基于深度学习的雷达信号脉内调制识别方法与流程

1.本发明属于雷达信号处理技术领域，具体涉及一种基于深度学习的雷达信号脉内调制识别方法。


背景技术：

2.雷达信号脉内调制识别在信息化战役中发挥重要作用，针对敌人的雷达通信系统进行电子对抗，侦查地方情报，对增强军事武器装备的抗敌能力具有重要意义，同时在民用网络安全接入、认知无线电以及公共安全等领域具有较高的应用价值。
3.对于雷达信号脉内调制识别，传统做法是通过提取的到达时间(time of arrival,toa)、到达角(angle of arrival,aoa)、载波频率(carrier frequency,cf)、脉冲幅度(pulse amplitude,pa)和脉冲宽度(pulse width,pw)序列参数，构成脉冲描述字(pulse description word,pdw)，然后利用分类方法，如模板匹配法、支持向量等完成识别。随着电磁环境日益复杂，这五类参数，作为传统的识别方法已经不能满足当下所需要的识别精度。
4.为了有效改善信号特征提取依赖人工提取的缺点，随着人工智能的发展，深度学习逐渐被应用于雷达信号脉内调制识别方法中，并取得良好效果。有学者提出基于时频图像和卷积神经网络的信号自动识别系统，该方法是将信号通过时频分析转化为图像特征提取问题，通过对图像去噪等方式提高对图像的识别精度。时频图像与卷积神经网络相结合实现雷达信号脉内调制识别的技术考量了图像统计特征，但是提取的特征并不能完全表征信号的本质特征，且真实环境中的雷达回波信号背景杂波较为复杂，通过仿真实验得到的分析结果并不能完全表征信号的本质信息，尤其是在低信噪比的环境中受噪声影响大。同时，为去除时频图像中的噪声而采取过多的图像预处理去噪会导致部分有效信息丢失，降低识别的精确度，而随着卷积神经网络深度的增加同时也会造成参数大幅增加，提高计算复杂度。


技术实现要素：

5.本发明提供了一种基于深度学习的雷达信号脉内调制识别方法，旨在解决现有技术中的信号处理效率低，原始信号信息丢失和信号识别准确度低的技术问题。
6.为了解决上述技术问题，本发明采用的技术方案为：一种基于深度学习的雷达信号脉内调制识别方法，包括以下步骤：
7.s1、对雷达采样信号进行滤波和去噪预处理；
8.s2、将预处理后的采样信号进行cohen类时频分布处理，得到时频图像；所述进行cohen类时频分布处理具体包括以下步骤：
9.s201、计算采样信号的模糊函数，计算公式为：
10.11.其中，s1为预处理后的雷达脉内调制信号表达式，其中，s
1*
表示s1的共轭函数，τ为时延，v为频移，af(v，τ)表示信号s1的模糊函数，t表示自变量时间；
12.s202、计算choi
‑
williams时频分布函数，计算公式为：
[0013][0014]
其中，φ(v,τ)表示核函数，其表达式为：
[0015][0016]
其中，α，β表示指数系数，用来调节核函数的大小，d表示距离中心的距离；
[0017]
s3、对时频图像进行处理后，输入训练好的dcnn
‑
c网络模型中，通过网络模型自动判断输入雷达脉内调制信号类型，完成识别；所述dcnn
‑
c网络模型包括dcnn网络和与之拼接的分类网络。
[0018]
所述的基于深度学习的雷达信号脉内调制识别方法，还包括对所述dcnn
‑
c网络模型进行训练的步骤。
[0019]
对所述dcnn
‑
c网络模型进行训练的步骤具体为：
[0020]
建立雷达脉内调制信号的样本数据库，所述雷达脉内调制信号的样本数据库中包含12种类别雷达脉内调制信号的灰度时频图像；将样本数据分为测试集和训练集；
[0021]
建立dcnn
‑
c网络；
[0022]
根据所述训练集样本数据以及目标雷达脉内调制信号源信息对上述网络进行训练，
[0023]
通过测试集数据以及目标雷达脉内调制信号源信息对所述雷达辐射源识别模型进行测试，直至测试集的精度达到90％以上。
[0024]
建立雷达脉内调制信号的样本数据库的具体方法为：
[0025]
在
‑
10db～10db范围内，间隔2db共11个信噪比，每个信噪比下分别对12类雷达脉内调制信号采集100个调制信号作为原始信号，得到共13200个随机雷达脉内调制信号；
[0026]
