基于稀疏时频检测卷积神经网络的雷达辐射源识别方法技术

本发明专利技术提出了基于稀疏时频检测卷积神经网络的雷达辐射源识别方法，属于电子对抗技术领域。本发明专利技术以内插、滤波、抽取等处理方法统一不同接收机采样率，利用短时傅里叶变换，将不同脉宽的辐射源中频信号转化为频率分辨率、时间窗个数固定的时频图，以时频图作为辐射源特征，用卷积神经网络实现识别。在网络训练时，对时频矩阵进行特征增强以生成稀疏时频矩阵，并将其作为训练样本完成网络训练；训练完成后，用边框检测出稀疏时频矩阵中辐射源信号，并将检测边框内信号映射至各卷积池化层输出，使得卷积池化层仅对检测边框内信号进行处理，降低了识别过程中卷积、池化处理的运算量，且能够实现对不同脉宽、带宽雷达辐射源的识别。

【技术实现步骤摘要】
基于稀疏时频检测卷积神经网络的雷达辐射源识别方法
本专利技术涉及电子对抗

技术介绍
雷达辐射源识别技术是现代电子对抗的重要组成部分，在军事作战中，通过电子侦察设备捕获敌方发射的电磁波，利用辐射源识别技术判断出发射该电磁波雷达的用途或类型，进而可以推断出敌方平台的类型或是型号，为我方制定作战预案提供参考依据，做到先发制敌，取得战场的主动权。当前，频率分集、脉冲压缩、脉冲多普勒、相控阵雷达等新工作体制雷达层出不穷，导致电磁环境高度密集，传统基于辐射源描述字(emitterdescriptionwords，EDW)的识别方法，难以胜任复杂电磁空间中的辐射源识别任务。由于现代雷达广泛采用脉冲压缩体制，因而脉内调制特征可以应用于雷达辐射源识别，常用的脉内分析方法有：瞬时自相关、倒谱技术、谱相关技术、时频分析等，这些方法均依赖人工经验进行特征提取与分类器的设计，使得识别系统的维护与更新需消耗一定的人工成本与时间成本。近年来，随着深度学习工程应用的兴起，机器自动提取特征成为现实，目前基于深度学习的辐射源识别方法主要有以下几种思路：(1)通过人工特征提取将辐射源信号向量化，再利用深度神经网络完成识别；(2)将辐射源信号中频数据作为神经网络的输入，直接由神经网络自动提取辐射源中频特征，并给出识别结果；(3)对辐射源信号中频数据做适当的信号预处理，再将预处理后的信号交由神经网络完成自动特征提取与识别。第一种思路仍依赖于人工经验，存在传统人工特征提取方法的固有缺陷；第二种思路过于依赖神经网络的学习能力，由于敌方辐射源载频无法精确已知，侦察接收机下变频后，所截获的辐射源中存在无效载频，且不同参数接收机引起的载频不同，这对神经网络的学习能力、泛化能力以及网络规模提出了更高要求；第三种思路为一种折衷选择，常见方法是利用时频变换获得辐射源的时频图，再用卷积神经网络(convolutionneuralnetwork，CNN)对时频图进行处理，但目前这类方法的公开文献中尚未讨论侦察接收机所截获的辐射源中存在无效载频、异类辐射源统一时频图频率分辨率等工程问题，本专利技术在此类方法基础上，提出了一种基于稀疏时频检测卷积神经网络(STFD-CNN)的雷达辐射源识别方法，将不同脉宽、时宽的辐射源信号，变换为频率分辨率、时间窗个数固定的时频图，通过对时频图进行特征增强而构建稀疏时频矩阵，利用边框检测出稀疏时频矩阵中带频率偏移的辐射源信号，训练完成后，CNN中卷积、池化运算仅需对检测后辐射源进行处理即可实现辐射源识别。
技术实现思路
