基于深度学习和多任务学习策略的雷达辐射源识别方法与流程

本发明涉及信号处理技术领域，特别涉及一种雷达辐射源识别方法，可用于电子情报侦察、电子支援侦察和雷达威胁告警系统。

背景技术：

雷达辐射源信号是经过特征提取，通过卷积神经网络表征其个体特征，为了防止网络过拟合，引入多任务学习和随机失活策略，从而唯一准确地识别个体辐射源。

雷达辐射源识别是电子情报侦察elint、电子支援侦察esm和雷达威胁告警rwr系统中的关键处理过程，也是电子干扰的前提和基础，其识别水平是衡量雷达对抗设备技术先进程度的重要标志。随着雷达技术的迅速发展和现代电子对抗水平的不断提高，雷达辐射源识别系统正面临新的挑战。辐射源信号的复杂性是其中最主要的挑战之一，体现在三个方面：一是雷达辐射源信号不断增加的覆盖频率导致未知的雷达信号种类和数量越来越多；二是随着雷达技术水平的提高，大量复杂体制雷达开始出现，产生的雷达辐射源信号形式复杂，频率多变；三是由于雷达辐射源不断增宽的工作频段和日益复杂的工作体制，不同雷达辐射源的频段和时域上互有重叠。

通过接收未知雷达辐射源发射的信号，分析其个体特征，从而唯一地识别个体辐射源，雷达辐射源识别过程大致分三步：

⑴雷达信号预处理。例如：数据滤波降噪、多径信号判别、脉冲归一化和数据对齐等；

⑵特征分析、提取和优化。例如：指纹特征的表征与提取、特征矢量构造、特征优化、特征库建立与更新等；

⑶分类器设计方法。例如：多种适用于工程应用的分类器设计等；

然而，当使用传统方法对复杂多变的雷达辐射源信号提取特征，再利用svm、elm等经典识别算法进行识别时，同一种后端识别算法对不同的特征分类的性能差异明显。导致这个问题的主要原因是复杂的雷达制式增加了雷达辐射源数量和种类，进而导致其类间辨别性特征难以提取，使传统识别方法逐渐失去有效性。

雷达辐射源信号识别方法在近年来发展迅速，其中包括构造信号的瞬时自相关特征、时频原子建立完备原子库、构造低、高频细节小波系数能量分布熵和盲源分离抑制交叉项等方法。其中:

基于信号瞬时自相关方法，其首先提取信号的瞬时频率特征，并对瞬时频率进行级联归一化处理，提取分类特征向量，最后采用层次决策方法实现分类，该方法提取的特征向量具有较好的类间分离性，且具有计算速度快、易于工程实现的优点。但该方法在信噪比较低时，识别效果相对较低。

基于时频原子建立完备原子库方法,其首先通过时频原子方法建立过完备原子库，并将雷达辐射源信号在原子库上作稀疏分解，最后通过匹配追踪分解结果,以提取信号中的载频。但该方法计算量较大。

基于构造小波系数能量分布熵方法，其首先通过小波变换后，并用低频逼近小波系数的能量分布熵与经过尺度相关去噪计算后反映信号边缘的高频细节小波系数能量分布熵一起构成雷达辐射源信号的二维特征向量。但该方法在较高信噪比下抗噪性较差。

基于盲源分离抑制交叉项的方法，其首先通过盲源分离提取各独立成分，并经时频分布矩阵的联合对角化抑制交叉项，再由各成分信号自项求和重构wigner-ville分布,采用wigner-hough识别各lfm成分。但该方法鲁棒性较差。

上述方法不能同时兼顾辐射源信号形式多样、频率多变和时频重叠等问题，模型的泛化性能较差,如何进一步提取更加细微的鲁棒性特征并提高系统的泛化性能成为雷达辐射源识别的关键。

技术实现要素：

针对现有雷达辐射源信号识别方法的不足，本发明提出了一种基于深度学习和多任务学习策略的雷达辐射源识别方法，以提高特征的鲁棒性，更加准确地识别雷达辐射源信号。

本发明所采用的技术方案是：通过提取雷达辐射源信号的包络特征、模糊函数特征0切片特征、循环谱特征和频谱特征，利用卷积神经网络cnn在此基础上进一步提取其有效的特征细节，并学习特征编码过程，实现雷达辐射源的准确识别。其实现步骤包括如下：

