resnet模型对不同类型的复杂调制雷达信号进行分类识别。Resnet模型训练中,可利用预设比例将所述总样本数据进行比例划分来获取用于目标识别模型训练的训练数据集、用于目标识别模型验证的验证数据集和用于目标识别模型测试的测试数据集,并利用训练数据集、验证数据集和测试数据及测试数据集来对目标识别模型进行训练、训练后的验证及测试调优。
本案实施例,进一步地,可利用仿真软件来获取多种信号类型下的复杂调制雷达信号,其中,该复杂调制雷达信号的信号类型包含但不局限于:线性调频信号、正弦频率调制信号、二相编码信号、Frank码多相编码信号、基于BFSK的码间线性调频信号、基于信号频率调制的码内相位编码调制信号。
进一步地,基于上述的数据处理方法,本发明实施例还提供一种基于AFGAN的雷达信号小样本目标识别系统,包含:样本数据构建模块、识别模型训练模块和目标信号识别模块,其中,
样本数据构建模块,用于针对收集的雷达信号小样本数据,利用上述的数据处理方法来对小样本数据进行增强,获取用于目标识别的总样本数据;
识别模型训练模块,用于利用总样本数据对雷达信号目标识别模型进行训练优化,直至雷达信号目标识别模型达到收敛状态;
目标信号识别模块,用于利用训练后的雷达信号目标识别模型来对目标区域范围内复杂调制雷达信号进行分类识别。
为验证本案方案有效性,下面结合实验数据做进一步解释说明:
实验数据集由MATLAB编程软件生成,仿真参数设置为:复杂调制雷达信号类型共6种,分别是线性调频信号(Linear Frequency Modulation,LFM)、正弦频率调制信号(Sinusoidal Frequency Modulation,SFM)、二相编码信号(Binary Phase Shift Keying,BPSK)、Frank码多相编码信号(Frank polyphase,FPP)、基于BFSK的码间线性调频信号(LFM-BPSK)、基于信号频率调制的码内相位编码调制信号(FSK-BPSK)。每种信号的脉宽、载频、码元个数等参数如下表所示。
仿真中雷达信号的幅度统一设置为1、信号初相设置为0°、信号中心频率设置为信号带宽的2倍即20MHz、采样频率设置为信号带宽的6倍即60MHz。每种类型雷达信号初始样本数为1000个,AFECL特征灰度图尺寸为512×512。
深度生成网络中WGAN-GP非常适用于雷达数据增强,其使用Wasserstein距离和梯度惩罚机制解决了梯度消失问题,并且能生成高质量雷达信号。因此,本案所提出的AFGAN模型也采用WGAN-GP结构,在其基础上增加了基于模糊函数的约束条件。实验中设计的AFGAN模型网络优化器为Adam,学习率为0.0002,一阶矩指数衰减率为0.5。AFGAN生成器第1个卷积步进为1,其余为2,AFGAN判别器最后1个卷积步进为1,其余为2。具体网络结构如表1所示。
表1AFGAN模型网络结构设置
识别分类器采用CNN中的Resnet_101残差网络,Resnet结构有效解决了传统CNN的梯度消失和网络退化问题。实验中设置Resnet_101网络优化器采用Adam,学习率为0.0003,一阶矩指数衰减率为0.5。全连接层Dense采用激活函数softmax,其余各层激活函数采用ReLU,卷积步进设置为2。具体网络结构如表2所示。
表2Resnet_101网络结构设置
实验采用的深度学习框架为TensorFlow,使用的硬件平台CPU为Intel(R)Xeon(R)Gold5218@2.30GHz,GPU为NVIDIA RTX A6000,操作系统为Windows10。
首先是小样本条件下识别效果分析。实验中AFGAN采用Adam优化器,学习率为0.0002,每个批次24个样本,信噪比为0dB。设置4个层次的样本数量,分别为50、200、800、3000个[29,37]样本,可以认为是样本数量由不足逐步到充足的过程,在每种数量层次下,通过实验对比分析小样本条件下AFGAN数据增强方法的有效性。首先使用现有真实样本对AFGAN网络进行训练,并在AFECL主体分辨常数的约束条件下尽可能做到数据有效扩充。然后将生成样本和真实样本进行混合,作为雷达信号识别的实验数据,通过6:2:2的比例划分为Resnet网络的训练数据、验证数据和测试数据,从而得到基于AFGAN数据增强方法的雷达信号识别概率。设置两组对比实验,一组采用AFGAN对真实信号进行数据增强,然后用Resnet进行信号识别,另一组不对真实信号进行数据增强而直接将其作为实验数据用于Resnet信号识别。实验得到信号在不同情况下的识别率(%),如表3和图4所示。
