欢迎光临小豌豆知识网!
当前位置:首页 > 物理技术 > 测量测试> 基于一维自步卷积神经网络的复杂雷达辐射源识别方法独创技术25171字

基于一维自步卷积神经网络的复杂雷达辐射源识别方法

2021-01-31 18:38:05

基于一维自步卷积神经网络的复杂雷达辐射源识别方法

  技术领域

  本发明属于信号处理技术领域,特别涉及一种雷达辐射源识别,具体是一种基于一维自步卷积神经网络的复杂雷达辐射源识别方法,可用于电子情报侦察、电子支援和威胁告警系统中。

  背景技术

  电子对抗在电子情报侦察、电子支援和威胁告警系统中发挥着重要作用,雷达辐射源信号识别是电子对抗中的重要环节。随着科技的发展和进步,雷达的体制不断更新,电子环境愈发密集复杂,这增加了对从接收到的雷达信号中,提取特征参数的难度。再者就是接收到的雷达辐射源信号往往带有各种噪声,辐射源信号所处电磁环境的有较大的差异,导致其信噪比范围较大,这大大的增加了对于辐射源识别的难度。传统的雷达辐射源信号的特征提取主要是基于脉冲描述字(PDW)、脉冲重复间隔(PRI)、天线扫描周期(ASV),脉冲样本图等。但在当今环境下,电磁环境逐渐复杂,新体制雷达不断出现。传统雷达辐射源识别方法的识别率低,效果不好。如何对雷达辐射源信号进行有效的识别,已经成为雷达侦察信号处理所需解决的关键问题。雷达辐射源的高精度识别,有利于在己方在电磁战场上获得优势。

  叶文强等人在其发表的论文“基于卷积神经网络辐射源信号识别算法”(计算机仿真,2019,36(09):33-37.)中提出了一种基于卷积神经网络的辐射源信号分类识别方法。该方法将雷达辐射源信号进行时频变换,获取二维时频图像,对时频图像进行一系列预处理,将处理后的图像输入到神经网络模型中,通过预训练调节深度学习模型,最后将提取的特征输入到分类器中完成识别任务。该方法不需要人工提取特征,先验知识需求少。该方法的不足之处是,对雷达辐射源信号进行时频变换需要耗费大量时间,实时性不强。同时,采用随机送入样本的训练策略不易让网络达到最优点,从而抑制了对雷达辐射源的分类识别精度。

  综上,在当前日益复杂和多变的电磁环境下,现有雷达辐射源识别方法识别效果差,识别率低,不利于对形势的判断和决策的调整。

  发明内容

  本发明是针对雷达辐射源信号识别现有技术中存在的问题,提出一种识别率高的基于一维自步卷积神经网络的复杂雷达辐射源识别方法。

  本发明是一种基于一维自步卷积神经网络的复杂雷达辐射源识别方法,其特征在于,包括有如下步骤:

  1)采集雷达信号:采集雷达信号,生成复杂雷达辐射源信号数据集,该数据集信号包括常规脉冲信号、线性调频信号、非线性调频信号、二相编码信号、四相编码信号、二频编码信号和四频编码信号这七种不同调制类型信号,其中每种信号从-10dB到-0dB,间隔1dB,共11个信噪比点,每种信号在每个信噪比点的样本数量为2000个,信号的幅度范围为-1至1;

  2)划分训练集和测试集:将复杂雷达辐射源信号数据集的信号进行训练样本和测试样本的划分,其中,每种信号在每个信噪比点的训练样本和测试样本采用随机选取的方式,训练样本和测试样本的比例为4:1,得到样本数量为123200的训练集,样本数量为30800的测试集;

  3)构建一维自步卷积神经网络:构建的一维自步卷积神经网络自输入层至输出层之间包含有四个一维卷积层,四个池化层,四个归一化层,一个全连接层,其中,一维卷积层,池化层,归一化层依次级联,全连接层级联在最后一个归一化层后面;模型采用的激活函数为ReLU;

