本发明涉及深度学习的自动识别算法领域,具体涉及一种多分量雷达信号脉内调制方式识别方法。
背景技术:
雷达信号脉内调制方式识别是现代电子情报侦察、电子支援系统中的重要环节。
由于现代电子战环境中雷达信号密度不断增加,而且现代雷达信号大多采用大时宽的脉冲压缩信号,雷达侦察系统经常会截获到时域交叠的脉冲,形成多分量雷达信号。现有的大多数雷达信号调制方式识别技术对多分量信号环境不具有适应性,造成信号识别错误或识别失败。因此,针对多分量信号的分析和处理是当前雷达侦察系统中迫切需要解决的问题。
目前,多分量雷达信号的识别方法有两种思路:一种思路是利用信号在某些变换域内的可分性,提取信号在变换域内的特征对多分量信号进行分类识别;另一种思路是利用多分量信号的分离方法结合单分量信号的识别方法进行分类识别。余志斌在2012年利用相移键控信号在循环频率轴上的可分性,提出了一种针对相移键控信号的多分量信号识别方法,该方法在信噪比为0db时,对3类相移键控雷达信号的平均正确识别率达到97%。童超在2016年提出了一种利用独立分量分析结合小波变换的多分量雷达信号识别方法,该方法在信噪比为0db时,对4类雷达信号的平均正确识别率达到90%以上。
目前提出的多分量雷达信号的识别方法均存在一些问题:基于信号变换域特征提取的识别方法具有局限性,仅针对某一类特定信号有效,难以适应广泛的雷达信号类型;基于多分量信号分离的识别方法的识别效果很大程度上决定于多分量信号分离算法的分离效果,然而目前提出的分离算法存在抗噪性能差、计算量较高等问题,且难以解决时频域交叠的多分量信号分离问题,这些问题将限制算法的识别能力。
技术实现要素:
本发明的目的在于提供一种多分量雷达信号脉内调制方式识别方法,以在低信噪比情况下,实现了8类随机交叠的典型雷达信号的脉内调制方式识别,且算法对单分量雷达信号的脉内调制方式识别同样具备适应性。
本发明实施例提供一种多分量雷达信号脉内调制方式识别方法,包括:
步骤一:获取几种不同脉内调制方式的单分量或交叠多分量雷达信号的时频图像,包括lfm信号、mp信号、sfm信号、bpsk信号、2fsk信号、4fsk信号、eqfm信号和frank信号,将这些信号作为样本信号,利用时频分布将雷达接收机接收到的信号转换得到雷达信号时频图像;
步骤二:利用图像处理算法,对上述步骤一得到的雷达信号时频图像进行预处理,通过二维维纳滤波抑制时频图像噪声,然后对时频图像的大小进行调整并幅度归一化,将经过预处理的雷达信号时频图像作为样本,将雷达信号中包含的信号类型作为标签,制作得到训练集和测试集;
步骤三:根据算法需求,整体网络提取时频图像特征并根据提取到的特征进行多标签分类识别,设计基于卷积神经网络的预训练网络提取雷达信号时频图像特征,并设计基于强化学习的多分量信号分类网络获取分类识别结果;
步骤四:根据上述步骤二中得到的训练集对上述步骤三中设计的网络架构进行训练,并利用上述步骤二中获得的测试集对网络的识别效果进行测试,根据测试结果,完善网络结构和参数,得到训练完成的网络;
步骤五:对上述步骤一中任意随机交叠信号经过上述步骤二的处理后作为待识别的雷达信号时频图像样本,输入上述步骤四训练完成的网络中,训练完成的网络即可根据输入给出当前信号中包含的雷达信号类型集,实现多分量信号的分类识别;
本发明还包括这样一些结构特征:
所述步骤一,包括:
其中,所述时频分布的具体方法为:
对接收到的信号x(t),采用cohen类时频分布,其数学表达式为:
上式中,t和ω代表时频分布的自变量时间和角频率,φ(τ,v)称为核函数,本发明根据雷达信号与交叉项在模糊域的分布特点,针对不同调频斜率的信号,提出利用两种核函数分别获取雷达信号的时频分布,核函数表达式分别为:
上式中,α、β、γ和ε用来调节核函数的大小,分别获取雷达信号在两种核函数下的cohen类时频分布图像,共同作为当前雷达信号的时频分布信息;