表3
可以看出,在样本数只有50的情况下,SFM、BPSK、FPP和FSK-BPSK四种信号的AFGAN方法识别率都远高于No GAN方法,但是LFM和LFM-BPSK两种信号的识别率却与预期反常,NoGAN方法的识别率等于甚至高于AFGAN方法,LFM-BPSK信号的识别率甚至达到了100%。LFM信号在两种情况下的识别率相同,是因为LFM信号的AFCL结构相对简单,在时频分布图中近似为一条斜线,Resnet在小样本条件下就可以获得其充足的信号特征。通过分析发现,在测试中有20.50%的SFM信号、22.00%的BPSK信号和31.33%的FSK-BPSK信号被错误地识别为LFM-BPSK信号,这三种信号与LFM-BPSK信号的结构相似度高达88.09%,当Resnet的训练样本数量很少时,难以获得足够的信号特征并将准确区分。也就是说,LFM-BPSK信号100%识别率不是在Resnet训练充分后得到的识别结果,而是Resnet将大量的无法精确识别的信号都归为了LFM-BPSK信号,导致了100%的识别率,说明这里的100%识别率恰恰是Resnet训练不充分导致的识别率不高的表现,该现象的起因是样本数据过少或者样本数据质量不高导致的深度学习方法类识别率不均衡。本案中,采用6种复杂调制雷达信号中单一信号间识别率的最大差值作为类识别率不均衡现象的衡量指标,差值越大说明类识别率不均衡问题越严重。通过实验分析可以看出,在样本数量为50的情况下基于AFGAN数据增强方法的雷达信号识别概率达到了99.25%,并且对6种雷达信号的识别率较均衡、都达到了99%左右,没有出现类识别率严重不均衡问题,相比于没有经过数据增强的整体识别概率提高了18.64%以上。
为了进一步分析AFGAN数据增强方法对小样本雷达信号识别率的提高情况,选取真实样本数量只有50个的典型小样本条件,通过AFGAN产生满足AFECL主体分辨常数约束条件的生成样本,实验分析生成样本数量由少到多的过程中,雷达信号识别率的变化情况,如表4和图5所示。
表4
可以看出,在小样本条件下随着生成样本数量由0到3000的变化,信号整体识别率越来越高由80.64%提升为99.25%,样本数据不均衡现象越来越弱单一信号识别率最大差值由42.00%降低为1.33%。实验结果表明,AFGAN数据增强方法可以对复杂调制雷达信号小样本数据集进行有效扩充,大大降低了由于样本数量过少造成的类识别率不均衡现象,有效提升了小样本条件下复杂调制雷达信号整体识别概率。同时,AFGAN生成样本信号并不是对真实样本信号的简单复制,而是利用GAN网络强大的特征提取能力生成更多信号深层特征,随着生成样本数量从0、50、200、800、3000逐步增加,信号识别率得到了稳步地有效提升。
其次是AFCL信号特征有效性分析,本案方案中通过提取雷达信号AFCL作为特征值进行信号识别。为了验证AFCL特征用于复杂调制雷达小样本信号识别的有效性,选取常用的雷达信号短时傅里叶变换(STFT)时频图、维格纳-威尔分布(WVD)时频图两种典型雷达信号特征作为深度学习网络的输入信号,与AFGAN数据增强方法中采用的AFCL信号特征进行对比分析。STFT和WVD都是信号时频分析的主要方法,STFT是线性变换而WVD是二次型变换,其公式分别为:
式中,s(t)为雷达信号,g(t)是窗函数。
对比实验在小样本和充足样本两种条件下进行。小样本条件下每种类型雷达信号的真实样本数为50个,信号AFCL特征图采用AFGAN进行数据增强,STFT时频图和WVD时频图采用WGAN-GP进行数据增强。充足样本条件下不进行数据增强,直接进行信号识别实验。具体如表5、表6和图6所示。
表5
表6