  4)训练一维自步卷积神经网络:设置一维自步卷积神经网络的训练参数和自步样本训练策略,使用训练集输入到一维自步卷积神经网络中进行训练,得到训练好的一维自步卷积神经网络;

  4a)设置训练参数:学习率设置为0.001;损失函数设置为交叉熵函数;模型优化算法选择Adam;

  4b)设置自步样本训练策略:设置一维自步卷积神经网络的初始样本选择数量1232,每训练一轮后,样本选择数量在原来基础上增加1232;当训练集样本全部被选择后,样本选择数量不在递增,网络继续训练若干轮,直到收敛,得到训练好的一维自步卷积神经网络;

  5)将测试集的数据输入到训练好的一维自步卷积神经网络中,输出雷达辐射源信号整体识别率。

  本发明解决了传统二维卷积神经网络对雷达信号进行维度变换需要大量时间和存储空间,同时识别率低的缺陷。

  与现有技术相比,本发明具有如下优点:

  用于复杂雷达辐射源识别的网络结构简单:本发明的自步卷积神经网络采用一维结构,参数规模小,相比需要对雷达信号进行维度变换的传统二维卷积神经网络,本发明可以直接对采样得到的雷达辐射源时域信号序列进行特征提取,实时性能优越。

  识别准确率高:本发明基于自步的策略,在每次网络迭代训练的过程中,根据样本对于网络的置信度,按照损失函数从小到大的顺序进行抽取,送入网络进行新一轮的迭代,保证网络能最大程度的接近最优点,从而获得更好的泛化性能和更高的识别准确率。

  附图说明

  图1是本发明的实现流程框图;

  图2时本发明构建的一维自步卷积神经网络的结构示意图。

  具体实施方式

  实施例1

  在当今电磁环境下,雷达的体制不断更新,电子环境愈发密集复杂,有效地高精度识别雷达辐射源信号,是当今电子战中的一个难题,也是一个重要的课题。它不仅能完善被动式雷达系统,对于主动式雷达系统的性能提升也具有较大的研究价值。许多专家采用二维卷积神经网络对雷达辐射源信号进行识别。然而传统二维卷积神经网络的结构相对复杂,并且需要对采集到的一维雷达辐射源信号进行维度变换。同时传统二维卷积神经网络对雷达辐射源的识别效果差,识别准确率低。针对上述问题,本发明提出一种识别率高的基于一维自步卷积神经网络的复杂雷达辐射源识别方法。

  本发明是一种基于一维自步卷积神经网络的复杂雷达辐射源识别方法,参见图1,包括有如下步骤:

  1)采集雷达信号:使用雷达信号采集器,采集雷达信号,生成复杂雷达辐射源信号数据集。该数据集信号包括常规脉冲信号、线性调频信号、非线性调频信号、二相编码信号、四相编码信号、二频编码信号和四频编码信号这七种不同调制类型信号,其中每种信号从-10dB到0dB,信噪比间隔1dB,共11个信噪比点。每种信号在每个信噪比点的样本数量为2000个,信号的幅度范围为-1至1。

  2)划分训练集和测试集:将步骤1)中得到复杂雷达辐射源信号数据集进行划分,将数据集的信号划分为训练样本和测试样本,其中,每种信号在每个信噪比点的训练样本和测试样本采用随机选取的方式,训练样本和测试样本的比例为4:1,得到的训练集,其样本数量为123200,得到的测试集,其样本数量为30800。以上给出了一个例子,实际操作中,训练样本和测试样本的比例可根据实际情况进行变动。

  3)构建一维自步卷积神经网络:为了简化网络结构,减少网络参数量,同时不对雷达辐射源信号进行维度变换,本发明构建的一维自步卷积神经网络自输入层至输出层之间包含有四个一维卷积层,四个池化层,四个归一化层,一个全连接层,其中,一维卷积层,池化层,归一化层依次级联,全连接层级联在最后一个归一化层后面;模型采用的激活函数为ReLU。

