CN116430317A - 一种辐射源调制样式与个体识别方法及系统 - Google Patents
一种辐射源调制样式与个体识别方法及系统 Download PDFInfo
- Publication number
- CN116430317A CN116430317A CN202310181144.0A CN202310181144A CN116430317A CN 116430317 A CN116430317 A CN 116430317A CN 202310181144 A CN202310181144 A CN 202310181144A CN 116430317 A CN116430317 A CN 116430317A
- Authority
- CN
- China
- Prior art keywords
- task
- modulation pattern
- network
- individual
- loss
- 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
- 230000005855 radiation Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000001228 spectrum Methods 0.000 claims abstract description 57
- 239000013598 vector Substances 0.000 claims abstract description 35
- 238000003909 pattern recognition Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000010606 normalization Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000009826 distribution Methods 0.000 claims description 74
- 238000010586 diagram Methods 0.000 claims description 22
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
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
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种辐射源调制样式与个体识别方法及系统,对原始脉内的IQ信号数据进行归一化处理;将归一化处理后的IQ信号数据分别送入多任务学习模型,利用多任务学习模型中主干网络的时频谱分支和波形分支中进行深度特征提取;将波形分支深度特征向量输入调制样式识别任务的头部网络,将时频谱分支深度特征向量输入个体识别任务的头部网络;根据多任务学习模型的损失函数对包含调制样式识别任务头部网络和个体识别任务头部网络的多任务学习模型进行训练;利用训练得到的多任务学习模型实现辐射源的调制样式识别与个体识别。有效提高识别准确率,实现脉内数据深度特征的有效提取。
Description
技术领域
本发明属于技术领域,具体涉及一种辐射源调制样式与个体识别方法及系统。
背景技术
雷达辐射源信号的调制样式识别问题与个体识别问题从本质上都是模式分类识别的问题,首先从侦测到的雷达脉冲信号中提取特征作为模式分类识别的输入,然后输出分类识别结果。传统方法通常基于到达角、载频、重频、脉宽以及脉幅等常规脉冲描述字参数提取雷达辐射源信号特征,但由于现代雷达的常规参数具有多变、快变等特点,仅利用常规参数难以达到理想的识别准确率。要实现对现代雷达辐射源信号调制样式与个体的准确识别,需要深入分析研究信号脉冲的脉内信息变化规律。因此,目前大多数方法对脉冲检测后得到的脉冲采样数据进行脉内分析,基于脉内数据提取特征,进行信号的调制类型与个体分类识别。
调制样式识别:现代雷达为了提高作用距离、分辨力以及抗干扰能力,普遍采用脉冲压缩(Pulse Compression)体制,对脉冲信号进行相位调制或频率调制,如线性调频(Linear Frequency Modulation,LFM)、相位编码(又称相移键控,Phase Shift Keying,PSK)、频率编码(又称频移键控,Frequency Shift Keying,FSK),以及FSK/LFM和FSK/PSK/PSK复合调制方式等。这些脉内调制特征为脉冲信号分选与雷达辐射源识别提供了重要信息,因此,研究基于脉内参数的辐射源调制样式识别方法,对电子侦察领域的研究是非常重要的。
