CN116894200A - 一种基于卷积神经网络和注意力机制的无线电调频引信干扰信号识别方法 - Google Patents
一种基于卷积神经网络和注意力机制的无线电调频引信干扰信号识别方法 Download PDFInfo
- Publication number
- CN116894200A CN116894200A CN202310644126.1A CN202310644126A CN116894200A CN 116894200 A CN116894200 A CN 116894200A CN 202310644126 A CN202310644126 A CN 202310644126A CN 116894200 A CN116894200 A CN 116894200A
- Authority
- CN
- China
- Prior art keywords
- fuze
- radio frequency
- frequency modulation
- interference
- interference signal
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000007246 mechanism Effects 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000012795 verification Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 29
- 238000011176 pooling Methods 0.000 claims description 21
- 230000005284 excitation Effects 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0495—Quantised networks; Sparse networks; Compressed networks
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/69—Spread spectrum techniques
- H04B1/707—Spread spectrum techniques using direct sequence modulation
- H04B1/7097—Interference-related aspects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/69—Spread spectrum techniques
- H04B1/7163—Spread spectrum techniques using impulse radio
- H04B1/719—Interference-related aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于卷积神经网络和注意力机制的无线电调频引信干扰信号识别方法,包括:将预处理后的训练数据集输入到无线电调频引信干扰信号识别模型中进行离线训练,优化无线电调频引信干扰信号识别网络模型;仿真生成测试数据集,并利用测试数据集来验证离线训练后无线电调频引信干扰信号识别模型的识别性能;将待识别的无线电调频引信干扰信号进行所述数据预处理后,输入中验证后的无线电调频引信干扰信号识别模型进行信号识别。本发明在干信比为‑16dB时,网络的识别准确率达到了98%以上。
Description
技术领域
本发明涉及基于卷积神经网络和注意力机制的无线电线性调频引信干扰识别方法,属于无线电引信技术领域。
背景技术
引信是利用环境信息、目标信息或平台信息,确保弹药勤务和弹道安全,按预定策略对弹药实施起爆的装置。引信是弹药系统的核心控制部件,直接决定了武器装备高效毁伤效能的发挥,被形象地喻为弹药的大脑。各国对引信的地位和作用有着深刻的认知,目前已上升到从体系对抗的高度来看待引信的作用,说明了引信研究的重要性。引信在储运、勤务处理、发射和飞行弹道上面临着复杂的电磁环境,包括自然干扰和人为干扰,而引信干扰机属于人为有意干扰,且其干扰手段不断变化和增强,无线电引信面临的威胁日益严重,这就要求无线电引信具有更强的干扰识别和抗干扰能力。因此,无线电引信的干扰识别问题也变得更加重要。传统的干扰信号识别方法通常是提取信号的时域特征进行识别,这不仅需要大量的分析处理,还往往造成复杂环境下干扰信号识别准确率低的问题。近年来,深度学习在诸多领域被广泛应用,并且效果显著。在图像处理方面,卷积神经网络利用其强大的特征学习能力和数据处理能力备受关注,且成果斐然。另一方面,注意力机制由于其强大的资源优化分配能力也成为一个研究热点。因此,将卷积神经网络和注意力机制联合设计并应用到无线电调频引信系统中,有望实现更好的干扰信号识别。