可以看出,在充足样本条件下AFCL、STFT、WVD三种信号特征作为特征值的雷达信号整体识别率相近,AFCL信号特征识别率最高为99.14%,但也只比STFT和WVD分别高了0.69%和0.42%,并且三种信号特征的样本数据不均衡造成的类识别率不均衡分别为3.50%、5.00%、3.50%,差别很小。通过对比实验可以得出结论,在充足样本条件下AFCL、STFT、WVD三种信号特征都可以作为雷达信号识别的有效特征值,实现复杂调制雷达信号的分选识别,且在小样本条件下相比于STFT、WVD特征,基于AFGAN数据增强方法的AFCL特征具有明显优势。虽然STFT和WVD特征也采用WGAN-GP进行数据增强,但是WGAN-GP是一种通用的数据增强方法,无法针对STFT和WVD特征实现高效地数据增强,虽然实现了样本数量的扩充,但是信号深层特征提取不足、生成样本质量一般,与充足样本条件相比信号整体识别率分别下降了9.83%和10.23%,类识别率不均衡分别增大为45.00%和28.50%。AFCL特征经过AFGAN数据增强后,信号总体识别率、不同类型信号识别率最大差值指标与充足样本条件下基本一致。这是因为信号的AFCL特征反映了模糊能量在时频联合平面的分布特性和层次结构,保留了相对完整的模糊函数信息,在等高线提取过程中有效地抑制了杂波干扰。而且,AFGAN数据增强方法可以针对性地对AFCL特征进行样本扩充,产生高质量的生成样本数据,有效解决了样本数据不均衡问题。
通过对比实验可以看出,AFCL信号特征更适用于小样本条件下复杂调制雷达信号识别,AFGAN数据增强方法能够有针对性地对AFCL特征进行有效地样本扩充,使Resnet网络得到更充分、有效地训练,提高了信号识别效率。
然后是AFGAN与其它数据增强方法对比分析。GAN是经典的数据增强方法,具备一定的数据内插和外插作用,可以达到数据增强的目的,被广泛应用于计算机视觉、机器学习和语音处理等领域,是目前效果最好的生成模型。WGAN-GP由经典GAN发展而来,使用梯度惩罚机制满足Lipschitz连续条件,训练稳定、模型参数适应性强,是一种性能优秀的GAN改进模型。本案中,将AFGAN与常用数据增强方法GAN、WGAN-GP进行性能对比分析,来验证AFGAN用作数据增强的有效性,具体如表7和图7所示。
表7
GAN | WGAN-GP | AFGAN | |
LFM | 98.83 | 100.00 | 99.83 |
SFM | 99.34 | 100.00 | 99.33 |
BPSK | 93.17 | 78.50 | 99.50 |
FPP | 82.33 | 100.00 | 99.33 |
LFM-BPSK | 40.33 | 98.33 | 99.00 |
FSK-BPSK | 98.83 | 95.66 | 98.50 |
Total | 85.58 | 95.41 | 99.25 |
通过实验结果可以看出,GAN由于模型本身训练难度大、样本数据不均衡,导致模型收敛效果差、生成样本质量不高,对复杂调制雷达信号的整体识别率较低只有85.58%,而且类识别率不均衡达到了59.50%,说明经典GAN模型对AFCL信号特征的数据增强效果不理想。WGAN-GP模型引入梯度惩罚机制,有效解决了GAN模型的梯度消失和模式崩溃问题,在小样本情况下实现了有效训练、生成了大量有效样本。经过WGAN-GP数据增强处理,小样本条件下的雷达信号整体识别率达到了95.41%,类识别率不均衡为21.50%,优于STFT、WVD特征的识别效果,这是由于AFCL特征具有的杂波抑制特性。
但是WGAN-GP数据增强方法只对样本图像的分布特性进行了特征提取和数据增强,并没有充分考虑样本作为雷达信号的实用性要求,换句话说,WGAN-GP模型可以生成大量的高质量样本图像,但不一定是高质量的雷达信号。这阻碍了WGAN-GP作为小样本雷达信号数据增强方法对雷达信号识别率的进一步提升。而本案中提出的AFGAN模型,引入了模糊函数约束条件、选用AFCL雷达信号特征量、提出了AFCL主体分辨常数和有效等高线概念,更适用于小样本雷达信号的数据增强,可生成高质量的雷达信号样本,有效提高了对复杂调制雷达信号的识别概率。AFGAN数据增强方法相比于WGAN-GP和GAN,雷达信号整体识别率分别提高了3.84%和13.67%,类识别率不均衡分别提高了20.17%和58.17%。