所述步骤三中,所述设计网络架构的具体方法为:
a)设计卷积神经网络架构用于特征提取,卷积神经网络架构由3个卷积层和3个池化层组成,通过对网络最后一层输出进行矢量化处理,得到当前时频图像的特征向量;
b)将全连接层后接softmax层的结构作为分类网络单元,构造多个分类网络单元分别对应多分量信号的标签输出,对步骤a)中获得的特征向量进行分类,并与卷积神经网络架构共同作为预训练时频图像特征提取网络;
c)设计深层强化学习循环神经网络用于多分量信号分类识别,替代步骤b)中的分类网络单元,将步骤a)中获得的特征向量和当前循环步骤的分类历史记录共同作为输入,通过多次循环迭代分类过程输出多分量信号识别结果;
所述步骤四中,所述训练与测试的具体方法为:
d)在步骤二之后,将经过图像预处理的雷达信号时频图像作为卷积神经网络的输入,每个分类网络单元输出均对应一个雷达信号分量的分类标签,对时频图像特征提取网络进行预训练,训练后保留卷积神经网络的参数;
e)接着将步骤d)训练得到的卷积神经网络与深层强化学习循环神经网络作为新的分类网络,为了提升网络训练效率,保持卷积神经网络模型参数不变,利用与步骤d)相同的训练集,单独训练深层强化学习循环神经网络模型参数,并保留最终卷积神经网络与深层强化学习循环神经网络的所有参数;
f)测试集的样本逐个输入到卷积神经网络与深层强化学习循环神经网络组成的分类器中,分类器会循环多次输出当前样本中包含的信号类型集,对比样本对应标准信号类型集,最终通过统计计算得到整体正确识别概率以及各信号类型的识别精准率和召回率;
g)根据步骤f)的识别效果测试结果完善网络结构和参数,并对新的网络结构进行训练,重复网络调整及训练过程,直到网络的识别效果测试结果达到预期,完成训练;
本发明的有益效果在于:
1.本发明提出的时频分析方法针对不同雷达信号的特点设计不同的核函数,兼顾不同调频斜率雷达信号的能量分布情况,获得具有较高信号能量时频聚集性的时频图像;
2.本发明对卷积神经网络进行预训练,获取雷达信号时频图像深层特征,同时提高后续多分量信号分类网络的训练效率;
3.本发明利用强化学习的训练方法对多分量分类网络进行训练,提高网络对时频图像样本的适应能力;利用循环网络架构建立多次分类识别结果之间的联系,提高分类识别结果的准确性和可靠性。
附图说明
图1为一种多分量雷达信号脉内调制方式识别方法的流程图;
图2为本发明基于卷积神经网络的预训练时频图像特征提取网络的结构图;
图3为本发明基于卷积神经网络和强化学习的多分量信号分类识别网络的结构图;
图4为本发明对多分量雷达信号的平均正确识别率与信噪比关系的示意图;
图5为本发明对8类随机交叠多分量雷达信号的识别精准率与信噪比关系的示意图;
图6为本发明对8类随机交叠多分量雷达信号的识别召回率与信噪比关系的示意图;
图7为本发明对单分量雷达信号的平均正确识别率与信噪比关系的示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明做进一步描述:
本发明的技术方案是这样实现的:
如图1是本发明的多分量雷达信号脉内调制方式识别算法的流程图,下面结合图1对该算法的步骤和原理进行详细说明。
步骤1:获取几种不同脉内调制方式的单分量或交叠多分量雷达信号的时频图像,包括lfm信号、mp信号、sfm信号、bpsk信号、2fsk信号、4fsk信号、eqfm信号和frank信号,将这些信号作为样本信号,利用时频分布将雷达接收机接收到的信号转换为时频图像。
在该步骤中,加入噪声后的雷达信号数学模型可以写成:
x(t)=s(t)+n(t)(1)
上式中,x(t)为雷达接收到的信号,s(t)为信号,n(t)表示信道噪声。
本发明采用的是将雷达信号转换成时频图像的cohen类时频分布
