一种基于深度聚类的无监督雷达信号分选方法

1.本发明属于电子对抗与人工智能技术领域，特别是涉及一种基于深度聚类的无监督雷达信号分选方法。


背景技术：

2.军事领域中雷达通信信号调制格式方式识别研究具有重大意义，通过识别敌方雷达信号调制格式方式来还原敌方的雷达通信信号，进而进一步进行解调分析、协议识别、信息分析等操作，只有充分掌握敌方的通信信息，才能取得电子战争的主动权。因此，雷达通信信号调制格式识别已经成为当今电子战等军事领域的关键技术。在深度学习领域，有监督的雷达通信调制格式识别已取得了一定成果，例如，有人提出有监督深度学习方法识别雷达通信信号调制格式，采用深度卷积神经网络(简称为cnn)构建学习模型实现端到端训练，对dsb、bpsk、16qam等11种模拟及数字调制格式方式进行识别取得了较好的效果；还有人通过cnn网络提取信号时频图特征，融合手工特征对ofdm、bpsk、qpsk等8种调制格式方式进行了识别，在信噪比为-4db时识别准确率达到92.5％，其他人也同样采用了经典cnn网络识别调制格式格式并取得了较好的识别效果；还有人设计了一种基于lstm双层长短期记忆网络的调制格式识别模型，该模型同svm、knn和浅层cnn等多种识别算法相比，在信噪比为-20bb时对多种调制格式信号有更高的识别准确率。
3.但是，有监督学习对于雷达通信信号样本的标签信息依赖十分严重，实际应用中军事通信信号严格保密，敌我双方为非合作通信方式，并且受到地理因素的影响，无法在平常获得雷达通信信号样本提前进行有监督学习构建通信信号样本库，即使能通过各种侦察手段获得大量样本数据，但对海量样本数据打上标签也是一件十分费时费力的工作。在这样情况下对于弱标签、无标签的通信信号进行调制格式识别是十分有前景的一项研究。目前，国内外对于无标签的调制格式识别技术研究还尚未深入。无监督学习是从无标签数据中提取特征信息。由于无监督学习的数据是没有标签信息，所以与有监督学习相比，无监督学习是一类比较困难的学习问题，可以按照特征空间距离、现有认知等确定偏好来进行学习。例如在大量新闻信息分类、人群基因信息分析、大数据分析等场景下无监督学习起到了较大的作用。无监督学习在本质上是大数据的一种统计手段，可以在大量无标签的数据里挖掘潜在结构特征信息，也是现阶段数据挖掘等领域的研究基础。雷达通信信号本质上是一个时间信号序列，这种时序数据具有高度异质性，如存在高维度、噪声大、通信速率变化、异常值等众多因素影响。所以，雷达通信信号调制格式的无监督识别技术难以通过传统的聚类方法实现。


技术实现要素：

4.传统的雷达信号分选方法采用有监督识别技术面临着两个难点：
①
有监督学习对于雷达信号样本的标签信息依赖十分严重，对海量样本数据打上标签是一件十分费时费力的工作；
②
实际应用中军事通信信号严格保密，敌我双方为非合作通信方式，即使能通过各
种侦察手段获得雷达信号，但其调制格式可能不在已知的信号样本库中。
5.为解决上述问题，本发明采取如下的技术方案：
6.一种基于深度聚类的无监督雷达信号分选方法，包括以下步骤：
7.步骤一：使用雷达信号接收机将接收到的待分选雷达信号分成iq两路数据，得到待分选的1024
×
1维的时间序列信号；
8.步骤二：将步骤一中的时间序列信号输入到预先构建并训练好的无监督分选模型中进行信号调制格式分选，得到雷达信号分选结果；所述无监督分选模型由深度自编码网络层与时序信号聚类层相结合得到，所述深度自编码网络层包括编码层和解码层，所述编码层将输入的时间序列信号降维压缩为更紧凑的潜在特征表示向量，并将所述潜在特征表示向量分别输出至所述解码层和所述时序信号聚类层，所述解码层根据所述潜在特征表示向量重构对应的原始雷达信号，所述时序信号聚类层对所述潜在特征表示向量进行无监督聚类分析，得到所述雷达信号分选结果，并且在利用训练数据集训练所述无监督分选模型时，将所述深度自编码网络层的重构损失函数与所述时序信号聚类层的kl对比散度损失函数作为模型的总代价函数，通过最小化总代价函数来反向更新所述深度自编码网络层的权重参数和所述时序信号聚类层的聚类中心，对所述无监督分选模型进行联合优化训练。
