低信噪比雷达辐射源信号脉内识别装置及其训练识别方法

本发明属于无线电检测和定位，具体涉及低信噪比雷达辐射源信号脉内识别装置及其训练识别方法。

背景技术：

1、现有的无线电检测和定位技术采用的是雷达对信号的接收和识别的方式来实现的，而雷达辐射源信号脉内分类识别装置及训练和识别方法，是指对被动雷达接收机接收的非合作雷达发射的辐射源信号进行分类识别的装置，及其训练和识别的方法。现有的雷达辐射源信号脉内分类识别方法，主要分为两种，一是基于传统机器学习的识别方法，二是基于深度学习的识别方法。而低信噪比是指信号的能量和噪声的能量比低。以上两种识别方法在低信噪比的情况下对信号的识别存在各自的缺陷。

2、首先，基于传统机器学习的识别方法一般分为两步：第一步利用人工方法提取特征；第二步利用传统机器学习方法构建分类器进行识别。这种基于机器学习的方法在应用中往往存在以下几点问题：（1）人工设计的特征提取算法的好坏通常依赖于从业者的专业领域知识和经验水平，提取的特征往往针对性较强，一旦数据集发生变化，原先的特征提取算法性能会大大下降，使得方法的可迁移性较差；（2）提取的特征往往为“浅层特征”，无法提取更为抽象的“高级”特征，而且特征的好坏无法事先确定，只能通过大量实验去尝试；（3）对噪声表现出很强的敏感性，在低信噪比条件下，通常很难再提取到有效特征，难以满足当下的需求。

3、其次，基于深度学习的识别方法主要是利用深度学习算法进行识别，而深度学习算法的主要思想是利用时频分析方法将雷达原始信号变换成雷达时频图像，此时信号识别问题转化为图像识别问题。深度学习方法是将特征提取与识别一体化，其中特征提取是通过构建损失函数，利用梯度下降法和误差反向传播算法从数据中提取判决性表征进而完成对目标的分类。深度学习方法是一种较为通用、自动、更为智能的方法，通过多层非线性模块的组合能够自动学习到数据集中“好”的、“高级”的特征，而且在不断卷积过程中放大了输入中对于目标分类有利的特征，同时抑制无关的噪声。因此，基于深度学习的方法具有很强的噪声抑制能力和特征学习能力，其应用大大提升了雷达辐射源信号的识别效果。但是现有的基于深度学习的雷达辐射源信号脉内分类识别方法，在低信噪比情况下，识别准确率均不高，原因是在于现有的方法均对不同信噪比情况下的雷达辐射源信号数据集或者是高信噪比情况下的雷达辐射源信号数据集进行训练，以期待得到一种适用于任意信噪比的雷达辐射源信号分类模型。然而，对于这种不同信噪比数据混杂的训练数据进行训练，由于低信噪比情况下的噪声信号能量较高，使得训练数据易出现相互混淆的情况，如果与高信噪比情况下的辐射源信号数据用相同的方法进行训练，势必会导致深度学习算法训练的过拟合，进而降低了在低信噪比情况下的雷达辐射源信号识别准确率。而对于以高信噪比辐射源数据进行训练的情况，由于本身训练数据仅考虑了高信噪比的情况，对于高信噪比的数据可以有较高的分类准确率，但是对于低信噪比的情况，由于较大噪声能量的干扰，导致了分类模型无法对低信噪比的数据进行有效的分类，进而降低了在低信噪比情况下的雷达辐射源信号识别准确率。

技术实现思路

1、本发明提供了低信噪比雷达辐射源信号脉内识别装置及其训练识别方法，该识别装置和方法的使用可以达到一下目的：

2、一是为了能在实际情况下对探测到的低信噪比雷达辐射源信号形成的数据集进行有效的训练，仅利用低信噪比雷达辐射源信号的数据，对数据进行时频域的转化得到雷达辐射源时频数据，进行深度学习算法的训练得到分类模型的参数。在训练的过程中采用避免过拟合的分类模型反馈训练方法，训练得到分类性能更好的分类模型。

3、二是为了能在实际情况下对低信噪比情况下的雷达辐射源信号类型进行准确的分类识别（这里指的分类识别是指将各种类型的雷达辐射源信号类型进行区分），通过利用本发明训练的分类模型，将低信噪比雷达辐射源信号数据作为分类模型的输入，代入训练好的分类模型中，得到精确的分类识别结果，该结果可以有效的区分信噪比低的雷达辐射源信号类型。