(1)对原始雷达辐射源信号依次进行降噪、归一化和数据对齐的预处理；

(2)对预处理后的雷达辐射源信号分别提取包络特征、模糊函数特征0切片特征ax(ξ,τ)、循环谱特征和频谱特征sk0；

(3)将(2)中提取的特征分别进行线性变换到[0,255]之间，并将线性变换后的信号包络特征、模糊函数特征0切片、循环谱特征和频谱特征分别保存为图像集a、b、c和d；

(4)将步骤(3)中的图像集a、b、c和d中的80％作为训练集i、j、k和l，其余20％作为测试集m、n、o和p；

(5)根据原始雷达辐射源信号的数据结构设计对应的卷积神经网络cnn；

(6)在卷积神经网络cnn的两个全连接层后面各加入一层dropout层，并在最后一层dropout层的后面再纵向连接两个softmax层，以防止网络过拟合；

(7)用训练集i、j、k和l分别训练卷积神经网络cnn，得到四个卷积神经网络cnn模型e、f、g和h；

(8)利用四个卷积神经网络cnn模型e、f、g和h分别对测试集m、n、o和p进行分类，输出雷达辐射源识别结果。

本发明具有以下优点：

1)本发明由于在雷达辐射源信号的包络特征、模糊函数特征0切片特征、循环谱特征和频谱特征的基础上进一步提取特征细节，能更加准确地识别雷达辐射源信号。

2)本发明由于在卷积神经网络cnn中引入随机失活策略和多任务学习策略防止网络过拟合，另外多任务学习策略既提取数据的结构特征，又学习了不同数据之间的关联特征，因此可以在雷达辐射源数据量少的情况下，准确地识别雷达辐射源信号。

附图说明

图1是本发明的实现流程图；

图2是本发明中使用的小波阈值降噪算法原理图；

图3是本发明中多任务学习原理图；

图4是本发明中使用的dropout原理图；

图5是本发明中使用的卷积神经网络cnn的网络结构图。

具体实施方式

以下结合附图对本发明的技术方案和效果进行进一步说明：

参照图1，本发明的实现步骤如下：

步骤1，对雷达辐射源信号进行数据预处理。

雷达辐射源信号在传播、采集和转换过程中经常受到环境、接收设备等因素的影响，信号受干扰情况较为严重，对得到的雷达辐射源信号进行降噪是雷达辐射源信号识别的一个重要环节。其次，由于小波变换具有低熵性、多分辨率、去相关性和基函数灵活等特点，利用小波变换在小波域实现信噪分离的方法获得了广泛的应用，最后，为了使降噪后的雷达辐射源信号的能量在同一数量级上，在特征提取和模式识别之前，需要对其进行归一化和对齐处理，具体实现步骤如下：

1.1)使用小波阈值降噪算法对原始雷达辐射源信号降噪：

参照图2所示小波阈值降噪算法的原理图，本步骤的具体实现如下：

首先，确定小波基和变换次数，并根据小波基和变换次数对原始雷达辐射源信号进行小波变换，得到小波变换信号；

其次，对小波变换信号进行阈值滤波，得到阈值滤波信号；

最后，对阈值滤波信号进行小波反变换，输出降噪后的雷达辐射源信号；

1.2)对降噪后的雷达辐射源信号进行归一化处理：

由于背景噪声和信号到达角度的变化，雷达接收机在侦察接收信号时，即使是相邻接收到的雷达辐射源信号，其能量也不相同，信噪比差异较大。为了使雷达辐射源信号的能量在同一数量级上，在特征提取和识别之前，需要将降噪后的雷达辐射源信号的载频变换到同一个频率,并将该频率设定为零，得到预处理后的雷达辐射源信号的包络特征。

1.3)对归一化后的雷达辐射源信号进行数据对齐处理

利用脉冲相关性对雷达辐射源信号进行数据对齐，按如下步骤进行：

1.3a)选取参考脉冲；

1.3b)计算与参考脉冲的互相关值cj(τ)；

1.3c)根据互相关值cj(τ)估计时间延迟：

1.3d)根据时间延迟τk对降噪后的信号对齐处理，得到对齐处理后的信号：

步骤2，对数据预处理后的雷达辐射源信号进行特征提取。

雷达个体特征主要存在于雷达辐射源信号的幅度、频率、相位等参数中，通过分析雷达信号的个体特征应综合时域、模糊函数0切片、循环谱、频谱等各个特征，并设计优良的分类器，可以实现雷达辐射源信号的有效识别，步骤如下：

