一种基于深度学习的雷达辐射源类别识别方法技术

本发明专利技术公开了一种基于深度学习的雷达辐射源类别识别方法，利用经过预处理的辐射源信号求取其模糊函数的切片作为特征向量；将大量的打好标签的特征向量作为训练样本，通过深度卷积神经网络进行训练，并利用获得的卷积神经网络分类器进行输入特征向量的分类识别；为了实现对于未知类别的辐射源的识别，构建基于支持向量机的meta识别器来判断卷积神经网络分类器的分类结果是否可信，得到最终的识别结果。本方法可以有效提高雷达辐射源识别的准确度。

【技术实现步骤摘要】
一种基于深度学习的雷达辐射源类别识别方法
本专利技术属于雷达辐射源识别
，具体涉及一种基于深度学习的雷达辐射源类别识别方法。
技术介绍
现代战场形势瞬息万变，信息对抗在现代军事中的作用越来越重要。电子战也称电子对抗，包括电子侦察、电子攻击和电子防护三个方面。电子侦察主要指从敌方雷达及其武器系统获取有用信息，通过辐射源个体识别，可以对战场环境中敌我双方辐射源的分布情况实施侦察，提供更加全面的、精确的电磁斗争与武器的态势，进行有效的战场指挥与决策。辐射源识别已成为当前电子战特别是电子侦察领域的研究热点和难点。辐射源特征未知、日趋复杂的信号波形、恶劣的战时电磁环境给辐射源的精确识别带来了越来越严峻的挑战。在辐射源信号特征挖掘方面,在上世纪70年代国外相关研究人员就开始了该部分研究，诸多学者做了大量研究工作，可分为两个阶段:第一阶段为辐射源基本参数特征研究。对原始信号特征直接求取其载波频率、脉冲宽度、脉冲幅度、到达角度和到达时间等信息，利用其中一个或多个作为特征向量。这种情况主要是应用于电磁环境相对单一、辐射源类别较少、信号形式单一、雷达参数固定的早期。第二阶段自20世纪90年代以来，西方军事强国开始研究雷达辐射信号的脉内特征，相继提出了了多种分析雷达信号脉内特征的方法。代表性的方法有:时域波形分析法、谱相关法、时频综合法、小波分析法、信息理论准则与聚类技术综合法、脉内瞬时频率特征与累积法等。国内对雷达辐射源个体识别技术的研究始于上世纪80年代初，虽然起步较晚，但受到了高度重视，在“九五”、“十五”和“十一五”中给予了大力资助。在脉内特征挖掘方面，毕大平提出了易于工程实现的脉内瞬时频率提取技术；张葛祥提出了雷达辐射源信号的小波包特征、相像系数特征、熵特征、粗集理论、信息维数和分形盒维数；朱明提出了基于原子分解的特征、基于Chirplet原子的特征、时频原子特征；普运伟提出了瞬时频率派生特征、模糊函数主脊切面特征；陈稻伟提出了符号化脉内特征、围线积分双谱特征等；余志斌提出了局域波分解、小波脊频级联特征。另一方面，雷达辐射源识别是一个典型的分类问题，其主要思路为在得到辐射源信号的特征表示之后，借助有效的分类算法来实现特征空间到决策空间的转换，从而确定信号的所属类别。大量的分类算法被运用于雷达辐射源识别中，如模板匹配、神经网络、支持向量机等。一般被应用于该领域的有三种分类方法，一种是判别型分类器，其需要在学习过程中最优化某种目标函数；另一种为生成模型分类器，其主要是基于先验概率和类别条件概率密度进行估计，如线性判别分类器、K最近邻等；第三种是决策树分类算法，通过人类专家的先验知识进行分类，如ID3、C4.5算法。现有技术的缺点主要是在两个方面，第一个是分类算法精度低。已有算法较多的依赖专家先验知识或者人为选取的特征，无法适应日益复杂的电磁环境。第二个缺点是无法识别未知分类，已有算法只能识别出已有分类，而在电子侦察中更重要的是对于未知分类辐射源的快速识别。
技术实现思路
