CN116842457A - 一种基于长短时记忆网络的雷达辐射源个体识别方法 - Google Patents

Abstract

本发明公开了一种基于长短时记忆网络的雷达辐射源个体识别方法，涉及雷达信号处理领域。方法为：首先基于长短时记忆神经网络架构设计网络模型并使用triplet对网络模型进行优化，然后对原始脉冲波形数据进行预处理生成序列化后的包络信号输入网络中，通过隐藏层的LSTM单元提取包含时序依赖关系的个体特征向量，最后将特征向量输入到分类层进行分类，得到个体识别的结果。本方法具有处理时效快、特征精度高、分类效果好的特点。

Description

一种基于长短时记忆网络的雷达辐射源个体识别方法

技术领域

本发明属于雷达信号处理领域，特别是一种基于长短时记忆网络的雷达辐射源个体识别方法。

背景技术

雷达辐射源个体识别是电子对抗的重要组成部分和发展方向，它主要依据侦察到的不同雷达辐射源信号之间的差异，并与已知雷达个体的参数或特征进行比较，识别出每一个雷达辐射源，从而为电子对抗提供情报支撑。

根据不同雷达发射机制造工艺的误差、器件特性随时间的漂移、调制系统的不均衡等特性，导致雷达发射信号中存在着一些稳定可测的、有区分性的信号特征，可以用于区分不同的雷达辐射源，这就是雷达辐射源个体特征。雷达辐射源个体识别技术的关键在于个体特征的提取方法。

目前，雷达辐射源个体识别的个体特征提取方法主要有以下几类：

第一类是传统的参数比对的方法，采用雷达脉冲信号的射频、重频、脉宽的分布差异进行个体识别，但是这类方法处理复杂，而且提取到的雷达脉冲信号的参数都属于粗测的参数，而且没有提取到深度特征，依据这类参数进行个体识别的精度较低。

第二类是精细脉间特征分析的方法，但是这类方法只能处理固定重频和重频参差的情况，且依赖于晶振的误差率，局限较大，泛化性低，且处理耗时长。

第三类是常规的深度学习方法如CNN等方法，利用深度学习的强大特征提取能力，使得分类性能有了很大的提升，但是没有对特征空间进行优化，也无法完成时序特征的提取。

在这种情况下，需要找到一种耗时短、泛化性强、精度高的雷达辐射源个体识别的新方法，完成对雷达辐射源个体的可区分性特征的提取，实现更好的雷达辐射源个体识别效果。

发明内容

本发明的目的在于提供一种耗时短、泛化性强、精度高的雷达辐射源个体识别方法，实现本发明目的的技术解决方案为：本申请提供一种基于长短时记忆网络的雷达辐射源个体识别方法，包括以下步骤：

步骤1、基于长短时记忆神经网络架构设计网络模型，确定网络时序、数据输入形式和网络结构，使用LSTM长短时记忆神经网络单元提取序列数据的时间依赖信息；

步骤2、将原始的已知雷达脉冲波形数据进行预处理，提取脉冲包络并将分段序列化为网络需要的数据形式；

步骤3、使用triplet设计损失函数，结合经预处理的时序数据训练网络模型；

步骤4、对未分类的雷达脉冲波形数据进行处理得到数据样本，经过训练好的网络模型提取所有样本的个体特征；

步骤5、将提取的特征向量集合经过softmax分类层，输出不同雷达个体的识别结果。

可选的，步骤1所述基于长短时记忆神经网络架构设计网络模型，确定网络时序、数据输入形式和网络结构，使用LSTM长短时记忆神经网络单元提取序列数据的时间依赖信息，包括：

步骤1.1、选择网络的初始输入特征为脉冲包络信号，信号的长度确定为L＝3000，雷达辐射源个体数量为N；

步骤1.2、确定网络每次梯度更新的样本数batch＝32，网络的时序为K＝50，网络输入层的节点数为X＝L/K＝60，每个LSTM单元的隐层数量为S＝5；

步骤1.3、确定每个LSTM单元的隐层数量为S1＝5，方向为单向，隐层的节点数为S2＝128，输出层的节点数为num_cls＝N；

步骤1.4、在最后一层LSTM单元后增加一层softmax分类层。

可选的，将原始的已知雷达脉冲波形数据进行预处理，提取脉冲包络并将分段序列化为网络需要的数据形式，包括：

步骤2.1、对原始脉冲波形信号进行正交变换提取脉冲包络数据，假设侦收到的雷达原始脉冲波形对应的信号形式为：

其中，n(t)为高斯噪声，a(t)为雷达辐射源特性函数，为信号包络；正交变换定义如下：

令解析信号则z(t)的幅度/>即为信号s(t)的包络；

步骤2.2、对包络数据进行归一化处理，截取包络曲线的前N＝3000点数据，不足3000点的进行置零处理；

步骤2.3、对数据进行分段序列化处理：一个batch包含m个脉冲，即输入数据为X＝(z₁；z₂；…；z_m)，其中batch表示原始脉冲数据存储的批次，z_i表示batch中的第i个脉冲的包络信号；

