CN116643246A - 一种基于内积距离度量的深度聚类雷达脉冲信号分选方法 - Google Patents

Abstract

本发明提供了一种基于内积距离度量的深度聚类雷达脉冲信号分选方法，涉及信号与信息处理技术领域，该方法首先使用机器学习算法进行度量学习，利用基于注意力机制的神经网络模型将输入数据进行特征提取，然后利用提取的特征进行聚类操作。本发明方法通过使用有标签数据进行有监督距离度量学习，同时使用一种基于内积的距离度量函数和损失度量函数使得聚类的特征距离和训练时的损失函数一致，实现对复杂电磁环境下雷达信号的高准确率分离，并且该算法可以进行未知雷达的探测，实现一定的分选效果。

Description

一种基于内积距离度量的深度聚类雷达脉冲信号分选方法

技术领域

本发明涉及信号与信号处理技术领域，特别涉及一种基于内积距离度量的深度聚类雷达脉冲信号分选方法。

背景技术

信号分离技术属于信号处理技术在侦查领域的特殊应用，是信号识别、干扰等后续任务的基础。信号接收机接收到的是交错的电磁信号，这些信号是干扰信号和多个感兴趣雷达辐射源发射的脉冲信号的混合，这使得对信号的分析变得十分困难。信号分离是将不同辐射源的脉冲信号分别提取，获得单个辐射源的脉冲信号的过程。通常，信号处理过程中会将雷达中频信号提取脉冲序列特征，然后针对交错的脉冲特征进行分离，信号分离的过程也是一个将序列进行去交错的过程，也称作信号分选。

通常信号分选领域的聚类方法是一种无监督学习方法，这些方法使用没有标签的样本数据，通过定义距离度量，利用数据特征本身的可区分性，将距离近的样本视作同一类，距离远的样本视作不同类，将不同辐射源的雷达脉冲信号划为不同的类别，从而完成雷达信号的分选。

然而，仅仅使用数据特征本身的性质进行距离设计，难以使用在复杂的数据特征方法上。例如对于典型的五维脉冲描述字(PDW)特征，有到达时间(TOA)，载频(RF)，脉冲宽度(PW)，到达角(AOA)等。在一小段时间内，在不使用捷变的情况下，如果多个PDW特征的RF在容差之内，通常情况下这些PDW会属于同一个辐射源。但是，如果有这样一种情况，虽然这些脉冲的RF并不在容差内，但是TOA是呈现等差的变化，这种情况下这些脉冲很可能也是属于同一个辐射源。针对上述现象设计距离度量，就会需要大量的专家知识规则。而在实践中，这些现象纷繁复杂，并且具有和环境相关的特征，这就导致了最终设计出的算法冗长累赘，并且难以维护。

因此，本发明提出一种基于内积距离度量的深度聚类雷达脉冲信号分选方法，以解决上述问题。

发明内容

本发明的目的在于：本发明提供了一种基于内积距离度量的深度聚类雷达脉冲信号分选方法，通过设计基于内积距离度量学习方法，将雷达脉冲用高可分性的高维特征进行表达，从而能够轻松地使用基于距离度量的聚类方法，完成信号分选工作。

本发明是一种基于内积距离度量的深度聚类雷达脉冲信号分选方法，包括以下步骤：

对于雷达脉冲信号的序列特征X_i，通过基于注意力机制的序列神经网络模型将其映射到距离度量空间，获得新序列特征Z_i；

对基于注意力机制的序列神经网络模型进行参数训练，将新序列特征Z_i输入全连接神经网络层，获得逻辑子U_i,l，然后使用Softmax函数生成概率P_i,l，并且与标签g(i)计算交叉熵损失函数，然后使用动量随机梯度下降算法更新模型的所有参数；

基于内积距离度量的聚类算法对新序列特征Z_i进行分选。

进一步的，所述基于注意力机制的序列神经网络模型将序列特征X_i映射到距离度量空间，获得新序列特征Z_i，包括三个步骤，分别为输入映射部分，注意力部分和输出部分，具体的：

步骤1、输入映射部分，对于序列特征X_i＝{x_i,1,x_i,2,x_i,3…x_i,k},i＝1,2,3…n，其中k为特征的维数，n为一段时间电磁信号采样出来的脉冲数据样本的数量，通过1-D卷积神经网络，将序列特征X_i映射到新的特征空间，获得特征

步骤2、注意力部分，使用特征进行相似度分析并且进行特征融合，获得新特征

步骤3、输出部分，对于新特征与步骤1相似，通过1-D卷积神经网络，将新特征/>映射到新的特征空间，输出新序列特征Z_i。

进一步的，所述1-D卷积神经网络包含一个或多个卷积模块，多个这样的卷积模块顺序相连，一个模块的输出作为下一个模块的输入使用，卷积模块由卷积层-ReLU激活函数-批规范化层构成，该1-D卷积神经网络的卷积核尺寸为1，输出特征维度为d，且d>k。