9.本发明具有以下有益效果：
10.本发明提供一种基于深度聚类的无监督雷达信号分选方法，该方法利用预先构建并且训练好的无监督分选模型对待分选的时间序列信号进行信号调制格式分选，得到雷达信号分选结果，其中无监督分选模型由深度自编码网络层与时序信号聚类层相结合得到，首先利用深度自编码网络层对输入的时间序列信号进行降维压缩处理，得到更紧凑的潜在特征向量表示，然后由时序信号聚类层对潜在特征表示向量进行无监督聚类分析，得到雷达信号分选结果，无监督分选模型在训练时，将深度自编码网络层的重构损失函数与时序信号聚类层的kl对比散度损失函数作为模型的总代价函数，通过最小化总代价函数来反向更新深度自编码网络层的权重参数和时序信号聚类层的聚类中心，对无监督分选模型进行联合优化训练，达到降维和聚类效果。整个模型训练过程是无监督的，不依赖于训练样本的标签信息，与雷达信号随机分选方法相比，实验结果表明本发明在不同调制格式、不同信噪比下分选的准确度都有一定的保证；与基于有监督的雷达信号分选方法相比，本发明提供一种快速的高效雷达信号分选方法且更有实战意义，从而在敌我电子对抗中获得电磁空间控制权。
附图说明
11.图1是本发明的一种基于深度聚类的无监督雷达信号分选方法的流程图；
12.图2是本发明中无监督分选模型的原理图；
13.图3是本发明中深度自编码网络层的解码层结构图；
14.图4是本发明中深度自编码网络层的双向lstm网络结构图；
15.图5是本发明中时序信号聚类层的示意图；
16.图6是本发明中k＝2时的时序信号聚类层计算流程图；
17.图7是本发明中不同调制类别下的雷达信号分选准确度/纯度随信噪比变化曲线。
具体实施方式
18.下面将结合附图及较佳实施例对本发明的技术方案进行详细描述。
19.本发明结合深度学习理论和时序数据聚类技术，提出了一种基于深度聚类的无监督雷达信号分选方法。该方法要解决两个核心问题：有效的降维方法和选取合适的相似性度量。
20.首先是有效的降维方法。当前提取反映时间序列变化趋势的特征主要有信号分析法和降维法两种。信号分析法包括离散傅里叶变换、离散小波变换等；降维法包括分段线性表示、适应性分段常数近似法、符号表示、奇异值分解等。降维法也存在一些缺陷，由于降维是独立于聚类准则进行的，因此这会导致长程时间相关性的潜在损失以及相关特征的过滤。
21.其次是选取合适的相似性度量。时间序列常用的相似性度量函数有欧氏距离、动态弯曲距离、带有下界的动态弯曲规整距离等。由于雷达通信信号时间序列数据的复杂性和高维性，在没有适当降维的情况下，一个好的相似性度量可能不足以获得最优的聚类结果，因此获得有意义的聚类结果的另一个关键步骤是确保相似性度量与时间特征空间兼容。
22.基于上述两方面，本发明提出一种基于深度聚类的无监督雷达信号分选方法，该方法构造一种深度聚类神经网络模型来识别雷达通信信号调制格式。首先，本发明设计一种深度自编码网络对通信信号进行降维处理，处理过程采用一维卷积神经网络cnn和激活函数relu降低时序数据维度，捕捉序列间的短距离波动，将数据降维为紧凑向量，同时保留序列间的结构化信息，同时采用不同大小池化层来丰富抽取的时序特征；接着采用双向长短时记忆网络，捕捉序列前后两个方向的数据波动，并将序列折叠压缩为更紧凑的潜在特征表示向量，再利用上采样层和反卷积层重构原始信号；同时对这些潜在特征表示向量进行聚类处理，根据聚类分布，迭代更新深度自编码网络权重参数和聚类中心，最后利用训练好的网络模型进行无监督的雷达信号分选。
