一种基于主动增量式微调的雷达信号调制方式识别方法技术

本发明专利技术属于雷达信号脉内调制类型识别技术领域，具体涉及一种基于主动增量式微调的雷达信号调制方式识别方法。本发明专利技术首先将截获的雷达信号进行时频分布处理，得到二维时频图像；接着调整时频图像大小并进行幅度归一化处理；在训练阶段，采用基于池的抽样场景，将雷达信号时频图像样本逐组放入手写识别训练过的预训练模型中，输出其对应各类型的概率，由熵的不确定性抽样策略，寻找有价值的样本进行专家标注，扩大已标注的雷达信号数据集，通过该数据集更新当前网络所有层的参数；识别阶段，将未知雷达信号时频图像放入该网络中，输出层输出最终识别类型。本发明专利技术在低信噪比条件下识别率高，大幅度节省不必要的标注成本，具有良好应用前景。

【技术实现步骤摘要】
一种基于主动增量式微调的雷达信号调制方式识别方法
本专利技术属于雷达信号脉内调制类型识别
，具体涉及一种基于主动增量式微调的雷达信号调制方式识别方法。
技术介绍
雷达信号脉内调制类型识别是侦察接收机进行威胁等级判定和估计雷达辐射源功能的核心技术。随着雷达技术不断提升，脉冲压缩技术在雷达中广泛使用，使得雷达信号的功率谱密度越来越低，雷达信号的类型也越来越多。因此，雷达信号脉内调制识别算法不仅要在低信噪比下具有良好的识别性能，而且要能识别广泛的信号类型。传统雷达信号调制类型识别方法由特征提取与分类器两部分构成，其中特征提取部分早期并没有明确定义，而是通过具体雷达信号对象决定合适的信号处理手段，专家针对不同的信号设计出适用的特征提取的算法例如高阶统计量法、循环平稳分析法等，得到区分度较大的不同调制类型的雷达信号特征，再通过像决策树等分类器进行区分判断该特征归属于的调制类型。这类传统信号调制识别方法在稳定的环境下，对少量调制类型的雷达信号体现出了较好的识别效果。但是随着现代战场电子战愈演愈烈，雷达波形设计复杂多变，传统雷达信号特征提取和分类方法弊端开始显现。尽管算法的计算复杂度较高，但信号的特征分析和提取能力依旧相对有限，导致识别系统在低信噪比环境下的识别正确率较差，而且即使算法依靠专家进行设计，不断变化的信号调制类型和日益复杂的调制方法也导致算法的泛化性较差，识别类型严重受限。随着近年来深度学习在图像分类领域的快速发展，研究者们发现在雷达信号识别算法中加入神经网络，往往可以自动提取信号调制类型特征，且提取得到的特征具有很强的抗噪性，对于多种复杂调制类型信号的识别具有很好的识别正确率。目前的算法优化思路大致有两种。一种是扩大网络的规模以达到更高的识别正确率，一种是训练更多调制类型的雷达信号以达到更好的识别泛化能力。但是依照上述的两种优化思路，一方面网络规模的扩大导致网络的训练难度增加，数据集一旦不充足就极易出现过拟合的现象；另一方面若增加雷达信号识别方法的识别类型，网络的训练过程需要增加相应类型的雷达信号样本。QuZ在2018年引入一种新的核函数，使用具有更强抗噪声能力的时频分析方法对雷达信号进行预处理，实现了在信噪比为-6dB时对12种调制信号识别率达到96.1％。但是也加大了网络训练难度，且在标注样本有限的情况下，极易产生过拟合，降低网络识别正确率。WanJ在2019年提出一种基于树结构的机器学习过程优化分类器，可识别12种不同的雷达信号，实现离线训练和在线识别，且在信噪比为-4dB时，系统整体识别率达到94.42％，但是其训练需要超过四万的标注样本。WuB在2020年提出一种具有注意机制的一维卷积神经网络，根据特征对注意单元识别的重要性进行加权，达到对七种辐射源识别的高精度，但是为了保证识别性能，该模型需要超过十二万的雷达信号标注样本，是早期算法的三倍。因此目前的基于深度学习的雷达调制类型识别研究思路对雷达脉内调制信号标注样本数量和质量上的要求越来越高，而雷达信号样本由于特殊的军事用途，收集难度较大，且专家标注成本昂贵。因此如何在保证算法在低信噪比环境下具有好的识别性能的同时，降低雷达信号训练样本标注成本是目前亟需解决的问题。
技术实现思路
本专利技术的目的在于提供降低人工标注成本的同时，在低信噪比情况下，对广泛的信号类型有良好的识别性能的一种基于主动增量式微调的雷达信号调制方式识别方法。本专利技术的目的通过如下技术方案来实现：包括以下步骤：步骤1：获取包含十二种不同雷达脉内调制信号的多组样本集；利用时频分布分析法将各样本信号转换为时频图像；其中，x(t)为样本信号；t代表时频分布的自变量时间；ω代表时频分布的角频率；φ(τ,v)为核函数，α和β用来调节核函数的大小，核函数的宽度由四倍高斯函数标准差来估计；所述的十二种不同雷达脉内调制信号包括LFM信号、SFM信号、EQFM信号、2FSK信号、4FSK信号、DLFM信号、MP信号、MLFM信号、BPSK信号、Frank信号、LFM-BPSK信号和2FSK-BPSK信号；步骤2：对所有时频图像进行预处理，调整时频图像尺寸大小并且幅度归一化；步骤3：利用手写数字样本预训练卷积神经网络，得到手写数字识别的预训练模型；所述的卷积神经网络除去输入层输出层外一共十二层，卷积层、池化层各六层；由于手写数字识别的预训练模型的输出层为从0到9的十种手写数字对应类型，但是雷达脉内调制信号识别需要识别十二种信号，因此将手写识别网络中的十分类的最后一层输出层替换为十二分类的输出层，其他部分保留结构及对应权重偏置参数；步骤4：将手写数字识别的预训练模型的模型参数分享给雷达脉内调制信号识别模型；采用预处理后的多组样本集训练雷达脉内调制信号识别模型；步骤5：获取未知调制类型和随机参数的待识别雷达信号，将待识别雷达信号利用时频分布分析法转换为时频图像并预处理后，输入至训练好的雷达脉内调制信号识别模型中，雷达脉内调制信号识别模型自动判断待识别雷达信号的时频图像归属于的类型以及对应概率，实现雷达信号脉内调制方式的识别。本专利技术还可以包括：所述的步骤3中卷积神经网络的每一个卷积层后都加入了批量标准化BN层，同时激活函数采用ReLU函数。所述的步骤4中采用预处理后的多组样本集训练雷达脉内调制信号识别模型方法具体为：步骤4.1：采用基于池的抽样场景，将一组未标注的样本集输入至雷达脉内调制信号识别模型中，雷达脉内调制信号识别模型输出各样本对应各类型雷达脉内调制信号的概率；步骤4.2：通过基于熵的不确定性抽样策略，挑选出熵最大的样本作为网络识别较困难的样本，对这类样本进行专家标注，标注后将其加入至已标注的雷达信号数据集中，通过已标注的雷达数据集对当前雷达脉内调制信号识别模型进行网络微调，对雷达脉内调制信号识别模型中所有层的相关参数进行更新，并保留最终参数；基于熵的不确定性抽样策略：其中，yi表示模型输出的所有标签；步骤4.3：重复步骤4.1至步骤4.2；，直至完成训练。本专利技术的有益效果在于：本专利技术设计的卷积神经网络模型具有较好的特征提取与识别能力。本专利技术对雷达信号进行时频分析处理使用的核函数相比于Choi-Williams分布中的核函数，对雷达信号交叉项的抑制效果更好，信号鲁棒性特征更明显。本专利技术提省去大量图像预处理操作，减少算法计算复杂度，大幅度降低雷达信号的标注成本，同时仍然具有较好的识别泛化能力和抗噪性能。附图说明图1是一种基于主动增量式微调的雷达信号调制方式识别方法的系统框图；图2是本专利技术中用于预训练和识别的卷积神经网络的结构图。图3是6000个样本标注量时本算法与QuZ在RadarSignalIntra-pulseModulationRecognitionBasedonConvolutionalNeuralNetwork一文中所用算法在识别性能上的对比图。图4是基于本文档来自技高网...