  4)训练一维自步卷积神经网络:设置一维自步卷积神经网络的训练参数和自步样本训练策略,使用步骤2)中得到的训练集输入到一维自步卷积神经网络中进行训练,得到训练好的一维自步卷积神经网络。

  4a)设置训练参数:一维自步卷积神经网络的学习率设置为0.001;一维自步卷积神经网络的损失函数设置为交叉熵函数;网络的模型优化算法选择Adam。

  4b)设置自步样本训练策略:设置一维自步卷积神经网络的初始样本选择数量1232,每训练一轮后,样本选择数量在原来基础上增加1232;当训练集样本全部被选择后,样本选择数量不在递增,网络继续训练若干轮,直到收敛,得到训练好的一维自步卷积神经网络。

  5)将测试集的数据输入到训练好的一维自步卷积神经网络中,网络输出即为雷达辐射源信号整体识别率。完成基于一维自步卷积神经网络的复杂雷达辐射源的识别。

  本发明针对现有雷达辐射源识别技术中,采用的网络结构复杂,识别效果差,识别率低等问题,展开了研究,本发明的技术构思是改变现有对雷达辐射源识别的网络结构,从二维结构转变为一维结构,简化了网络的结构,增强了实时性。通过制定相关的训练策略,保证网络在训练过程能尽可能达到最优点,从而提高了网络对于雷达辐射源的识别率。

  本发明采用了一维卷积神经网络和自步学习技术手段,形成了针对复杂雷达辐射源识别的整体技术方案,也得到了针对复杂雷达辐射源技术识别率高的技术效果。

  实施例2

  基于一维自步卷积神经网络的复杂雷达辐射源识别方法同实施例1,步骤1)中所述的7种不同调制类型雷达信号,其对应参数设置如下:

  这7种不同调制类型雷达信号的采样频率均设置为2GHz,采样点数均设置为1024个;

  常规脉冲信号的载频范围为200-220MHz。

  线性调频信号的载频范围为200-220MHz,带宽范围为50-60MHz。

  非线性调频信号采用余弦调制,载频范围为200-220MHz,调制信号范围为10-12MHz;

  二相编码信号的载频范围为200-220MHz,编码方式采用13位巴克码,脉宽为0.5us,码元宽度为0.038us。

  四相编码信号的载频范围为200-220MHz,编码方式采用16位Frank码,脉宽为0.5us,码元宽度为0.03us。

  二频编码信号的载频范围分别为200-220MHz、300-320MHz,编码方式采用13位巴克码,脉宽为0.5us,码元宽度为0.038us。

  四频编码信号的载频范围分别为100-110MHz、150-160MHz、200-210MHz,250-260MHz,编码方式采用16位Frank码,脉宽为0.5us,码元宽度为0.03us。

  本发明经过对相关文件进行查询调研,归类总结,合理设置了7种不同调制类型的典型雷达辐射源所用信号,在此基础上合理的设定信号的参数,符合当今电磁环境复杂多变的特点。

  实施例3

  基于一维自步卷积神经网络的复杂雷达辐射源识别方法同实施例1-2,步骤3)中所述的构建一维自步卷积神经网络,参见图2,具体网络结构包括如下:

  第一层是输入层,节点数为1024;

  第二层是含有32个卷积核,且卷积核大小为33的一维卷积层;

  第三层是池化窗口为2,步长为2,采样最大池化方式的池化层;

  第四层是批归一化层;

  第五层是含有32个卷积核,且卷积核大小为33的一维卷积层;

  第六层是池化窗口为2,步长为2,采样最大池化方式的池化层;

  第七层是批归一化层;

  第八层是含有32个卷积核,且卷积核大小为33的一维卷积层;

  第九层是池化窗口为2,步长为2,采样最大池化方式的池化层;

  第十层是批归一化层;

  第十一层是含有32个卷积核,且卷积核大小为33的一维卷积层;

  第十二层是池化窗口为2,步长为,采样最大池化方式的池化层;

  第十三层是批归一化层;

  第十五层是全连接层,节点数为128;

