基于一维CNN和LSTM的雷达辐射源识别方法与流程

本发明属于信号处理
技术领域：
，更进一步涉及雷达辐射源识别
技术领域：
中的一种基于一维卷积神经网络cnn(convolutionneuralnetwork)和长短期记忆网络lstm(longshort-termmemory)的雷达辐射源识别方法。本发明可用于电子情报侦察、电子支援和威胁告警系统中对接收的雷达辐射源信号进行识别。
背景技术：
：雷达辐射源识别技术是电子战中至关重要的一部分，是电子支援的核心和雷达对抗系统中的关键技术。辐射源识别技术通过从侦察信号中获取目标辐射源的体制、用途、型号等信息，为下一步态势估计、威胁估计和决策调整提供依据。随着雷达技术的发展，特别是新体制、新用途雷达的使用，调制形式变得复杂，调制参数转换越来越快捷，时空领域范围内的雷达信号交错，密度增大，传统雷达辐射源识别方法不能有效对辐射源进行识别。因此，最新的电子战系统还对雷达信号的脉内特征进行分析，不少研究人员在这方面做了大量工作，时频特征、小波包特征、分数阶傅里叶变换域特征和小波脊频特征等参数在辐射源识别领域中都取得了不错的效果。但这些方法都需要人工提取特征，费时费力，而且人为提取的特征在辐射源识别系统中的有效性和普适性还有待深入研究，因此，整个系统对人为因素的依赖太强。此外，也有一些研究人员提出采用深度学习的方法自动进行特征提取，识别雷达辐射源信号，但目前该方法的识别精度不高，计算量大。中国人民解放军战略支援部队信息工程大学在其申请的专利文献“基于扩张残差网络的雷达辐射源识别方法及装置”(专利申请号201910272200，申请公布号cn110147812a)中提出了一种基于扩张残差网络的雷达辐射源识别方法。该方法首先对雷达信号进行时频分析，将雷达信号时域波形转换成二维时频图像并对其进行了预处理，然后构建扩张残差深度学习网络模型，最后利用网络模型自学习信号时频图像特征并进行分类识别。扩张残差网络虽然能够有效提取信号时频图像的特征，提取的特征有效性和普适性高，抗噪声性能好。但是，该方法仍然存在的不足之处是，需要对辐射源信号进行时频变换，耗费大量时间，实时性不强。西安电子科技大学在其拥有的专利技术“基于一维卷积神经网络的雷达辐射源信号的识别方法”(专利申请号201710361523.2，授权公告号cn107220606b)中提出了一种基于一维卷积神经网络的雷达辐射源信号识别方法。该方法首先生成雷达辐射源信号数据集，并对雷达辐射源信号进行预处理，然后构建卷积神经网络，接着设置网络参数并训练卷积神经网络，之后对辐射源信号进行预测分类，最后计算精度，输出结果。该方法利用一维卷积神经网络实现对于辐射源信号的自动特征提取，但是，该方法仍然存在的不足之处是，仅采用一维卷积网络提取辐射源信号的特征，只涉及信号较短时间内的相关关系，特征提取不够充分，识别精度低。技术实现要素：本发明的目的在于针对上述现有技术存在的不足，提出一种基于一维cnn和lstm网络的雷达辐射源识别方法，解决现有雷达辐射源识别方法计算复杂和识别准确率低的问题。实现本发明目的的技术思路是：现有技术在实现对辐射源的过程中，需要对时域信号进行时频或其他变换，将时域信号映射到某一变换域进行分析，增大了信号处理的计算量和复杂度。另外，现有技术在对时域信号进行特征提取时，采用一维卷积网络仅提取到信号较短时间内采样点之间的关系，特征提取不够充分。本发明结合一维cnn和lstm构建了一个雷达辐射源识别网络，利用cnn提取信号短时间内采样点的局部特征，利用lstm提取信号长时间内采样点的全局特征，直接将雷达辐射源时域信号送入网络进行识别，特征提取更充分，降低了信号处理的复杂度，有效提高了识别正确率。