通过3种数据增强方法的对比分析,可以看出在复杂调制雷达信号小样本识别领域,由于加入模糊函数约束条件、选用AFCL雷达信号特征量、提出AFCL主体分辨常数和有效等高线概念,AFGAN数据增强方法相比于其他通用性方法有效解决了类识别率不均衡问题,明显提高了雷达信号整体识别概率。
最后是不同信噪比条件下信号识别率分析。在信噪比为-10dB到10dB条件下,每种类型雷达信号真实样本数量为50个,实验分析AFGAN-Resnet方法进行雷达信号识别率随信噪比变化情况。AFGAN-Resnet方法中采用AFGAN对真实信号进行数据增强,然后将真实样本与生成样本混合用于Resnet训练和识别。信噪比表达式为 和分别为信号和噪声的方差,当SNR≤-2dB时可以认为是低信噪比信号,具体如表8和图8所示。
表8
通过不同信噪比条件下信号识别率分析可知,随着信噪比SNR提高,AFGAN-Resnet方法信号识别率也随之升高,当SNR为2dB时信号识别率达到了100%,可以实现对复杂调制雷达信号精确识别。当SNR为-8dB时信号整体识别率也可以达到94.28%的高值,此时对应的不同类型信号识别率最大差值为23.17%。当SNR为-10dB时,虽然也有82.08%的信号整体识别率,但是其对应的类识别率不均衡为100%,意味着对某些雷达信号是完全无法识别的,说明当SNR低于-10dB时AFGAN-Resnet方法无法有效工作了。
综上所述,当SNR不低于-8dB时,本案中基于AFGAN数据增强的复杂调制雷达信号小样本识别方法可以达到不低于94.28%的高识别率,可以实现对多种复杂调制雷达信号的有效识别。该方法可以在低信噪比下实现信号有效识别,主要是因为AFCL特征在等高线提取过程中能够有效抑制噪声、提取有用信号特征,AFECL特征值中的hr=[0.7 0.6 0.5]三条等高线相对集中在零点位置,数值较大可在低信噪比情况下有效保留信号特征,防止其淹没在噪声中。同时,AFGAN数据增强方法能够对小样本信号进行有效地深层特征提取和样本数据增强,产生大量高质量的雷达信号生成样本,大大降低了样本数据不均衡程度。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的各实例的单元及方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已按照功能一般性地描述了各示例的组成及步骤。这些功能是以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不认为超出本发明的范围。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成,所述程序可以存储于计算机可读存储介质中,如:只读存储器、磁盘或光盘等。可选地,上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现,相应地,上述实施例中的各模块/单元可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于AFGAN的雷达信号样本数据处理方法,用于复杂调制雷达信号小样本目标识别,其特征在于,包含如下内容:
构建用于雷达信号小样本数据增强处理的AFGAN对抗网络模型,其中,构建的对抗网络模型包含由卷积神经网络构成的生成器和由雷达信号样本数据中模糊函数等高线构建约束函数对生成信号质量进行约束的判别器;
针对雷达信号小样本数据,利用AFGAN对抗网络模型来生成雷达信号伪造样本数据,并将该伪造样本数据与小样本数据进行混合,得到用于雷达信号目标识别中模型训练的样本总数据。
2.根据权利要求1所述的基于AFGAN的雷达信号样本数据处理方法,其特征在于,AFGAN对抗网络模型的判别器利用雷达信号样本数据中模糊函数等高线构建约束函数中,首先按照特定规则选择雷达信号样本数据中的多条模糊函数等高线作为模糊函数有效等高线,并通过归一化处理来获取雷达信号样本数据的模糊函数有效等高线特征图像,然后利用图像中模糊函数有效等高线的时间分辨常数值和频率分辨常数值来设置约束函数中对生成的信号数据进行质量约束的阈值。