其中t和ω代表时频分布的自变量时间和角频率,φ(τ,v)称为核函数。本发明根据雷达信号与交叉项在模糊域的分布特点,针对不同调频斜率的信号,提出利用两种核函数分别获取雷达信号的时频分布,核函数表达式分别为
其中,核函数参数α、β、γ和ε用来调节核函数的大小。针对调频斜率较低的雷达信号,本发明采用双高斯核函数φ1(τ,v),调整核函数的参数,使其长轴指向时延τ轴,获取低调频斜率信号的主要能量;针对调频斜率较高的雷达信号,本发明提出一种新的核函数φ2(τ,v),调整核函数的参数,使其长轴指向频移v轴,获取高调频斜率信号的主要能量。分别获取雷达信号在两种核函数下的cohen类时频分布图像,共同作为当前雷达信号的时频分布信息。
步骤2:利用图像处理算法对雷达信号时频图像进行预处理,通过二维维纳滤波抑制时频图像噪声,调整图像大小并幅度归一化,然后根据处理后的雷达信号时频图像及对应信号包含的信号类别标签集制作训练集和测试集。
本算法采用二维维纳滤波对时频图像的噪声进行抑制,通过计算时频图像某一像素点滤波邻域内的均值和方差对该像素点的幅值进行调整,实现时频图像的二维维纳滤波;采用双线性插值法调整时频图像大小,通过按行按列线性插值的方法,计算调整大小后图像各像素点的幅值,实现时频图像大小调整;为了方便后续分类器工作,将时频图像的幅度均除以幅度最大值,实现幅度归一化;经过预处理后的时频图像添加标签后得到数据集。特别地,针对softmax层和深层强化学习循环神经网络的输出形式不同,时频图像添加的标签形式也不同:softmax层输出对应的标签形式为各信号分量独热码标签向量的拼接,深层强化学习循环神经网络输出对应的标签形式为当前信号中包含各信号类型的信号分量个数。
步骤3:设计多分量雷达信号时频图像识别网络。
本算法设计的预训练特征提取网络和多分量信号分类识别网络的各模块内部网络架构如图2和图3所示。
(3.1)设计卷积神经网络用于时频图像特征提取,将经过预处理的时频图像输入卷积神经网络,依次通过3个卷积层后接池化层的网络结构,将最后一个池化层的输出矢量化得到时频图像的特征向量。卷积层的具体操作是:以卷积核为基本单元,遍历输入图像进行乘加操作,得到输出特征图像;池化层的具体操作是:在一个区域内,采取一个特定的值作为输出值,本算法中的池化方式采用平均池化,即将区域的平均值作为输出值;矢量化过程是将多维矩阵特征展开为特征向量。
(3.2)将全连接层后接softmax层的结构作为分类网络单元,通过全连接层建立特征向量与信号类别的映射关系,并利用softmax层将全连接层的输出映射为值域在[0,1]的各信号类型的概率值,将最高概率对应的信号类型作为分类网络单元的标签输出,构造多个分类网络单元分别对应多分量信号的标签输出,对步骤(3.1)中获得的特征向量进行分类,并与卷积神经网络架构共同作为预训练时频图像特征提取网络。
(3.3)设计深层强化学习循环神经网络用于多分量信号分类识别,替代步骤(3.2)中的分类网络单元,通过多次循环迭代分类过程输出多分量信号识别结果。为了提升网络分类结果的准确率,网络的输入除卷积神经网络输出的特征向量外,还包括当前循环步骤之前循环神经网络输出各信号类型的信号分量个数,即循环神经网络的分类历史记录。
步骤4:训练多分量雷达信号时频图像识别网络。
(4.1)在步骤2之后,将经过图像预处理的雷达信号时频图像作为卷积神经网络的输入,每个分类网络单元输出均对应一个雷达信号分量的分类标签,计算输出标签与标准标签的平方差损失函数,利用误差反向传播和随机梯度下降算法对时频图像特征提取网络进行预训练,训练后保留卷积神经网络的参数。
