一种雷达辐射源信号深度脉内特征自动提取方法技术

本发明专利技术提供了一种雷达辐射源信号深度脉内特征自动提取方法，首先通过对自编码器施以特定稀疏约束得到稀疏自编码器；然后对稀疏自编码器进行优化并确定其训练方案，利用编码层参数自动提取雷达信号深度脉内特征，在较大信噪比范围内，提取的特征能够较好地实现对雷达辐射源信号的分类识别。

【技术实现步骤摘要】
一种雷达辐射源信号深度脉内特征自动提取方法
本专利技术涉及雷达信息处理领域，具体涉及一种雷达辐射源信号深度脉内特征自动提取方法。
技术介绍
对雷达信号进行有效分选和识别的关键是提取出能够反映信号本质的特征，而深度学习理论下的自编码器(autoencoder,AE)以在输出层重构出原始输入作为目标，因其不需要额外的监督信息就能够提取数据的分布式特征，且能够避免设计特征时隐含的主观性，而成为近年来备受人们关注的一个热点方向。2006年，Hinton对原型自编码器结构进行改进，得到深度自编码器(deepautoencoder,DAE)，Bengio对深度自编码器进行深化，提出了一种稀疏自编码器(sparseautoencoder,SAE)，它通过对隐层节点加上稀疏约束，发现数据的内在结构；稀疏自编码器的不同稀疏性惩罚、隐藏层节点数目、前置处理等对其性能都会产生影响，利用稀疏编码器不仅可以进行深层特征提取，还可以完成缺陷检测、分类和盲源分离的工作。现代雷达向多功能、多用途、多种体制方向发展，其波形设计日趋复杂，信号规律性也遭到严重破坏，依靠经验设计特征已不足以胜任当前电磁环境下的雷达信号脉内特征提取任务。因此，若能利用稀疏自编码器完成这一任务，则有望突破常规方法提取脉内特征所固有的桎梏。
技术实现思路
本专利技术针对雷达信号脉内特征提取时由于依赖先验知识而客观性不足的问题，提供一种雷达辐射源信号深度脉内特征自动提取方法，辐射源信号的正确识别效果较好。为达到上述目的，雷达辐射源信号深度脉内特征自动提取方法分选步骤如下：步骤1，对权值偏置和阈值赋值，对网络进行初始化；所述网络根据下式进行计算：式中，表示第l层第j单元与第l+1层第i单元之间的联结参数，b表示偏置项，hW,b(x)表示自编码器的输出，它是激活值、联结参数W和偏置项b的函数，自编码器的目标是针对参数W和b来求其函数J(W,b)的最小值；令表示当输入为x时隐层节点j的激活值，表示隐层单元节点j的平均激活值，加上特定稀疏约束：这里ρ是接近于0的稀疏参数，采用KL距离作为惩罚项：SAE损失函数表达式为：其中s2是隐层神经元的数目，β用来控制稀疏惩罚项的权重；然后针对参数W和b来求其函数J(W,b)的最小值，将每一个参数和初始化为一个很小的、接近零的随机值；步骤2，随机选取类标数据样本用算法对神经网络进行训练，计算各层的输出；所述各层的输出对于Gaussian型节点按下式计算：所述各层的输出对于Bernoulli型节点按下式计算：式中，和分别表示第1层节点i的输入和输出，表示节点的偏置值；wij表示和下一层各节点的连接权重，表示下一层节点的输出值；步骤3，求出各层的重构误差，并根据误差修正权值和偏置；所述误差由下式计算：其中，θ表示网络参数，m表示训练样本个数，x表示网络的原始输入，fenc(x)表示网络的中间层编码输出，fdec(fenc(x))表示中间层编码结果经过解码网络所重构的输入；步骤4，根据性能指数判定误差是否满足要求，如果未能满足要求则重复步骤2和3，直到整个网络输出满足期望要求；步骤5，利用编码层参数对原始输入进行映射得到新特征，即：y＝f(x；θencode)；步骤5中，x表示原始雷达信号特征输入，θencode表示编码部分的网络参数，y表示基于深度自动编码器提取的中间层特征向量。雷达辐射源信号包括常规雷达信号CW、线性调频雷达信号LFM、非线性调频雷达信号NLFM、二相编码雷达信号BPSK、四相编码雷达信号QPSK和频率编码雷达信号FSK。本专利技术具有的有益效果：1、利用深度自编码器(DAE)自动提取脉内特征，能提取密集雷达信号样本的深度解释性因子，保留原始输入的非零特征，增加表示算法的鲁棒性，增强脉冲信号的线性可分性，使分类边界变得更加清晰，并且能在一定程度上控制变量的规模，改变给定输入数据的结构，丰富原有信息，提高信息表述的全面性和准确率。2、本专利技术不依赖先验知识，提取雷达辐射源信号脉内特征更加客观和自动化，正确率高。附图说明图1为本专利技术自编码器架构图2为本专利技术原型自编码器图3为本专利技术深度脉内特征提取框架图4为本专利技术辐射源信号深度特征分布图具体实施方式下面结合实施例对本专利技术技术方案做进一步说明。首先对自编码器框架进行分析，然后通过施加特定稀疏性约束得到SAE，最后后对稀疏自编码器进行优化并确定其训练方案，利用编码层参数自动提取雷达信号深度脉内特征。优化用于提取脉内特征的深度自编码器时，首先需要给深度自编码器加上稀疏约束，再通过即增加隐含层和神经元的数量，调整隐含层节点的分布并改变权值的分享方式等，优化DAE的基本框架；最后根据不同任务的需要选取合适的代价函数及其优化策略隐含层品质因数和系统性参数优化时的性能指数等，确定DAE的训练方案。自编码器是一种包括编码和解码两部分的深度学习架构，编码是指以原始数据作为网络输入，经过隐含层编码得到中间层特征表示；解码是指中间层特征经过隐含层解码，在输出层还原为原始输入。通过编码和解码机制，自编码器使得重建信号的重建误差小，并且它以在输出层重构出原始输入作为目标，不需要额外的监督信息，因而可以直接从原始数据中自动学习数据特征。自编码器架构如图1所示，其中Encoder和Decoder分别表示编码器和解码器。自编码器基本理论可以概括如下：假设一个无标签的训练集x＝{x(1),x(2),x(3),…}，其中自编码器是一个运用反向传播进行无监督学习的神经网络，学习目的在于让输出值和输入值相等，即y(i)＝x(i)。原型自编码器如图2所示。自编码器试图学习一个函数hW,b(x)≈x，这里训练集包含m个样本，用梯度下降法训练图2中所示的特殊的神经网络，也就是自编码器时，对于单个训练样本(x,y)，定义其损失函数为：整个网络(训练集)的损失函数表达式如下：第一项是所有样本的方差的均值，第二项是一个归一化项(也叫权重衰减项)，该项是为了减少权连接权重的更新速度，防止过拟合。式中，表示第l层第j单元与第l+1层第i单元之间的联结参数，b表示偏置项，hW,b(x)表示自编码器的输出，它是激活值、联结参数W和偏置项b的函数，自编码器的目标是针对参数W和b来求其函数J(W,b)的最小值。如果激活值能够对它的原始输入进行良好重构，那么就认为它保留了原始数据所含有的大部分信息。如果只是简单的保留雷达脉冲调制信息，并不足以让自编码器学到一种有用的特征表示，也就是一个动编码器，它的输入和输出具有同样维度，那么动编码器只需学习到一个简单的恒等函数就可以实现数据的完美重构，而实际则希望它能够学习到一种更复杂的非线性函数，因此需要给予动编码器一定的约束使其学习到一种更好的特征表示。稀疏自编码器考虑两种情况，如果输入x节点数目大于隐层节点数目，那么网络必须学习出输入的压缩表示，即给出以隐层节点激活值作为元素的向量，它需要重构出维数较大的输入x。如果隐层节点数目较多，甚至比输入节点数目还多，那这时需要通过对网络施以某种约束，以便发现数据内在结构，这里对隐层节点加上稀疏约束。稀疏性的约束是使得学习到的表达更有意义的一种重要约束，这样得出的自编码器称为深度稀疏自编码器(deepsparseautoencoder,DSAE)，简称稀疏自编码器(本文档来自技高网...