个体识别:辐射源个体识别需要根据脉内数据判断出脉冲具体来自哪一个特定的个体。相比于调制样式识别,个体识别需要更精细的脉内特征,才能对个体进行有效识别。
传统的方法是从原始的脉内IQ数据中提取人工设计的特征,然后利用特征工程技术对特征进行筛选和优化,最后使用支持向量机、决策树浅层分类器对目标进行分类。人工设计的特征虽然可以描述雷达辐射源的特性,但是设计这些特征需要大量的先验知识。然而,对于未知目标和复杂的战场电磁环境,很难获得足够的先验知识。因此,传统方法在面对实际的复杂场景时,鲁棒性不强。
现有一种结合深度学习和集成学习的辐射源个体识别方法,只能实现辐射源个体识别任务,无法同时实现辐射源调制类型识别任务。此外,在确定深度学习与集成学习的权重值时,需要凭借经验人工设定阈值,而阈值的设定往往影响到不同目标类别的识别准确率。另一种辐射源个体识别方法及装置、终端、存储介质,只考虑使用了信号的频域特征,容易忽略原始信号本身的相关特征,并且该方案只能实现辐射源个体识别任务,无法同时实现辐射源调制类型识别任务;还有一种基于GAF和ResNet的通信辐射源个体识别方法及系统,只使用了信号的GAF生成的图像信息,容易忽略原始信号本身的相关特征,并且该方案只能实现辐射源个体识别任务,无法同时实现辐射源调制类型识别任务;还有一种未知辐射源个体识别及检测的方法,人为定义的特征会受人的主观因素的影响,其对辐射源个体信息的表征能力具有一定的局限性,这在实际应用中就会出现一些问题,如降低鲁棒性、泛化性较弱以及表征能力不强。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种辐射源调制样式与个体识别方法及系统,用于解决无法同时实现辐射源调制样式识别与个体识别任务的技术问题。
本发明采用以下技术方案:
一种辐射源调制样式与个体识别方法,包括以下步骤:
S1、对原始脉内的IQ信号数据进行归一化处理;
S2、将步骤S1归一化处理后的IQ信号数据分别送入多任务学习模型,利用多任务学习模型主干网络的时频谱分支和波形分支中进行深度特征提取,主干网络为基于时频图和原始信号序列的联合学习网络;
S3、将步骤S2得到的波形分支深度特征向量输入调制样式识别任务的头部网络,将步骤S2得到的时频谱分支深度特征向量输入个体识别任务的头部网络;
S4、根据多任务学习模型的损失函数对步骤S3包含调制样式识别任务头部网络和个体识别任务头部网络的多任务学习模型进行训练;
S5、利用步骤S5训练得到的多任务学习模型实现辐射源的调制样式识别与个体识别。
具体的,步骤S2中,对于时频谱分支,利用归一化后的脉内IQ信号数据生成二维的时频谱图,然后将生成的二维时频谱图输入时频谱识别网络;时频谱识别网络的输出再经过全局平均池化层1和批归一化层1,输出时频谱的深度特征向量。
进一步的,采用短时傅里叶变换、恒Q变换、小波包变换或Gabor变换生成二维的时频谱图。
具体的,步骤S2中,对于波形分支,直接将归一化后的脉内IQ信号数据输入波形识别网络;波形识别网络的输出再经过全局平均池化层2和批归一化层2,输出波形的深度特征向量。
具体的,步骤S3中,调制样式识别任务的头部网络将输入的时频谱深度特征向量输入全连接层1,softmax层1输出预测分布1;
调制样式识别任务的头部网络将输入的波形深度特征向量输入全连接层2,softmax层2输出预测分布2;
同时,将全连接层1和全连接层2的输出进行加和后再输入softmax层5,输出最终的调制样式预测分布。
具体的,步骤S3中,个体识别任务的头部网络将输入的时频谱深度特征向量输入全连接层3,softmax层3输出预测分布3;
个体识别任务的头部网络将输入的波形深度特征向量输入全连接层4,softmax层4输出预测分布4;
同时,将全连接层3和全连接层4的输出进行加和后再输入softmax层6,输出最终的个体识别预测分布。
具体的,步骤S4中,多任务学习模型的损失函数Loss具体为:
Loss=Loss分类+oss互学习
其中,Loss分类为任务本身的分类识别损失,Loss互学习为预测分布1和预测分布2或预测分布3和预测分布4之间计算的距离损失。
进一步的,任务本身的分类识别损失Loss分类为:
Loss分类=oss调制样式分类(调制样式预测分布,真实调制样式标签)+oss个体识别分类(个体识别预测分布,真实个体标签)。
进一步的,预测分布1和预测分布2或预测分布3和预测分布4之间计算的距离损失Loss互学习为:
Loss互学习=oss调制样式互学习(预测分布1,预测分布2+oss个体识别互学习(预测分布3,预测分布4。
第二方面,本发明实施例提供了一种辐射源调制样式与个体识别系统,包括:
处理模块,对原始脉内的IQ信号数据进行归一化处理;
提取模块,将处理模块归一化处理后的IQ信号数据分别送入多任务学习模型,利用多任务学习模型中主干网络的时频谱分支和波形分支中进行深度特征提取;
网络模块,将提取模块得到的波形分支深度特征向量输入调制样式识别任务的头部网络,将提取模块得到的时频谱分支深度特征向量输入个体识别任务的头部网络;
训练模块,根据多任务学习模型的损失函数对网络模块包含调制样式识别任务头部网络和个体识别任务头部网络的多任务学习模型进行训练;
识别模块,利用训练模块训练得到的多任务学习模型实现辐射源的调制样式识别与个体识别。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种辐射源调制样式与个体识别方法,利用一种联合模型架构,同时学习提取原始IQ信号与时频谱的深度特征,并且基于同一个主干网络,通过不同的任务头网络实现辐射源的调制样式识别与个体识别,能够更加准确、高效的实现辐射源的调制样式与个体识别,通过采用基于时频图和原始信号序列的联合学习模型作为多任务学习的主干网络,分别设计不同的Head网络,通过对深度特征的进一步针对性融合,将其映射到不同的识别任务上,实现多任务联合学习;这样便可以只进行一次训练,同时实现对辐射源个体与调制样式的联合识别,提高了识别效率,同时节省了资源。
进一步的,设置时频谱分支能够在一定程度上消除突发噪声的干扰,获取信号基于时频谱的类别预测分布;由于信号的叠加特性,时序的波形极容易收到突发噪声的干扰;与此相反,将时序波形信号通过短时傅里叶变换等方法转换为时频谱图,能够在一定程度上消除这种干扰,使得目标频域特征在连续时间上得以呈现,并容易被模型捕捉并识别为一种特定的模式。因此,本发明设置了基于时频谱图的识别分支;其原理是将IQ时序波形信号,通过短时傅里叶变换,将时序信号变为时频谱图,通过2维图像卷积模型(如ResNet/ConvNeXt等)作为主干网络提取深度特征,最终通过全连接层输出基于时频谱的类别预测分布。
进一步的,采用短时傅里叶变换、恒Q变换、小波包变换或Gabor变换等方法生成二维时频谱图用于生成时频谱分支的输入数据;以短时傅里叶变换为例,其原理是先把原始IQ信号和窗函数进行相乘,然后再进行一维的傅里叶变换。并通过窗函数的滑动得到一系列的傅里叶变化结果,将这些结果排开便得到原始IQ信号的二维图像,如此便得到了时频谱分支的输入数据。由于时频图分支的输入数据必须为2维图像数据,因此需要使用诸如短时傅里叶变换、恒Q变换、小波包变换或Gabor变换等方法来将序列数据转化成图像数据。
进一步的,设置波形分支用于保留原始IQ信号数据中的精细特征,获取基于原始波形的类别预测分布;其原理是将原始IQ数据作为输入,通过Light MSRDN模型作为深度主干网络提取深度特征,最终通过全连接层输出基于原始波形的类别预测分布。由于LightMSRDN模型能够较好的感知IQ时序波形数据,并且分别在调制类型识别和个体识别任务中表现良好,因此本发明采用Light MSRDN模型做为波形分支的主干网络。
进一步的,设置调制样式识别任务的头部网络是为了预测调制样式的种类;其原理是在获取波形分支与时频谱图分支的主干网络提取到深度特征并分别做出调制样式的识别结果的预测后,融合二者的识别结果,做出最终的调制样式类别预测。如此设置头部网络的原因是,仅利用原始信号序列进行建模容易受到噪声干扰,而时频谱又容易丢失信号的精细特征,两类模型各有优势,因此通过设置头部网络,使其相互学习,形成互补优势,提高模型识别效果。
进一步的,设置个体识别任务的头部网络用于预测个体的种类;其原理是在获取波形分支与时频谱图分支的主干网络提取到深度特征并分别做出个体的识别结果的预测后,融合二者的识别结果,做出最终的个体类别预测。如此设置头部网络的原因是,仅利用原始信号序列进行建模容易受到噪声干扰,而时频谱又容易丢失信号的精细特征,两类模型各有优势,因此通过设置头部网络,使其相互学习,形成互补优势,提高模型识别效果。
进一步的,设置多任务学习模型的损失函数Loss用于寻找多任务联合学习模型的优化方向,获取最终的学习模型;其原理是通过计算任务本身的分类识别损失(通常为交叉熵损失)与同一个任务的头部网络内不同主干网络分支的预测分布之间计算的距离损失(通常为均方误差损失),将二者相加后得到总的损失Loss,通过不停的迭代使Loss达到最小,从而得到最优化的多任务联合学习模型;如此设置损失函数,可以在训练模型时,从两个不同的角度对模型进行优化,是最终得到的识别模型更加精准。