对所述随机雷达脉内调制信号进行基于双球型核函数的choi
‑
williams时频分布处理得到时频图像，对时频图像进行归一化和灰度处理得到对应的时频域灰度图像，将得到的13200张灰度时频图像作为dcnn
‑
c网络模型的训练样本数据；
[0027]
在
‑
10db～10db范围内，间隔2db共11个信噪比，每个信噪比下分别对12类雷达脉内调制信号采集20个调制信号作为原始信号，得到共2640个随机雷达脉内调制信号；
[0028]
同样对随机雷达脉内调制信号进行基于双球型核函数的choi
‑
williams时频分布处理得到时频图像，对时频图像进行归一化和灰度处理得到对应的时频域灰度图像，得到共2640张时频域灰度图像作为dcnn
‑
c网络模型的测试集数据。
[0029]
所述dcnn网络包括7个卷积层，每个卷积层后端都有一个relu函数进行非线性化，所述分类网络层包含256个尺寸为4x4的卷积核、池化层、全连接层和softmax层。
[0030]
所述雷达信号包括ns信号、lfm信号、eqfm信号、2fsk信号、4fsk信号、dlfm信号、bpsk信号、frank信号、lfm
‑
bpsk信号和2fsk
‑
bpsk信号。
[0031]
所述步骤s3中，对时频图像进行处理具体包括：对其进行尺寸和幅度归一化调整，
以及灰度化处理。
[0032]
本发明与现有技术相比具有以下有益效果：
[0033]
本发明提供了一种基于深度学习的雷达信号脉内调制识别方法，通过将待识别的雷达脉内调制信号进行预处理，然后将预处理后的信号进行cohen类时频分析方法得到时频图像，对其进行归一化和灰度化，将得到的时频灰度图像输送到基于改进dcnn的分类网络训练，并保留效果良好时的网络参数；将测试集输入到已经训练好的网络模型，完成雷达脉内调制信号的识别分类。其中在时频分析部分，采用改进核函数的choi
‑
williams分布时频分析方法，相对传统cohen类时频分析中采用的指数型核函数对信号在模糊域进行能量提取，本发明采用双球型核函数，在时频分析能力上有显著的提升，即在低信噪比得到更加清晰的时频图像，这意味着对后续使用改进dcnn的分类网络时可以有效提高网络模型的识别率。
附图说明
[0034]
图1为本发明实施例提供基于深度学习的雷达信号脉内调制信号识别方法的流程图；
[0035]
图2为本发明实施例中采用的dcnn
‑
c网络模型结构示意图；
[0036]
图3为本发明实施例提供的时频域灰度图像(snr＝
‑
6db)的示意图；
[0037]
图4为本发明实施例中的双球型核函数的示意图；图中，横轴代表时延，纵轴代表频移；
[0038]
图5为正弦调制信号在模糊域的能量分布示意图；
[0039]
图6为现有技术与本发明的时频分析方法的对比示意图；a为通过传统choi
‑
williams时频分布的指数型核函数对正弦调频雷达脉内调制信号进行时频分析得到的图像，图中b为通过本发明choi
‑
williams时频分布引入双球型核函数后得到的时频图像；
[0040]
图7为采用本发明实施例的dcnn网络对snr＝
‑
6db下的4fsk信号的图像背景的去噪效果对比图，其中(a)为去噪前的图像，(b)为对应的去噪后的图像；
[0041]
图8为采用本发明实施例的dcnn网络对snr＝
‑
6db下的sfm信号的图像背景的去噪效果对比图，其中(a)为去噪前的图像，(b)为对应的去噪后的图像；
[0042]
图9为采用本发明实施例的dcnn网络对snr＝
‑
6db下的eqfm信号的图像背景的去噪效果对比图，其中(a)为去噪前的图像，(b)为对应的去噪后的图像。
具体实施方式
[0043]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0044]
为解决现有技术存在的雷达信号脉内调制识别处理过程的局限性，识别效果不佳和针对性不强的技术问题，本发明实施例提供了一种基于深度学习的雷达信号脉内调制识别方法，通过将待识别的雷达脉内调制信号进行滤波和去噪预处理，然后将预处理后的信号进行cohen类时频分析方法得到时频图像，对其进行归一化和灰度化处理得到64*64的灰
度时频图像，将其输送到dcnn