本专利技术提出了基于稀疏时频检测卷积神经网络(STFD-CNN)的雷达辐射源识别方法，适于电子侦察设备在复杂电磁环境中对敌方雷达辐射源的智能化识别，能够提升被动侦察系统在现代电磁战争中的情报分析能力。实现本专利技术的技术解决方案为：以内插、滤波、抽取等处理方法统一不同接收机采样率，利用短时傅里叶变换，将不同脉宽的辐射源中频信号转化为频率分辨率、时间窗个数固定的时频图，以时频图作为辐射源特征，用卷积神经网络实现识别。在网络训练时，对时频矩阵进行特征增强以生成稀疏时频矩阵，并将其作为训练样本完成网络训练；训练完成后，用边框检测出稀疏时频矩阵中辐射源信号，并将检测边框内信号映射至各卷积池化层输出，使得卷积池化层仅对检测边框内信号进行处理，降低了识别过程中卷积、池化处理的运算量，且能够实现对不同脉宽、带宽雷达辐射源的识别。具体步骤为：步骤1：利用内插、滤波、抽取将不同侦察设备截获的辐射源中频信号采样率统一；步骤2：利用短时傅里叶变换(short-timefouriertransform，STFT)将采样率统一后的辐射源中频信号，变换为频率分辨率、时间窗个数固定的时频图；步骤3：对时频图进行特征增强，得到稀疏时频矩阵；步骤4：用边框检测出稀疏时频矩阵中辐射源信号，得到检测后辐射源时频矩阵；步骤5：网络训练阶段，按步骤1～步骤3对训练样本集中辐射源中频信号进行处理，得到稀疏时频矩阵，并用该稀疏时频矩阵对卷积神经网络进行训练；步骤6：网络测试阶段，按步骤1～步骤4对测试样本集中辐射源中频信号进行处理，得到检测后辐射源时频矩阵，并用该检测后辐射源时频矩阵，对步骤5中训练完成的卷积神经网络进行测试；步骤7：重复步骤5、6直至得到识别性能、泛化能力符合要求的网络模型；步骤8：工程应用时，先按步骤1～4对截获的辐射源做信号预处理，再按步骤6中网络正向传播过程，用步骤7中训练完成的网络对辐射源进行识别。本专利技术与现有技术相比，其显著优点为：(1)利用深度神经网络实现辐射源特征的机器自动提取，缓解人工提取特征的压力，便于识别系统的维护与更新；(2)相较于现有的基于CNN与时频图的辐射源识别方法，STFD-CNN使得卷积池化层仅对检测边框内信号进行处理，降低了识别过程中卷积、池化处理的运算量；(3)STFD-CNN解决了侦察接收机所截获的辐射源中存在无效载频的问题；(4)STFD-CNN适用于不同脉宽、带宽雷达辐射源的识别。下面结合附图对本专利技术做进一步详细的描述。附图说明图1为基于稀疏时频检测卷积神经网络(STFD-CNN)的雷达辐射源识别框图；图2为统一采样率后的线性调频1时频图；图3为统一采样率后的二相编码时频图；图4为统一采样率后的线性调频2时频图；图5为统一采样率后的V型非线性调频时频图；图6为统一采样率后的13位巴克码时频图；图7为特征增强、边框检测后的线性调频1稀疏时频矩阵图；图8为特征增强、边框检测后的二相编码稀疏时频矩阵图；图9为特征增强、边框检测后的线性调频2稀疏时频矩阵图；图10为特征增强、边框检测后的V型非线性调频稀疏时频矩阵图；图11为特征增强、边框检测后的13位巴克码稀疏时频矩阵图；图12为迭代次数-损失函数值曲线图；图13为迭代次数-训练/测试精度曲线图。具体实施方式下面结合附图和具体实施方式对本专利技术做更进一步的具体说明，但本专利技术的保护范围不受实施条例的限制。结合图1说明本专利技术基于稀疏时频检测卷积神经网络(STFD-CNN)的雷达辐射源识别方法。如图1所示，本专利技术包括如下步骤：步骤1：利用内插、滤波、抽取将不同侦察设备截获的辐射源中频信号采样率统一；步骤2：利用短时傅里叶变换(short-timefouriertransform，STFT)将采样率统一后的辐射源中频信号，变换为频率分辨率、时间窗个数固定的时频图；步骤3：对时频图进行特征增强，得到稀疏时频矩阵；步骤4：用边框检测出稀疏时频矩阵中辐射源信号，得到检测后辐射源时频矩阵；步骤5：网络训练阶段，按步骤1～步骤3对训练样本集中辐射源中频信号进行处理，得到稀疏时频矩阵，并用该稀疏时频矩阵对卷积神经网络进行训练；步骤6：网络测试阶段，按步骤1～步骤4对测试样本集中辐射源中频信号进行处理，得到检测后辐射源时频矩阵本文档来自技高网...