将信号z_i划分成K个时序，序列化后的数据格式为：

可选的，使用triplet设计损失函数，结合经预处理的时序数据训练网络模型，包括：

步骤3.1、损失函数使用triplet损失优化多分类的交叉熵损失，对于包含m个样本的batch数据D(a,p,n)，第i个样本对应的损失为：

l_i＝max{d(a_i,p_i)-d(a_i,n_i)+margin，0}

其中，a，p，n分别代表锚点、正例和负例；总的损失定义为：L＝L_S+L_t，其中L_S为交叉熵损失，L_t为triplet损失；根据数据的特点确定margin值，取值为0.5-1；

步骤3.2、以L为损失函数，结合步骤1的网络结构和步骤2的序列化数据样本，训练足够的轮次直至得到收敛的网络模型

本发明与现有技术相比，其显著优点为：(1)特征提取建立在脉冲包络等脉内时变信息基础上，处理时间短，泛化性强；(2)将原始数据进行序列化，然后通过LSTM长短时记忆神经网络单元，可以提取出包含脉内时序依赖信息的雷达辐射源个体特征，提升了特征提取精度；(3)使用triplet loss方法对特征空间进行优化，使得特征空间可以更好地表示个体间的差异性，提高了个体识别的分类正确率。

附图说明

图1为本发明一种基于长短时记忆网络的雷达辐射源个体识别方法的流程示意图。

图2为本发明的网络结构示意图。

图3本发明实施例中使用本发明方法使用3个行波管体制雷达个体的数据进行个体特征提取的结果图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的详细说明。

结合图1，本发明一种基于长短时记忆网络的雷达辐射源个体识别方法，具体实现步骤如下：

步骤1、基于长短时记忆神经网络架构设计网络模型，确定网络时序、数据输入形式和网络结构，使用LSTM长短时记忆神经网络单元提取序列数据的时间依赖信息，如图2所示，具体如下：

步骤1.1、选择网络的初始输入特征为脉冲包络信号，信号的长度确定为L＝3000，雷达辐射源个体数量为N；

步骤1.2、确定网络每次梯度更新的样本数batch＝32，网络的时序为K＝50，网络输入层的节点数为X＝L/K＝60，每个LSTM单元的隐层数量为S＝5；

步骤1.3、确定每个LSTM单元的隐层数量为S1＝5，方向为单向，隐层的节点数为S2＝128，输出层的节点数为num_cls＝N；

步骤1.4、在最后一层LSTM单元后增加一层softmax分类层。

步骤2、将原始的已知雷达脉冲波形数据进行预处理，提取脉冲包络并将分段序列化为网络需要的数据形式，具体如下：

步骤2.1、对原始脉冲波形信号进行正交变换提取脉冲包络数据，假设侦收到的雷达原始脉冲波形对应的信号形式为：

其中，n(t)为高斯噪声，a(t)为雷达辐射源特性函数，为信号包络。正交变换定义如下：

令解析信号则z(t)的幅度/>即为信号s(t)的包络。

步骤2.2、对包络数据进行归一化处理，截取包络曲线的前N＝3000点数据，不足3000点的进行置零处理。

步骤2.3、对数据进行分段序列化处理。一个batch包含m个脉冲，即输入数据为X＝(z₁；z₂；…；z_m)，其中z_i表示batch中的第i个脉冲的包络信号。将信号z_i划分成K个时序，即序列化后的数据格式为：

步骤3、设计损失函数，结合经预处理的时序数据训练网络模型，具体如下：

步骤3.1、损失函数使用triplet损失优化多分类的交叉熵损失，对于包含m个样本的batch数据D(a,p,n)，第i个样本对应的损失为：

l_i＝max{d(a_i,p_i)-d(a_i,n_i)+margin，0}

其中，a，p，n分别代表锚点、正例和负例。总的损失定义为：L＝L_S+L_t，其中L_S为交叉熵损失，L_t为triplet损失。根据数据的特点确定margin值，一般取0.5-1，使网络收敛的同时提取的个体特征具有可区分性。

步骤3.2、以L为损失函数，结合步骤1的网络结构和步骤2的序列化数据样本，训练足够的轮次直至得到收敛的网络模型。

步骤4、对未分类的雷达脉冲波形数据进行处理得到数据样本，经过训练好的网络模型提取所有样本的个体特征；

步骤5、将提取的特征向量集合经过softmax分类层，输出不同雷达个体的识别结果。

下面结合附图及具体实施例对本发明做进一步详细说明。

实施例1

1.实验条件：

此次实验选取18组行波管体制的雷达辐射源的脉冲波形数据作为训练数据，包含了3个行波管体制雷达个体。每一组数据对应一个雷达个体。同时实验选取了19组雷达辐射源的脉冲波形数据作为测试数据，每组数据对应一个雷达个体。脉冲波形数据为二进制数据，依次存储各脉冲的采样点数据，每组脉冲波形数据包含2000个雷达脉冲。