‑
c(deep convolutional neural network
‑
classification)网络模型进行训练，并保留效果良好时的网络参数；将测试集输入到已经训练好的网络模型，完成雷达脉内调制信号的识别分类。其中在时频分析部分，采用改进核函数的cohen类时频分布方法，相对传统choi
‑
williams时频分布中采用的指数型核函数对信号在模糊域进行能量提取，本发明采用双球型核函数，在时频分析能力上有显著的提升，即在低信噪比得到更加清晰的时频图像，这意味着对后续使用dcnn
‑
c网络时可以有效提高网络模型的识别率。
[0045]
具体地，如图1所示，本发明实施例提供的一种基于深度学习的雷达信号脉内调制识别方法，包括以下步骤：
[0046]
s1、将截获的雷达信号s(t)进行预处理，对采样信号进行滤波和去噪预处理得到s1(t)；
[0047]
s2、将预处理后s1(t)信号进行cohen类时频分布处理，得到时频图像；
[0048]
本实施例中，使用的时频分析方法采用choi
‑
williams时频分布，所述时频分布方法是引入一种指数型核函数，该核函数可以有效抑制那些由不同频率中心和不同时间中心的自项所产生的交叉项。所述cohen类时频分布进行时频分析的过程如下：
[0049]
af
s1
(v，τ)为模糊函数，是对时变自相关函数作傅里叶变换，得到一个联合时频表达式，表达式如下：
[0050][0051]
上述式中，s1(t)为预处理后的雷达辐射源信号表达式，其中，s
1*
表示s1的共轭函数，τ为时延，v为频移，af(v，τ)表示信号s1的模糊函数，t表示时间。
[0052]
choi
‑
williams时频分布函数的表达式为:
[0053][0054]
其中，φ(v，τ)表示核函数，c(t，w)表示雷达脉内调制信号的choen类时频分布函数，通过上述时频分布函数，可以输出雷达脉内调制信号的时频图像。本实施例中，通过式(1)计算雷达脉内调制信号的模糊函数，可以将雷达脉内调制信号转化到模糊域，然后，通过式(2)的计算，即利用模糊函数与核函数相乘，实现在模糊域内提取能量，再将该部分进行傅里叶逆变换，得到时频图像。
[0055]
具体地，本实施例采用的choi
‑
williams时频分布处理方法中，采用双球型核函数，其表达式为：
[0056][0057]
其中，α，β用来调节核函数的大小，d表示距离中心的距离，核函数的宽度用四倍高斯核函数标准差来估计。图5所示，本发明实施例中的双球型核函数的示意图；图中，横轴代表时延，纵轴代表频移。
[0058]
具体地，本实施例中，通过mesh()函数，并且取绝对值，可以将类时频分布函数c(t，w)转化为时频图像。
[0059]
s3、将上述得到的时频图像进行归一化和灰度化处理得到灰度时频图像，将测试集灰度时频图像输送至已经训练好的dcnn
‑
c网络模型；所述训练好的dcnn
‑
c网络保留了训练效果良好时的权重参数，并且使用该参数对测试网络进行初始化。
[0060]
具体地，将时频图像进行归一化和灰度化处理后，输送至dcnn
‑
c网络模型，如图3所示，为归一化和灰度化处理后得到的时频域灰度图像(snr＝
‑
6db)的示意图。由于imagesc函数处理生成的时频域图像为彩色图像，可以通过灰度化处理将所述时频域图像处理生成单通道的时频域灰度图像，相比于处理三通道的彩色图像，卷积神经网络算法在处理时频域灰度图像时所需处理的数据量大大降低，但是同时不会影响最终网络模型对图像的识别准确率。
[0061]
具体地，dcnn
‑
c网络即为改进dcnn的分类网络，包括dcnn网络和与之拼接的分类网络，其训练方法如下：
[0062]
s301、建立雷达脉内调制信号的样本数据库，所述雷达脉内调制信号的样本数据库中包含12种类别雷达脉内调制信号的灰度时频图像。也就是说，雷达脉内调制信号的样本数据库中包含时频灰度图像以及其相对应的目标雷达脉内调制信号源信息。
[0063]
作为本发明的一种可行实施例，在
‑
10db到10db信噪比下每隔2db产生数量相等的不同调制方式的雷达样本信号，所述不同脉内调制方式的雷达样本信号包括常规脉冲信号，线性调频信号，正弦调频信号，频率编码信号、相位编码信号以及混合调制信号，上述雷达辐射源样本信号的参数如表1所示。