本发明的具体步骤如下：(1)构建cnn局部特征提取模块：(1a)搭建一个6层的cnn局部特征提取模块，其结构依次为：第一卷积层→第一池化层→第二卷积层→第二池化层→第三卷积层→第三池化层；(1b)将第一至第三卷积层中卷积核的个数分别设置为32，32，64，卷积核的大小分别设置为4×1，3×1，3×1，步长均设置为1，激活函数为elu函数，第一至三池化层均采用最大池化方式，池化区域核的大小分别设置为5×1，4×1，4×1，步长均设置为4；(2)构建lstm全局特征提取模块：(2a)搭建一个3层的lstm全局特征提取模块，其结构依次为：lstm层→第一全连接层→第二全连接层；(2b)将lstm层、第一全连接层、第二全连接层的神经元个数分别设置为64，64，6；(3)将局部特征提取模块和全局特征提取模块连接成雷达辐射源识别网络；(4)生成训练集：(4a)生成一个包括常规脉冲信号、线性调频信号、非线性余弦调频信号、二相编码信号、二频编码信号和四频率编码信号6种不同调制类型信号的数据集，每种信号在-8db到14db范围内随机选择加入不同的信噪比，每个信噪比下每种调制类型信号至少生成500个样本，每个样本的采样点数为4097；(4b)利用z-score归一化算法，对数据集中的每个样本进行归一化预处理，将预处理后的所有样本组成训练集；(5)训练雷达辐射源识别网络：将训练集的样本输入到雷达辐射源识别网络中，利用adam算法迭代更新网络的权值15次，得到训练好的雷达辐射源识别网络；(6)对雷达辐射源样本进行识别：(6a)利用z-score归一化算法，对电子侦察接收机采集的待识别的每个雷达辐射源样本进行归一化预处理；(6b)将预处理后的待识别雷达辐射源样本依次输入到训练好的雷达辐射源识别网络中，得到每个样本的识别结果。本发明与现有技术相比较，具有以下优点：第一，由于本发明将局部特征提取模块和全局特征提取模块连接成雷达辐射源识别网络，能有效提取雷达辐射源信号短时间内采样点间的局部特征和长时间内各采样点间的全局特征，特征提取更充分，克服了现有技术仅采用一维卷积网络提取雷达辐射源信号的特征，只涉及信号较短时间内的相关关系，特征提取不够充分，识别精度低的问题，使得本发明具有识别率高、抗噪声性能好的优点。第二，由于本发明将预处理后的待识别雷达辐射源样本依次输入到训练好的雷达辐射源识别网络中，能直接对辐射源时域信号进行特征提取和识别，克服了现有技术需要对辐射源信号进行时频变换，耗费大量时间，实时性不强的问题，降低了信号处理的复杂性，使得本发明在对雷达辐射源信号进行识别时实时性更高。附图说明图1是本发明的流程图。具体实施方式下面结合附图对本发明做进一步的详细描述。参照附图1，对本发明的具体步骤做进一步的详细描述。步骤1，构建cnn局部特征提取模块。搭建一个6层的cnn局部特征提取模块，其结构依次为：第一卷积层→第一池化层→第二卷积层→第二池化层→第三卷积层→第三池化层。将第一至第三卷积层中卷积核的个数分别设置为32，32，64，卷积核的大小分别设置为4×1，3×1，3×1，步长均设置为1，激活函数为elu函数，第一至三池化层均采用最大池化方式，池化区域核的大小分别设置为5×1，4×1，4×1，步长均设置为4。所述激活函数为elu函数的数学模型表示如下：其中，f(x)表示网络的输入值x经过激活函数elu后的响应，α表示预设取值为1.0的参数，ex表示以自然常数e为底的指数操作。步骤2，构建lstm全局特征提取模块。搭建一个3层的lstm全局特征提取模块，其结构依次为：lstm层→第一全连接层→第二全连接层。将lstm层、第一全连接层、第二全连接层的神经元个数分别设置为64，64，6。步骤3，将局部特征提取模块和全局特征提取模块连接成雷达辐射源识别网络。步骤4，生成训练集。生成一个包括常规脉冲信号、线性调频信号、非线性余弦调频信号、二相编码信号、二频编码信号和四频率编码信号6种不同调制类型信号的数据集，每种信号在-8db到14db范围内随机选择加入不同的信噪比，每个信噪比下每种调制类型信号至少生成500个样本，每个样本的采样点数为4097。利用z-score归一化算法，对数据集中的每个样本进行归一化预处理，将预处理后的所有样本组成训练集。所述的z-score归一化算法的具体步骤如下：第一步，按照下式，计算每个输入样本的均值。其中，表示第j个输入样本的均值，n表示第j个输入样本的采样点总数，表示第j个输入样本中第i个采样点的幅度值，σ表示求和操作。第二步，按照下式，计算每个输入样本的标准差。