一种双分量雷达信号分类模型构建方法

1.本发明涉及一种双分量雷达信号分类模型构建方法，属于深度学习和信号处理技术领域。


背景技术：

2.雷达信号脉内调制识别在电子支援、电子侦察、电子情报、电子攻击等现代电子战系统中起着至关重要的作用。信号处理系统可能会受到多个潜在干扰信号的显著影响，在实际应用中，这些干扰信号很容易构成信号交叠。而且，只要能够自动识别多分量雷达信号的脉内调制，就可以采取适当有效的抗干扰措施，保证信号处理系统的整体性能。因此，多分量雷达信号的脉内调制识别是实施有效电子对抗行动的重要一步。
3.以往对雷达信号脉内调制识别的研究主要集中在单分量信号上。然而，为了进一步识别复杂电磁环境中的复合信号，研究了多分量信号分离方法。首先分离接收到的复合信号的不同分量，然后采用传统的单分量信号识别方法对每个分离分量信号的调制进行分类。一些研究者提出了基于盲源分离、时频图像处理、参数化时频分析的多分量信号分离方法。近年来，随着人工智能的发展，雷达信号的脉内调制出现了基于深度学习的多分量识别方法，在识别过程中没有采用分离方法。然而，近年来对多分量雷达信号识别的研究很少，目前的识别精度还很低，特别是在低信噪比下。针对这一缺陷，提出了一种基于深度卷积神经网络的双分量雷达信号脉内调制识别方法，以提高识别性能。


