雷达辐射源个体开集识别方法及系统技术方案

本发明专利技术属于雷达辐射源识别技术领域，特别涉及一种雷达辐射源个体开集识别方法及系统，构建信号识别模型，并利用雷达信号数据库中已标记的信号样本对信号识别模型进行训练，其中，采用雷达信号的瞬态序列作为信号识别模型网络输入，通过信号识别模型网络来提取输入的信号特征并对提取的信号特征进行分类识别；将接收机截获的待识别雷达辐射源个体信号作为信号识别模型输入，利用已训练后的信号识别模型来识别待识别雷达辐射源个体信号，若识别为已知类，并输出所属已知类的辐射源名称，若识别为未知类，则将信号标记为未知类，并添加至雷达信号数据库中，以通过人工进行识别标记。本发明专利技术泛化性较好且具有较快识别速度,同时兼具分类已知辐射源能力和新的未知辐射源检测能力，便于实际场景应用。便于实际场景应用。便于实际场景应用。

【技术实现步骤摘要】
雷达辐射源个体开集识别方法及系统


[0001]本专利技术属于雷达辐射源识别
，特别涉及一种雷达辐射源个体开集识别方法及系统。

技术介绍

[0002]当前电磁环境呈现越来越复杂的趋势，信号密度日益大且在时域、频域混叠严重。雷达在生活中发挥着越来越重要的作用，尤其是随着自动驾驶，雷达成像，雷达探测等技术的加速普及应用，雷达信号成为电磁环境中重要的组成部分。面对复杂的电磁环境，传统的基于脉冲描述字的辐射源识别方法存在性能瓶颈，无法区分相同型号的不同个体雷达。同时，由于软件无线电技术的发展，雷达参数易变，更加难以通过传统的参数对辐射源进行识别。
[0003]在此背景下，许多现有的方法通过分析雷达信号，提取出能够体现不同发射机硬件差异的特征，实现雷达辐射源个体识别。这些特征又被称作指纹特征，是由于辐射源硬件组成部分的工艺差距产生的。类似于人类的指纹，辐射源指纹特征同样不容易修改，除非硬件发生变化。因此通过指纹特征进行辐射源个体识别是一个很好的思路。一些研究根据专家知识提取区分特定辐射源的特征，比如脉内无意调相特征，无意调幅特征等，然后结合分类器进行分类。这类方法的优点在于特征计算的计算量较小，速度快；缺点在于需要较强的专家知识背景，特征设计过程较繁琐，并且特征的泛化性不强。随着人工智能技术的发展，越来越多的研究者使用深度学习代替人工提取指纹特征。其中，一些方法需要对信号进行复杂的预处理后，再输入神经网络，这类方法在识别时信号预处理时间长，识别效率低。还有一些方法直接将原始的信号数据作为网络输入，但是并没有结合雷达信号指纹特征的特点，存在一定程度的输入冗余，给后续特征提取网络带来较大的计算压力。除此之外，现有的方法鲜有考虑到真实电磁环境具有开放性的特点。尤其是基于判别函数，机器学习和深度学习等方法，如果所识别的信号来自于完全没有先验信息的新辐射源，会出现将其错分为某个已知类别的情况。这对于需要检测出非法用户的频谱监测系统来说是非常大的漏洞。

