基于生成对抗网络的雷达信号未知调制方式检测方法技术

本发明专利技术涉及一种基于生成对抗网络的雷达信号未知调制方式检测方法，属于电子识别领域。包括从雷达信号数据库中顺序采集所有雷达信号；利用时频变换，通过崔‑威廉斯分布和短时傅里叶变换获得雷达信号时频图像；结合深度学习，用时频图像对生成对抗网络进行参数训练，保存判别器参数；利用判别器参数构成判别器，组合各判别器对雷达信号进行判别；结合群智能优化算法的思想，利用改进乌鸦搜索算法优化各判别器的权重参数，得到最佳的判别结果；最后保留判别器的参数以及各权重参数，对接收到的雷达信号进行检测。本发明专利技术结合时频变换、深度学习、改进乌鸦搜索算法，实现了稳定、快速、高精度的未知调制方式的雷达辐射源信号检测，应用前景广阔。

Detection Method of Unknown Modulation Mode of Radar Signal Based on Generated Countermeasure Network

【技术实现步骤摘要】
基于生成对抗网络的雷达信号未知调制方式检测方法
本专利技术涉及一种基于生成对抗网络的雷达信号未知调制方式检测方法，属于电子识别领域。
技术介绍
雷达辐射源信号调制方式识别是电子识别中的重要环节，在识别中，获取更多的信息就能掌握主动权。但是随着新兴雷达的出现，雷达信号的调制方式愈发复杂多变，已知库中的雷达信号调制方式种类有限，更多的雷达信号调制方式是未知的。现有的调制方式识别方法无法很好的实现对未知调制方式的雷达辐射源信号的检测，因此，寻找新型的检测方法是迫切的且非常有意义的。对于未知信号的检测一般有异常点检测，但是异常点检测是对少量异常点进行的检测，对于雷达信号调制方式检测而言，存在稳定性差、耗时长、精度低等缺点。异常点检测通常都是对一系列点中的某些异常点进行检测，但是未知调制方式的雷达辐射源信号检测需要对单一信号进行检测，因此异常点检测用于雷达信号调制方式检测时会出现不稳定的问题。此外，异常点检测需要对所有的点进行遍历检测才能够找出其中异常的部分，所需时间长，无法满足对抗的实时性要求。将异常点检测直接应用在未知调制方式的雷达辐射源信号检测上会导致识别精度低的问题。
技术实现思路
本专利技术的目的是为了解决现有检测方法对于未知调制方式的雷达辐射源信号检测存在稳定性差、耗时长、精度低等问题而提供一种基于生成对抗网络的雷达信号未知调制方式检测方法。本专利技术的目的是这样实现的：一种基于生成对抗网络的雷达信号未知调制方式检测方法，具体包括以下步骤：步骤1、从雷达信号数据库中顺序采集所有雷达信号x(t)；步骤2、利用时频变换，通过崔-威廉斯分布和短时傅里叶变换获得雷达信号时频图像；步骤3、结合深度学习，用时频图像对生成对抗网络进行参数训练，保存判别器参数；步骤4、利用判别器参数构成判别器，组合各判别器对雷达信号进行判别；步骤5、结合群智能优化算法的思想，利用改进乌鸦搜索算法优化各判别器的权重参数，得到最佳的判别结果；步骤6、最后保留判别器的参数以及各权重参数，对接收到的雷达信号进行检测。本专利技术还包括这样一些结构特征：基于生成对抗网络的雷达信号未知调制方式检测方法，所述步骤2具体包括以下步骤：步骤2.1、对雷达信号集做崔-威廉斯分布得到时频图像，对应的崔-威廉斯分布公式为CWD(t,f)＝∫∫∫ej2πθ(u-t)exp[(πθτ)2/2σ]x(u+τ/2)x*(u-τ/2)ej2πfτdθdudτ式中，t是时间，f是频率，θ是频移变量，τ是时移变量，u是积分变量，(·)*表示共轭操作；步骤2.2、对雷达信号集做短时傅里叶变换得到时频图像，对应的短时傅里叶变换公式为式中，g(τ)是偶窗函数，且||g(τ)||＝1；基于生成对抗网络的雷达信号未知调制方式检测方法，所述步骤3具体包括以下步骤：步骤3.1、利用步骤2.1通过崔-威廉斯分布得到的时频图像训练GAN，调整网络模型参数，使得判别器1输出为0.5，保存判别器1参数，在GAN中，所要优化的目标函数为式中，r表示时频变换图片，Pdata(r)是时频图像样本分布，z表示输入噪声，Pz(z)是输入噪声分布，E(·)是期望，G(z)表示生成器1生成的图片，D(x)表示判别器1判别r是否为真实的概率，D(G(z))是判别器1判别生成器1生成的图片是否真实的概率；步骤3.2、利用步骤2.2通过短时傅里叶变换得到的时频图像训练GAN，调整网络模型参数，使得判别器2输出为0.5，保存判别器2参数；步