硬件平台：服务器、CPU为Intel Xeon(R)E5-2640 v3、主频2.6GHz、GPU为NVIDIAGeForce RTX 3060；

操作系统：Ubuntu 18.04.6 LTS；

开发工具：Python3.7、torch1.12.0、torchvision0.13.0。

2.实验内容：

在上述实验条件下，使用本发明的方法首先对所有的脉冲波形数据进行预处理，每组数据从2000个雷达脉冲中选取质量较高的100-256个脉冲，提取其脉冲包络信号，并进行分段、序列化处理，然后搭建网络，设计损失函数，训练网络模型，在最后一层LSTM单元的输出之前将输出向量降维至2维进行特征可视化，网络模型训练的结果如图3所示。然后使用测试数据序列化后经过网络模型提取个体特征，并通过softmax分类层输出识别结果。

3.结果分析：

由图3可以看出，使用本发明对行波管体制的雷达脉冲数据进行处理和个体识别，从网络提取的个体降维特征上可以看出，本发明方法可以有效提取出可区分的高精度特征。同时在结果上，常规的深度学习CNN方法在测试数据上的识别正确率为68.4％，而本发明的方法取得的识别正确率为84.2％，可以取得更好的个体识别效果。

Claims (4)

1.一种基于长短时记忆网络的雷达辐射源个体识别方法，其特征在于，包括：

步骤1、基于长短时记忆神经网络架构设计网络模型，确定网络时序、数据输入形式和网络结构，使用LSTM长短时记忆神经网络单元提取序列数据的时间依赖信息；

步骤2、将原始的已知雷达脉冲波形数据进行预处理，提取脉冲包络并将分段序列化为网络需要的数据形式；

步骤3、使用triplet设计损失函数，结合经预处理的时序数据训练网络模型；

步骤4、对未分类的雷达脉冲波形数据进行处理得到数据样本，经过训练好的网络模型提取所有样本的个体特征；

步骤5、将提取的特征向量集合经过softmax分类层，输出不同雷达个体的识别结果。

2.根据权利要求1所述的基于长短时记忆网络的雷达辐射源个体识别方法，其特征在于，步骤1所述基于长短时记忆神经网络架构设计网络模型，确定网络时序、数据输入形式和网络结构，使用LSTM长短时记忆神经网络单元提取序列数据的时间依赖信息，包括：

步骤1.1、选择网络的初始输入特征为脉冲包络信号，信号的长度确定为L＝3000，雷达辐射源个体数量为N；

步骤1.2、确定网络每次梯度更新的样本数batch＝32，网络的时序为K＝50，网络输入层的节点数为X＝L/K＝60，每个LSTM单元的隐层数量为S＝5；

步骤1.3、确定每个LSTM单元的隐层数量为S1＝5，方向为单向，隐层的节点数为S2＝128，输出层的节点数为num_cls＝N；

步骤1.4、在最后一层LSTM单元后增加一层softmax分类层。

3.根据权利要求1所述的基于长短时记忆网络的雷达辐射源个体识别方法，其特征在于，将原始的已知雷达脉冲波形数据进行预处理，提取脉冲包络并将分段序列化为网络需要的数据形式，包括：

步骤2.1、对原始脉冲波形信号进行正交变换提取脉冲包络数据，假设侦收到的雷达原始脉冲波形对应的信号形式为：

其中，n(t)为高斯噪声，a(t)为雷达辐射源特性函数，为信号包络；正交变换定义如下：

令解析信号则z(t)的幅度/>即为信号s(t)的包络；

步骤2.2、对包络数据进行归一化处理，截取包络曲线的前N＝3000点数据，不足3000点的进行置零处理；

步骤2.3、对数据进行分段序列化处理：一个batch包含m个脉冲，即输入数据为X＝(z₁；z₂；…；z_m)，其中batch表示原始脉冲数据存储的批次，z_i表示batch中的第i个脉冲的包络信号；

将信号z_i划分成K个时序，序列化后的数据格式为：

4.根据权利要求1所述的基于长短时记忆网络的雷达辐射源个体识别方法，其特征在于，使用triplet设计损失函数，结合经预处理的时序数据训练网络模型，包括：

步骤3.1、损失函数使用triplet损失优化多分类的交叉熵损失，对于包含m个样本的batch数据D(a,p,n)，第i个样本对应的损失为：

l_i＝max{d(a_i,p_i)-d(a_i,n_i)+margin，0}

其中，a，p，n分别代表锚点、正例和负例；总的损失定义为：L＝L_S+L_t，其中L_S为交叉熵损失，L_t为triplet损失；根据数据的特点确定margin值，取值为0.5-1；

步骤3.2、以L为损失函数，结合步骤1的网络结构和步骤2的序列化数据样本，训练足够的轮次直至得到收敛的网络模型。