进一步的,设置Loss分类用于获取任务本身的分类识别损失,通过分类识别损失的角度来调整优化模型;其原理是通过分别计算调制样式预测分布和个体识别预测分布与真实标签的Loss,将二者相加得到总的分类损失Loss分类。如此设置损失函数Loss分类,能够在分类识别损失的角度上,来对模型进行调整与优化。
进一步的,通过预测分布1和预测分布2或预测分布3和预测分布4之间计算的距离损失Loss互学习获取互学习损失,从而通过该损失来调整优化模型。其原理是通过分别计算同一个任务的头部网络内,不同主干网络分支的预测分布之间的距离损失,将二者相加得到总的互学习损失Loss互学习。如此设置损失函数Loss互学习,能够在互学习的角度上,来对模型进行调整与优化。
可以理解的是,上述第二方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
综上所述,本发明能够同时学习原始IQ信号与频谱的深度特征,在只训练一个信号分类模型的条件下,实现对辐射源个体与调制样式的联合识别,提高了识别效率,节省了资源。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明流程示意图。
具体实施方式
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。
在本发明的描述中,需要理解的是,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
应当理解,尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等,但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如,在不脱离本发明实施例范围的情况下,第一预设范围也可以被称为第二预设范围,类似地,第二预设范围也可以被称为第一预设范围。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
随着深度学习在图像识别、自然语言处理和自动语音识别方面的巨大成功,建立和训练一个端到端深度神经网络,通过自动提取深度特征来识别辐射源调制样式或个体成为可能。在此技术路线下,基于脉内数据的辐射源个体与调制样式识别虽然具有不同的识别类型,但其本质上都是通过对脉内数据进行自动特征提取并进行分类识别,因此,可以考虑采用统一的主干网络进行深度特征提取。
本发明提供了一种辐射源调制样式与个体识别方法,利用脉内调制样式与个体识别任务中对数据的特征提取和描述方面可能存在的共性需求,提出一种多任务学习模型,通过共用一个主干网络提取脉内数据的深度特征,然后分别对不同的任务设计头部网络,使其输出每个任务所需的预测结果,实现只用训练一个脉冲辐射源识别模型,就能够同时实现辐射源调制样式识别与个体识别任务。此外,针对原始IQ信号与时频谱在表征脉内数据上具有不同的优势,本发明采用一种基于时频图和原始信号序列的联合学习网络作为多任务学习的共用主干网络,实现脉内数据深度特征的有效提取。
请参阅图1,本发明一种辐射源调制样式与个体识别方法,包括以下步骤:
S1、对于输入的每条原始脉内IQ信号数据,进行MinMax归一化;
归一化计算如下:
其中,max为该条样本数据的最大值,min为该条样本数据的最小值,x为原始数据,x*为归一化之后的数据。
S2、将步骤S1归一化后的数据分别送入主干网络的两个分支模型(时频谱分支和波形分支)进行深度特征提取;
S201、对于时频谱分支,首先对归一化后的脉内IQ信号数据进行短时傅里叶变换,生成二维的时频谱图,然后将生成的二维时频谱图输入时频谱识别网络(通常为常见的二维卷积残差网络,如ResNet/ConvNeXt)。时频谱识别网络的输出再经过全局平均池化层1和批归一化层1,输出时频谱的深度特征向量。
其中,短时傅里叶变换可以采用恒Q变换、小波包变换、Gabor变换等类似的信号变换方法替代。
S202、对于波形分支,直接将归一化后的脉内IQ信号数据输入波形识别网络(通常为一维卷积残差网络)。波形识别网络的输出再经过全局平均池化层2和批归一化层2,输出波形的深度特征向量。
其中,批归一化层可以采用层归一化层(Layer Normalization,LN)替换。
S3、将步骤S2得到的波形分支和时频谱分支的深度特征向量输入调制样式识别任务的头部网络和个体识别任务的头部网络;
调制样式识别任务的头部网络将输入的时频谱深度特征向量输入全连接层1,softmax层1然后输出预测分布1;调制样式识别任务的头部网络将输入的波形深度特征向量输入全连接层2,softmax层2然后输出预测分布2;同时,将全连接层1和全连接层2的输出进行加和后再输入softmax层5,输出最终的调制样式预测分布。预测分布1和预测分布2用于模型训练中互学习损失计算。