骤3.3、利用步骤2.1通过崔-威廉斯分布得到的时频图像训练Wasserstein-GAN，调整网络模型参数，使得判别器3输出为0.5，保存判别器3参数，在Wasserstein-GAN中，判别器3的参数w不超过某个固定值，且最后一层不是非线性激活层，使得尽可能取最大，此时的L就近似为真实分布与生成分布之间的Wasserstein距离，生成器3最小化Wasserstein距离可得到Wasserstein-GAN；步骤3.4、利用步骤2.2通过短时傅里叶变换得到的时频图像训练Wasserstein-GAN，调整网络模型参数，使得判别器4输出为0.5，保存判别器4参数；基于生成对抗网络的雷达信号未知调制方式检测方法，所述步骤4具体为：将步骤3.1、3.2、3.3、3.4所保存四个判别器参数分别构成判别器1、判别器2、判别器3、判别器4，将判别器组合，得到最终输出结果，输出结果计算公式为：results＝a×WGANCWD+b×WGANSTFT+c×InfoGANCWD+d×InfoGANSTFT式中，results是最终的输出结果，WGANCWD是判别器1输出的结果，WAGNSTFT是判别器2的输出结果，InfoGANCWD是判别器3的输出结果，InfoGANSTFT是判别器4的输出结果，a,b,c,d分别为权重参数；基于生成对抗网络的雷达信号未知调制方式检测方法，所述步骤5具体包括以下步骤：步骤5.1、结合群智能优化算法的思想，利用改进乌鸦搜索算法优化权重系数，初始化问题，寻找最优的a,b,c,d使得|results-1|≤0.01；步骤5.2、初始化乌鸦的位置和记忆，N个乌鸦随机定位在4维搜索空间中，每一个乌鸦表示一个问题的可行解决方案，第一只乌鸦的位置表示为s1＝[a1,b1,c1,d1]，a,b,c,d分别为权重参数，第二只乌鸦的位置表示为s2＝[a2,b2,c2,d2]，第N只乌鸦的位置表示为sN＝[aN,bN,cN,dN]，每一个乌鸦都有一个记忆，第一只乌鸦的记忆表示为第二只乌鸦的记忆表示为第N只乌鸦的记忆表示为步骤5.3、在迭代次数iter时，对于乌鸦i,i＝1,2,…,N而言，随机选择一只乌鸦j，定义乌鸦j意识概率为rj，且是均匀分布于[0,1]之间的随机数，乌鸦i的位置更新表示为式中，si,iter＝[ai,iter,bi,iter,ci,iter,di,iter]是迭代iter次乌鸦i更新后的位置；ri是乌鸦i的意识概率，且是均匀分布于[0,1]之间的随机数；fli,iter-1是迭代iter-1次乌鸦i的飞行距离；是迭代iter-1次乌鸦j的记忆位置；β是飞行参数，在本专利技术中为0.8；步骤5.4、将新的乌鸦位置si,iter＝[ai,iter,bi,iter,ci,iter,di,iter]带入步骤4的公式中计算，更新乌鸦i的记忆位置步骤5.5、对于所有的N个乌鸦而言，在一次迭代中，重复步骤5.2至步骤5.4，更新乌鸦的记忆位置；步骤5.6、重复步骤5.5直至达到迭代次数达到itermax，将记忆中得到第一个min|results-1|的位置作为优化问题的解决方案，得到权重a,b,c,d。基于生成对抗网络的雷达信号未知调制方式检测方法，所述步骤6具体为：固定系统判别器参数以及权重参数a,b,c,d，利用训练好的系统对雷达信号时频图像进行检测，当输出结果results＜z时，判断接收信号为调制方式未知雷达辐射源信号，否则为调制方式已知雷达辐射源信号，一般z取0.9。与现有技术相比，本专利技术的有益效果是：本专利技术采用时频分析的方法，将一维信号映射到二维时频域，在时频域对雷达信号进行分析与处理，对于非平稳的雷达信号有更好的效果，提高了系统的可靠性。本专利技术在时频变换中采用崔-威本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络的雷达信号未知调制方式检测方法，其特征在于，具体包括以下步骤：步骤1、从雷达信号数据库中顺序采集所有雷达信号x(t)；步骤2、利用时频变换，通过崔‑威廉斯分布和短时傅里叶变换获得雷达信号时频图像；步骤3、结合深度学习，用时频图像对生成对抗网络进行参数训练，保存判别器参数；步骤4、利用判别器参数构成判别器，组合各判别器对雷达信号进行判别；步骤5、结合群智能优化算法的思想，利用改进乌鸦搜索算法优化各判别器的权重参数，得到最佳的判别结果；步骤6、最后保留判别器的参数以及各权重参数，对接收到的雷达信号进行检测。

