本发明涉及雷达辐射源识别领域,特别地,涉及基于时间域图张量注意力网络的雷达辐射源识别系统。
背景技术:
1、如何快速且精准地完成雷达辐射源信号识别一直是国内外学者研究的热点问题。雷达技术广泛运用于通信、认知无线电、自组织网络等场景,利用雷达发射器发送的电磁脉冲信号,根据先验信息确定生成信号的发射器个体,高精度地对雷达辐射源信号进行识别是目前急需解决的问题与挑战。
2、为提高雷达辐射源识别的质量和速度,高效率的雷达辐射源识别系统成为其先决条件,因此,快速而精确的雷达辐射源识别技术,成为雷达领域工作研究的核心内容。近年来,随着深度学习的迅速发展,卷积神经网络、循环神经网络等深度学习模型被大量运用在雷达辐射源识别领域。然而这些方法没有考虑到每个特征的时域相关性和特征之间的关系,雷达辐射源信号的时域指标中,幅度、瞬时频率和瞬时相位,相互关联。将信号变换为时域图张量,同时采用鲁棒注意力模型可以学习每个特征的时域相关性和特征相关性。故发明一种高准确率、高智能化、可以处理特征间关系的雷达辐射源识别系统具有重要意义。
技术实现思路
1、为了克服已有雷达辐射源识别方法没有考虑到每个特征的时域相关性和特征之间的关系,而雷达辐射源信号的时域指标中,幅度、瞬时频率和瞬时相位,相互关联,本发明提供一种高准确率、高智能化、可以处理特征间关系的雷达辐射源识别系统。基于时间域图张量注意力网络的雷达辐射源识别系统,通过雷达采集模块获取雷达辐射源信号,并且将雷达辐射源信号存储到数据库中,上位机采集数据库中的数据,对所采集的数据进行信号变换,基于信号变换后的时间域图张量数据进行鲁棒注意力识别模型建模,并利用鲁棒注意力识别模型检测新的雷达辐射源信号。本发明实现了智能性强、高精度、高准确率的雷达辐射源识别在线识别,解决了雷达辐射源识别精度低、没有考虑到时域相关性和特征相关性的问题。
2、本发明解决其技术问题所采用的技术方案是:
3、一种基于时间域图张量注意力网络的雷达辐射源识别系统,包括雷达采集模块、数据库以及上位机组成,这三个模块及系统分别相连,构成一个完整的雷达辐射源识别系统。其中上位机包括:信号变换模块、鲁棒注意力识别模型建模模块、鲁棒注意力识别模块、识别结果输出模块。
4、进一步地,上位机采集数据库中的数据,对所采集的数据进行信号变换,基于信号变换后的时间域图张量数据进行鲁棒注意力识别模型建模,并且能够实时更新该数据库,从而实时地更新鲁棒注意力识别模型,同时利用鲁棒注意力识别模型检测新的雷达辐射源信号。
5、进一步地,信号变换模块用以将雷达辐射源数据库中的数据变换为时间域图张量,采用如下过程完成:
6、原始雷达辐射源信号是一维信号。第i个原始雷达信号可以表示为:
7、
8、其中l表示信号的长度。
9、通过经验模态分解,将其分解为三个固有模式函数imf1i、imf2i、imf3i:
10、
11、
12、
13、其中表示imf1i集合中第i个原始雷达信号的第l个脉冲分解值,表示imf2i集合中第i个原始雷达信号的第l个脉冲分解值,表示imf3i集合中第i个原始雷达信号的第l个脉冲分解值。
14、利用希尔伯特变换对原始信号和三个固有模式函数进行变换。希尔伯特变换后的原始信号和三个固有模式函数可以描述为:
15、
16、
17、
18、
19、其中表示集合中第i个雷达信号的第l个值,表示集合中第i个雷达信号的第l个值,表示集合中第i个雷达信号的第l个值,且每个时间点的分析信号由实部和虚部组成
20、计算包络(瞬时振幅)、瞬时相位和瞬时频率。以原始信号为例。其瞬时振幅瞬时相位和瞬时频率可以表示为:
21、
22、
23、
24、其中,表示第i个原始雷达信号的第l个采样时间的瞬时幅度,可通过以下公式计算:
25、
26、表示第i个原始雷达信号的第l个采样时间的瞬时相位,可通过以下公式计算:
27、
28、表示第i个原始雷达信号的第l个采样时间的瞬时频率,可通过以下公式计算:
29、
30、。fs表示采样频率。同样,可以获得3个imf的瞬时振幅瞬时相位和瞬时频率
31、为了确保每个特征的长度相等,丢弃瞬时幅度瞬时相位和原始信号的第一次采样点,使每个特征的长度为l-1。将这三个特征与原始信号拼接,以获得原始图、imf1图、imf2图、imf3图的节点特征:
32、
33、
34、
35、
36、其中,原始图的第l个节点为imf1图的第l个节点为imf2图的第l个节点为imf3图的第l个节点为节点之间的边由可学习的注意系数组成,从而构成时间域图张量。
37、进一步地,鲁棒注意力识别模型建模模块利用信号变换后得到的时间域图张量,建立高精度的鲁棒注意力识别模型,并且利用数据库中的训练集数据自动地学习如何有效地进行识别。本发明提出的一种新颖的鲁棒注意力识别模型包含一次图内传播和一次图间传播,,图内传播能够高效的融合时域相关性,图间传播能够有效融合特征相关性,从而有效提高模型的识别精度。鲁棒注意力识别模型建模模块采用如下过程完成:
38、在图内传播过程中,每个节点将聚合其所有邻居节点和自身。聚合本身就是为了保留原始特征。在原始图的情况下,图内传播的过程如下:
39、
40、
41、其中,是原始图中图内传播后第i个雷达辐射源信号的第l个节点表示,表示从z1到zk的向量拼接,是由第l个节点和第m个节点之间的第k个注意力计算的归一化点积注意力系数,是可学习的变换权重。
42、使用相同的帧内传播方法,可以将imf1图、imf2图和imf3图的节点更新为和
43、
44、图间传播在时域图张量中的不同图之间传播信息,使来自不同图的异构信息逐渐混合为一致信息。原始信号和不同的imfs特征用于在同一采样点进行消息传播。在聚合过程中添加自循环以保留原始特征。类似地,以原始图为例,图间传播如下:
45、
46、
47、其中,是原始图中经过图内传播和图间传播后的第i个雷达信号的第l个节点表示,是由第l个节点和第n个节点之间的第q个注意力计算的归一化点积注意力系数,表示与节点在相同的采样点的节点集合,是可学习的变换权重。其中,图间传播这一过程考虑了特征之间的关系,有效提升了雷达辐射源识别系统的识别准确率。
48、更新后的节点表示不仅包括不同采样点之间的关系,还包括同一采样点上不同特征之间的关系。将所有更新后的节点展平为一维矩阵。在全连接模块和softmax操作后,获得雷达信号的类型:
49、
50、其中,可学习变换权重w3∈r16(l-1)×c,是对于每种雷达辐射源信号的预测概率。c是雷达辐射源信号类型的数量。选取预测概率最大的类别作为最终的识别类别。
51、进一步地,鲁棒注意力识别模块用以对信号变换模块后新获取的雷达辐射源信号直接输入鲁棒注意力识别模型,得到该雷达辐射源信号的类别。
52、进一步地,识别结果输出模块将得到的新获取的雷达辐射源信号类别结果进行输出。
53、本发明的技术构思为:本发明针对现有雷达辐射源识别方法方法没有考虑到每个特征的时域相关性和特征之间的关系的不足,提供了一种高准确率、高智能化、可以处理特征间关系的雷达辐射源识别系统。基于时间域图张量注意力网络的雷达辐射源识别系统,通过雷达采集模块获取雷达辐射源信号,并且将雷达辐射源信号存储到数据库中,上位机采集数据库中的数据,对所采集的数据进行信号变换,基于信号变换后的时间域图张量数据进行鲁棒注意力识别模型建模,并利用鲁棒注意力识别模型检测新的雷达辐射源信号。本发明实现了智能性强、高精度、高准确率的雷达辐射源识别在线识别,解决了雷达辐射源识别精度低、没有考虑到时域相关性和特征相关性的问题。
54、本发明的有益效果主要体现在:1、图内传播能够高效的融合时域相关性,从而有效提高模型的识别精度;2、图间传播能够有效融合特征相关性,从而有效提高模型的识别精度;3、基于时间域图张量注意力网络的雷达辐射源识别系统可以根据训练数据自动地学习,智能性强,受人为因素影响较小。