2.1)提取降噪后的雷达辐射源信号的包络特征：

由于脉冲包络的前后沿的变化、脉宽、包络峰值位置都与具体的电路有关，不同的脉冲调制器具有不同的参量，导致每次调制具有稳定和独特的脉冲包络特征，这些特征可以用来识别雷达辐射源信号，因此信号包络是识别雷达辐射源信号的有力特征，将降噪后的雷达辐射源信号的载频变换到0,可得到预处理后的雷达辐射源信号的包络特征。

2.2)提取降噪后的雷达辐射源信号的模糊函数特征0切片特征：

由于将模糊函数的"近零"频偏切片作为雷达辐射源信号的代表性特征,保留了雷达辐射源信号的稳定性辨别性特征，因此，模糊函数特征0切片可以有效地描述雷达辐射源信号，按照如下公式计算模糊函数在任意频偏ξ处的切片ax(ξ,τ)：

ax(ξ,τ)＝∫x^*(f)x^*(f-ξ)e^-j2πfτdf

式中，x^*(f)为信号的傅立叶变换；f为信号频率；τ为时延；ξ为多普勒频率。，

上述模糊函数切片的计算方法是信号处理技术领域中一种常见的方法，见：“基于模糊函数的雷达辐射源个体识别”中计算公式(20)；

2.3)提取降噪后的雷达辐射源信号的循环谱特征：

由于在循环谱域对信号进行分析理论上可完全抑制噪声和干扰的影响，且对于多信号环境，只要各信号循环频率不重叠，就可以分别进行处理，提取相应的信号特征参数，因此雷达辐射源信号的循环谱是识别雷达辐射源信号的有效特征，具体实现如下：

对于一个零均值随机信号x(t)，按如下公式提取循环谱特征

其中，f为信号频率，τ为时延；系数表示频率为α的循环自相关强度：

式中，x(t)为信号，τ为时延，t为信号周期，t为时间，j表示复数；

上述循环谱的计算方法是信号处理技术领域中一种常见的方法，见：“基于循环平稳分析的雷达辐射源特征提取与融合识别”中计算公式(2-3)；

2.4)提取雷达辐射源信号的频谱特征：

对于用不同的频率源，信号载频的相对频率偏差和绝对频率偏差都是不同的，因此，利用载频特征的差异性可以识别雷达辐射源信号，具体实现如下：

按如下公式提取频谱特征

式中，x(t)为信号，fc为信号载频，n为时间点序号，n为信号周期，j表示复数。

步骤3，对提取的雷达辐射源信号特征进行线性变换。

为了训练卷积神经网络，需要将提取的雷达辐射源信号的各个特征保存为图像，因此需要对其进行线性变换，本步骤的具体实现如下：

首先，将步骤2中提取的包络特征、模糊函数特征0切片特征、循环谱特征和频谱特征的值分别线性变换到[0,255]之间；

其次，将每一个特征的矩阵重新调整为二维矩阵，插值方式为线性插值；

最后，将线性变换后的雷达辐射源信号包络特征、模糊函数特征0切片、循环谱特征和频谱特征分别保存为图像集a、b、c和d。

步骤4，构造雷达辐射源信号训练集和测试集。

将图像集a、b、c和d中的80％作为卷积神经网络cnn的训练集i、j、k和l，其余20％作为测试集m、n、o和p。

步骤5，设计卷积神经网络cnn。

由于雷达辐射源的数据量比较少，在训练过程中会出现一定程度的过拟合现象，为了防止网络过拟合，在设计的卷积神经网络cnn中引入多任务学习和dropout策略，其设计步骤如下：

5.1)多任务学习：

多任务学习是一种归纳迁移机制，主要目标是利用隐含在多个相关任务的训练数据中的特定领域信息来提高泛化能力，在学习一个任务的同时，通过共享卷积神经网络cnn模型获得与相关任务的联系，参照图3所示多任务学习的原理图，本步骤的具体实现是在第二随机失活层dropout2层后纵向连接两个softmax层；

5.2)随机失活：

dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃，参照图4所示dropout原理图，具体实现是在卷积神经网络cnn中的第一全连接层fc1和第二全连接层fc2后面分别加入第一随机失活层dropout1和第二随机失活层dropout2层；