23.具体地，如图1所示，本发明提供一种基于深度聚类的无监督雷达信号分选方法，包括以下步骤：
24.步骤一：使用雷达信号接收机将接收到的待分选雷达信号分成iq两路数据，得到待分选的1024
×
1维的时间序列信号；
25.步骤二：将步骤一中的时间序列信号输入到预先构建并训练好的无监督分选模型中进行信号调制格式分选，得到雷达信号分选结果。
26.本发明中的无监督分选模型的原理图如图2所示，无监督分选模型深度自编码网络层和时序信号聚类层，其中深度自编码网络层由编码层和解码层两部分组成，深度自编码网络层的编码层将输入的待分选的1024
×
1维的时间序列信号降维压缩为更紧凑的潜在特征表示向量，并将潜在特征表示向量分别输出至解码层和时序信号聚类层。深度自编码网络层的解码层根据潜在特征表示向量重构对应的原始雷达信号。时序信号聚类层对潜在特征表示向量进行无监督聚类分析，得到输入的时间序列信号对应的雷达信号分选结果。
27.本发明中的无监督分选模型是预先构建并利用训练数据集进行训练后得到的模型，在利用训练数据集训练无监督分选模型时，将深度自编码网络层的重构损失函数与时序信号聚类层的kl对比散度损失函数作为模型的总代价函数，通过最小化总代价函数来反
向更新深度自编码网络层的权重参数和时序信号聚类层的聚类中心，对无监督分选模型进行联合优化训练。
28.本发明采用深度自编码网络层对输入的时间序列信号进行数据压缩降维。仍参见图2，深度自编码网络层的编码层由一维卷积层、多尺度池化层与两个双向长短时记忆网络依次级联而成。输入的时间序列信号经过多个一维卷积层下采样、relu非线性激活函数等操作提取短距离时序特征，捕捉序列间的短距离波动规律，再经过池化层多种不同大小池化核进行池化，丰富抽取的不同长距离时间尺度的时序特征来提升识别效果，再经过两个双向长短时记忆网络，捕捉序列前后两个方向的时序数据波动规律，并将序列折叠压缩为更紧凑的潜在特征表示向量。
29.编码层压缩降维后得到的潜在特征表示向量再经过解码层重构原始雷达信号，即获得重构序列。解码层的结构如图3所示，深度自编码网络层的解码层采用上采样层和反卷积层来重构原始雷达信号。在利用训练数据集训练无监督分选模型时，在输入序列和重构序列之间对比计算深度自编码网络层的重构损失，具体地，深度自编码网络层通过均方误差mse来最小化重构损失函数，均方误差mse的计算公式为：
[0030][0031]
其中，m为采取批处理训练样本数，x
ij
表示输入第i个样本第j维，表示解码层重构信号。
[0032]
深度自编码网络层中双向长短时记忆网络(简称为双向lstm网络)，它是在lstm长短时记忆网络的基础上添加反向运算，双向lstm网络设计特点非常适合于时序数据建模，双向lstm网络结构如图4所示。采用双向lstm网络可以捕捉序列在前后两个方向的数据波动规律，并将序列折叠压缩为更紧凑的潜在特征表示向量，该向量一方面传递给解码层用于计算均方误差mse，另一方面传递给时序信号聚类层对其进行聚类分析。
[0033]
时序信号聚类层由k个簇中心wk(k∈[1,k])组成，时序信号聚类层对更紧凑的潜在特征表示向量zi，进行完全链接的分层聚类后得到k个簇，对每个簇的元素求平均获取初始的簇中心wk，进一步使用相似性度量计算更紧凑的潜在特征表示向量zi和每个簇中心wk之间的距离dk，在根据距离dk计算kl对比散度损失，并通过梯度下降法不断更新聚类中心和辅助目标分布。时序信号聚类层如图5所示。
[0034]
在利用训练数据集训练无监督分选模型时，采用无监督的迭代训练方法来训练时序信号聚类层，该训练过程主要包括以下步骤：
[0035]
步骤二一：基于相似性度量计算训练数据集中训练样本序列xi属于第k个簇的预测概率分布q