个体识别任务的头部网络将输入的时频谱深度特征向量输入全连接层3,softmax层3然后输出预测分布3;个体识别任务的头部网络将输入的波形深度特征向量输入全连接层4,softmax层4然后输出预测分布4;同时,将全连接层3和全连接层4的输出进行加和后再输入softmax层6,输出最终的个体识别预测分布。预测分布3和预测分布4用于模型训练中互学习损失计算。
S4、脉冲辐射源识别模型训练阶段,每个任务的头部网络包含两个损失函数;
第一个是任务本身的分类识别损失(通常为交叉熵损失),由最终的调制样式预测分布或个体识别预测分布与真实标签计算产生,记为Loss分类;
Loss分类=oss调制样式分类(调制样式预测分布,真实调制样式标签)
+oss个体识别分类(个体识别预测分布,真实个体标签)
第二个损失是预测分布1和预测分布2或预测分布3和预测分布4之间计算的距离损失(通常为均方误差损失),记为Loss互学习,这类损失属于一种互学习损失,能够让两个分支之间进行相互学习,形成互补优势。
Loss互学习=oss调制样式互学习(预测分布1,预测分布2
+oss个体识别互学习(预测分布3,预测分布4
最终脉冲辐射源识别模型的损失函数为:
Loss=Loss分类+oss互学习
S5、模型测试应用阶段,获取调制样式预测分布与个体识别预测分布,即可完成辐射源调制样式识别与个体识别任务。
本发明再一个实施例中,提供一种辐射源调制样式与个体识别系统,该系统能够用于实现上述辐射源调制样式与个体识别方法,具体的,该辐射源调制样式与个体识别系统包括处理模块、提取模块、网络模块、训练模块以及识别模块。
其中,处理模块,对原始脉内的IQ信号数据进行归一化处理;
提取模块,将处理模块归一化处理后的IQ信号数据分别送入多任务学习模型,利用多任务学习模型主干网络的时频谱分支和波形分支中进行深度特征提取,主干网络为基于时频图和原始信号序列的联合学习网络;
网络模块,将提取模块得到的波形分支深度特征向量输入调制样式识别任务的头部网络,将提取模块得到的时频谱分支深度特征向量输入个体识别任务的头部网络;
训练模块,根据多任务学习模型的损失函数对网络模块包含调制样式识别任务头部网络和个体识别任务头部网络的多任务学习模型进行训练;
识别模块,利用训练模块训练得到的多任务学习模型实现辐射源的调制样式识别与个体识别。
本发明再一个实施例中,提供了一种终端设备,该终端设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于辐射源调制样式与个体识别方法的操作,包括:
对原始脉内的IQ信号数据进行归一化处理;将归一化处理后的IQ信号数据分别送入多任务学习模型,利用多任务学习模型主干网络的时频谱分支和波形分支中进行深度特征提取,主干网络为基于时频图和原始信号序列的联合学习网络;将波形分支深度特征向量输入调制样式识别任务的头部网络,将时频谱分支深度特征向量输入个体识别任务的头部网络;根据多任务学习模型的损失函数对包含调制样式识别任务头部网络和个体识别任务头部网络的多任务学习模型进行训练;利用训练得到的多任务学习模型实现辐射源的调制样式识别与个体识别。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是终端设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括终端设备中的内置存储介质,当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(Non-Volatile Memory),例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关辐射源调制样式与个体识别方法的相应步骤;计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤:
对原始脉内的IQ信号数据进行归一化处理;将归一化处理后的IQ信号数据分别送入多任务学习模型,利用多任务学习模型主干网络的时频谱分支和波形分支中进行深度特征提取,主干网络为基于时频图和原始信号序列的联合学习网络;将波形分支深度特征向量输入调制样式识别任务的头部网络,将时频谱分支深度特征向量输入个体识别任务的头部网络;根据多任务学习模型的损失函数对包含调制样式识别任务头部网络和个体识别任务头部网络的多任务学习模型进行训练;利用训练得到的多任务学习模型实现辐射源的调制样式识别与个体识别。
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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