5.3)设计网络结构：

参照图5所示卷积神经网络cnn结构图，本步骤具体实现如下：

5.3a)根据雷达辐射源信号图像集组成结构设计数据层data；

5.3b)在数据层data后加入第一卷积层conv1，该卷积层的卷积核数目为32，卷积核大小为3*3，步长为1；

5.3c)在第一卷积层conv1后面加入第一池层pooling1，该池层的下采样因子为2*2，步长为1；

5.3d)在第一池层pooling1后面加入第一校正层relu1；

5.3e)在第一校正层relu1后面加入第二卷积层conv2，该卷积层的卷积核数目为32，卷积核大小为3*3，步长为1；

5.3f)在第二卷积层conv2后面加入第二校正层relu2；

5.3g)在第二校正层relu2后面加入第二池层pooling2，该池层的下采样因子为2*2，步长为1；

5.3h)在第二池层pooling2后面加入第三卷积层conv3，该卷积层的卷积核数目为64，卷积核大小为3*3，步长为1；

5.3i)在第三卷积层conv3后面加入第三池层pooling3，该池层的下采样因子为2*2，步长为1；

5.3j)在第三池层pooling3后面加入第三校正层relu3；

5.3k)在第三校正层relu3后面依次加入第一全连接层fc1和第二全连接层fc2，其神经元个数分别为64和128。

5.3l)由于训练样本数目较少，为了防止网络过拟合，在步骤(k)中的第一全连接层fc1和第二全连接层fc2后面分别加入第一随机失活层dropout1和第二随机失活层dropout2层，并在第二随机失活层dropout2层后纵向连接两个softmax层。

步骤6，训练卷积神经网络cnn。

将信号包络特征、特征0切片、循环谱特征和频域特征分别输入到卷积神经网络cnn，并依次设置迭代次数为5000、10000、15000，分别得到训练好的卷积神经网络cnn的4个模型a、b、c和d。

步骤7，利用到训练好的卷积神经网络cnn模型对雷达辐射源信号特征进行分类。

本步骤具体实现如下：

1)利用卷积神经网络cnn的第一模型a对第一测试集m进行分类，输出卷积神经网络cnn对雷达辐射源信号包络特征的识别准确率；

2)利用卷积神经网络cnn的第二模型b对第二测试集n进行分类，输出卷积神经网络cnn对雷达辐射源信号模糊函数特征0切片的识别准确率；

3)利用卷积神经网络cnn的第三模型c对第三测试集o进行分类，输出卷积神经网络cnn对雷达辐射源信号循环谱特征的识别准确率；

4)利用卷积神经网络cnn的第四模型d对第四测试集p进行分类，输出卷积神经网络cnn对雷达辐射源信号频谱特征的识别准确率。

本发明的效果可通过以下实验进一步说明：

1)实验条件：

实验环境：intelcorei7cpu2.00ghz，16gb内存，linux系统，深度学习框架为caffe，gpu为gtx1070。

2)实验内容与结果：

实验1：测试cnn对不同雷达辐射源特征识别性能，结果如表1。

表1cnn对雷达辐射源信号不同特征的识别正确率

表1中表示迭代次数为5000时，卷积神经网络cnn未收敛。

从表1可见，当迭代次数为10000时，得到的卷积神经网络cnn模型对雷达辐射源信号包络特征、模糊函数特征0切片特征、循环谱特征和频谱特征识别正确率均没有迭代次数为15000时得到的卷积神经网络cnn模型对各个特征的识别准确率高，从卷积神经网络cnn对各个特征的识别准确率可以看出，cnn对雷达辐射源的频谱特征识别准确率最高，加入随机失活和多任务学习策略后的卷积神经网络cnn对信号包络、模糊函数特征0切片、循环谱和频谱的识别准确率均有提升。

实验2：用本发明与现有方法支持向量机svm和极限学习机elm对雷达辐射源各特征的进行识别，其结果如表2。

表2不同方法对雷达辐射源信号特征的识别正确率

从表2可见，雷达辐射源的信号包络和循环谱特征可以较好的描述雷达辐射源信号，在信号包络、循环谱和频谱特征中，本发明对其识别准确率最高，elm对模糊函数特征0切片的识别准确率最高，需要注意的是，elm算法对特征的识别准确率相对不稳定。

综上，本发明通过卷积神经网络cnn识别雷达辐射源信号包络特征、模糊函数特征0切片特征、循环谱特征和频谱特征，并引入随机失活和多任务学习策略防止网络过拟合，经过训练得到的卷积神经网络cnn模型，能够准确地识别雷达辐射源信号。