基于迁移成分分析的实测雷达辐射源脉内调制识别方法技术

本发明专利技术公开了一种基于迁移成分分析的实测雷达辐射源脉内调制识别方法，包括：根据雷达信号模型生成仿真雷达辐射源信号；对仿真雷达辐射源信号和实测雷达辐射源信号进行预处理；对预处理后的仿真、实测雷达辐射源信号提取带宽、谱峰个数、相对峰值差和频谱熵特征，组成仿真、实测四维特征向量；利用迁移成分分析方法，将仿真四维特征向量和实测四维特征向量映射到同一隐藏空间，获取仿真信号的隐域特征和实测信号的隐域特征；利用仿真信号的隐域特征向量对支持向量机SVM模型进行训练，得到训练好的SVM模型；将实测信号的隐域特征向量输入训练好的SVM模型，根据模型的输出，确定实测雷达辐射源脉内调制识别结果。雷达辐射源脉内调制识别结果。雷达辐射源脉内调制识别结果。

【技术实现步骤摘要】
基于迁移成分分析的实测雷达辐射源脉内调制识别方法


[0001]本专利技术涉及一种基于迁移成分分析的实测雷达辐射源脉内调制识别方法，属于雷达脉内调制识别领域。

技术介绍

[0002]随着军事雷达技术和机器学习的强劲发展，机器学习在军事雷达领域的应用也越来越广泛和深入，精准的脉内调制识别方法在电子对抗领域的作用。获取对方信号的调制方式，为接收机后续的参数估计、脉冲串分选以及辐射源识别算法提供方向和依据。以使本方雷达系统能够实时地获取敌方雷达信息，指导本方作战系统完成对敌方雷达的电磁欺骗、干扰、压制、控制、摧毁等操作，从而取得雷达战的胜利。如何借助机器学习提高雷达辐射源信号脉内调制识别精度已经成为雷达侦察接收机的研究热点。
[0003]针对雷达辐射源信号脉内调制识别的研究，已有学者给出了多种方法和思路，2018年，蒋兵等人针对雷达辐射源信号脉内调制类型多样且识别成功率较低的问题，通过提取雷达辐射源信号的瞬时频率特征，提出一种基于概率神经网络(Probabilistic Neural Network,PNN)的雷达辐射源信号快速脉内调制识别算法，大幅提高其识别效率。2020年，秦鑫等人提出了一种基于时频分析和扩张残差网络的辐射源信号自动识别方法，通过时频分析将信号时域波形转换成二维时频图像以反映信号本质特征，构建扩张残差网络以自动提取信号时频图像特征，实现雷达辐射源信号的分类识别。同年，李东瑾等人提出了一种基于核空间时频特征与栈式稀疏降噪自编码网络的识别系统，通过时频变换、稀疏域降噪和核空间降维投影降低噪声干扰和特征冗余，基于降噪自编码与稀疏自编码思想构建栈式稀疏降噪自编码识别网络，有效地解决了辐射源识别中噪声敏感和识别能力不足等问题。2021年，樊依晨等人选取信号的差分近似熵、信息维数、最大奇异值、频域偏度特征以及调和平均盒维数五类抗噪性能较好的特征，提出基于SVM的五维联合特征的雷达辐射源信号脉内调制识别方法。上述这些方法都是针对模拟的雷达辐射源信号进行脉内调制识别，而面对能量弱、波形失真、干扰复杂的实测雷达辐射源信号时，如果仍然采用上述算法直接对实测的雷达辐射源信号进行训练和识别，难以达到预期效果；或者使用上述算法采用模拟信号训练模型参数，然后对实测信号进行脉内调制识别，也难以获得令人满意的识别效果。