【技术保护点】
1.一种雷达辐射源信号深度脉内特征自动提取方法，其特征在于，包括如下步骤：步骤1，对权值偏置和阈值赋值，对网络进行初始化；所述网络根据下式进行计算：

【技术特征摘要】
1.一种雷达辐射源信号深度脉内特征自动提取方法，其特征在于，包括如下步骤：步骤1，对权值偏置和阈值赋值，对网络进行初始化；所述网络根据下式进行计算：式中，表示第l层第j单元与第l+1层第i单元之间的联结参数，b表示偏置项，hW,b(x)表示自编码器的输出，它是激活值、联结参数W和偏置项b的函数，自编码器的目标是针对参数W和b来求其函数J(W,b)的最小值；令表示当输入为x时隐层节点j的激活值，表示隐层单元节点j的平均激活值，加上特定稀疏约束：这里ρ是接近于0的稀疏参数，采用KL距离作为惩罚项：SAE损失函数表达式为：其中s2是隐层神经元的数目，β用来控制稀疏惩罚项的权重；然后针对参数W和b来求其函数J(W,b)的最小值，将每一个参数和初始化为一个很小的、接近零的随机值；步骤2，随机选取类标数据样本用算法对神经网络进行训练，计算各层的输出；所述各层的输出对于Gaussian型节点按下式计算：所述各层的输出对于Bernoulli型节点按下式计算：式中，和分别表示第1层节点i的输入...

【专利技术属性】
技术研发人员：王世强，李兴成，白娟，徐彤，郑桂妹，孙青，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：陕西,61