3.根据权利要求1或2所述的基于AFGAN的雷达信号样本数据处理方法,其特征在于,针对雷达信号样本数据,选择雷达信号样本数据的多条模糊函数有效等高线,包含:首先,依据雷达信号的复调制包络、回波信号件延迟差和频率差来表示样本数据中雷达信号的模糊函数;接着,将模糊函数的三维立体图进行处理,转化为二维模糊函数等高线图;然后,依据预设等高线层级、和每个等高线与模糊函数等高线最大值的比值来选取对应的多条模糊函数有效等高线。
5.根据权利要求2或4所述的基于AFGAN的雷达信号样本数据处理方法,其特征在于,利用图像中模糊函数有效等高线的时间分辨常数值和频率分辨常数值来设置约束函数中对生成的信号数据进行质量约束的阈值,包含:首先,采用二元选择模型,选取时间分辨常数值和频率分辨常数值中数值较小的常数作为主体分辨常数,然后,通过小波阈值去噪算法来获取雷达信号小样本数据中主体分辨常数的最大值,并将该最大值作为质量约束的阈值。
7.一种基于AFGAN的雷达信号小样本目标识别方法,其特征在于,包含如下内容:
针对收集的雷达信号小样本数据,利用权利要求1所述的数据处理方法来对小样本数据进行增强,获取用于目标识别的总样本数据;
利用总样本数据对雷达信号目标识别模型进行训练优化,直至雷达信号目标识别模型达到收敛状态;
利用训练后的雷达信号目标识别模型来对目标区域范围内复杂调制雷达信号进行分类识别。
8.根据权利要求7所述的基于AFGAN的雷达信号小样本目标识别方法,其特征在于,收集雷达信号小样本数据中,利用仿真软件来获取多种信号类型下的复杂调制雷达信号,其中,该复杂调制雷达信号的信号类型包含但不局限于:线性调频信号、正弦频率调制信号、二相编码信号、Frank码多相编码信号、基于BFSK的码间线性调频信号、基于信号频率调制的码内相位编码调制信号。
9.根据权利要求7所述的基于AFGAN的雷达信号小样本目标识别方法,其特征在于,所述雷达信号目标识别模型采用Resnet模型结构,并利用预设比例将所述总样本数据进行比例划分来获取用于目标识别模型训练的训练数据集、用于目标识别模型验证的验证数据集和用于目标识别模型测试的测试数据集,并利用训练数据集、验证数据集和测试数据及测试数据集来对目标识别模型进行训练、训练后的验证及测试调优。
10.一种基于AFGAN的雷达信号小样本目标识别系统,其特征在于,包含:样本数据构建模块、识别模型训练模块和目标信号识别模块,其中,
样本数据构建模块,用于针对收集的雷达信号小样本数据,利用权利要求1所述的数据处理方法来对小样本数据进行增强,获取用于目标识别的总样本数据;
识别模型训练模块,用于利用总样本数据对雷达信号目标识别模型进行训练优化,直至雷达信号目标识别模型达到收敛状态;
目标信号识别模块,用于利用训练后的雷达信号目标识别模型来对目标区域范围内复杂调制雷达信号进行分类识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211481272.9A CN115905919A (zh) | 2022-11-24 | 2022-11-24 | 基于afgan的雷达信号样本数据处理方法、目标识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211481272.9A CN115905919A (zh) | 2022-11-24 | 2022-11-24 | 基于afgan的雷达信号样本数据处理方法、目标识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115905919A true CN115905919A (zh) | 2023-04-04 |
Family
