基于多标签分类网络的多分量干扰信号识别方法技术

本发明专利技术提供一种基于多标签分类网络的多分量干扰信号识别方法，将一维干扰信号经过时频变换转换成时频图像，利用MobileViT

【技术实现步骤摘要】
基于多标签分类网络的多分量干扰信号识别方法


[0001]本专利技术涉及一种基于多标签分类网络的多分量干扰信号识别方法，属于雷达干扰信号识别领域。

技术介绍

[0002]随着不同辐射源数量的增加，电磁环境变得愈发复杂，信号密度大，脉冲序列交织程度高，频谱上甚至出现激烈的争夺与对抗。雷达可能接收到多个有意或无意的干扰信号，这些干扰信号在时域或频域上发生混叠形成多分量干扰信号。由于接收到的混合信号可能存在的干扰种类未知、数量未知，往往会对雷达探测带来较大的影响。为了更有效和更有针对性的采取抗干扰措施，需要对雷达回波中可能存在的未知干扰信号进行准确迅速的样式识别，从而保证雷达的工作性能。
[0003]通过对现有技术文献的检索发现，瞿启哲等在《IEEE Transactions on Vehicular Technology》(2020,69(12):15035
‑
45)上发表的“JRNet:Jamming Recognition Networks for Radar Compound Suppression Jamming Signals”利用干扰信号的显著功率谱特征，提出一种基于鲁棒功率谱特征的干扰识别网络，提高对细微特征的识别能力。但是该方法只考虑了固定几种组合干扰类型，讨论的干扰类型有限。朱孟涛等在《Signal Processing》上发表的“Automatic modulation recognition of compound signals using a deep multi
>‑
label classifier:A case study with radar jamming signals”提出了一种新的基于深度多标签学习的复合信号信号框架，将多标签分类方法应用于复合雷达干扰信号的识别研究。虽然对不可见信号组合具有较好的可扩展性，但由于没有对网络进行深度挖掘导致其性能有所欠缺。
[0004]已有文献检索结果表明，现有对于多分量干扰样式识别算法主要通过基于多类别分类的方法进行识别。虽然在有些领域能取得一定结果，但可扩展性差，只能识别固定类型的多分量干扰信号，并且随着干扰类型的增加，对其识别准确率会有一定的影响。而已有的多标签分类方法对信号特征的挖掘深度不够，因此提出了一种基于多标签分类网络的多分量干扰信号识别方法，其通过将干扰信号转换为二维时频图像，通过ML
‑
SGMViTv2网络提取干扰信号全局特征用于分类，精确度更高，可扩展性更强，解决了当前雷达多分量干扰信号识别的应用局限。