代健等(参见代健,晏祺,闫晓鹏等.基于模糊c-均值增量更新的脉冲多普勒引信干扰与目标信号识别[J].兵工学报,2018,39(09):1711-1718.)提出了一种具有自适应增量更新功能的模糊c-均值(FCM)聚类算法,在对引信距离门选通输出信号分析的基础上,利用信号时域与频域熵特征,借助FCM算法对干扰与目标信号进行分类识别,并针对信噪比不断恶化的情况,通过改进的增量更新算法实现引信FCM分类模型的自适应更新调整,使引信在-15.0dB条件下对干扰信号的识别准确率达到96.43%,但该方法需要人为提取特征,并需大量专业知识。
随着信息化武器装备的发展,无线电引信的作用及地位更加突出,引信失效引起的后果更加严重,因此有效识别引信干扰信号对无线电调频引信的发展至关重要。
发明内容
针对无线电线性调频引信的干扰识别问题,本发明提出了一种基于卷积神经网络和注意力机制的干扰识别方法,本发明在干信比为-16dB时,网络的识别准确率达到了98%以上。
术语解释:
1、无线电调频引信干扰识别系统:该系统由目标探测器、干扰机以及信号处理模块构成。以无线电调频引信信号作为发射信号,并经过目标探测器发送出去,当引信发射信号到达目标后,经过目标反射形成引信回波信号,引信回波信号会受到干扰机和外界噪声的干扰,引信回波信号、干扰信号和噪声共同组成接收信号,并由目标探测器接收,再通过信号处理模块来识别干扰信号的种类。
2、通道AM模型:压缩激励网络;压缩激励网络是一种通道注意力模型,通过给各个通道分配对应的权重来表示不同通道特征图的重要性。
3、Squeeze操作:压缩激励网络中的压缩操作,通过对特征图进行全局平均池化,将特征图压缩成一个特征向量。
4、Excitation操作:压缩激励网络中的激励操作,通过全连接层和非线性激活函数来学习每个通道的权重,以捕捉通道之间的关系。
本发明的技术方案如下:
一种基于卷积神经网络(CNN)和注意力机制(AM)的无线电调频引信干扰信号识别方法,
该无线电调频引信干扰信号识别方法通过无线电调频引信干扰识别系统实现,无线电调频引信干扰识别系统包括目标探测器、干扰机以及信号处理模块;
目标探测器包括发射机和接收机;干扰机产生若干种典型干扰信号;信号处理模块是指基于CNN和AM的干扰识别器;包括:
通过仿真生成训练数据集,并进行数据预处理;
将预处理后的训练数据集输入到无线电调频引信干扰信号识别模型中进行离线训练,优化无线电调频引信干扰信号识别网络模型;仿真生成测试数据集,并利用测试数据集来验证离线训练后无线电调频引信干扰信号识别模型的识别性能;
将待识别的无线电调频引信干扰信号进行所述数据预处理后,输入中验证后的无线电调频引信干扰信号识别模型进行信号识别,得到干扰信号的种类。
进一步优选的,干扰机产生六种典型干扰信号,包括:正弦波调幅干扰信号、正弦波调频干扰信号、噪声调频干扰信号、噪声调幅干扰信号、线性调频扫频干扰信号和对数调频扫频干扰信号。
根据本发明优选的,通过仿真生成训练数据集,并进行数据预处理;包括:
在无线电调频引信干扰识别系统中,线性调频引信发射信号表示为uon(t)=Uoncos(2πf0t+πμt2),其中,Uon为发射信号幅值,f0为线性调频引信发射信号的载波频率,μ为调频斜率,t是指时间;
引信发射信号到达目标后,经过目标反射形成引信回波信号,表示为uc(t)=Uccos[2πf0(t-τ)+πμ(t-τ)2],其中,Uc为回波信号幅值,τ=2r/c,为引信至目标间传输延迟,r为引信到目标间距离,c为光速;
引信回波信号受到干扰机和外界噪声干扰之后,接收机收到的信号表示为u(t)=uc(t)+j(t)+n(t),其中,j(t)为干扰机发出的干扰信号,n(t)为加性高斯白噪声;
基于无线电调频引信系统生成训练数据集,通过短时傅里叶变换对生成的训练数据进行数据预处理,得到对应时频域信号,并生成时频图像。
根据本发明优选的,无线电调频引信干扰信号识别模型包括CNN、AM;
CNN包括一个输入层、三个卷积层、三个池化层、一个全连接层以及一个输出层;
