基于循环神经网络的辐射源时频域辐射特性建模和预测方法技术

本发明专利技术公开了一种基于循环神经网络的辐射源时频域辐射特性建模和预测方法，该方法包括以下步骤：构建用于辐射源辐射特性建模的循环神经网络模型；获取测试数据，提取辐射源辐射特性特征，将辐射源辐射特性特征表示为二维向量，构建训练样本数据集合；利用训练样本数据集合训练循环神经网络模型，获得循环神经网络模型各权重参数；输入待预测的未进行测试的辐射源工作频点辐射特性数据，通过训练好的循环神经网络模型进行预测，得到该工作频点的时域辐射特性；利用傅里叶变换，获得该工作频点的频域辐射特性。本发明专利技术能高精度拟合辐射源信号产生、放大等带来的非线性特性和记忆效应，为电子设备电磁兼容和电磁互扰分析中辐射源高精度建模提供基础。高精度建模提供基础。高精度建模提供基础。

【技术实现步骤摘要】
基于循环神经网络的辐射源时频域辐射特性建模和预测方法


[0001]本专利技术涉及电磁兼容
，尤其涉及一种基于循环神经网络的辐射源时频域辐射特性建模和预测方法。

技术介绍

[0002]为了进行电磁兼容性分析，通常需要对雷达、通信设备辐射源时频域辐射特性进行精确建模。对上述设备时频域辐射特性直接进行测试，可以准确反映设备的工作状态和辐射的电磁特性。由于雷达、通信设备的发射频点众多，获取辐射源全部发射频点的时频信号耗时长、难度大且工作频点受到严格管制，很难测试到所有发射频点数据。考虑到辐射源发射通道中因滤波、放大、混频等线性和非线性器件，真实的时频域辐射特性与数模转换前的信号存在非线性效应和记忆效应，且与工作频点相关，完全依赖理论模型建模与实际测试数据存在较大差别，特别是非线性和记忆效应不能高精度表征，导致辐射源辐射频谱的边带特征和时域波形的建模精度不高，影响电子设备电磁兼容和电磁干扰预测准确度。
[0003]神经网络模型在非线性拟合方面有巨大优势，通过众多的神经元，能拟合任意的线性和非线性特征。本专利技术依据测算融合的思想，首次提出利用循环神经网络对辐射源辐射特性进行建模和预测方法，利用辐射源部分工作频点时域辐射特性测试数据训练机器学习中的循环神经网络模型，然后将训练后的模型用于预测辐射源其他工作频点的时域辐射特性，最后通过傅里叶变换获得频域信号。基于循环神经网络模型，高精度拟合辐射源信号产生、放大等带来的非线性特性和记忆效应，为电子设备电磁兼容和电磁互扰分析中辐射源高精度建模提供基础。
专利技术内容
[0004]本专利技术要解决的技术问题在于针对现有技术中的缺陷，提供一种基于循环神经网络的辐射源时频域辐射特性建模和预测方法。
[0005]本专利技术解决其技术问题所采用的技术方案是：
[0006]本专利技术提供一种基于循环神经网络的辐射源时频域辐射特性建模和预测方法，该方法包括以下步骤：
[0007]步骤1、构建用于辐射源辐射特性建模的循环神经网络模型，循环神经网络模型包括三层：输入层、隐藏层和输出层；
[0008]步骤2、获取测试数据，提取辐射源辐射特性特征，将辐射源辐射特性特征表示为二维向量，构建训练样本数据集合；
[0009]步骤3、利用训练样本数据集合训练循环神经网络模型，获得循环神经网络模型各权重参数；
[0010]步骤4、输入待预测的未进行测试的辐射源工作频点辐射特性数据，通过训练好的循环神经网络模型进行预测，得到该工作频点的时域辐射特性；
[0011]步骤5、利用傅里叶变换，获得该工作频点的频域辐射特性。
[0012]进一步地，本专利技术的所述步骤1中，循环神经网络模型输入层的输入端口数量为1个，输出层端口数量为1个，隐藏层的输出通过一个延迟器连接到隐藏层的输入
[0013]进一步地，本专利技术的所述步骤2中，辐射源辐射特性特征是时域序列，以及工作频率；构建的辐射源辐射特性特征为二维向量，包括某一采样时刻对应的时域信号幅值，以及该辐射信号对应的工作频率。
[0014]进一步地，本专利技术的所述步骤2中，构建的样本数据集合，包含输入数据集和目标输出数据集；首次需要对测试数据进行归一化，然后提取个周期的脉冲信号或者一个时隙的连续信号，输入数据集为该脉冲信号或者连续信号对应的时间长度数字域波形，按照特征表示后，为一个2xN维矩阵，输出为1xN维向量，存储提取出的脉冲或者连续信号；为了提高预测精度，对于样本集合中数据工作频点选择覆盖辐射源工作频段的高段、中段和低段。
[0015]进一步地，本专利技术的所述步骤2中，提取辐射源辐射特性特征，构建训练样本数据集合，训练样本数据集合输入为2xN矩阵，表示如下：
[0016][0017]其中，fm代表辐射源中第m个工作频点，辐射源工作频点总数为M，[x
m0
,x
m1
,x
m2
,...,x
mT
]为辐射源某个周期或者某个时隙内按照采样率为f
s