技术实现要素：

4.本发明的目的在于克服现有技术存在的不足，提供一种能更充分提取双分量雷达信号的特征；采用多类别分类器；在低信噪比下识别精度高的基于深度卷积神经网络的双分量雷达信号分类模型构建方法。
5.本发明的目的是这样实现的：包括以下步骤：
6.步骤1：制作双分量雷达信号数据集；
7.步骤2：构建一种基于深度卷积神经网络的双分量雷达信号学习框架；
8.步骤3：设计超参数并对网络模型进行优化；
9.步骤4：构建一种多类别分类器，用于识别八类随机交叠的双分量雷达信号类别。
10.本发明还包括这样一些结构特征：
11.1.所述步骤1包括以下处理：
12.(1)采用改进的平滑伪wigner
‑
ville分布(spwvd)将双分量雷达信号转换为时频图像，其数学表达式为：
[0013][0014]
其中，spwvd
z
(t,ω)表示获得的时频转换结果，*指复共轭，ψ(t,τ)和φ(τ,μ)指设计的窗函数，分别定义为：
[0015][0016][0017]
(2)通过改进的spwvd时频转换，得到28类随机交叠的双分量雷达信号，将转换的时频图像制作双分量雷达信号数据集，包括训练集、验证集和测试集。
[0018]
2.所述步骤2包括以下处理：
[0019]
(1)构建的深度卷积神经网络模型由两个卷积层、16个移动翻转瓶颈卷积块和一个全局平均池化层组成；
[0020]
(2)将步骤1中生成的训练集输入到构建的深度卷积神经网络模型中进行双分量雷达信号特征提取。
[0021]
3.所述步骤3包括以下处理：
[0022]
(1)超参数：mini
‑
batch设置为128，epochs设置为60，epsilon和momentum分别设置为0.001和0.01，学习率设置为0.01；为了防止过拟合，采用权重衰减项，并设置为1e
‑
5；
[0023]
(2)采用adam算法对网络参数进行优化训练。
[0024]
4.所述步骤4包括以下处理：
[0025]
(1)采用具有逻辑损失的二元交叉熵作为损失函数，将sigmoid层和二元交叉熵损失结合在一个分量中；将运算合并到一层的方法比使用简单的sigmoid加上二元交叉熵损失的方法在数值上更稳定；利用对数和经验技巧来保证数值稳定性；损失函数定义为：
[0026]
l
c
＝{l
1,c
,
···
,l
n,c
}
t
(c∈1,2,
···
,8)
[0027]
其中，n是在每个批中的样本数，c指类别数，l
n,c
定义为：
[0028]
l
n,c
＝
‑
w
n,c
[p
c
y
n,c
·
logσ(x
n,c
)+(1
‑
y
n,c
)
·
logσ(x
n,c
)]
[0029]
其中，p
c
表示判断为正确类别c的权重，y
n,c
表示真实信号的标签，σ(x
n,c
)表示第n个标签的可能性输出，定义为：
[0030][0031]
(2)将步骤3中生成的特征图输入到构建的多类别分类器中进行双分量雷达信号分类，从而准确获得八类雷达信号的分类结果。
[0032]
与现有技术相比，本发明的有益效果是：本发明构建的基于深度卷积神经网络的双分量雷达信号学习框架，可以更充分的提取八类随机交叠的双分量雷达信号特征；设计的多类别分类器用于分类双分量雷达信号的类别；相比其它方法，提出的分类方法能够准确、快速地识别双分量雷达信号。
附图说明
[0033]
图1是本发明设计的基于深度卷积神经网络的双分量雷达信号分类方法框架图；
[0034]
图2是本发明设计的深度卷积神经网络的模型结构图；
[0035]
图3是本发明中的网络模型对雷达信号分类的仿真实验结果图。
具体实施方式
[0036]
下面结合附图与具体实施方式对本发明作进一步详细描述。
[0037]
结合图1
‑
3，本发明采用如下技术方案：
[0038]
步骤(1).制作双分量雷达信号数据集:
[0039]
采用改进的平滑伪wigner
‑
ville分布(spwvd)将双分量雷达信号转换为时频图像，其数学表达式为：
[0040][0041]
其中，spwvd
z
(t,ω)表示获得的时频转换结果，*指复共轭，ψ(t,τ)和φ(τ,μ)指设计的窗函数，分别定义为：
[0042][0043][0044]
x(t)表示r(t)的解析信号，定义为：
[0045]
x(t)＝r(t)+jh[r(t)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0046]
其中，h[
·
]代表希尔伯特变换。
[0047]
通过改进的spwvd时频转换，得到28类随机交叠的双分量雷达信号，将转换的时频图像制作双分量雷达信号数据集，包括训练集、验证集和测试集。
[0048]
步骤(2).构建一种基于深度卷积神经网络的双分量雷达信号学习框架:
[0049]
构建的深度卷积神经网络模型由两个卷积层、16个移动翻转瓶颈卷积块和一个全局平均池化层组成。其中，第一个卷积层的卷积核大小为3
×
3；一个移动翻转瓶颈卷积块的扩展比为1，卷积核大小为3
×
3；两个移动反向瓶颈卷积块的扩展比为6，卷积核大小为3
×
3；两个移动翻转瓶颈卷积块的扩展比为6，卷积核大小为5
×
5；三个移动翻转瓶颈卷积块的扩展比为6，卷积核大小为3
×
3；七个移动翻转瓶颈卷积块的扩展比为6，卷积核大小为5
×
5；一个移动翻转瓶颈卷积块的扩展比为6，卷积核大小为3
×
3；第二个卷积层的卷积核大小为1
×
1；一个全局平均池化层的核大小为7
×