对干扰信号的种类进行one-hot编码,生成对应标签,将标签与时频图像成对输入无线电调频引信干扰信号识别模型中,进行监督训练;
卷积层通过卷积核对输入数据即标签与时频图像进行特征提取和特征映射,输出表示为:
其中,ci,j表示卷积输出,X(i-m,j-n)表示卷积层的输入矩阵,W(m,n)表示卷积核,b1表示卷积层的偏置矢量,i和j分别表示输入数据矩阵的行索引和列索引,m和n表示卷积核尺寸;
设置三个卷积层激活函数均为ReLU函数;
池化层进行下采样降维,在每个卷积层之后添加池化层;
后两个池化层之后添加通道AM模型激励网络压缩激励网络(SENet),通过通道AM模型聚焦于输入信息的关键信息,降低对其他信息的关注度,过滤掉无关信息;激励网络压缩激励网络中,首先,通过Squeeze操作将通道上的空间特征编码为一个全局特征;然后,通过Excitation操作学习各通道间的关系,得到不同通道的权重;最后,通过Scale操作将得到的不同通道的权重与原来特征相乘,获得最终特征;
通过全局平均池化得到特征向量,并将全局平均池化得到的特征向量输入到全连接层,再通过输出层得到无线电调频引信干扰信号识别模型的预测输出。
进一步优选的,ReLU函数的表达式为:f(x)=max(0,x)。
进一步优选的,通过Squeeze操作将通道上的空间特征编码为一个全局特征,表示为:
其中,H和D分别表示输入数据的高度和宽度,gc表示经卷积操作提取的特征;
进一步优选的,通过Excitation操作学习各通道间的关系,得到不同通道的权重,表示为:
s=σ(W2 ReLU(W1z))
其中,σ(.)表示Sigmoid激活函数,W1和W2分别表示第一个全连接层和第二个全连接层的权重。进一步优选的,全连接层的输出表示为:
o=f(WfXf+b2)
其中,Wf表示全连接层的权重矩阵,Xf表示全连接层的输入矩阵,b2表示全连接层的偏置矢量,f(.)表示激活函数。
进一步优选的,输出层的激活函数为Softmax函数,表达式为:
其中,K为类别数量,xr表示第r个神经元的输入。
根据本发明优选的,将预处理后的训练数据集输入到无线电调频引信干扰信号识别模型中进行离线训练,优化无线电调频引信干扰信号识别网络模型,包括:
损失函数为:
其中,yv表示真实标签,pv表示无线电调频引信干扰信号识别模型的预测输出;
所采用的优化器为Adam优化器,以加快网络收敛速度,初始学习率设置为0.001,batch_size设置为128,epoch设置为50,参数设置完成之后,对无线电调频引信干扰信号识别模型进行监督训练,以优化参数,从而实现对干扰信号的分类。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现基于卷积神经网络和注意力机制的无线电调频引信干扰信号识别方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现基于卷积神经网络和注意力机制的无线电调频引信干扰信号识别方法的步骤。
本发明的有益效果为:
1、与传统的干扰信号识别方法相比,本发明不需要人为提取特征和大量专业知识,而是通过神经网络自适应提取特征,并进行干扰识别,极大地节省了人力资源。
2、本发明提出的基于CNN和AM的无线电线性调频引信干扰识别方法在干信比为-16.0dB时,网络的识别准确率可达到98%以上,实现了低干信比情况下的高识别准确率。
附图说明
图1是本发明无线电调频引信干扰识别系统的结构示意框图。
图2是六种干扰信号在不同干信比下的总体识别准确率示意图。
图3是无线电调频引信干扰信号识别模型的网络结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,但不限于此。
实施例1
一种基于卷积神经网络(CNN)和注意力机制(AM)的无线电调频引信干扰信号识别方法,
该无线电调频引信干扰信号识别方法通过无线电调频引信干扰识别系统实现,如图1所示,无线电调频引信干扰识别系统包括目标探测器、干扰机以及信号处理模块;
目标探测器包括发射机和接收机;干扰机产生若干种典型干扰信号;信号处理模块是指基于CNN和AM的干扰识别器;
同时,假设接收到的噪声为加性高斯白噪声,并忽略系统内部影响,包括:
通过仿真生成训练数据集,并进行数据预处理;
将预处理后的训练数据集输入到无线电调频引信干扰信号识别模型中进行离线训练,优化无线电调频引信干扰信号识别网络模型;仿真生成测试数据集,并利用测试数据集来验证离线训练后无线电调频引信干扰信号识别模型的识别性能;