【技术保护点】
1.基于稀疏时频检测卷积神经网络的雷达辐射源识别方法，其特征在于：/n步骤1：利用内插、滤波、抽取将不同侦察设备截获的辐射源中频信号采样率统一；/n步骤2：利用短时傅里叶变换STFT将采样率统一后的辐射源中频信号，变换为频率分辨率、时间窗个数固定的时频图；/n步骤3：对时频图进行特征增强，得到稀疏时频矩阵；/n步骤4：用边框检测出稀疏时频矩阵中辐射源信号，得到检测后辐射源时频矩阵；/n步骤5：网络训练阶段，按步骤1～步骤3对训练样本集中辐射源中频信号进行处理，得到稀疏时频矩阵，并用该稀疏时频矩阵对卷积神经网络进行训练；/n步骤6：网络测试阶段，按步骤1～步骤4对测试样本集中辐射源中频信号进行处理，得到检测后辐射源时频矩阵，并用该检测后辐射源时频矩阵，对步骤5中训练完成的卷积神经网络进行测试；/n步骤7：重复步骤5、6直至得到识别性能、泛化能力符合要求的网络模型；/n步骤8：工程应用时，先按步骤1～4对截获的辐射源做信号预处理，再按步骤6中网络正向传播过程，用步骤7中训练完成的网络对辐射源进行识别。/n

【技术特征摘要】
1.基于稀疏时频检测卷积神经网络的雷达辐射源识别方法，其特征在于：
步骤1：利用内插、滤波、抽取将不同侦察设备截获的辐射源中频信号采样率统一；
步骤2：利用短时傅里叶变换STFT将采样率统一后的辐射源中频信号，变换为频率分辨率、时间窗个数固定的时频图；
步骤3：对时频图进行特征增强，得到稀疏时频矩阵；
步骤4：用边框检测出稀疏时频矩阵中辐射源信号，得到检测后辐射源时频矩阵；
步骤5：网络训练阶段，按步骤1～步骤3对训练样本集中辐射源中频信号进行处理，得到稀疏时频矩阵，并用该稀疏时频矩阵对卷积神经网络进行训练；
步骤6：网络测试阶段，按步骤1～步骤4对测试样本集中辐射源中频信号进行处理，得到检测后辐射源时频矩阵，并用该检测后辐射源时频矩阵，对步骤5中训练完成的卷积神经网络进行测试；
步骤7：重复步骤5、6直至得到识别性能、泛化能力符合要求的网络模型；
步骤8：工程应用时，先按步骤1～4对截获的辐射源做信号预处理，再按步骤6中网络正向传播过程，用步骤7中训练完成的网络对辐射源进行识别。


2.根据权利要求1所述的基于稀疏时频检测卷积神经网络的雷达辐射源识别方法，其特征在于，所述步骤2包括：
步骤2-1：预设频率分辨率Δf，结合步骤1中得到的统一采样率fs，计算STFT时间窗内离散时间样本点数Nw；
步骤2-2：预设时间窗个数Nt，计算STFT时间窗滑动步长Sw；
步骤2-3：由已知参数Nw、Sw、Nt，对步骤1中统一采样率后的辐射源信号做STFT处理，得到频率分辨率、时间窗个数固定的时频图PSTFT(ti,fi)，其中，ti为时间窗索引，fi为频率分辨单元索引。


3.根据权利要求2所述的基于稀疏时频检测卷积神经网络的雷达辐射源识别方法，其特征在于：所述步骤2-1中STFT时间窗内离散时间样本点数Nw为：



式中，是向上取整运算，lb(·)是底数为2的对数运算。


4.根据权利要求2所述的基于稀疏时频检测卷积神经网络的雷达辐射源识别方法，其特征在于：所述步骤2-2中STFT时间窗滑动步长Sw为：



式中，是向上取整运算，Nx为辐射源信号脉宽。


5.根据权利要求1所述的基于稀疏时频检测卷积神经网络的雷达辐射源识别方法，其特征在于：所述步骤3包括：
步骤3-1：对数化时频图PSTFT(ti,fi)，得到对数时频图PLSTFT(ti,fi)；
步骤3-2：在每个时间窗ti上，求解对数时频图PLSTFT(ti,fi)的频谱峰值序列Ptmax(ti)；
步骤3-3：在每个时间窗ti上，搜寻频率分辨单元使得幅值比Ptmax(ti...

【专利技术属性】
技术研发人员：冷鹏飞，王谦诚，黄翔飞，张玉涛，
申请(专利权)人：中国船舶重工集团公司第七二四研究所，
类型：发明
国别省市：江苏;32