技术实现思路

[0005]针对现有干扰信号识别算法的缺点和不足，本专利技术设计了一种基于ML
‑
SGMViTv2的多标签分类网络的多分量干扰信号识别方法，将一维干扰信号经过时频变换转换成时频图像，利用MobileViT
‑
v2模块的全局特征提取能力对多分量干扰信号进行高效分类识别。此专利技术解决了当前多类别分类网络对训练集中未曾出现的信号组合无法识别的问题，对训练样本数的要求较低，突破了现有的雷达有源干扰识别方法的应用局限。
[0006]本专利技术的目的是这样实现的：主要包括如下步骤：
[0007]步骤一：获取由雷达回波信号和多个干扰信号线性叠加形成的多分量干扰信号表示构成单一干扰信号分量的个数，最多由q种干扰分量构成，J
i
(n)表示接收到的干扰信号，A
i
为通过环境传播时调制的振幅系数，awgn(n)表示加性高斯白噪声，x
t
(n)表示真实目标回波信号。
[0008]步骤二：对多分量干扰信号进行预处理。首先对多分量干扰信号进行时频变换，得到其时间
‑
频率联合分布图像X(t,ω)，
[0009][0010]其中，ω表示频率，h(τ
‑
t)为分析窗函数。
[0011]步骤三：将训练集输入多标签分类网络进行训练：
[0012]所述的多标签分类网络包括MobileViT
‑
v2模块、SandGlass模块、全局平均池化模块、全连接层和多阈值优化模块，损失函数设定为二元交叉熵函数；
[0013]步骤三一：将训练集时频图像输入所提出的ML
‑
SGMViTv2网络，利用MobileViT
‑
v2模块提取信号的全局特征，并通过SandGlass模块去除冗余信息，降低模型参数，得到全局特征矩阵F；
[0014]步骤三二：将全局特征矩阵F输入全局平均池化模块层中，得到AvgPool(F)；将AvgPool(F)输入值全连接层中得到信号全局特征向量G
q
[0015]G
q
＝FC(AvgPool(F))
[0016][0017]其中，FC代表全连接层操作，H,W为特征矩阵F的行和列值，F(i,j)代表特征矩阵F第i行，第j列的元素。
[0018]步骤三三：利用Sigmoid函数作为激活函数，其将一个实值输出z转换为范围为(0,1)的概率输出。将全局特征向量G
q
输入至Sigmoid函数分类层中，第j个输出标签的Sigmoid层的输出p
j
计算为
[0019][0020]其中，g
j
为全局特征向量的第j个元素，q为全连接层的输出节点数。
[0021]步骤三四：采用二元交叉熵作为损失函数，分别对q个输出标签进行独立计算：
[0022]V(p
j
，t
j
)＝
‑
t
j
log(p
j
)
‑
(1
‑
t
j
)log(1
‑
P
j
)，j＝1,2，
…
，q
[0023]其中p
j
表示ML
‑
SGMViTv2模型对第j个标签的输出，t
j
表示其对应的真实标签。
[0024]步骤三五：利用梯度下降法以及余弦退火算法对ML
‑
SGMViTv2网络进行优化。
[0025]步骤四：根据输出结果对判定阈值进行优化：
[0026]阈值策略会极大地影响多标签分类器的性能，因此采用多阈值策略。该步骤根据训练样本X的输入标签向量T和经过特征提取后得到的输出概率向量P，将阈值校准视为一个优化问题，对多阈值向量M进行优化。由l个训练样本诱导第j个标签的阈值如下：
[0027][0028]式中，y
ij
，t
ij
∈(0，1)分别表示训练样本s
i
的第j个标签的决策标签和真实标签。
[0029]步骤五：将测试集输入训练好的多标签分类网络中，得到输入信号中包含的干扰信号分量。
[0030]与现有技术相比，本专利技术的有益效果是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多标签分类网络的多分量干扰信号识别方法，其特征在于，步骤如下：步骤一：获取由雷达回波信号和多个干扰信号线性叠加形成的多分量干扰信号表示构成单一干扰信号分量的个数，最多由q种干扰分量构成，J
i
(n)表示接收到的干扰信号，A
i
为通过环境传播时调制的振幅系数，awgn(n)表示加性高斯白噪声，x
t
(n)表示真实目标回波信号；步骤二：对多分量干扰信号进行预处理；对多分量干扰信号进行时频变换，得到其时间
‑
频率联合分布图像X(t,ω)，其中，ω表示频率，h(τ
‑
t)为分析窗函数；步骤三：将训练集输入多标签分类网络进行训练：多标签分类网络包括MobileViT
‑
v2模块、SandGlass模块、全局平均池化模块、全连接层和多阈值优化模块，损失函数设定为二元交叉熵函数；步骤四：根据输出结果对判定阈值进行优化：根据训练样本X的输入标签向量T和经过特征提取后得到的输出概率向量P，将阈值校准视为一个优化问题，对多阈值向量M进行优化；由l个训练样本诱导第j个标签的阈值如下:式中，y
ij
,t
ij
∈(0,1)分别表示训练样本s
i
的第j个标签的决策标签和真实标签；步骤五：将测试集输入训练好的多标签分类网络中，得到输入信号中包含的干扰信号分量。2.根据权利要求1所述的基于多标签分类网络的多分量干扰信号识别方法，其特征在于，步骤三包括：步骤三一：将训练集时频图像输入所提出的ML
‑
SGMViTv2网络，利用MobileViT
‑
v2...

【专利技术属性】
技术研发人员：肖易寒，张瑞，陈涛，郭立民，蒋伊琳，宋柯，于祥祯，
申请(专利权)人：上海无线电设备研究所，
类型：发明
国别省市：