将待识别的无线电调频引信干扰信号进行所述数据预处理后,输入中验证后的无线电调频引信干扰信号识别模型进行信号识别,得到干扰信号的种类。
实施例2
根据实施例1所述的一种基于卷积神经网络(CNN)和注意力机制(AM)的无线电调频引信干扰信号识别方法,其区别在于:
干扰机产生六种典型干扰信号,包括:正弦波调幅干扰信号、正弦波调频干扰信号、噪声调频干扰信号、噪声调幅干扰信号、线性调频扫频干扰信号和对数调频扫频干扰信号。
通过仿真生成训练数据集,并进行数据预处理;包括:
在无线电调频引信干扰识别系统中,线性调频引信发射信号表示为uon(t)=Uoncos(2πf0t+πμt2),其中,Uon为发射信号幅值,f0为线性调频引信发射信号的载波频率,μ为调频斜率,t是指时间;
引信发射信号到达目标后,经过目标反射形成引信回波信号,表示为uc(t)=Uccos[2πf0(t-τ)+πμ(t-τ)2],其中,Uc为回波信号幅值,τ=2r/c,为引信至目标间传输延迟,r为引信到目标间距离,c为光速;通过引信回波信号中的参数,可以得到引信与目标间距离等信息。
引信回波信号受到干扰机和外界噪声干扰之后,接收机收到的信号表示为u(t)=uc(t)+j(t)+n(t),其中,j(t)为干扰机发出的干扰信号,n(t)为加性高斯白噪声;
基于无线电调频引信系统生成训练数据集,训练数据集中的训练数据通过MATLAB生成的仿真数据,干信比范围为-10.0dB到10.0dB,步长为2.0dB,每类干扰信号生成5.5×103个样本,共生成3.3×104个训练样本,所构成数据集的80%作为训练集,20%作为验证集。通过短时傅里叶变换对生成的训练数据进行数据预处理,得到对应时频域信号,并生成时频图像。采样频率设置为50MHz,窗函数采用汉明窗。
如图3所示,无线电调频引信干扰信号识别模型包括CNN、AM;
CNN包括一个输入层、三个卷积层、三个池化层、一个全连接层以及一个输出层;
对干扰信号的种类进行one-hot编码,生成对应标签,将标签与时频图像成对输入无线电调频引信干扰信号识别模型中,进行监督训练;
卷积层通过卷积核对输入数据即标签与时频图像进行特征提取和特征映射,输出表示为:
其中,ci,j表示卷积输出,X(i-m,j-n)表示卷积层的输入矩阵,W(m,n)表示卷积核,b1表示卷积层的偏置矢量,i和j分别表示输入数据矩阵的行索引和列索引,m和n表示卷积核尺寸;
三个卷积层中,第一个卷积层的卷积核大小为7×7,增加感受野,更好地提取输入图像特征;第二个卷积层和第三个卷积层的卷积核大小均为3×3,三个卷积层的卷积核个数分别为32、16、64;
设置三个卷积层激活函数均为ReLU函数;
池化层进行下采样降维,在每个卷积层之后添加池化层;各池化层的池化窗口为2×2,步长为2。
后两个池化层之后添加通道AM模型激励网络压缩激励网络(SENet),通过通道AM模型聚焦于输入信息的关键信息,降低对其他信息的关注度,过滤掉无关信息;提高任务处理的效率和准确性。激励网络压缩激励网络中,首先,通过Squeeze操作将通道上的空间特征编码为一个全局特征;然后,通过Excitation操作学习各通道间的关系,得到不同通道的权重;最后,通过Scale操作将得到的不同通道的权重与原来特征相乘,获得最终特征;
通过全局平均池化得到特征向量,并将全局平均池化得到的特征向量输入到全连接层,再通过输出层得到无线电调频引信干扰信号识别模型的预测输出。
ReLU函数的表达式为:f(x)=max(0,x)。
通过Squeeze操作将通道上的空间特征编码为一个全局特征,表示为:
其中,H和D分别表示输入数据的高度和宽度,gc表示经卷积操作提取的特征;
通过Excitation操作学习各通道间的关系,得到不同通道的权重,表示为:
s=σ(W2 Re LU(W1z))
其中,σ(.)表示Sigmoid激活函数,W1和W2分别表示第一个全连接层和第二个全连接层的权重。
全连接层的输出表示为:
o=f(WfXf+b2)
其中,Wf表示全连接层的权重矩阵,Xf表示全连接层的输入矩阵,b2表示全连接层的偏置矢量,f(.)表示激活函数。
全连接层的神经元个数设置为128,激活函数为ReLU函数,同时为了避免过拟合,加入Dropout层,在每一次迭代随机删掉一些神经元,丢弃率设置为0.5。
输出层的神经元个数为6,与干扰信号种类相对应,激活函数为Softmax函数,表达式为:
其中,K为类别数量,xr表示第r个神经元的输入。
将预处理后的训练数据集输入到无线电调频引信干扰信号识别模型中进行离线训练,优化无线电调频引信干扰信号识别网络模型,包括:
损失函数为:
其中,yv表示真实标签,pv表示无线电调频引信干扰信号识别模型的预测输出;
所采用的优化器为Adam优化器,以加快网络收敛速度,初始学习率设置为0.001,batch_size设置为128,epoch设置为50,参数设置完成之后,对无线电调频引信干扰信号识别模型进行监督训练,以优化参数,从而实现对干扰信号的分类。
仿真生成测试数据集,并利用测试数据集来验证离线训练后无线电调频引信干扰信号识别模型的识别性能,包括:离线训练好网络之后,进行线上测试。通过仿真生成测试数据集,为了检测网络的鲁棒性,将测试数据的干信比范围设为-20.0dB到10.0dB,步长为2.0dB,每一类信号生成1.6×103个样本,共生成9.6×103个测试样本,以构成测试数据。将不同干信比下的测试数据输入到训练好的网络中,得到预测的干扰信号类别,再将其与真实标签作比较,得到网络的识别准确率。图2是六种干扰信号在不同干信比下的总体识别准确率示意图,测试结果表明,本发明提出的基于CNN和AM的无线电线性调频引信干扰识别方法在干信比为-16.0dB时,网络的识别准确率可达到98%以上。
实施例3
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现实施例1或2所述的基于卷积神经网络和注意力机制的无线电调频引信干扰信号识别方法的步骤。
实施例4
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现实施例1或2所述的基于卷积神经网络和注意力机制的无线电调频引信干扰信号识别方法的步骤。
Claims (10)
1.一种基于卷积神经网络和注意力机制的无线电调频引信干扰信号识别方法,其特征在于,
该无线电调频引信干扰信号识别方法通过无线电调频引信干扰识别系统实现,无线电调频引信干扰识别系统包括目标探测器、干扰机以及信号处理模块;
目标探测器包括发射机和接收机;干扰机产生若干种典型干扰信号;信号处理模块是指基于CNN和AM的干扰识别器;包括:
通过仿真生成训练数据集,并进行数据预处理;
将预处理后的训练数据集输入到无线电调频引信干扰信号识别模型中进行离线训练,优化无线电调频引信干扰信号识别网络模型;仿真生成测试数据集,并利用测试数据集来验证离线训练后无线电调频引信干扰信号识别模型的识别性能;
将待识别的无线电调频引信干扰信号进行所述数据预处理后,输入中验证后的无线电调频引信干扰信号识别模型进行信号识别,得到干扰信号的种类;
进一步优选的,干扰机产生六种典型干扰信号,包括:正弦波调幅干扰信号、正弦波调频干扰信号、噪声调频干扰信号、噪声调幅干扰信号、线性调频扫频干扰信号和对数调频扫频干扰信号。
2.根据权利要求1所述的一种基于卷积神经网络和注意力机制的无线电调频引信干扰信号识别方法,其特征在于,通过仿真生成训练数据集,并进行数据预处理;包括:
在无线电调频引信干扰识别系统中,线性调频引信发射信号表示为uon(t)=Uoncos(2πf0t+πμt2),其中,Uon为发射信号幅值,f0为线性调频引信发射信号的载波频率,μ为调频斜率,t是指时间;
引信发射信号到达目标后,经过目标反射形成引信回波信号,表示为uc(t)=Uccos[2πf0(t-τ)+πμ(t-τ)2],其中,Uc为回波信号幅值,τ=2r/c,为引信至目标间传输延迟,r为引信到目标间距离,c为光速;
引信回波信号受到干扰机和外界噪声干扰之后,接收机收到的信号表示为u(t)=uc(t)+j(t)+n(t),其中,j(t)为干扰机发出的干扰信号,n(t)为加性高斯白噪声;
基于无线电调频引信系统生成训练数据集,通过短时傅里叶变换对生成的训练数据进行数据预处理,得到对应时频域信号,并生成时频图像。
3.根据权利要求1所述的一种基于卷积神经网络和注意力机制的无线电调频引信干扰信号识别方法,其特征在于,无线电调频引信干扰信号识别模型包括CNN、AM;
CNN包括一个输入层、三个卷积层、三个池化层、一个全连接层以及一个输出层;
对干扰信号的种类进行one-hot编码,生成对应标签,将标签与时频图像成对输入无线电调频引信干扰信号识别模型中,进行监督训练;
卷积层通过卷积核对输入数据即标签与时频图像进行特征提取和特征映射,输出表示为:
其中,ci,j表示卷积输出,X(i-m,j-n)表示卷积层的输入矩阵,W(m,n)表示卷积核,b1表示卷积层的偏置矢量,i和j分别表示输入数据矩阵的行索引和列索引,m和n表示卷积核尺寸;