技术实现思路

[0004]为了解决实测的雷达辐射源信号在脉内识别中面临的训练样本有限、识别准确率低等难题，本专利技术采用跨域特征映射的方法，借助迁移成分分析(Transfer Component Analysis,TCA)方法来实现对实测雷达辐射源信号的有效识别。TCA是一种用于减少源域与目标域之间距离的算法，在再现核希尔伯特空间的帮助下，它使用最大均值偏差嵌入法(Maximum Mean Disprepancy Embedding,MMDE)将源域和目标域的特征数据嵌入到一个共享的隐藏空间，使源域与目标域的特征数据分布非常接近，TCA解决了源域与目标域不共享
分布的问题。
[0005]在本专利技术中，在对实测的雷达辐射源信号的脉内调制识别处理时，可以将仿真信号的特征作为源域特征，将实测信号的特征作为目标域特征，引入TCA来解决跨域特征映射问题，解决了实测的辐射源信号特征偏离仿真辐射源信号特征问题。用仿真信号的隐域特征训练SVM模型，将实测信号的隐域特征送入已训练好的SVM模型来识别实测信号的脉内调制类型。
[0006]为解决上述技术问题，本专利技术采用了如下技术手段：
[0007]第一方面，本专利技术提出一种基于迁移成分分析的实测雷达辐射源脉内调制识别方法，包括：
[0008]根据雷达信号模型生成仿真雷达辐射源信号；
[0009]对仿真雷达辐射源信号和实测雷达辐射源信号进行预处理；
[0010]对预处理后的仿真雷达辐射源信号提取带宽、谱峰个数、相对峰值差和频谱熵特征，组成仿真四维特征向量，对预处理后的实测雷达辐射源信号提取带宽、谱峰个数、相对峰值差和频谱熵特征，组成实测四维特征向量；
[0011]利用迁移成分分析TCA方法，将仿真四维特征向量和实测四维特征向量映射到同一隐藏空间，分别获取仿真信号的隐域特征和实测信号的隐域特征；
[0012]利用仿真信号的隐域特征向量对支持向量机SVM模型进行训练，得到训练好的SVM模型；
[0013]将实测信号的隐域特征向量输入训练好的SVM模型，根据所述SVM模型的输出，确定实测雷达辐射源脉内调制识别结果。
[0014]在一些实施例中，根据雷达信号模型生成仿真雷达辐射源信号，包括：雷达信号模型包括单载频信号模型、线性调频信号模型和二项编码信号模型；
[0015]常规信号是一种单载频信号，没有经过任何相位以及频率上的调制，只有一个固定的载频，单载频信号模型如下：
[0016][0017]式中，A为幅度，f0为信号载频，为初始相位，Ts为脉冲时间间隔，j表示复数，n表示信号所取的离散点；
[0018]线性调频信号是一种脉内频率调制信号，其频率随时间线性变化，线性调频信号模型如下：
[0019][0020]式中，A为幅度，f0为信号载频，μ为调频斜率，B为带宽，T为脉冲宽度，Ts为脉冲时间间隔，为初始相位；
[0021]二相编码信号是一种载频固定不变，利用子脉冲相位变化进行调制的一种信号，二项编码信号模型如下：
[0022][0023]其中，A为幅度，f0为信号载频，为相位调制函数，为初始相位，T为脉冲宽
度，Ts为脉冲时间间隔；二相编码时取0或者π，采用的调相码包括：巴克码、组合巴克码、互补码、M序列码、L序列码。
[0024]进一步地，所述仿真雷达辐射源信号的信号载频f0皆为10MHz，采样频率f
s
为20MHz。
[0025]在一些实施例中，对仿真雷达辐射源信号进行预处理，包括：
[0026]对仿真雷达辐射源信号f(n),n＝0,1,2,
…
,N
‑
1进行FFT变换，将频谱的最大值对应的频率坐标位置调整到频率轴的中心，对频谱信号进行平移截取后，幅度归一化得到频谱信号其中N为频谱信号序列的长度，N＝8192。
[0027]在一些实施例中，对实测雷达辐射源信号进行预处理，包括：
[0028]对实测雷达辐射源信号f
real
(n)进行希尔伯特变换、去除静态分量、去除镜频成分、调整幅度、平移谱峰位置、频谱幅度归一化处理得到归一化后的频谱
[0029]第一步：希尔伯特变换；
[0030]通过希尔伯特变换将实测雷达辐射源信号f
real
(n)转变成复信号f(n)：
[0031]f
imag
(n)＝Hilbert{f
real
(n)},n＝0,1,2,
…
,N
‑1[0032]f(n)＝f
real
(n)+i
×
f
imag...