本专利技术的目的是提供一种基于深度学习的雷达辐射源类别识别方法，以解决上述现有技术的缺陷。本专利技术采用以下技术方案：一种基于深度学习的雷达辐射源类别识别方法，利用经过预处理的辐射源信号求取其模糊函数的切片作为特征向量；将大量的打好标签的特征向量作为训练样本，通过深度卷积神经网络进行训练，并利用获得的卷积神经网络分类器进行输入特征向量的分类识别；为了实现对于未知类别的辐射源的识别，构建基于支持向量机的meta识别器来判断卷积神经网络分类器的分类结果是否可信，得到最终的识别结果。进一步的，具体实施方法为：步骤1、辐射源信号预处理和特征提取优化：首先剔除辐射源信号中无用和错误的数据，然后对辐射源信号进行分选；再提取每个雷达的模糊函数切片向量，并将其作为特征向量；步骤2、构建深度卷积神经网络结构：根据辐射源模糊函数切片的特征，设计了一个深度为13层的卷积神经网络，卷积层选择了具有128个层的1*3的卷积核，采用长度为1*2的最大池化方法，并添加dropout参数，利用softmax作为最终的输出层；步骤3、训练神经网络模型：在传统的梯度下降优化算法的基础上，利用一阶矩与二阶矩估计对学习率进行调整；步骤4、卷积神经网络分类器识别：利用步骤3获得的模型进行分类识别，得到该辐射源属于各个类别的概率作为初步输出；步骤5、构建支持向量机meta分类器：以步骤4中得到的初步输出作为该分类器的输入，对类别进行二次判断，确定其是否是未知分类。进一步的，步骤1的具体方法为：步骤1.1、剔除辐射源信号中无用和错误的数据，然后对辐射源信号进行分选，分选过程主要利用同一部雷达辐射源信号参数的相关性和不同雷达信号参数的差异性，从随机交叠的脉冲信号流中分离出各个雷达的脉冲信号并选出有用的辐射源信号；步骤1.2、辐射源信号x(t)的瞬时自相关函数定义为：其中，τ为时延；雷达模糊函数的定义为：即Rx(t，τ)关于时间t的傅里叶反变换，其中v为频偏，j为负数单位，π为圆周率，e为自然常数；公式(2)可以经过变换等价于下面的公式(3)：对辐射源信号x(t)均匀采样，公式(3)变为公式(4)：公式(4)即为提取到的雷达的模糊函数切片向量，其中，τl为时间偏移量为l时的时延，vm为频率偏移量为m时的频偏，N为总频谱周期，设fs为工作频率，则有进一步的，步骤2的具体方法为：步骤2.1、卷积特征提取：设步骤1.2得到的辐射源信号的模糊函数切片向量为1×K的序列，此为初始特征向量，对其进行卷积运算，得到第一个卷积层，用C1表示；使用128个大小为1×3的卷积核，故特征向量中每个神经元与输入中的1×3的邻域相连，这样C1层中的特征大小就为1×(K-3)；又因为每个滤波器具有3个单元参数和一个偏置参数，一共128个滤波器，C1共(1×3+1)×128＝512个可训练参数，共512×(K-3)个连接，将连接通过ReLU激活层，至此完成了对于初始特征向量的卷积特征提取；步骤2.2、最大池化处理：采用池化长度为2的最大池化方法，将经步骤2.1处理后的初始特征向量中相邻的两个元素中最大的特征作为池化后的特征用于后续操作，实现特征向量的降维；步骤2.3、将经过步骤2.2获得的特征向量作为新的输入，添加连续两个卷积层，再添加一个池化层，再添加两个卷积层，再添加一个池化层，这样经过连续多次卷积、池化操作，充分提取了初始特征向量中的信息，得到一个新的特征向量；步骤2.4、构建输出层：拉平经步骤2.3处理获得的新的特征向量，以此作为卷积层到全连接层的一个过渡，在第一个全连接层的基础上添加dropout参数0.5，然后添加第二层全连接，通过激活函数Softmax，获得分类结果的输出层。进一步的，步骤3的具体方法为：在搭建好神经网络模型后，利用训练样本对该模型做进一步训练：步骤3.1、初始化步长ε＝0.001，一阶矩与二阶矩估计的期望衰变率分别为ρ1＝0.9，ρ2＝0.999，初始学习率θ，一阶矩与二阶矩变量s＝0，r＝0，迭代次数k＝0，最大迭代次数Kmax；步骤3.2、从训练集中获取对应于目标y(i)的具有M个样本的采样{x(1)，...，x(M)}，其中M为批处理中一批样本的个数；步骤3.3、计算梯度其中本文档来自技高网...