设置三个卷积层激活函数均为ReLU函数;
池化层进行下采样降维,在每个卷积层之后添加池化层;
后两个池化层之后添加通道AM模型激励网络压缩激励网络,通过通道AM模型聚焦于输入信息的关键信息,降低对其他信息的关注度,过滤掉无关信息;激励网络压缩激励网络中,首先,通过Squeeze操作将通道上的空间特征编码为一个全局特征;然后,通过Excitation操作学习各通道间的关系,得到不同通道的权重;最后,通过Scale操作将得到的不同通道的权重与原来特征相乘,获得最终特征;
通过全局平均池化得到特征向量,并将全局平均池化得到的特征向量输入到全连接层,再通过输出层得到无线电调频引信干扰信号识别模型的预测输出;
进一步优选的,ReLU函数的表达式为:f(x)=max(0,x)。
4.根据权利要求3所述的一种基于卷积神经网络和注意力机制的无线电调频引信干扰信号识别方法,其特征在于,通过Squeeze操作将通道上的空间特征编码为一个全局特征,表示为:
其中,H和D分别表示输入数据的高度和宽度,gc表示经卷积操作提取的特征。
5.根据权利要求3所述的一种基于卷积神经网络和注意力机制的无线电调频引信干扰信号识别方法,其特征在于,通过Excitation操作学习各通道间的关系,得到不同通道的权重,表示为:
s=σ(W2ReLU(W1z))
其中,σ(.)表示Sigmoid激活函数,W1和W2分别表示第一个全连接层和第二个全连接层的权重。
6.根据权利要求3所述的一种基于卷积神经网络和注意力机制的无线电调频引信干扰信号识别方法,其特征在于,全连接层的输出表示为:
o=f(WfXf+b2)
其中,Wf表示全连接层的权重矩阵,Xf表示全连接层的输入矩阵,b2表示全连接层的偏置矢量,f(.)表示激活函数。
7.根据权利要求3所述的一种基于卷积神经网络和注意力机制的无线电调频引信干扰信号识别方法,其特征在于,输出层的激活函数为Softmax函数,表达式为:
其中,K为类别数量,xr表示第r个神经元的输入。
8.根据权利要求3-7所述的一种基于卷积神经网络和注意力机制的无线电调频引信干扰信号识别方法,其特征在于,将预处理后的训练数据集输入到无线电调频引信干扰信号识别模型中进行离线训练,优化无线电调频引信干扰信号识别网络模型,包括:
损失函数为:
其中,yv表示真实标签,pv表示无线电调频引信干扰信号识别模型的预测输出;
所采用的优化器为Adam优化器,以加快网络收敛速度,初始学习率设置为0.001,batch_size设置为128,epoch设置为50,参数设置完成之后,对无线电调频引信干扰信号识别模型进行监督训练,以优化参数,从而实现对干扰信号的分类。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-8任一所述的基于卷积神经网络和注意力机制的无线电调频引信干扰信号识别方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-8任一所述的基于卷积神经网络和注意力机制的无线电调频引信干扰信号识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310644126.1A CN116894200A (zh) | 2023-05-31 | 2023-05-31 | 一种基于卷积神经网络和注意力机制的无线电调频引信干扰信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310644126.1A CN116894200A (zh) | 2023-05-31 | 2023-05-31 | 一种基于卷积神经网络和注意力机制的无线电调频引信干扰信号识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116894200A true CN116894200A (zh) | 2023-10-17 |
Family
ID=88309993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310644126.1A Pending CN116894200A (zh) | 2023-05-31 | 2023-05-31 | 一种基于卷积神经网络和注意力机制的无线电调频引信干扰信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116894200A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117743946A (zh) * | 2024-02-19 | 2024-03-22 | 山东大学 | 基于融合特征和组卷积ViT网络的信号类型识别方法及系统 |