  第十六层是输出层,节点数为7。

  上述的网络中,第二、五、八、十一层均为一维卷积层;第三、六、九、十二层均为池化层;第四、七、十、十三层均为归一化层。

  本发明网络采用一维卷积层,相比于传统的二维卷积神经网络,结构简单,参数规模小,可以直接对采集到的一维雷达辐射源时域信号进行特征提取,因此实时性能更好。

  实施例4

  基于一维自步卷积神经网络的复杂雷达辐射源识别方法同实施例1-3,步骤3)中所述的模型采用的激活函数ReLU,激活函数φ(x)的数学模型表示如下:

  φ(x)=max(0,x)

  激活函数φ(x)的梯度函数如下:

  

  其中,x表示输入值,φ(x)表示x经过激活函数ReLU后的结果,φ′(x)表示φ(x)对x的一阶导函数。

  本发明的激活函数选择ReLU,让一部分网络节点的输出为0,造成网络的稀疏性,减少参数的相互依存关系,抑制过拟合问题的发生。

  实施例5

  基于一维自步卷积神经网络的复杂雷达辐射源识别方法同实施例1-4,步骤4a)中所述网络的模型优化算法Adam,具体算法如下:

  g←▽θL(θ)

  m←β1m+(1-β1)g

  v←β2v+(1-β2)g2

  m←m/(1-β1T)

  

  其中,θ表示网络的模型权重,L(θ)是损失函数,g是L(θ)的梯度,▽θ表示梯度算子,m是初值为0的梯度一阶矩估计,v是初值为0的梯度二阶矩估计,β1是一阶矩估计的指数衰减率,取值为0.9,β2是二阶矩估计的指数衰减率,取值为0.999,α是学习率,ε是值为10-8的平滑常数。

  本发明采用网络的模型优化算法Adam,计算效率高,所需计算内存少,适合优化处理含大规模数据和参数的问题。

  实施例6

  基于一维自步卷积神经网络的复杂雷达辐射源识别方法同实施例1-5,步骤4b)中所述的设置自步样本训练策略,具体流程表示如下:

  4b1)网络训练一次:使用损失函数值最小的一定数量的样本对网络进行训练,得到训练1次的一维自步卷积神经网络。

  4b1-1)使用步骤3)中构建的一维自步卷积神经网络,计算训练集中每个样本对应的损失函数值,训练样本即步骤2)中划分得到的样本数量为123200的训练集。

  4b1-2)设定i为计数器,j为循环轮数,令i=1,j=1,根据步骤4b1-1)中计算得到的损失函数值,在计算得到的所有的函数值中,抽取损失函数值最小的样本,数量为i×1232,送入一维自步卷积神经网络进行训练,得到训练j次的一维自步卷积神经网络。此时j=1,即得到训练1次的一维自步卷积神经网络。

  4b2)网络循环训练:使用训练j次的一维自步卷积神经网络再次计算训练集中每个样本对应的损失函数值,令i←i+1,仍然抽取损失函数值最小的样本,抽取的样本数量为i×1232,并送入训练j次的一维自步卷积神经网络进行训练,并令j←j+1,得到训练j次的一维自步卷积神经网络。此时得到训练2次的一维自步卷积神经网络。如此循环,当j<100时,循环执行步骤4b2),否则,j=100时,即得到训练100次的一维自步卷积神经网络,结束循环训练,执行步骤4b3)。

  4b3)网络训练完成:将训练集送入训练j次的一维自步卷积神经网络,训练10次,得到训练好的一维自步卷积神经网络。

  本发明没有采用随机送入样本的训练策略,避免了网络的识别效果差,识别率低的问题,而是采用基于自步样本的训练策略,采用构建的一维自步卷积神经网络计算训练集样本的损失函数值,并根据损失函数值抽取一定数量的样本,送入构建的一维自步卷积神经网络进行训练,得到训练好的一维自步卷积神经网络,形成自步样本训练策略。本发明通过控制一维自步卷积神经网络每一次训练所需的样本,保证网络能最大程度的接近最优点,从而获得更好的泛化性能和更高的识别准确率。