ik
，计算的依据为训练样本序列xi的更紧凑的潜在特征表示向量zi离第k个簇的中心wk的距离越近，则训练样本序列xi属于第k个簇的概率越大。
[0036]
采用相似性度量计算距离dk，再使用t分布将距离dk归一化为概率分配，获得潜在特征表示向量zi属于第k个簇的预测概率分布q
ik
，预测概率分布q
ik
的计算公式为：
[0037][0038]
其中，q
ik
表示输入的训练样本序列xi属于第k个簇的概率，zi为训练样本序列xi对应的潜在特征表示向量，α为t分布的自由度参数，siml()为时序信号相似性度量函数，用来计算zi和每个簇中心wk之间的距离dk，wk为第k个簇的簇中心。
[0039]
如图6所示，以k＝2即时序信号聚类层包括2个簇为例，zi与簇中心w1,w2进行相似性度量，分别得到距离d1,d2，最后经过t分布归一化得到预测概率分布q
i1
和q
i2
。
[0040]
步骤二二：根据预测概率分布q
ik
构建辅助目标分布p
ik
。
[0041]
训练时序信号聚类层采用迭代训练，网络通过损失函数不断更新簇中心，由于训练过程为无监督，因此在获得预测概率分布q
ik
，但不知道真实的目标概率分布情况下提出构建辅助目标分布p
ik
，对于提高置信度和归一化损失都至关重要，通过三个性质构建p
ik
分布：
①
使预测效果增强；
②
对于高可信度的样本数据点更加重视；
③
均衡每个簇中心对于聚类损失的贡献程度，避免出现特征提取不均匀。
[0042]
通过损失函数不断更新簇中心，使用预测概率分布q
ik
的辅助目标分布p
ik
最大程度地提高置信度和聚类效果。辅助目标分布p
ik
的计算公式为：
[0043][0044]
其中，n为训练数据集中的样本个数。
[0045]
步骤二三：将预测概率分布q
ik
提高幂次后按每个簇的频率归一化得到辅助目标分布p
ik
，然后根据辅助目标分布p
ik
和预测概率分布q
ik
计算kl对比散度损失。kl对比散度损失的计算公式如下：
[0046][0047]
其中，n为训练数据集中的样本个数，k为时序信号聚类层的簇的个数。
[0048]
步骤二四：对深度自编码网络层的参数进行预训练后，通过分层聚类初始化聚类中心，然后通过梯度下降反向更新聚类中心，使kl对比散度损失达到最小值，并且每次反向传播更新聚类中心的同时更新辅助目标分布p
ik
。
[0049]
训练聚类层的目的是最小化q
ik
和p
ik
之间的kl对比散度损失，最大程度地提高置信度和聚类效果。为保证簇中心能较好的表征数据特征，对于深度自编码网络层的参数进行了预训练，然后通过分层聚类初始化聚类中心。此后，通过梯度下降反向更新聚类中心wk和深度自编码网络层权重参数，同时实现降维和聚类，使mse重构损失和kl对比散度损失都
达到最小值，并且每次反向传播更新聚类中心和网络权重参数时，也同时更新辅助目标分布p
ik
。
[0050]
本发明中的无监督分选模型是利用训练数据集进行无监督训练后得到的模型，其中训练数据集从样本数据库中随机采样得到，而样本数据库则由雷达信号接收机接收到的雷达信号信号所对应的1024
×
1维的时间序列信号组成。
[0051]
下面结合具体的实验来进一步说明本发明的技术方案及其技术效果。
[0052]
实验运行环境如表1所示，实验数据如表2所示。无监督分选模型整个训练过程是无监督的，并且只使用雷达数据集已有的标签来评估本发明的无监督雷达信号分选方法的分选效果。
[0053]
表1实验环境配置
[0054]
深度学习框架tensorflow keras操作系统ubuntu16.04cpuinter(r)core(tm)i7-6700kcpu@4.00ghzgpunvidiageforcegtx1080ti(11gb)ram16gb