(4.2)接着将步骤(4.1)训练得到的卷积神经网络与深层强化学习循环神经网络作为新的分类网络,为了提升网络训练效率,保持卷积神经网络模型参数不变,利用与步骤(4.1)相同的训练集,单独训练深层强化学习循环神经网络模型参数,训练过程采用强化学习的训练方式。为了提升网络对样本的适应能力,引入基于奖惩规则的分类结果判定方式:若识别结果归属于当前多分量雷达信号标签集合,则反馈给网络一个正的奖励值,否则反馈给网络一个负的惩罚值,判定过程只考虑最终多分量信号判定输出结果的正确性,不考虑各信号分量判定结果输出的先后顺序;为了避免网络可能出现的过拟合问题,同时提高网络的训练效率,引入强化学习的记忆回放训练模式:将每一次的状态向量输入、分类识别判定结果、奖惩值保存于一定记忆空间的回放记忆库中,当回放记忆库空间充满之后,下一次产生的数据会覆盖记忆库中的第一个数据,训练过程中随机抽取记忆库中的数据进行学习,打乱训练数据之间的相关性。最后保留卷积神经网络与深层强化学习循环神经网络的所有参数。
(4.3)测试集的样本逐个输入到卷积神经网络与深层强化学习循环神经网络组成的分类器中,分类器会循环多次输出当前样本中包含的信号类型集,对比样本对应标准信号类型集,最终通过统计计算得到整体正确识别概率以及各信号类型的识别精准率和召回率。
(4.4)根据步骤(4.3)的识别效果测试结果完善网络结构和参数,并对新的网络结构进行训练,重复网络调整及训练过程,直到网络的识别效果测试结果达到预期,完成训练。
步骤5:经过训练后的网络可实现对多分量雷达信号时频图像的脉内调制方式识别,随机产生单分量或交叠多分量雷达信号,将经过时频分析和时频图像预处理的时频图像作为网络的输入,最终网络通过多次循环迭代输出当前雷达信号中包含的信号类型集,实现多分量雷达信号脉内调制方式识别。
具体地,本实施例中通过仿真进行验证:
仿真雷达调制信号总共8种,类型及参数如表1所示,信号采样点数n=1024~2048。训练集样本信噪比范围为-6db到10db,每隔2db产生4000个参数满足表1的单分量信号或随机交叠多分量信号样本,其中,单分量信号和交叠多分量信号的样本比例为1:4,共产生36000个样本作为训练集。测试集样本信噪比范围为-10db到10db,同训练集相同的方式分别产生44000个单分量信号样本和交叠多分量信号样本,共产生88000个样本作为测试集。
表1仿真雷达信号参数表
进一步地,图4~图7示出了本发明的实施例中训练后的神经网络在不同信噪比下的识别效果。在信噪比为-6db时,交叠多分量雷达信号的平均正确识别率达到94.13%,且各雷达信号类型的识别精准率和召回率均达到90%以上;而对于单分量信号,在信噪比为-6db时,单分量雷达信号的平均正确识别率达到96.30%。
这表明该算法是有效的,在低信噪比情况下,可实现8类随机交叠多分量雷达信号的脉内调制方式识别,同时该算法对单分量雷达信号的脉内调制方式识别也具备适应性。
本发明实施例的多分量雷达信号脉内调制方式识别算法的其他步骤细节及作用对于本领域的技术人员而言都是已知的,为了减少冗余,在此不做赘述。
以上所述,仅为本发明的具体实施案例,本发明的保护范围并不局限于此,任何熟悉本技术的技术人员在本发明所述的技术规范内,对本发明的修改或替换,都应在本发明保护范围之内。
综上,本发明是一种基于卷积神经网络和强化学习的多分量雷达信号脉内调制方式识别算法。该发明首先利用cohen类时频分布获得雷达信号的时频图像;接着利用二维维纳滤波抑制时频图像噪声,并对时频图像的尺寸大小和幅度进行调整,然后对时频图像添加标签,制作数据集;设计多分量雷达信号时频图像识别网络,利用训练集对卷积神经网络进行预训练,提取雷达信号时频图像特征,进而利用强化学习对多分量信号分类网络进行训练,利用测试集对网络的识别效果进行测试,并根据测试结果完善网络结构和参数;将待识别的雷达信号经过时频分析和图像预处理后输入训练好的多分量雷达信号时频图像识别网络,网络自动输出雷达信号中包含的各信号分量的类型,完成识别。本发明所述的多分量雷达信号识别算法在低信噪比情况下,具有广泛的雷达信号类型适应范围和较高的识别准确率,实现了随机交叠多分量雷达信号的脉内调制方式识别,同时该算法对单分量雷达信号的脉内调制方式识别也具备适应性。