具体应用实例:
实验采用的数据为某相关单位模拟的脉冲辐射源脉内数据,数据集包括三个个体,标记为:Indiv1、Indiv2、Indiv3,其调制类型包括:BPSK、CW、Frank、LFM-Sliding、LFM-Solid、NLFM、P2、STEP共8种。多任务学习实验针对3个体Indiv1、Indiv2、Indiv3以及8种调制类型,建模多任务联合分类模型,模型输入维度为[2,5000]的IQ双通道时序数据样本,输出数据所属调制类型类别预测(8分类)以及数据所属个体预测(3分类)。
数据集划分情况:仅对个体1-3的8种调制类型,每个个体的每种调制类型选择150个样本作为测试集,其余为训练集。测试集数据量:3600(150/类,8*3类)
实验模型条件与指标具体如下:
优化器及参数:AdamW,0.05weight decay;
训练设备:NVIDIA RTX GPU 24G*2;
学习率策略:余弦退火循环,1e-3至1e-8;
损失策略:Label Smoothing with 0.1epsilon;
实验指标:假设一个4分类任务,模型预测结果与真实标签将产生混淆矩阵(confusion matrix)如下,表格内每个元素代表了每类真实样本的预测结果数量统计,即AB代表了真实标签为A的数据,被模型预测识别为B的样本数量,由定义可知,混淆矩阵对角线上的元素越大,其余位置的元素值越小,模型识别性能越好:
准确率(Accuracy)定义为:
其中,n为测试样本总数量。
对于每个类别k,召回率(Recall)和精确率(Precision)定义为:
F1 Score为所有类别Recall均值和Precision均值的调和平均数。
实验结果:
实验结果如表1、表2所示。
表1多任务联合学习中个体识别任务实验结果(个体3分类)
表2多任务联合学习中调制类型识别任务实验结果(调制类型8分类)
从实验结果来看,本发明在调制类型识别任务中,识别准确率能够达到100%,在个体识别任务中,识别准确率能够达到99.92%。可以看到,本发明能够同时在调制类型识别任务和个体识别任务上实现较好的识别效果,同时可以有效的减少实现两类任务所需的模型和计算资源。
综上所述,本发明一种辐射源调制样式与个体识别方法及系统,具有以下特点:
采用多任务学习模式,通过共用一个主干网络提取脉内数据的深度特征,然后分别对不同的任务设计头部网络,使其输出每个任务所需的预测结果。共用的主干网络能够在任务头网络的牵引下,从不同的角度捕捉提取数据的深度特征,有助于提高脉冲辐射源识别模型泛化性,提升各相关任务的识别性能。此外,这种模式只用训练一个脉冲辐射源识别模型,就能够同时实现辐射源调制样式识别与个体识别任务,减少了模型训练成本,提高了脉冲辐射源识别模型推理识别效率;
采用基于时频图和原始信号序列的联合学习网络作为多任务学习的共用主干网络,实现脉内数据深度特征的有效提取;
利用互学习损失作为辅助损失对脉冲辐射源识别模型进行训练,使得主干网络两个分支网络能够相互学习,形成互补优势,提高模型识别准确率。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟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。专业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,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电载波信号、电信信号以及软件分发介质等,需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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 (10)
1.一种辐射源调制样式与个体识别方法,其特征在于,包括以下步骤:
S1、对原始脉内的IQ信号数据进行归一化处理;
S2、将步骤S1归一化处理后的IQ信号数据分别送入多任务学习模型,利用多任务学习模型主干网络的时频谱分支和波形分支中进行深度特征提取,主干网络为基于时频图和原始信号序列的联合学习网络;
S3、将步骤S2得到的波形分支深度特征向量输入调制样式识别任务的头部网络,将步骤S2得到的时频谱分支深度特征向量输入个体识别任务的头部网络;
S4、根据多任务学习模型的损失函数对步骤S3包含调制样式识别任务头部网络和个体识别任务头部网络的多任务学习模型进行训练;
S5、利用步骤S5训练得到的多任务学习模型实现辐射源的调制样式识别与个体识别。