ID=86470892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211481272.9A Pending CN115905919A (zh) | 2022-11-24 | 2022-11-24 | 基于afgan的雷达信号样本数据处理方法、目标识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115905919A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117973235A (zh) * | 2024-04-01 | 2024-05-03 | 安徽农业大学 | 一种仿真运动学振动数据的离心泵故障模式诊断方法 |
-
2022
- 2022-11-24 CN CN202211481272.9A patent/CN115905919A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117973235A (zh) * | 2024-04-01 | 2024-05-03 | 安徽农业大学 | 一种仿真运动学振动数据的离心泵故障模式诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301432B (zh) | 基于时频分析的自适应辐射源调制识别方法 | |
CN110865357B (zh) | 一种基于参数优化vmd的激光雷达回波信号降噪方法 | |
CN102938071B (zh) | 基于非局部均值的sar图像变化检测模糊聚类分析方法 | |
CN110221256B (zh) | 基于深度残差网络的sar干扰抑制方法 | |
CN112949387B (zh) | 基于迁移学习的智能抗干扰目标检测方法 | |
CN110673109B (zh) | 一种星载大光斑激光雷达全波形数据分解方法 | |
CN112560803A (zh) | 基于时频分析与机器学习的雷达信号调制识别方法 | |
CN114429156A (zh) | 雷达干扰多域特征对抗学习与检测识别方法 | |
CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
CN113657491A (zh) | 一种用于信号调制类型识别的神经网络设计方法 | |
CN112287784B (zh) | 一种基于深度卷积神经网络与特征融合的雷达信号分类方法 | |
CN112859014A (zh) | 基于雷达信号分选的雷达干扰抑制方法、装置及介质 | |
CN111680737B (zh) | 差异性信噪比条件下的雷达辐射源个体识别方法 | |
CN111985383A (zh) | 基于改进变分模态分解的瞬变电磁信号噪声分离识别方法 | |
CN111612130B (zh) | 一种频移键控通信信号调制方式识别方法 | |
CN115905919A (zh) | 基于afgan的雷达信号样本数据处理方法、目标识别方法及系统 | |
CN116405109A (zh) | 基于线性直驱的光模块通信自适应调制方法 | |
CN115856786A (zh) | 一种基于信号分割的智能干扰抑制方法 | |
CN105158749A (zh) | 高频雷达海杂波幅度统计分布检验方法 | |
CN113887398A (zh) | 一种基于变分模态分解和奇异谱分析的gpr信号去噪方法 | |
CN114897002A (zh) | 基于LPINet的低截获概率雷达信号脉内调制识别方法 | |
Huang et al. | Radar waveform recognition based on multiple autocorrelation images | |
CN112014801A (zh) | 一种基于SPWVD和改进AlexNet的复合干扰识别方法 | |
CN113568058B (zh) | 一种基于多分辨率奇异值分解的大地电磁信噪分离方法及系统 | |
CN107479037A (zh) | 一种pd雷达杂波区域判别方法 |
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 |