  下面给出一个更加详细的例子,结合仿真数据对本发明及其效果进一步说明

  实施例7

  基于一维自步卷积神经网络的复杂雷达辐射源识别方法同实施例1-6,

  参照图1,本发明的基于一维自步卷积神经网络的复杂雷达辐射源识别算法,其实现步骤如下:

  步骤1:生成雷达信号数据集。

  本例中,用MATLAB软件仿真生成复杂雷达辐射源信号数据集,该数据集信号包括常规脉冲信号、线性调频信号、非线性调频信号、二相编码信号、四相编码信号、二频编码信号和四频编码信号这七种信号,其中每种信号从-10dB到-0dB,间隔1dB,共11个信噪比点。每种信号在每个信噪比点的样本数量为2000个,信号的幅度范围为-1至1。

  这7种雷达信号的采样频率均设置为2GHz,采样点数均设置为1024个;

  常规脉冲信号的载频范围为200-220MHz;

  线性调频信号的载频范围为200-220MHz,带宽范围为50-60MHz;

  非线性调频信号采用余弦调制,载频范围为200-220MHz,调制信号范围为10-12MHz;

  二相编码信号的载频范围为200-220MHz,编码方式采用13位巴克码,脉宽为0.5us,码元宽度为0.038us;

  四相编码信号的载频范围为200-220MHz,编码方式采用16位Frank码,脉宽为0.5us,码元宽度为0.03us。

  二频编码信号的载频范围分别为200-220MHz、300-320MHz,编码方式采用13位巴克码,脉宽为0.5us,码元宽度为0.038us;

  四频编码信号的载频范围分别为100-110MHz、150-160MHz、200-210MHz,250-260MHz,编码方式采用16位Frank码,脉宽为0.5us,码元宽度为0.03us;

  步骤2:对雷达信号训练样本和测试样本的划分。

  对步骤1产生数据集的信号进行训练样本和测试样本的划分,其中,每种信号在每个信噪比点的训练样本和测试样本采用随机选取的方式,训练样本和测试样本的比例为4:1。得到样本数量为123200的训练集,样本数量为30800的测试集。

  步骤3:构建一维自步卷积神经网络。

  网络包含四个卷积层,四个池化层,四个归一化层,一个全连接层和一个输出层,其具体结构如下:

  第一层是输入层,节点数为1024;

  第二层是含有32个卷积核,且卷积核大小为33的一维卷积层;

  第三层是池化窗口为2,步长为2的最大池化层;

  第四层是批归一化层;

  第五层是含有32个卷积核,且卷积核大小为33的一维卷积层;

  第六层是池化窗口为2,步长为2的最大池化层;

  第七层是批归一化层;

  第八层是含有32个卷积核,且卷积核大小为33的一维卷积层;

  第九层是池化窗口为2,步长为2的最大池化层;

  第十层是批归一化层;

  第十一层是含有32个卷积核,且卷积核大小为33的一维卷积层;

  第十二层是池化窗口为2,步长为2的最大池化层;

  第十三层是批归一化层;

  第十五层是全连接层,节点数为128;

  第十六层是输出层,节点数为7。

  模型采用的激活函数为ReLU,数学模型表示如下:

  φ(x)=max(0,x)

  其梯度函数如下:

  

  步骤4:训练一维自步卷积神经网络:

  4a)学习率设置为0.001;损失函数设置为交叉熵函数L(θ):

  

  其中,θ表示模型权重,y是数据的独热编码,表示输入数据经网络计算,在输出层第k个节点的结果。

  模型优化算法选择Adam,具体算法如下:

  g←▽θL(θ)

  m←β1m+(1-β1)g

  v←β2v+(1-β2)g2

  

  

  其中,θ表示网络的模型权重,L(θ)是损失函数,g是L(θ)的梯度,▽θ表示梯度算子,m是初值为0的梯度一阶矩估计,v是初值为0的梯度二阶矩估计,β1是一阶矩估计的指数衰减率,取值为0.9,β2是二阶矩估计的指数衰减率,取值为0.999,α是学习率,ε是值为10-8的平滑常数。