[0055]
表2雷达信号调制格式
[0056][0057][0058]
这里采用通用的准确度accuracy和聚类纯度purity作为评价指标，特别是聚类纯度purity可以直观评价无监督方法的聚类效果。聚类纯度purity的计算公式为：
[0059][0060]
其中ω＝{c1,c2,...ck}表示所有聚类集合，wk表示第k个聚类类别。c＝{c1,c2,...,cj}表示实际集合，cj表示第j个实际类别，n表示样本总数。聚类纯度purity取值范围为[0,1]，完全聚类错误时纯度值为0，完全聚类正确时值为1，纯度值purity越大表示方法性能越好。
[0061]
这里对信噪比为30db的2至7类别的雷达通信调制格式进行了无监督的雷达信号分选实验，实验结果如表3所示。
[0062]
表3无监督的雷达信号分选实验结果
[0063][0064][0065]
表3中的第五列random表示雷达信号分选随机猜选概率，可以作为分选方法评估的参考基准线；第三列为准确度accuracy；第四列为聚类纯度purity。从表3可以看对于2至7类调制格式，通过本发明的分选识别准确率可以达到73.45％、55.25％、44.5％、37.50％、27.65％、23.65％，无监督纯度可以达到73.45％、62.62％、53.40％、44.03％、34.21％、31.09％。相比于每类随机猜选的概率，准确度依次提高了23.45％、21.95％、19.50％、17.50％、10.95％、9.35％。
[0066]
为了进一步测试本发明的无监督雷达信号分选方法的鲁棒性，在-20db至30db信噪比时，对2至7类调制格式样本以2db为间隔进行了实验测试，并分别绘制雷达信号分选准确度acc和纯度pur随信噪比变化曲线，如图7所示。实验结果表明，在信噪比大于-6db以上，
分选各种类别的准确度和纯度与高信噪比30db的性能相当，验证了本发明在不同调制格式、不同信噪比下分选的准确度有一定的保证，与雷达信号随机分选方法相比，实验结果表明本发明在不同调制格式、不同信噪比下分选的准确度提升了9.35％至23.45％；与基于有监督的雷达信号分选方法相比，因为实际侦察敌方的雷达信号并不一定在信号样本库中，本发明为电子对抗提供了一种快速的高效雷达信号分选方法，更有实战意义。
[0067]
综上所述，本发明提供一种基于深度聚类的无监督雷达信号分选方法，该方法利用预先构建并且训练好的无监督分选模型对待分选的时间序列信号进行信号调制格式分选，得到雷达信号分选结果，其中无监督分选模型由深度自编码网络层与时序信号聚类层相结合得到，首先利用深度自编码网络层对输入的时间序列信号进行降维压缩处理，得到更紧凑的潜在特征向量表示，然后由时序信号聚类层对潜在特征表示向量进行无监督聚类分析，得到雷达信号分选结果，无监督分选模型在训练时，将深度自编码网络层的重构损失函数与时序信号聚类层的kl对比散度损失函数作为模型的总代价函数，通过最小化总代价函数来反向更新深度自编码网络层的权重参数和时序信号聚类层的聚类中心，对无监督分选模型进行联合优化训练，达到降维和聚类效果。整个模型训练过程是无监督的，不依赖于训练样本的标签信息，与雷达信号随机分选方法相比，实验结果表明本发明在不同调制格式、不同信噪比下分选的准确度都有一定的保证；与基于有监督的雷达信号分选方法相比，本发明提供一种快速的高效雷达信号分选方法且更有实战意义，从而在敌我电子对抗中获得电磁空间控制权。
[0068]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0069]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。