【技术保护点】
一种基于深度学习的雷达辐射源类别识别方法，其特征在于，利用经过预处理的辐射源信号求取其模糊函数的切片作为特征向量；将大量的打好标签的特征向量作为训练样本，通过深度卷积神经网络进行训练，并利用获得的卷积神经网络分类器进行输入特征向量的分类识别；为了实现对于未知类别的辐射源的识别，构建基于支持向量机的meta识别器来判断卷积神经网络分类器的分类结果是否可信，得到最终的识别结果。

【技术特征摘要】
1.一种基于深度学习的雷达辐射源类别识别方法，其特征在于，利用经过预处理的辐射源信号求取其模糊函数的切片作为特征向量；将大量的打好标签的特征向量作为训练样本，通过深度卷积神经网络进行训练，并利用获得的卷积神经网络分类器进行输入特征向量的分类识别；为了实现对于未知类别的辐射源的识别，构建基于支持向量机的meta识别器来判断卷积神经网络分类器的分类结果是否可信，得到最终的识别结果。2.如权利要求1所述的一种基于深度学习的雷达辐射源类别识别方法，其特征在于，具体实施方法为：步骤1、辐射源信号预处理和特征提取优化：首先剔除辐射源信号中无用和错误的数据，然后对辐射源信号进行分选；再提取每个雷达的模糊函数切片向量，并将其作为特征向量；步骤2、构建深度卷积神经网络结构：根据辐射源模糊函数切片的特征，设计了一个深度为13层的卷积神经网络，卷积层选择了具有128个层的1*3的卷积核，采用长度为1*2的最大池化方法，并添加dropout参数，利用softmax作为最终的输出层；步骤3、训练神经网络模型：在传统的梯度下降优化算法的基础上，利用一阶矩与二阶矩估计对学习率进行调整；步骤4、卷积神经网络分类器识别：利用步骤3获得的模型进行分类识别，得到该辐射源属于各个类别的概率作为初步输出；步骤5、构建支持向量机meta分类器：以步骤4中得到的初步输出作为该分类器的输入，对类别进行二次判断，确定其是否是未知分类。3.如权利要求2所述的一种基于深度学习的雷达辐射源类别识别方法，其特征在于，所述步骤1的具体方法为：步骤1.1、剔除辐射源信号中无用和错误的数据，然后对辐射源信号进行分选，分选过程主要利用同一部雷达辐射源信号参数的相关性和不同雷达信号参数的差异性，从随机交叠的脉冲信号流中分离出各个雷达的脉冲信号并选出有用的辐射源信号；步骤1.2、辐射源信号x(t)的瞬时自相关函数定义为：其中，τ为时延；雷达模糊函数的定义为：即Rx(t，τ)关于时间t的傅里叶反变换，其中υ为频偏，j为负数单位，π为圆周率，e为自然常数；公式(2)可以经过变换等价于下面的公式(3)：对辐射源信号x(t)均匀采样，公式(3)变为公式(4)：公式(4)即为提取到的雷达的模糊函数切片向量，其中，τl为时间偏移量为l时的时延，vm为频率偏移量为m时的频偏，N为总频谱周期，设fs为工作频率，则有4.如权利要求2所述的一种基于深度学习的雷达辐射源类别识别方法，其特征在于，所述步骤2的具体方法为：步骤2.1、...

【专利技术属性】
技术研发人员：张治山，王增福，兰华，潘泉，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61