2.根据权利要求1所述的辐射源调制样式与个体识别方法,其特征在于,步骤S2中,对于时频谱分支,利用归一化后的脉内IQ信号数据生成二维的时频谱图,然后将生成的二维时频谱图输入时频谱识别网络;时频谱识别网络的输出再经过全局平均池化层1和批归一化层1,输出时频谱的深度特征向量。
3.根据权利要求2所述的辐射源调制样式与个体识别方法,其特征在于,采用短时傅里叶变换、恒Q变换、小波包变换或Gabor变换生成二维的时频谱图。
4.根据权利要求1所述的辐射源调制样式与个体识别方法,其特征在于,步骤S2中,对于波形分支,直接将归一化后的脉内IQ信号数据输入波形识别网络;波形识别网络的输出再经过全局平均池化层2和批归一化层2,输出波形的深度特征向量。
5.根据权利要求1所述的辐射源调制样式与个体识别方法,其特征在于,步骤S3中,调制样式识别任务的头部网络将输入的时频谱深度特征向量输入全连接层1,softmax层1输出预测分布1;
调制样式识别任务的头部网络将输入的波形深度特征向量输入全连接层2,softmax层2输出预测分布2;
同时,将全连接层1和全连接层2的输出进行加和后再输入softmax层5,输出最终的调制样式预测分布。
6.根据权利要求1所述的辐射源调制样式与个体识别方法,其特征在于,步骤S3中,个体识别任务的头部网络将输入的时频谱深度特征向量输入全连接层3,softmax层3输出预测分布3;
个体识别任务的头部网络将输入的波形深度特征向量输入全连接层4,softmax层4输出预测分布4;
同时,将全连接层3和全连接层4的输出进行加和后再输入softmax层6,输出最终的个体识别预测分布。
7.根据权利要求1所述的辐射源调制样式与个体识别方法,其特征在于,步骤S4中,多任务学习模型的损失函数Loss具体为:
Loss=Loss分类+oss互学习
其中,Loss分类为任务本身的分类识别损失,Loss互学习为预测分布1和预测分布2或预测分布3和预测分布4之间计算的距离损失。
8.根据权利要求7所述的辐射源调制样式与个体识别方法,其特征在于,任务本身的分类识别损失Loss分类为:
Loss分类=oss调制样式分类9调制样式预测分布,真实调制样式标签)+oss个体识别分类(个体识别预测分布,真实个体标签)。
9.根据权利要求7所述的辐射源调制样式与个体识别方法,其特征在于,预测分布1和预测分布2或预测分布3和预测分布4之间计算的距离损失Loss互学习为:
Loss互学习=oss调制样式互学习(预测分布1,预测分布2+oss个体识别互学习(预测分布3,预测分布4。
10.一种辐射源调制样式与个体识别系统,其特征在于,包括:
处理模块,对原始脉内的IQ信号数据进行归一化处理;
提取模块,将处理模块归一化处理后的IQ信号数据分别送入多任务学习模型,利用多任务学习模型主干网络的时频谱分支和波形分支中进行深度特征提取,主干网络为基于时频图和原始信号序列的联合学习网络;
网络模块,将提取模块得到的波形分支深度特征向量输入调制样式识别任务的头部网络,将提取模块得到的时频谱分支深度特征向量输入个体识别任务的头部网络;
训练模块,根据多任务学习模型的损失函数对网络模块包含调制样式识别任务头部网络和个体识别任务头部网络的多任务学习模型进行训练;
识别模块,利用训练模块训练得到的多任务学习模型实现辐射源的调制样式识别与个体识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310181144.0A CN116430317A (zh) | 2023-02-28 | 2023-02-28 | 一种辐射源调制样式与个体识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310181144.0A CN116430317A (zh) | 2023-02-28 | 2023-02-28 | 一种辐射源调制样式与个体识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116430317A true CN116430317A (zh) | 2023-07-14 |
Family
ID=87089750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310181144.0A Pending CN116430317A (zh) | 2023-02-28 | 2023-02-28 | 一种辐射源调制样式与个体识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116430317A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117857270A (zh) * | 2024-03-07 | 2024-04-09 | 四川广播电视监测中心 | 一种无线电通信信号调制识别方法 |