-
2023
- 2023-05-31 CN CN202310644126.1A patent/CN116894200A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117743946A (zh) * | 2024-02-19 | 2024-03-22 | 山东大学 | 基于融合特征和组卷积ViT网络的信号类型识别方法及系统 |
CN117743946B (zh) * | 2024-02-19 | 2024-04-30 | 山东大学 | 基于融合特征和组卷积ViT网络的信号类型识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Active deep learning attacks under strict rate limitations for online API calls | |
CN116894200A (zh) | 一种基于卷积神经网络和注意力机制的无线电调频引信干扰信号识别方法 | |
CN110187321B (zh) | 基于深度学习的复杂环境下雷达辐射源特征参数提取方法 | |
CN108710114A (zh) | 基于bp神经网络多类分类的湍流目标探测方法 | |
CN111985349B (zh) | 一种雷达接收信号类型分类识别方法及系统 | |
CN115276847B (zh) | 基于卷积神经网络的无线电调频引信干扰信号识别方法 | |
CN114895263A (zh) | 基于深度迁移学习的雷达有源干扰信号识别方法 | |
CN113406579A (zh) | 一种基于深度强化学习的伪装干扰波形生成方法 | |
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 | |
CN114580535B (zh) | 多基雷达人体行为融合识别方法、装置及介质 | |
Ye et al. | Recognition algorithm of emitter signals based on PCA+ CNN | |
CN110969186B (zh) | 基于通道检测的面向无线信号识别的对抗攻击防御方法与装置 | |
CN113343247A (zh) | 生物特征识别对抗样本攻击安全测评方法、系统、装置、处理器及其计算机可读存储介质 | |
CN115661869A (zh) | 基于多维特征智能融合的射频信号指纹识别方法和系统 | |
CN115169415A (zh) | 一种通信辐射源开集识别方法及系统 | |
Qu et al. | IRNet: Interference recognition networks for automotive radars via autocorrelation features | |
Ruan et al. | Automatic recognition of radar signal types based on CNN-LSTM | |
CN110969203B (zh) | 基于自相关和cam网络的hrrp数据去冗余方法 | |
Fu et al. | Navigation jamming signal recognition based on long short-term memory neural networks | |
Qian et al. | Recognition of radar deception jamming based on convolutional neural network | |
CN116224248A (zh) | 一种干扰意图推理方法、存储介质及设备 | |
CN112346056B (zh) | 多脉冲雷达信号的分辨性特征融合提取方法及识别方法 | |
CN114049551B (zh) | 一种基于ResNet18的SAR原始数据目标识别方法 | |
CN114724245A (zh) | 基于csi的增量学习人体动作识别方法 | |
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 |