进一步的，使用特征进行相似度分析并且进行特征融合，具体包括以下步骤：

步骤21，计算序列特征X_i中每一数据与序列特征X_i中其它所有特征X_j,j≠i的相关系数S_i,j:

步骤22，用Softmax函数进行归一化，计算校准系数A_i,j

其中，exp()表示e指数函数；

步骤23，加权和操作获得新特征

进一步的，所述将新序列特征Z_i输入全连接神经网络层，获得逻辑子U_i,l，具体步骤为：

步骤4，引入一组可学习参数W_l∈R^d,l＝1,2,3…c表示聚类中心，通过计算特征Z_i与W_l的内积作为距离度量，以距离远近作为雷达脉冲特征类别的评判标准，具体公式为：

然后使用Softmax函数进行归一化，生成概率P_i,l，

其中，exp()表示e指数函数，P_i,l是Z_i属于第l个类别的概率，最终，Z_i由P_i,l,l＝1,2,3…c中最大值对应的类别决定；

采用标签g(i)计算交叉熵损失函数，

其中，q_i,j真实概率：

其中，g(i)为数据类别标签。

进一步的，在模型参数训练阶段，使用动量随机梯度下降法对交叉熵损失函数进行优化，更新模型所有参数，并且采用单个样本进行一次更新的方式，学习率设置为0.0001。

进一步的，所述聚类算法为Kmeans聚类算法、层次聚类或者KNN算法。

进一步的，基于内积距离度量的聚类算法对特征序列Z_i进行分选，具体使用Kmeans算法对特征序列Z_i进行分选，步骤如下：

步骤51，随机在序列特征Z_i中选取K个样本作为中心，记为V_m,m＝1,2,3…K；

步骤52，使用内积计算序列特征Z_i到V_m的距离

步骤53，选取距离最小的中心类别作为序列特征Z_i的类别，

c_i＝argmax_mD_i,m；

步骤54，将所有相同类别的特征进行求平均操作，获得新的类别中心:

步骤55，重复迭代52-54步骤，迭代次数为t，最终输出的类别c_i作为信号分选的结果。

本发明的有益效果如下：

1、本发明是一种基于内积距离度量的深度聚类雷达脉冲信号分选方法，通过Kmeans聚类完成信号的分选，该方法与过去方法的主要不同在于，使用了基于注意力机制的序列神经网络模型进行特征提取，极大地增加数据特征的可分性，通过有标记的数据进行监督学习，该模型可以自主学习在分选中需要的特征，减少了人工特征的工作量，同时，该方法使用内积聚类来使得模型训练阶段的损失函数和聚类阶段的距离度量一致，保证了分选的有效性和准确率。高准确率的分选，可以为后续信号识别等模块和算法提供强有力的支撑，增强了侦查的效能。

2、本发明是一种基于内积距离度量的深度聚类雷达脉冲信号分选方法，提出基于注意力机制的序列神经网络模型，能够很好地进行高维特征提取，充分利用上下文信息，相比过去的基于单个脉冲的特征提取方法有着序列特征能力，从而提取的信息具有更强的健壮性。本发明设计的高准确率分选框架，有利于增强后续型号识别、意图识别等模块的能力，实现侦查能力的提升。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图，其中：

图1是本发明的注意力机制的序列神经网络模型结构图；

图2是本发明的聚类方法示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。

本发明提出了一种基于内积距离度量的深度聚类雷达脉冲信号分选方法，

本发明分为两个部分，一个是基于注意力机制的序列神经网络模型训练和推理部分，该部分的主要目的是进行高维特征提取；另一个是基于内积距离度量的聚类算法部分，该部分完成数据(高维特征表示)的分选任务。

首先是特征提取部分，对于用雷达脉冲信号特征方式(以PDW为代表)的数据X_i＝{x_i,1,x_i,2,x_i,3…x_i,k},i＝1,2,3…n，其中k为特征的维数，n为一段时间电磁信号采样出来的脉冲数据样本的数量(例如PDW的个数)。对于序列特征X_i，通过序列神经网络模型可以将其映射到距离度量空间，获得新序列特征Z_i。

本发明主要使用的基于注意力机制的序列神经网络模型，模型结构如图1所示，但是本发明的框架也可以兼容其它序列模型，例如RNN、LSTM等模型，同时非序列的卷积神经网络模型也可以在非流水线场景下使用。基于注意力机制的序列神经网络模型通过计算每一数据特征X_i与一段时间内其它所有特征X_j,j≠i的相关系数来决定相似程度，并且通过将相似的特征进行的合并的方式，使得相近的X_i和X_j的特征越来越相似，相远的X_i和X_j的特征越来越不同。具体来说，基于注意力机制的序列神经网络模型的一个模块包括三个步骤，分别为输入映射部分，注意力部分，输出部分。