4、为实现上述目的，本发明提供如下技术方案：低信噪比雷达辐射源信号脉内识别装置，所述雷达辐射源信号脉内识别装置包括数据分块模块；所述数据分块模块后端设置有深度神经网络模块；所述深度神经网络模块后端设置有正向推理结果保存模块；所述正向推理结果保存模块后端设置有融合推理模块；所述融合推理模块后端设置有反馈训练接入模块；所述反馈训练接入模块后端连接在深度神经网络模块上；所述深度神经网络模块后端还设置有分类模型参数保存模块。

5、本发明还提供了低信噪比雷达辐射源信号脉内识别装置的训练方法，包括如下训练步骤：

6、s1，对带有标签的雷达辐射源信号时频数据作为输入数据输入到数据分块模块中，得到分块的训练数据；

7、s2，将分块的训练数据输入到深度神经网络模块中，通过深度神经网络模块中的网络结构和网络参数的正向推理运算，得到正向推理运算结果；

8、s3，将每类输入数据的正向推理运算结果分批保存至正向推理结果保存模块中，并将每批结果在每一维度上取平均值进行保存；

9、s4，将保存的每类分批正向推理结果平均值逐个输入到融合推理模块中，将正向推理结果平均值与输入数据的标签结果进行融合推理，得到融合推理结果并进行保存；

10、s5，将融合推理结果逐个输入到反馈训练接入模块中，将融合推理结果与正向推理结果的平均值做差，得到逐个的差值向量，将差值向量代入到反馈训练接入模块中存储的深度神经网络模型中，进行卷积神经网络对应的各层之间的反向推理算法的逐层反向推理，得到深度神经网络模型新的网络模型参数；

11、s6，将反馈训练接入模块反向推理得到的深度神经网络模型新的网络模型参数输入到深度神经网络模块中进行保存更新；

12、s7，迭代步骤s2至s6，直至100次，将最后训练好的深度神经网络模型的网络模型参数，发送至分类模型参数保存模块中进行保存。

13、优选的，所述训练方法步骤s1中数据分块模块对带有标签的输入数据进行归一化数据分块处理，其具体的处理方法包括：

14、s1a，将各种型号的雷达辐射源信号时频输入数据进行二维数据尺寸计算，由于输入数据均为离散化的二维数据，计算各种二维数据的行列数，保存各种型号输入数据最大的行数和列数；

15、s1b，对每一个类型的输入数据均按照保存的最大行数和列数进行补齐，即如果某一种类型输入数据小于保存的最长的二维数据的行和列的个数，则将相差的行和列的个数取0在该种输入数据的行和列的前部补齐，然后在取0的部分添加高斯白噪声，高斯白噪声的均值为0，标准差为信号的平均功率；通过以上步骤，即可得到行数和列数相等的不同类型的雷达辐射源信号时频输入数据。

16、优选的，所述训练方法步骤s2中深度神经网络模块的正向推理运算具体模型设计为：对应数据分块模块的数据输入，将输入的数据接入卷积神经网络卷积池化层三层、卷积神经网络隐藏层一层、卷积神经网络输出层一层。

17、优选的，所述训练方法步骤s3中正向推理结果保存模块对正向推理运算结果分批保存的具体步骤为：

18、s3a，正向推理结果保存模块将每个训练输入数据的标签结果进行保存；

19、s3b，从相同标签结果的训练输入数据中随机抽取10个数据，将每个训练输入数据代入到深度神经网络模块中，进行正向推理计算，将得到的10个训练输入数据的n维向量正向推理结果在每一维度上取平均值，n代表雷达辐射源类型数量；

20、s3c，将平均值作为随机抽取的10个数据的正向推理结果进行保存，并保存与10个训练输入数据的对应关系。

21、优选的，所述训练方法步骤s4中融合推理模块的具体运算方法为：

22、s4a，将正向推理结果保存模块保存的相同标签结果随机抽取的10个训练输入数据的正向推理结果的平均值输入到融合推理模块中；

23、s4b，将正向推理结果平均值与保存的输入数据的标签结果进行基于dsmt框架中pcr5组合规则的融合推理，得到融合推理结果进行保存，并保存与分组的10个训练输入数据的对应关系。

24、优选的，所述步骤s5中反馈训练接入模块存储的深度神经网络模型的随机初始参数为：卷积神经网络卷积层1的16个不同卷积核的随机初始参数、卷积神经网络卷积层2的32个不同卷积核的随机初始参数、卷积神经网络卷积层3的16个不同卷积核的随机初始参数、卷积神经网络池化层3的各个结点与卷积神经网络隐藏层100个结点之间的随机初始全连接参数、卷积神经网络隐藏层100个结点与卷积神经网络输出层2个结点之间的随机初始全连接参数；