7。其中，移动翻转瓶颈卷积块的作用增强了网络模块之间的连接，降低了特征传输的损耗，从而提高了特征的可重复性。
[0050]
将步骤(1)中生成的训练集输入到构建的深度卷积神经网络模型中进行双分量雷达信号特征提取。
[0051]
步骤(3).设计超参数并对网络模型进行优化：
[0052]
超参数：mini
‑
batch设置为128，epochs设置为60，epsilon和momentum分别设置为0.001和0.01，学习率设置为0.01。为了防止过拟合，采用权重衰减项，并设置为1e
‑
5。
[0053]
采用adam算法对网络参数进行优化训练。
[0054]
步骤(4).构建一种多类别分类器，用于识别八类随机交叠的双分量雷达信号类别:
[0055]
采用具有逻辑损失的二元交叉熵作为损失函数，将sigmoid层和二元交叉熵损失结合在一个分量中。将运算合并到一层的方法比使用简单的sigmoid加上二元交叉熵损失的方法在数值上更稳定。利用对数和经验技巧来保证数值稳定性。损失函数定义为：
[0056]
l
c
＝{l
1,c
,
···
,l
n,c
}
t
(c∈1,2,
···
,8)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0057]
其中，n是在每个批中的样本数，c指类别数，l
n,c
定义为：
[0058]
l
n,c
＝
‑
w
n,c
[p
c
y
n,c
·
logσ(x
n,c
)+(1
‑
y
n,c
)
·
logσ(x
n,c
)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0059]
其中，p
c
是判断为正确类别c的权重，y
n,c
表示真实信号的标签，σ(x
n,c
)指第n个标签的可能性输出，定义为：
[0060][0061]
将步骤(3)中生成的特征图输入到构建的多类别分类器中进行双分量雷达信号分类，从而准确获得八类雷达信号的分类结果。
[0062]
本发明设计的基于深度卷积神经网络的双分量雷达信号分类方法总体架构如图1所示。首先利用改进的spwvd技术对雷达信号进行二维时频转换，对时频转换后的图像进行预处理，得到双分量雷达信号数据集。然后，将数据集输入到构建的深度卷积神经网络中进行双分量雷达信号特征提取。然后，将提取的特征图输入到多类别分类器中，从而准确获得八类雷达信号的分类结果。
[0063]
如图2所示是本发明设计的深度卷积神经网络的结构图。由图2可知，构建的网络模型主要包括两个卷积层、16个移动翻转瓶颈卷积块和一个全局平均池化层。其中，第一个卷积层的卷积核大小为3
×
3；一个移动翻转瓶颈卷积块的扩展比为1，卷积核大小为3
×
3；两个移动反向瓶颈卷积块的扩展比为6，卷积核大小为3
×
3；两个移动翻转瓶颈卷积块的扩展比为6，卷积核大小为5
×
5；三个移动翻转瓶颈卷积块的扩展比为6，卷积核大小为3
×
3；七个移动翻转瓶颈卷积块的扩展比为6，卷积核大小为5
×
5；一个移动翻转瓶颈卷积块的扩展比为6，卷积核大小为3
×
3；第二个卷积层的卷积核大小为1
×
1；一个全局平均池化层的核大小为7
×
7。其中，移动翻转瓶颈卷积块的作用增强了网络模块之间的连接，降低了特征传输的损耗，从而提高了特征的可重复性。
[0064]
如图3所示是本发明构建的网络模型对雷达信号分类的仿真实验结果图。为了评价提出方法dcnn的识别性能，将其与cnn
‑
softmax和cnn
‑
dqln(z.qu,c.hou,c.hou,and w.wang,“radar signal intra
‑
pulse modulation recognition based on convolutional neural network and deep q
‑
learning network,”ieee access,vol.8,pp.49125
‑
49136,mar.2020)对双分量雷达信号的平均识别精度进行了比较。由图3可知，dcnn、cnn
‑
softmax和cnn
‑
dqln的识别准确率首先快速增加，然后随着信噪比的增加趋于平稳。并且dcnn的识别精度的增加趋势明显快于其他方法，特别是在低信噪比下。在
‑
10db条件下，提出方法的识别率可达83.4％，而cnn
‑
softmax和cnn
‑
dqln的识别率仅为26.5％和37.4％。此外，在
‑
2db条件下，对于dcnn、cnn
‑
softmax和cnn
‑
dqln，其识别率可达100％、93.7％和98.6％。因此，本发明提出的基于深度卷积神经网络的网络模型比cnn
‑
softmax和cnn
‑
dqln具有更好的识别性能，特别是在较低的信噪比下。这是因为该模型具有很强的特征提取和分类能力。
[0065]
综上，本发明涉及一种基于深度卷积神经网络的双分量雷达信号分类模型构建方法。该方法首先采用改进的平滑伪wigner
‑
ville分布(spwvd)将双分量雷达信号转换为时频图像，制作数据集，包括训练集、验证集和测试集；构建一种基于深度卷积神经网络的双分量雷达信号学习框架，用于提取八类双分量雷达信号特征；设计超参数防止过拟合并对
网络模型进行优化；构建一种多类别分类器，用于分类八类随机交叠的双分量雷达信号类别。本发明提出利用深度卷积神经网络提取更有效的双分量雷达信号特征，采用多类别分类器准确和快速的识别双分量雷达信号，可用于复杂电磁环境下的双分量雷达信号识别。