具体的：

步骤1、输入映射部分，对于序列特征X_i＝{x_i,1,x_i,2,x_i,3…x_i,k},i＝1,2,3…n，其中k为特征的维数，n为一段时间电磁信号采样出来的脉冲数据样本的数量，通过1-D卷积神经网络，将序列特征X_i映射到新的特征空间，获得特征

步骤2、注意力部分，使用特征进行相似度分析并且进行特征融合，获得新特征

步骤3、输出部分，对于新特征与步骤1相似，通过1-D卷积神经网络，将新特征/>映射到新的特征空间，输出新序列特征Z_i。

对于输出的新序列特征Z_i，本发明使用监督学习来将其进行约束，使得同一个辐射源脉冲映射的特征相近，不同辐射源相远。

利用可学习参数W_l的聚类过程(也就是全连接层)用于训练序列神经网络模型，更新模型的参数。

基于聚类的分选部分，需要利用上述特征提取部分获得的高维特征Z_i，具有同类信号距离近不同类信号距离远的性质，通过定义距离度量，利用数据特征本身的可区分性，将距离近的样本视作同一类，距离远的样本视作不同类，将不同辐射源的雷达脉冲信号划为不同的类别，从而完成雷达信号的分选，如图2所示。

本发明使用了Kmeans聚类方法，但是所有基于距离的聚类方法都可以在本发明的框架下使用，例如层次聚类等，一些变相基于距离衡量临近的方法也可以使用，例如KNN等。

实施例一

本实施实例以PDW输入为例，重点讲述所使用注意力机制的序列神经网络模型结构以及中间数据的尺寸，具体实施步骤如下：

S1、输入特征X，维度为1000×5，其中1000位该批样本的数量，5为PDW特征的维数；

S2、将特征X利用基于注意力机制的序列神经网络模型提取新特征Z，提取的特征维度为1000×512；

S2.1、将特征X输入1-D卷积神经网络模型，该模型有三层，第一层为卷积层(卷积核尺寸为1，步长为1，输出特征维度为512)，第二层为ReLU激活函数，第三层为批规范化层(BatchNormalize，eps设置为0.0001)，输出的特征为记为Yⁱⁿ，特征维度1000×512；

S2.2、将Yⁱⁿ进行转置获得利用矩阵乘法进行快速运算/>输出的相似度参数为S，尺寸为1000×1000；

S2.3、将相似度S使用Softmax函数在第二个维度上进行归一化，获得校准系数A，尺寸为1000×1000；

S2.4、将校准系数A取出一行获得Ai，尺寸为1000，再将其扩展维度并且复制，获得Ai′＝[Ai,Ai……,Ai]，其中Ai为列向量，该矩阵Ai′的维度为1000*512。与转置后的特征利用点乘进行快速运算获得加权矩阵/>维度为1000*512，然后将加权矩阵沿着第一个维度进行求和，获得特征/>将所有校准系数矩阵A的行向量Ai进行相同操作，将获得的特征/>进行拼接，获得特征矩阵Y^att，尺寸为1000×512。

S3、将特征Y^att输入1-D卷积神经网络模型，该模型有三层，第一层为卷积层(卷积核尺寸为1，步长为1，输出特征维度为512)，第二层为ReLU激活函数，第三层为批规范化层(BatchNormalize，eps设置为0.0001)，输出的新特征，记为Z，特征维度为1000×512；

S4、(训练中)将新特征Z输入全连接层(输出维数为3)，获得逻辑子U，然后使用Softmax函数归一化，生成概率P，并且与标签Q计算交叉熵损失函数，然后进行动量随机梯度下降算法更新模型所有参数。

S5、(推理中)将新特征Z使用Kmeans算法进行更新；

S5.1、随机在特征Z中选择3个样本作为中心类别，记为V，尺寸为3×512；

S5.2、使用内积计算特征Z与V的距离D，尺寸为1000×3；

S5.3、选取距离最小的中心类别作为特征的类别C，尺寸为1000；

S5.4、将所有相同类别的特征进行求平均操作，获得新的类别中心V，尺寸为3×512；

S5.5、重复S5.2-S5.4的操作100次。

最终输出的类别C为分选的结果。

本发明使用基于机器学习的方法替代人工进行距离度量，通过使用有标签的数据进行监督学习，通过基于注意力机制的序列神经网络模型的特征映射方法，将数据从雷达脉冲特征空间映射到距离度量空间，从而让数据在新空间中具有更好的可区分性，具有同类信号距离近，不同类信号距离远的性质。在此基础上，通过基于距离度量的聚类方法，例如KMeans等，以实现雷达脉冲的分选。