[0064]
表1 仿真雷达信号参数表：
[0065][0066]
s302、将样本数据分为测试集和训练集。
[0067]
本发明实例中，为使仿真的雷达脉内调制信号更接近与真实环境接收到的信号，本发明在仿真的雷达信号中添加高斯白噪声来模拟实际环境中的噪声影响，在
‑
10db～10db范围内，间隔2db共11个信噪比，每个信噪比下分别对12类雷达脉内调制信号采集100个调制信号作为原始信号，共13200个随机雷达脉内调制信号，通过双球型核函数的choi
‑
williams时频分布处理得到时频图像，对其时频图像进行归一化和灰度处理后，得到了对
应的时频域灰度图像，将得到的13200张灰度时频图像作为训练dcnn
‑
c网络模型的样本数据。根据上述的样本选取规则，在
‑
10db～10db范围内，间隔2db共11个信噪比，每个信噪比下分别对12类雷达脉内调制信号采集20个调制信号作为原始信号，得到共2640个随机雷达脉内调制信号，再将通过基于双球型核函数的choi
‑
williams时频分布处理得到的时频图像进行归一化和灰度化处理，得到时频域灰度图像共2640张作为测试集数据。
[0068]
s303、建立基于改进dcnn的分类网络模型，即dcnn
‑
c网络模型。
[0069]
具体的，本实施例中，基于改进dcnn的分类网络中，dcnn网络包括7个卷积层，每个卷积层后端都有一个激活函数：relu函数进行非线性化，在dcnn后拼接分类网络以最终达到分类的效果。dcnn通过从污染图像中分离出噪声图像可以实现潜在的清晰图像。
[0070]
所述dcnn网络的隐藏层第l卷积层，与前一层的特征映射与卷积核w
ij
进行卷积，并且将卷积结果通过激活函数f后输出特征映射每个输出特征映射可以将卷积与多个输入特征图结合起来，该过程的数学表达式为:
[0071][0072]
其中m
ij
表示输入特征图的选择，表示偏差，*表示卷积算子，f表示函数集合。
[0073]
给定网络层的深度d的dcnn，每一层都使用相同的卷积算子。卷积运算实际上是一种线性滤波，而线性特性并不能代表非平凡问题，因而在dcnn中，将每个卷积层的输出后都添加一个非线性激活函数，将其输出结果作为下一层的输入。
[0074]
在上述dcnn网络中，如图2所示，使用整流线性单元relu作为每一层的激活函数，其是一种非线性映射，与其他激活函数相比，relu可以在大型复杂数据集上快速有效地训练深度神经网络结构。
[0075]
dcnn
‑
c网络模型中，损失函数的数学表达式为：
[0076][0077]
其中，θ＝[w,b]是dcnn的网络参数，w是权重矩阵，b为偏置，在模型训练过程中，最小化损失函数以找到dcnn的最优参数θ。
[0078]
本实施例中，dcnn
‑
c网络模型的结构图如图2所示，其输入层大小是64*64*1；每个卷积层都采用64个5*5的卷积核；分类网络层包含256个尺寸为4x4的卷积核、池化层、全连接层和softmax进行最终的分类。
[0079]
其中分类网络的池化层是非线性下采样的一种形式，主要作用是通过减少网络的参数来减小计算量，并且在一定程度上可以控制过拟合，该部分使用的平均池化；而全连接层用来计算向量和权重向量之间的点积，再加上一个偏置，结果通过sigmoid函数输出，根据12种雷达脉内调制信号，该部分包括12个节点。
[0080]
s304、根据所述训练集样本数据以及目标雷达脉内调制信号源信息对上述网络进行训练，本技术中设置的迭代次数为400次，每次迭代读取33张数据图像。迭代过程中使用交叉熵函数计算损失，反向传播过程中梯度下降采用adam优化算法，在计算过程中会对初
始化的参数进行调整，同时计算精度，训练完成后，保存权重参数。
[0081]
s305、通过测试集数据以及目标雷达脉内调制信号源信息对所述雷达辐射源识别模型进行测试，在测试过程中，设置的迭代次数为400次，初始化参数采用训练网络保留的权重参数，将2640张时频域灰度图像作为测试集输入到dcnn
‑
c网络中，通过交叉熵函数计算损失，反向传播过程中梯度下降采用adam优化算法，同时计算精度，整体正确率达到预期值时训练完成，即已达到本技术所需精度的要求。