技术实现思路

[0004]为此，本专利技术提供一种雷达辐射源个体开集识别方法及系统，泛化性较好且具有较快识别速度,同时兼具分类已知辐射源能力和新的未知辐射源检测能力，便于实际场景应用。
[0005]按照本专利技术所提供的设计方案，提供一种雷达辐射源个体开集识别方法，包含如下内容：
[0006]构建信号识别模型，并利用雷达信号数据库中已标记的信号样本对信号识别模型进行训练，其中，采用雷达信号的瞬态序列作为信号识别模型网络输入，通过信号识别模型网络来提取输入的信号特征并对提取的信号特征进行分类识别；
[0007]将接收机截获的待识别雷达辐射源个体信号作为信号识别模型输入，利用已训练后的信号识别模型来识别待识别雷达辐射源个体信号，若识别为已知类，并输出所属已知类的辐射源名称，若识别为未知类，则将信号标记为未知类，并添加至雷达信号数据库中，以通过人工进行识别标记。
[0008]作为本专利技术雷达辐射源个体开集识别方法，进一步地，信号识别模型采用多尺度ResNet网络，在该多尺度ResNet网络中包含：提取输入多通路信号特征的SK模块，对多通路信号特征进行融合处理的特征融合模块，对融合特征进行平均池化操作来获取特征向量的平均池化层，对特征向量进行维度处理的全连接层，对维度处理后的特征向量进行分类操作来获取各通路系数的softmax层，及将各通路系数与SK模块提取的对应通路信号特征进行融合并确定最终分类识别结果的输出层。
[0009]作为本专利技术雷达辐射源个体开集识别方法，进一步地，SK模块采用一维残差卷积结构，且在该一维残差卷积结构中包含多个用于通过卷积操作来提取信号特征的不同卷积核通路。
[0010]作为本专利技术雷达辐射源个体开集识别方法，进一步地，信号识别模型训练中，首先，利用已标记的信号样本对信号识别模型进行训练，得到闭集的信号识别网络，并通过全连接层获取输出特征激活向量；然后，保留被正确分类的激活向量，并按不同类别组成激活向量集合；接着，计算激活向量集合中每个类别元素下激活向量到激活向量均值的距离集合；最后，将距离集合中的距离值按序排列，选取排序后每一类最大的ε个距离值，并利用极值理论，通过拟合每一类已标记信号样本在特征空间的激活向量均值距离极端值大小的概率密度函数来获取对应已标记信号样本类别的极值理论模型。
[0011]作为本专利技术雷达辐射源个体开集识别方法，进一步地，信号识别模型训练的目标损失函数表示为：其中，N为已标记信号样本数量，F(x
i
)表示全连接层输出的特征向量；和b
i
表示全连接层权重和偏置量；表示第i类信号样本在所属类别的特征空间中心，λ为调节损失权重的超参数。
[0012]作为本专利技术雷达辐射源个体开集识别方法，进一步地，采用欧氏距离度量激活向量到激活向量均值的距离。
[0013]作为本专利技术雷达辐射源个体开集识别方法，进一步地，利用已训练后的信号识别模型来识别待识别雷达辐射源个体信号中，首先，将待识别雷达辐射源个体信号作为模型输入来获取输入信号的激活向量，并计算激活向量和每个已标记信号样本类别激活向量均值的距离；然后，将均值带入对应极值理论模型中，通过极值理论模型得到可靠性分数，并利用可靠性分数来调整激活向量值；最后，通过归一化输入信号的各类概率来识别所属辐射源类别。
[0014]作为本专利技术雷达辐射源个体开集识别方法，进一步地，可靠性分数计算公式表示为：。其中，K、s(j)、v
i
分别表示已知类辐射源种类数、大小排序为j的激活向量分类索引序号、第i个识别样本的激活向量，θ
s(j)
、λ
s(j)
、κ
s(j)
分别表示第
s(j)个极值模型的三个参数。
[0015]作为本专利技术雷达辐射源个体开集识别方法，进一步地，各类信号概率公式表示为：其中，x
i
表示待识别信号，表示待识别信号类别，表示调整后的激活向量值。
[0016]进一步地，本专利技术还提供一种雷达辐射源个体开集识别系统，包含：模型训练模块和信号识别模块，其中，
[0017]模型训练模块，用于通过构建信号识别模型，并利用雷达信号数据库中已标记的信号样本对信号识别模型进行训练，其中，采用雷达信号的瞬态序列作为信号识别模型网络输入，通过信号识别模型网络来提取输入的信号特征并对提取的信号特征进行分类识别；
[0018]信号识别模块，用于将接收机截获的待识别雷达辐射源个体信号作为信号识别模型输入，利用已训练后的信号识别模型来识别待识别雷达辐射源个体信号，若识别为已知类，并输出所属已知类的辐射源名称，若识别为未知类，则将信号标记为未知类，并添加至雷达信号数据库中，以通过人工进行识别标记。
[0019]本专利技术的有益效果：
[0020]本专利技术能够提取辐射源指纹特征，并以此分类已知辐射源设备、同时鉴别未知辐射源；并通过采用一维卷积神经网络提取辐射源指纹特征，不依赖于专家知识，且具有较好的泛化性能；利用SKRe本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种雷达辐射源个体开集识别方法，其特征在于，包含如下内容：构建信号识别模型，并利用雷达信号数据库中已标记的信号样本对信号识别模型进行训练，其中，采用雷达信号的瞬态序列作为信号识别模型网络输入，通过信号识别模型网络来提取输入的信号特征并对提取的信号特征进行分类识别；将接收机截获的待识别雷达辐射源个体信号作为信号识别模型输入，利用已训练后的信号识别模型来识别待识别雷达辐射源个体信号，若识别为已知类，并输出所属已知类的辐射源名称，若识别为未知类，则将信号标记为未知类，并添加至雷达信号数据库中，以通过人工进行识别标记。2.根据权利要求1所述的雷达辐射源个体开集识别方法，其特征在于，信号识别模型采用多尺度ResNet网络，在该多尺度ResNet网络中包含：提取输入多通路信号特征的SK模块，对多通路信号特征进行融合处理的特征融合模块，对融合特征进行平均池化操作来获取特征向量的平均池化层，对特征向量进行维度处理的全连接层，对维度处理后的特征向量进行分类操作来获取各通路系数的softmax层，及将各通路系数与SK模块提取的对应通路信号特征进行融合并确定最终分类识别结果的输出层。3.根据权利要求2所述的雷达辐射源个体开集识别方法，其特征在于，SK模块采用一维残差卷积结构，且在该一维残差卷积结构中包含多个不同大小卷积核，并含有全连接层的选择通路，根据训练过程的损失来调整不同选择通路的权重。4.根据权利要求1所述的雷达辐射源个体开集识别方法，其特征在于，信号识别模型训练中，首先，利用已标记的信号样本对信号识别模型进行训练，得到闭集的信号识别网络，并通过全连接层获取输出特征激活向量；然后，保留被正确分类的激活向量，并按不同类别组成激活向量集合；接着，计算激活向量集合中每个类别元素下激活向量到激活向量均值的距离集合；最后，将距离集合中的距离值按序排列，选取排序后每一类最大的ε个距离值，并利用极值理论，通过拟合每一类已标记信号样本在特征空间的激活向量均值距离极端值大小的概率密度函数来获取对应已标记信号样本类别的极值理论模型。5.根据权利要求1或4所述的雷达辐射源个体开集识别方法，其特征在于，信号识别模型训练的目标损失函数表示为：其中，N为已标记信号样本数量，F(x
i<...

【专利技术属性】
技术研发人员：韩啸，陈世文，陈蒙，杨锦程，东锦鹏，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：