以上所述，仅为本发明的优选实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的技术人员在本发明所揭露的技术范围内，可不经过创造性劳动想到的变化或替换，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该以权利要求书所限定的保护范围为准。

Claims (8)

1.一种基于内积距离度量的深度聚类雷达脉冲信号分选方法，其特征在于，包括以下步骤：

对于雷达脉冲信号的序列特征X_i，通过基于注意力机制的序列神经网络模型将其映射到距离度量空间，获得新序列特征Z_i；

对基于注意力机制的序列神经网络模型进行参数训练，将新序列特征Z_i输入全连接神经网络层，获得逻辑子U_i,l，然后使用Softmax函数生成概率P_i,l，并且与标签g(i)计算交叉熵损失函数，然后使用动量随机梯度下降算法更新模型的所有参数；

基于内积距离度量的聚类算法对新序列特征Z_i进行分选。

2.根据权利要求1所述的一种基于内积距离度量的深度聚类雷达脉冲信号分选方法，其特征在于，所述基于注意力机制的序列神经网络模型将序列特征X_i映射到距离度量空间，获得新序列特征Z_i，包括三个步骤，分别为输入映射部分，注意力部分和输出部分，具体的：

步骤1、输入映射部分，对于序列特征X_i＝x_i,,x_i,,x_i,…x_i,},i＝1,2,3…n，其中k为特征的维数，n为一段时间电磁信号采样出来的脉冲数据样本的数量，通过1-D卷积神经网络，将序列特征X_i映射到新的特征空间，获得特征

步骤2、注意力部分，使用特征进行相似度分析并且进行特征融合，获得新特征

步骤3、输出部分，对于新特征与步骤1相似，通过1-D卷积神经网络，将新特征映射到新的特征空间，输出新序列特征Z_i。

3.根据权利要求2所述的一种基于内积距离度量的深度聚类雷达脉冲信号分选方法，其特征在于，所述1-D卷积神经网络包含一个或多个卷积模块，多个这样的卷积模块顺序相连，一个模块的输出作为下一个模块的输入使用，卷积模块由卷积层-ReLU激活函数-批规范化层构成，该1-D卷积神经网络的卷积核尺寸为1，输出特征维度为d，且d>k。

4.根据权利要求2所述的一种基于内积距离度量的深度聚类雷达脉冲信号分选方法，其特征在于，使用特征进行相似度分析并且进行特征融合，具体包括以下步骤：

步骤21，计算序列特征X_i中每一数据与序列特征X_i中其它所有特征X_j,j≠i的相关系数S_i,j:

步骤22，用Softmax函数进行归一化，计算校准系数A_i,j

其中，exp()表示e指数函数；

步骤23，加权和操作获得新特征

5.根据权利要求1所述的一种基于内积距离度量的深度聚类雷达脉冲信号分选方法，其特征在于，所述将新序列特征Z_i输入全连接神经网络层，获得逻辑子U_i,l，具体步骤为：

步骤4，引入一组可学习参数W_l∈R^d,l＝1,2,3…c表示聚类中心，通过计算特征Z_i与W_l的内积作为距离度量，以距离远近作为雷达脉冲特征类别的评判标准，具体公式为：

然后使用Softmax函数进行归一化，生成概率P_i,l，

其中，exp()表示e指数函数，P_i,l是Z_i属于第l个类别的概率，最终，Z_i由P_i,l,l＝1,2,3…c中最大值对应的类别决定；

采用标签g(i)计算交叉熵损失函数，

其中，q_i,j真实概率：

其中，g(i)为数据类别标签。

6.根据权利要求5所述的一种基于内积距离度量的深度聚类雷达脉冲信号分选方法，其特征在于，在模型参数训练阶段，使用动量随机梯度下降法对交叉熵损失函数进行优化，更新模型所有参数，并且采用单个样本进行一次更新的方式，学习率设置为0.0001。

7.根据权利要求1所述的一种基于内积距离度量的深度聚类雷达脉冲信号分选方法，其特征在于，所述聚类算法为Kmeans聚类算法、层次聚类或者KNN算法。

8.根据权利要求7所述的一种基于内积距离度量的深度聚类雷达脉冲信号分选方法，其特征在于，基于内积距离度量的聚类算法对特征序列Z_i进行分选，具体使用Kmeans算法对特征序列Z_i进行分选，步骤如下：

步骤51，随机在序列特征Z_i中选取K个样本作为中心类别，记为V_m,m＝1,2,3…K；

步骤52，使用内积计算序列特征Z_i到V_m的距离

步骤53，选取距离最小的中心类别作为序列特征Z_i的类别，

c_i＝argmax_mD_i,；

步骤54，将所有相同类别的特征进行求平均操作，获得新的类别中心:

步骤55，重复迭代52-54步骤，迭代次数为t，最终输出的类别c_i作为信号分选的结果。