[0082]
重复上述所有步骤并完善参数，直到测试的整体正确率达到预期值时，完成训练。
[0083]
具体地，上述预期值指测试集的精度达到90％以上。
[0084]
上述模型训练过程中，当损失值较大时，表明dcnn
‑
c网络的识别准确率不高，识别出的雷达脉内调制信息与实际匹配的信息存在较大的差异，需要使用反向传播算法对所述雷达辐射源模型的参数进行调整；当损失值较小时，表明dcnn
‑
c网络模型的识别准确率足够，对输入到模型中的雷达脉内调制信息识别与实际信息基本相符；
[0085]
本发明实例通过上述13200个样本数据训练的雷达辐射源模型可以达到对测试集90％以上的精度，且易错率低。
[0086]
训练完成后的dcnn
‑
c网络模型，可以对时频域灰度图像的进行调制类型判断，也就是说，将时频域灰度图像直接输入到dcnn
‑
c网络模型中，可以输出对应的响应雷达脉内调制信号类型。
[0087]
所述步骤s3中，所述dcnn
‑
c网络中进行类别判断的雷达脉内调制信号包括表1中的12种类型，具体包括ns信号、lfm信号、eqfm信号、2fsk信号、4fsk信号、dlfm信号、bpsk信号、frank信号、lfm
‑
bpsk信号和2fsk
‑
bpsk信号。
[0088]
本实施例中，时频分析函数的核函数在设计时根据信号在模糊域的能量分布特性，把双球型核函数引入到choi
‑
williams时频分布中，用于将预处理后的采样信号进行时频处理，以便得到时频图像。
[0089]
如图5所示，为正弦调制信号(sfm)在模糊域的能量分布示意图，sfm信号的模糊域能量分布集中在中间部分，该信号的模糊域能量分布说明，本发明实施例请中选取的双球型核函数可以更好的提取模糊域能量。
[0090]
图6为本发明的识别方法与现有技术的对比示意图，图中采用的数据源为根据表1中的参数随机产生的正弦调频雷达脉内调制信号，图中a为通过传统choi
‑
williams时频分布的指数型核函数进行时频分析得到的图像，图中b为通过本发明choi
‑
williams时频分布引入双球型核函数后得到的时频图像。图6说明，本发明的时频处理方法采用双球型核函数，可以得到背景更清晰的时频图像，通过后续利用dcnn
‑
c网络进行进一步去噪和分类，具有更好的识别效果。
[0091]
图7～9所示，为本发明实施例采用的dcnn网络对snr＝
‑
6db下的4fsk，sfm，eqfm三类图像背景去噪效果示意图，从图中可以看出，本发明采用的dcnn可以较好地对雷达信号时频图像背景去噪。
[0092]
现有技术方法采用choi
‑
williams时频分布、快速傅里叶变换以及wigner
‑
ville分布得到各类调制信号的时频图像，然后将时频图像输入到卷积神经网络中进行识别。例如，基于扩张残差网络的雷达辐射源信号识别(参见秦鑫,黄洁,查雄,等.基于扩张残差网络的雷达辐射源信号识别[j].电子学报,2020,48(3):456
‑
462.doi:10.3969/
j.issn.0372
‑
2112.2020.03.006)，采用choi
‑
williams时频分布得到时频图像，该方法在信噪比为
‑
6db时可实现对雷达辐射源信号整体识别率达到98.2％。综合来看，现有技术的最大识别率约为97％，平均识别率约为90％，而本发明为有效针对低信噪比(snr＝
‑
10db、snr＝
‑
8db)的雷达信号，采用的双球型核函数在不影响其他脉内调制类型信号时频图像效果的情况下，可以提高对部分信号(例如正弦调频信号sfm)的分析效果，采用dcnn
‑
c网络模型对包括低信噪比(snr＝
‑
10db、snr＝
‑
8db)下信号的整体最大识别率可以达到98.5％，多次测试的平均识别率能够达到95.8％，实验数据说明本发明可以有效应对低信噪比下的雷达脉内调制信号识别。上述识别率η的计算方法为：
[0093][0094]
其中n0指全部数据集，本发明测试过程中n0＝2640，n指本发明dcnn
‑
c网络模型能够识别准确的数据。
[0095]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。