【技术保护点】
1.一种基于主动增量式微调的雷达信号调制方式识别方法，其特征在于，包括以下步骤：/n步骤1：获取包含十二种不同雷达脉内调制信号的多组样本集；利用时频分布分析法将各样本信号转换为时频图像；/n

【技术特征摘要】
1.一种基于主动增量式微调的雷达信号调制方式识别方法，其特征在于，包括以下步骤：
步骤1：获取包含十二种不同雷达脉内调制信号的多组样本集；利用时频分布分析法将各样本信号转换为时频图像；






其中，x(t)为样本信号；t代表时频分布的自变量时间；ω代表时频分布的角频率；φ(τ,v)为核函数，α和β用来调节核函数的大小，核函数的宽度由四倍高斯函数标准差来估计；
所述的十二种不同雷达脉内调制信号包括LFM信号、SFM信号、EQFM信号、2FSK信号、4FSK信号、DLFM信号、MP信号、MLFM信号、BPSK信号、Frank信号、LFM-BPSK信号和2FSK-BPSK信号；
步骤2：对所有时频图像进行预处理，调整时频图像尺寸大小并且幅度归一化；
步骤3：利用手写数字样本预训练卷积神经网络，得到手写数字识别的预训练模型；
所述的卷积神经网络除去输入层输出层外一共十二层，卷积层、池化层各六层；由于手写数字识别的预训练模型的输出层为从0到9的十种手写数字对应类型，但是雷达脉内调制信号识别需要识别十二种信号，因此将手写识别网络中的十分类的最后一层输出层替换为十二分类的输出层，其他部分保留结构及对应权重偏置参数；
步骤4：将手写数字识别的预训练模型的模型参数分享给雷达脉内调制信号识别模型；采用预处理后的多组样本集训练雷达脉内调制信号识别模型；
步骤5：获取未知调制类型和...

【专利技术属性】
技术研发人员：曲志昱，许翎靖，王文洋，司伟建，邓志安，侯长波，汲清波，张春杰，
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