其中，sj表示第j个输入样本的方差。第三步，按照下式，计算每个输入样本中每个采样点的归一化值。其中，表示第j个输入样本中第i个采样点的归一化值。步骤5，训练雷达辐射源识别网络。将训练集的样本输入到雷达辐射源识别网络中，利用adam算法迭代更新网络的权值15次，得到训练好的雷达辐射源识别网络。所述的adam算法如下：m←β1m+(1-β1)gv←β2v+(1-β2)g2其中，g表示当前迭代时损失函数l(θ)的梯度，←表示赋值操作，▽θ表示梯度算子，l(θ)表示对雷达辐射源识别网络进行迭代训练时当前迭代的损失函数，θ表示对雷达辐射源识别网络进行迭代训练时当前迭代的权重，m表示初值为0的梯度g的一阶矩估计，β1表示取值为0.9的一阶矩估计的指数衰减率，v表示初值为0的梯度g的二阶矩估计，β2表示取值为0.999的二阶矩估计的指数衰减率，t表示转置操作，α表示预设取值为0.001的参数，ε表示取值为10-8的平滑常数。步骤6，对雷达辐射源样本进行识别。利用z-score归一化算法，对电子侦察接收机采集的待识别的每个雷达辐射源样本进行归一化预处理。所述的z-score归一化算法的具体步骤如下：第一步，按照下式，计算每个输入样本的均值：其中，表示第j个输入样本的均值，n表示第j个输入样本的采样点总数，表示第j个输入样本中第i个采样点的幅度值，σ表示求和操作；第二步，按照下式，计算每个输入样本的标准差：其中，sj表示第j个输入样本的方差；第三步，按照下式，计算每个输入样本中每个采样点的归一化值：其中，表示第j个输入样本中第i个采样点的归一化值。将预处理后的待识别雷达辐射源样本依次输入到训练好的雷达辐射源识别网络中，得到每个样本的识别结果。下面结合仿真实验对本发明的效果做进一步的说明：1.仿真条件：本发明的仿真实验的硬件平台为：处理器为intel(r)corei5-8300h，主频为2.30ghz、内存8gb。本发明的仿真实验的软件平台为：windows10操作系统，matlabr2018a，keras。2.仿真内容与结果分析：本发明的仿真实验所用的待识别的雷达辐射源样本利用matlab仿真产生，共仿真了六种不同调制类型的雷达辐射源信号，分别为常规脉冲cp信号、线性调频lfm信号、非线性余弦ncfm信号、二相编码bpsk信号、二频编码bfsk信号、四频编码qfsk信号。其中，常规脉冲cp信号的频率为200mhz。线性调频lfm信号的初始频率为200mhz，带宽为50mhz。非线性余弦ncfm信号调制信号频率为4mhz。二相编码bpsk信号的频率为200mhz，采用11位巴克码，编码规则为：[111100010010]。二频编码bfsk信号的两个频率分别为f1＝120mhz，f2＝200mhz，采用11位巴克码，编码规则为：[111100010010]。四频编码qfsk信号的四个频率分别为f1＝150mhz，f2＝200mhz，f3＝250mhz，f4＝300mhz，采用16位frank码，编码规则为：[0000012302020321]。每种信号分别在信噪比snr(6，4，2，0，-2，-4，-6，-8)db下生成500个样本，共生成24000个样本。本发明的雷达辐射源识别仿真实验是采用本发明的方法分别对仿真生成的六种不同调制类型的雷达辐射源信号识别每个信号样本的调制类型，统计每个信噪比下六种调制类型信号正确识别的样本总数，然后将每个信噪比下六种调制类型信号正确识别的样本总数除以每个信噪比下六种调制类型信号的样本总数500，得到每个信噪比下雷达辐射源识别的正确率，将所有计算结果绘制成表1。表1.不同信噪比下识别正确率一览表信噪比6db4db2db0db-2db-4db-6db-8db正确率100.0％100.0％99.83％99.17％98.00％97.33％92.83％77.50％从表1可见，本发明在信噪比大于等于0db的情况下，正确率接近100％，在0到-6db的低信噪比情况下，本发明的识别正确率也在90％以上，即使在-8db时，本发明的识别正确率也接近80％。因此本方法具有更高的识别率和更好的抗噪声性能。当前第1页12