25、所述步骤s5中反馈训练接入模块的具体运算方法为：

26、s5a, 将融合推理模块保存的分组的10个训练输入数据的融合推理结果与正向推理结果保存模块保存的同样数据的正向推理结果的平均值进行差值计算，得到每个分组的10个数据对应的差值向量；

27、s5b，将每个分组10个数据对应的差值向量输入到反馈训练接入模块保存的深度神经网络模型中，进行卷积神经网络对应的各层之间的反向推理算法的逐层反向推理，即按照卷积神经网络输出层到卷积神经网络隐藏层、卷积神经网络隐藏层到卷积神经网络池化层3、卷积神经网络池化层3到卷积神经网络卷积层3、卷积神经网络卷积层3到卷积神经网络池化层2、卷积神经网络池化层2到卷积神经网络卷积层2、卷积神经网络卷积层2到卷积神经网络池化层1、卷积神经网络池化层1到卷积神经网络卷积层1这样的顺序进行卷积神经网络对应的各层之间的反向推理算法的逐层反向推理，得到新的深度神经网络模型参数，并保存更新；

28、s5c，再随机选取某个分组10个输入训练数据，进行步骤s5a至s5b；

29、s5d，迭代步骤s5c直至100次，得到训练好的深度神经网络模型参数，发送至分类模型参数保存模块中进行保存。

30、优选的，所述步骤s7中分类模型参数保存模块保存的训练好的深度神经网络模型的网络模型参数包括：卷积神经网络卷积层1的16个不同卷积核的训练好的参数、卷积神经网络卷积层2的32个不同卷积核的训练好的参数、卷积神经网络卷积层3的16个不同卷积核的训练好的参数、卷积神经网络池化层3的各个结点与卷积神经网络隐藏层100个结点之间的训练好的全连接参数、卷积神经网络隐藏层100个结点与卷积神经网络输出层代表雷达辐射源类型数量的n个结点之间的训练好的全连接参数。

31、本发明还提供了低信噪比雷达辐射源信号脉内识别装置的识别方法，包括如下识别步骤：

32、c1，将雷达辐射源信号数据的时频数据的二维数据代入数据分块模块中，得到了行数和列数均为最大行数和列数的待识别雷达辐射源信号时频输入数据；

33、c2，将行数和列数为最大行数和列数的待识别雷达辐射源信号时频输入数据由左向右依次代入到卷积神经网络卷积层1、卷积神经网络池化层1、卷积神经网络卷积层2、卷积神经网络池化层2、卷积神经网络卷积层3、卷积神经网络池化层3、卷积神经网络隐藏层、卷积神经网络输出层中，按照分类模型参数保存模块保存的模型参数进行计算，计算得到了卷积神经网络输出层的代表雷达辐射源类型数量的n维向量结果；

34、c3，将代表雷达辐射源类型数量的n维向量结果进行比较，如果代表某种雷达辐射源信号类型的值为向量中的最大值，则输出该信号为该种类型的雷达辐射源信号。

35、与现有技术相比，本发明的有益效果是：

36、1.本发明采用了融合推理步骤，在雷达辐射源信号脉内识别领域是首次运用，可以将正向推理结果与标签结果进行同等级的看待，即并非全信某一种结果为真，而实际上在低信噪比的情况下，雷达辐射源信号的分类可能是错误的，而不同类别的雷达辐射源信号也有可能因噪声的影响而发生类间交错的情况，因此标签有时是有偏差的，采取融合推理，可以认为训练的模型推理能力也具有了一定的权威性，可以作为专家与标签这样的教科书式的专家，相互讨论，得到融合结果，这与现有的神经网络模型与标签结果的比较方法具有很大改进；

37、2.能在实际情况下对探测到的低信噪比雷达辐射源信号时频数据形成的数据集进行有效的训练，利用低信噪比雷达辐射源信号时频数据，在训练的过程中采用避免过拟合的分类模型反馈训练方法，训练得到分类性能更好的分类模型；

38、3.能在实际情况下对低信噪比的雷达辐射源信号类型进行准确的分类识别（这里指的分类识别是指将识别出雷达辐射源信号为哪种类型），通过利用本发明训练的分类模型，将低信噪比雷达辐射源信号时频数据作为分类模型的输入，代入训练的分类模型中，得到精确的分类识别结果，该结果可以有效的区分信噪比低的雷达辐射源信号类型。

39、通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。