-
2023
- 2023-02-28 CN CN202310181144.0A patent/CN116430317A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117857270A (zh) * | 2024-03-07 | 2024-04-09 | 四川广播电视监测中心 | 一种无线电通信信号调制识别方法 |
CN117857270B (zh) * | 2024-03-07 | 2024-05-14 | 四川广播电视监测中心 | 一种无线电通信信号调制识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qu et al. | Radar signal intra-pulse modulation recognition based on convolutional denoising autoencoder and deep convolutional neural network | |
CN111783558A (zh) | 一种卫星导航干扰信号类型智能识别方法及系统 | |
CN111178260A (zh) | 一种基于生成对抗网络的调制信号时频图分类系统及其运行方法 | |
CN109379311A (zh) | 基于卷积神经网络的超短波特定信号识别方法 | |
CN113657491A (zh) | 一种用于信号调制类型识别的神经网络设计方法 | |
Guo et al. | Radar target recognition based on feature Pyramid fusion lightweight CNN | |
CN113673312B (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
CN113156376A (zh) | 基于sacnn的雷达辐射源信号识别方法 | |
CN113850838A (zh) | 船舶航行意图获取方法、装置、计算机设备及存储介质 | |
Li et al. | Automatic modulation classification based on bispectrum and CNN | |
CN116430317A (zh) | 一种辐射源调制样式与个体识别方法及系统 | |
CN113780521B (zh) | 一种基于深度学习的辐射源个体识别方法 | |
CN116797796A (zh) | Drfm间歇采样下基于时频分析与深度学习的信号识别方法 | |
CN114897002A (zh) | 基于LPINet的低截获概率雷达信号脉内调制识别方法 | |
CN113111786B (zh) | 基于小样本训练图卷积网络的水下目标识别方法 | |
CN117233706B (zh) | 一种基于多层通道注意力机制的雷达有源干扰识别方法 | |
CN114675249A (zh) | 基于注意力机制的雷达信号调制方式识别方法 | |
Akther et al. | Detection of Vehicle's Number Plate at Nighttime using Iterative Threshold Segmentation (ITS) Algorithm | |
CN114626412B (zh) | 用于无人值守传感器系统的多类别目标识别方法及系统 | |
CN116243248A (zh) | 基于多标签分类网络的多分量干扰信号识别方法 | |
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 | |
Chen et al. | Automatic modulation recognition of radar signals based on histogram of oriented gradient via improved principal component analysis | |
CN115600101A (zh) | 一种基于先验知识的无人机信号智能检测方法及装置 | |
CN115795353A (zh) | 一种基于不均衡数据集的地下金属目标分类方法及系统 | |
CN114676721A (zh) | 基于径向基神经网络的雷达有源压制干扰识别方法及系统 |
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 |