采样的N个离散信号，是原始的数字域调制信号波形，对于雷达辐射源，为线性调频或非线性调频，对于通信辐射源，为正交幅度调制或正交频分复用调制。
[0018]进一步地，本专利技术的训练样本集合的目标输出数据集为1xN向量，表示如下：
[0019]Y＝[y
m0
,y
m1
,y
m2
,...,y
mN
][0020]其中，[y
m0
,y
m1
,y
m2
,...,y
mN
]代表辐射源在第m个工作频点工作时，通过测试获得的一组时域离散信号，且采样率为f
s
，该离散信号的周期或者时隙与输入数据对应。
[0021]进一步地，本专利技术的所述步骤4中，输入待预测的未进行测试的辐射源工作频点辐射特性数据表示如下：
[0022][0023]其中，f
k
代表辐射源中第k个待预测的工作频点，[x
k0
,x
k1
,x
k2
,...,x
kN
]为待预测工作频点对应的原始离散时域信号，该信号调制方式、脉宽、重复周期与训练样本数据集合的输入数据信号可以不同。
[0024]本专利技术产生的有益效果是：本专利技术的基于循环神经网络的辐射源时频域辐射特性建模和预测方法，利用辐射源部分工作频点时域辐射特性测试数据训练机器学习中的循环神经网络模型，然后将训练后的模型用于预测辐射源其他工作频点的时频域辐射特性，本专利技术能高精度拟合辐射源信号产生、放大等带来的非线性特性和记忆效应，为电子设备电磁兼容和电磁互扰分析中辐射源高精度建模提供基础。
附图说明
[0025]下面将结合附图及实施例对本专利技术作进一步说明，附图中：
[0026]图1是本专利技术实施例的基于循环神经网络的辐射源时频域辐射特性建模和预测流程图；
[0027]图2是本专利技术实施例的用于辐射源时频域辐射特性建模和预测的RNN模型结构；
[0028]图3是本专利技术实施例的基于RNN模型的时域波形预测性能比较，(a)时域波形，(b)虚线框中局部放大波形；
[0029]图4是本专利技术实施例的基于RNN模型的频谱预测性能比较，(a)频谱，(b)虚线框中局部放大频谱。
具体实施方式
[0030]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0031]本专利技术实施例的基于循环神经网络的辐射源时频域辐射特性建模和预测方法，依据测算融合的思想，利用辐射源部分工作频点辐射特性测试数据训练机器学习中的循环神经网络模型，然后将训练后的模型用于预测辐射源其他工作频点的辐射特性。基于循环神经网络模型，可以高精度拟合辐射源信号产生、放大等带来的非线性特性和记本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于循环神经网络的辐射源时频域辐射特性建模和预测方法，其特征在于，该方法包括以下步骤：步骤1、构建用于辐射源辐射特性建模的循环神经网络模型，循环神经网络模型包括三层：输入层、隐藏层和输出层；步骤2、获取测试数据，提取辐射源辐射特性特征，将辐射源辐射特性特征表示为二维向量，构建训练样本数据集合；步骤3、利用训练样本数据集合训练循环神经网络模型，获得循环神经网络模型各权重参数；步骤4、输入待预测的未进行测试的辐射源工作频点辐射特性数据，通过训练好的循环神经网络模型进行预测，得到该工作频点的时域辐射特性；步骤5、利用傅里叶变换，获得该工作频点的频域辐射特性。2.根据权利要求1所述的基于循环神经网络的辐射源时频域辐射特性建模和预测方法，其特征在于，所述步骤1中，循环神经网络模型输入层的输入端口数量为1个，输出层端口数量为1个，隐藏层的输出通过一个延迟器连接到隐藏层的输入。3.根据权利要求1所述的基于循环神经网络的辐射源时频域辐射特性建模和预测方法，其特征在于，所述步骤2中，辐射源辐射特性特征是时域序列，以及工作频率；构建的辐射源辐射特性特征为二维向量，包括某一采样时刻对应的时域信号幅值，以及该辐射信号对应的工作频率。4.根据权利要求3所述的基于循环神经网络的辐射源时频域辐射特性建模和预测方法，其特征在于，所述步骤2中，构建的样本数据集合，包含输入数据集和目标输出数据集；首次需要对测试数据进行归一化，然后提取个周期的脉冲信号或者一个时隙的连续信号，输入数据集为该脉冲信号或者连续信号对应的时间长度数字域波形，按照特征表示后，为一个2xN维矩阵，输出为1xN维向量，存储提取出的脉冲或者连续信号；为了提高预测精度，对于样本集合中数据工作频点选择覆盖辐射源工作频段的高段、中段和低段。5.根据权利要求4所述的基于循环神经网络的辐射源时频域辐射特性建模和预测方法，其特征在于，所述步骤2中，提取辐射源辐射特性特征，构建...

【专利技术属性】
技术研发人员：陶理，王之立，王硕威，谭辉，
申请(专利权)人：中国舰船研究设计中心，
类型：发明
国别省市：