【技术特征摘要】
1.一种基于生成对抗网络的雷达信号未知调制方式检测方法，其特征在于，具体包括以下步骤：步骤1、从雷达信号数据库中顺序采集所有雷达信号x(t)；步骤2、利用时频变换，通过崔-威廉斯分布和短时傅里叶变换获得雷达信号时频图像；步骤3、结合深度学习，用时频图像对生成对抗网络进行参数训练，保存判别器参数；步骤4、利用判别器参数构成判别器，组合各判别器对雷达信号进行判别；步骤5、结合群智能优化算法的思想，利用改进乌鸦搜索算法优化各判别器的权重参数，得到最佳的判别结果；步骤6、最后保留判别器的参数以及各权重参数，对接收到的雷达信号进行检测。2.根据权利要求1所述基于生成对抗网络的雷达信号未知调制方式检测方法，其特征在于，所述步骤2具体包括以下步骤：步骤2.1、对雷达信号集做崔-威廉斯分布得到时频图像，对应的崔-威廉斯分布公式为CWD(t,f)＝∫∫∫ej2πθ(u-t)exp[(πθτ)2/2σ]x(u+τ/2)x*(u-τ/2)ej2πfτdθdudτ式中，t是时间，f是频率，θ是频移变量，τ是时移变量，u是积分变量，(·)*表示共轭操作；步骤2.2、对雷达信号集做短时傅里叶变换得到时频图像，对应的短时傅里叶变换公式为式中，g(τ)是偶窗函数，且||g(τ)||＝1。3.根据权利要求2所述基于生成对抗网络的雷达信号未知调制方式检测方法，其特征在于，所述步骤3具体包括以下步骤：步骤3.1、利用步骤2.1通过崔-威廉斯分布得到的时频图像训练GAN，调整网络模型参数，使得判别器1输出为0.5，保存判别器1参数，在GAN中，所要优化的目标函数为式中，r表示时频变换图片，Pdata(r)是时频图像样本分布，z表示输入噪声，Pz(z)是输入噪声分布，E(·)是期望，G(z)表示生成器1生成的图片，D(x)表示判别器1判别r是否为真实的概率，D(G(z))是判别器1判别生成器1生成的图片是否真实的概率；步骤3.2、利用步骤2.2通过短时傅里叶变换得到的时频图像训练GAN，调整网络模型参数，使得判别器2输出为0.5，保存判别器2参数；步骤3.3、利用步骤2.1通过崔-威廉斯分布得到的时频图像训练Wasserstein-GAN，调整网络模型参数，使得判别器3输出为0.5，保存判别器3参数，在Wasserstein-GAN中，最后一层不是非线性激活层，使得此时的L就为真实分布与生成分布之间的Wasserstein距离，生成器3最小化Wasserstein距离可得到Wasserstein-GAN；步骤3.4、利用步骤2.2通过短时傅里叶变换得到的时频图像训练Wasserstein-GAN，调整网络模型参数，使得判别器4输出为0.5，保存判别器4参数。4.根据权利要求3所述基于生成对抗网络的雷达信号未知调制方式检测方法，其特征在于，所述步骤4具体为：将...

【专利技术属性】
技术研发人员：高敬鹏，卢毅，张文旭，郜丽鹏，高路，孙恒，郭磊，张昕雨，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江,23