  4b)设置自步样本训练策略:

  4b1)训练一次:使用步骤3)中的一维自步卷积神经网络计算步骤2)中样本数量为123200的训练集中每个样本对应的损失函数值,令i=1,j=1,抽取样本数量为i×1232的损失函数值最小的样本,并送入步骤3)中的一维自步卷积神经网络进行训练,得到训练j次的一维自步卷积神经网络。

  4b2)训练多次:使用训练j次的一维自步卷积神经网络计算步骤2)中样本数量为123200的训练集中每个样本对应的损失函数值,令i←i+1,抽取样本数量为i×1232的损失函数值最小的样本,并送入训练j次的一维自步卷积神经网络进行训练,令j←j+1,得到训练j次的一维自步卷积神经网络。当j<100时,执行步骤4b2),否则执行步骤4b3)。

  4b3)训练完成:当步骤4b2)中j=100时,将步骤2)中样本数量为123200的训练集送入训练j次的一维自步卷积神经网络,训练10次,得到训练好的一维自步卷积神经网络。

  本发明基于自步样本训练策略,通过控制网络每一次训练所需的样本,保证网络能最大程度的接近最优点,从而获得更好的泛化性能和更高的识别准确率。

  步骤5:将测试集的数据输入到最终训练好的一维自步卷积神经网络中,输出雷达辐射源信号整体识别率。

  本发明解决了现有技术对雷达信号需要进行维度变换处理和识别率低的问题。其方案为:采集雷达辐射源信号并制作雷达信号的数据集;雷达信号的数据集划分为训练集、验证集;构建一维自步卷积神经网络;设置自步样本训练策略并使用训练集训练网络;将测试集的数据输入到训练好的一维自步卷积神经网络中,输出在不同信噪比下整体测试信号的识别率。本发明所用的一维网络结构,不需要对雷达辐射源信号进行维度变换,结构简单,参数量少,同时本发明采用自步样本训练策略,使网络在训练过程中尽可能接近最优点,从而提高了识别率。因此,本发明可用于复杂电磁环境下的雷达辐射源识别。

  实施例8

  基于一维自步卷积神经网络的复杂雷达辐射源识别方法同实施例1-7,

  本发明在不同信噪比下整体测试信号的预测识别率,结果如表1所示:

  表1:本发明在不同信噪比下整体测试信号的预测识别率

  本发明在信噪比大于等于-5dB时,对7种雷达辐射源信号的识别率大于0.99;在信噪比大于-9dB时,本发明对7种雷达辐射源信号的识别率大于0.9;本发明对7种雷达辐射源信号整体的平均识别率可以达到0.96以上;相比已有的雷达辐射源识别方法,本发明在低信噪比下的识别效果更好,识别率更高。

  综上所述,本发明的基于一维自步卷积神经网络的复杂雷达辐射源识别方法,主要解决现有技术对雷达信号需要进行维度变换处理和识别率低的问题。实现方案包括:采集雷达辐射源信号并制作雷达信号的数据集;雷达信号的数据集划分为训练集、验证集;构建一维自步卷积神经网络;设置自步样本训练策略并使用训练集训练网络;将测试集的数据输入到训练好的一维自步卷积神经网络中,输出在不同信噪比下整体测试信号的识别率。本发明构建了一维自步卷积神经网络,结构简单,参数量少,可以直接对一维雷达辐射源时域信号进行特征提取,省去了对雷达辐射源信号进行维度变换的时间,实时性好。同时本发明采用自步样本训练策略,使网络在训练过程中尽可能接近最优点,提高了识别率。本发明可用于复杂电磁环境下的雷达辐射源识别。

《基于一维自步卷积神经网络的复杂雷达辐射源识别方法.doc》
将本文的Word文档下载到电脑,方便收藏和打印
推荐度:
点击下载文档

文档为doc格式(或pdf格式)