【技术保护点】

【技术特征摘要】
1.一种基于迁移成分分析的实测雷达辐射源脉内调制识别方法，其特征在于，包括：根据雷达信号模型生成仿真雷达辐射源信号；对仿真雷达辐射源信号和实测雷达辐射源信号进行预处理；对预处理后的仿真雷达辐射源信号提取带宽、谱峰个数、相对峰值差和频谱熵特征，组成仿真四维特征向量，对预处理后的实测雷达辐射源信号提取带宽、谱峰个数、相对峰值差和频谱熵特征，组成实测四维特征向量；利用迁移成分分析TCA方法，将仿真四维特征向量和实测四维特征向量映射到同一隐藏空间，分别获取仿真信号的隐域特征和实测信号的隐域特征；利用仿真信号的隐域特征向量对支持向量机SVM模型进行训练，得到训练好的SVM模型；将实测信号的隐域特征向量输入训练好的SVM模型，根据所述SVM模型的输出，确定实测雷达辐射源脉内调制识别结果。2.根据权利要求1所述的基于迁移成分分析的实测雷达辐射源脉内调制识别方法，其特征在于，根据雷达信号模型生成仿真雷达辐射源信号，包括：雷达信号模型包括单载频信号模型、线性调频信号模型和二项编码信号模型；常规信号是一种单载频信号，没有经过任何相位以及频率上的调制，只有一个固定的载频，单载频信号模型如下：式中，A为幅度，f0为信号载频，为初始相位，Ts为脉冲时间间隔，j表示复数，n表示信号所取的离散点；线性调频信号是一种脉内频率调制信号，其频率随时间线性变化，线性调频信号模型如下：式中，A为幅度，f0为信号载频，μ为调频斜率，B为带宽，T为脉冲宽度，Ts为脉冲时间间隔，为初始相位；二相编码信号是一种载频固定不变，利用子脉冲相位变化进行调制的一种信号，二项编码信号模型如下：其中，A为幅度，f0为信号载频，为相位调制函数，为初始相位，T为脉冲宽度，Ts为脉冲时间间隔；二相编码时取0或者π，采用的调相码包括：巴克码、组合巴克码、互补码、M序列码、L序列码。3.根据权利要求1或2所述的基于迁移成分分析的实测雷达辐射源脉内调制识别方法，其特征在于，所述仿真雷达辐射源信号的信号载频f0皆为10MHz，采样频率f
s
为20MHz。4.根据权利要求1所述的基于迁移成分分析的实测雷达辐射源脉内调制识别方法，其特征在于，对仿真雷达辐射源信号进行预处理，包括：
对仿真雷达辐射源信号f(n),n＝0,1,2,
…
,N
‑
1进行FFT变换，将频谱的最大值对应的频率坐标位置调整到频率轴的中心，对频谱信号进行平移截取后，幅度归一化得到频谱信号其中N为频谱信号序列的长度，N＝8192。5.根据权利要求1所述的基于迁移成分分析的实测雷达辐射源脉内调制识别方法，其特征在于，对实测雷达辐射源信号进行预处理，包括：对实测雷达辐射源信号f
real
(n)进行希尔伯特变换、去除静态分量、去除镜频成分、调整幅度、平移谱峰位置、频谱幅度归一化处理得到归一化后的频谱第一步：希尔伯特变换；通过希尔伯特变换将实测雷达辐射源信号f
real
(n)转变成复信号f(n)：f
imag
(n)＝Hilbert{f
real
(n)},n＝0,1,2,
…
,N
‑
1f(n)＝f
real
(n)+i
×
f
imag
(n),n＝0,1,2,
…
,N
‑
1其中，Hilbert{f}为对信号f进行希尔伯特变换，i为虚单位，f
imag
(n),n＝0,1,2,
…
,N
‑
1为虚部，f
real
(n),n＝0,1,2,
…
,N
‑
1为实部，N为样本采集点个数；第二步：去除静态分量；将复信号f(n),n＝0,1,2,
…
,N
‑
1进行N点FFT变换，并用中心频率周围的邻近频谱值替换中心点频谱值；换中心点频谱值；其中，F(k)为f(n)的频谱，为中心频率的频谱值被替换后的新频谱，k1为一给定值；第三步：去除镜频成分，并调整幅度；保留中在频率范围为[N/2
‑
k2,3N/4+k2]的频谱值；将频率范围[N/2
‑
k2,3N/4+k2]以外的频点的值设为随机噪声，其中，随机噪声的幅度调整为的平均幅度的κ倍，去除实测数据中的重复频率；其中，和Randn(k)分别为的平均幅度和随机噪声，为去除镜频分量并调整幅度后的新频谱，κ为设定的随机噪声的幅度调整值，k2为一给定的值；第四步：将谱峰位置平移到频谱的正中间；将长度为N的频谱值复制三次，拼接成一个长度为3N的频谱，将谱峰最大值对应的频率坐标位置调整到频率轴的中心，并截取N点长度的记为
其中，n'为的谱峰最大值对应的频点位置，为拼接长为3N的频谱，为截取长度为N点后的频谱，k'＝0,
…
,N
‑
1；第五步：频谱幅度归一化；将每一个频谱值除以频谱的最大值，即：得到归一化后的频谱6.根据权利要求1所述的基于迁移成分分析的实测雷达辐射源脉内调制识别方法，其特征在于，对预处理后的仿真雷达辐射源信号提取带宽、谱峰个数、相对峰值差和频谱熵特征，组成仿真四维特征向量，对预处理后的实测雷达辐射源信号提取带宽、谱峰个数、相对峰值差和频谱熵特征，组成实测四维特征向量；包括：(1)带宽Bw是大于等于频谱峰值η倍对应的频谱宽度，即：其中，F
f
是大于等于频谱峰值η倍的频谱幅值，f
L
,f
H
分别为带宽中的最低频率点、最高频率点，则带宽Bw为：Bw＝f
H
‑
f
L
(2)谱峰个数是根据带宽Bw内频谱的尖峰个数确定的，谱峰个数num定义为：num＝#F
f
,f∈[f
L
,f
H
]其中，#表示谱峰个数；(3)相对峰值差...

【专利技术属性】
技术研发人员：时艳玲，贾邦玲，陶平，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：