基于深度聚类的雷达辐射源分选方法与流程

1.本发明属于信号处理领域，更进一步涉及雷达辐射源分选技术领域中的一种基于深度聚类的雷达辐射源分选方法。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分选。


背景技术：

2.雷达辐射源分选是指从截获的密集交叠的脉冲流中分离出各部雷达的信号，它是雷达侦察的重要组成部分。雷达侦察系统的首要任务是从交错的脉冲流中分选出各个雷达信号并进行识别，得到不同辐射源的型号信息，之后再根据识别的结果分析各个雷达辐射源工作模式、威胁等级等信息。雷达辐射源分选的准确性直接影响了雷达辐射源识别的正确性，进而影响着上层系统获取的情报信息的正确性，因此，雷达辐射源分选对雷达侦察乃至整个电子对抗系统有重要意义。
3.传统的雷达辐射源分选方法是以雷达辐射源的载频、脉宽、到达时间、到达角、幅度组成的脉冲描述字为特征参数对雷达辐射源进行分析。然而，随着电子技术的发展，雷达等电磁设备的广泛应用，导致雷达辐射源数目增多，电磁环境日益复杂，同时复杂体制雷达的应用，使得雷达发射信号的调制样式变化多样，并且抗干扰和抗侦察能力提升。这都使雷达辐射源分选面临巨大的挑战，因此，利用单一、稳定的特征参数进行分选的传统方法难以处理如此海量且交叠的信号，研究能够处理海量复杂数据，适应目前电磁环境的雷达信号分选方法成为雷达侦察领域亟待解决的问题。
4.大连理工大学在其申请的专利文献“一种基于深度迁移学习的雷达信号分选方法”（专利申请号202110359057.0，申请公布号cn113030958a）中提出了一种基于深度迁移学习的雷达信号分选方法。该方法基于载频和脉宽二维特征参数，通过将接收到不同区域的雷达脉冲序列转化为图片进行雷达辐射源分选，采用基于faster rcnn网络的目标检测方法，先对其他区域的图片进行训练，得到模型的权重，然后将该模型迁移到当前区域，实现对雷达辐射源的分选。该方法对于重叠的雷达辐射源也能够准确的检测出来，提高了分选的准确性，但是，该方法仅利用辐射源的载频和脉宽两维特征进行分选，对于信号的信息挖掘不够充分，若不同辐射源的载频和脉宽高度相似，则该方法不再适用。
5.中国人民解放军空军工程大学在其申请的专利文献“一种基于核簇支持向量聚类的雷达信号分选方法”（专利申请号201811464561.1，申请公布号cn109613486a）中提出了一种基于核簇支持向量聚类的雷达信号分选方法。该方法首先利用常规参数对交织信号进行聚类预分选，然后选取漏选脉冲对应的脉内数据，并提取出有利于信号分选的脉内调制特征，接着利用特征选择算法选取雷达辐射源信号的关键特征，并采用提出的基于核簇支持向量聚类方法对选出的特征进行聚类分选，最后合并两次分选结果完成最终分选。该方法克服了传统方法适用范围受限、计算复杂、不利于工程实现等问题，但是，该方法需要人工提取脉内特征，分选结果受人工设计的特征影响较大，并且人工提取特征费时费力，方法的智能度不高。


技术实现要素：

6.要解决的技术问题为了避免现有技术的不足之处，本发明提出一种基于深度聚类的雷达辐射源分选方法，以解决现有雷达辐射源分选方法需要人工提取特征、分选正确率不高等的问题。
7.技术方案一种基于深度聚类的雷达辐射源分选方法，其特征在于步骤如下：步骤1：对雷达辐射源数据集进行预处理，得到载频和脉宽、信号时频图；步骤2：构建卷积自编码器网络；所述的卷积自编码器网络包括16层，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
→
flatten层
→
第一全连接层
→
第二全连接层
→
reshape层
→
第一上采样层
→
第四卷积层
→
第二上采样层
→
第五卷积层
→
第三上采样层
→
第六卷积层，其中前8层组成编码器，后8层组成解码器；将第一至第六卷积层中卷积核的个数分别设置为16，8，8，8，16，1，卷积核的大小都设置为33，步长均设置为1，激活函数为relu函数，填充方式选用“same”填充，第一至三池化层均采用最大池化方式，池化区域核的大小都设置为22，步长均设置为1，第一和第二全连接层的神经元个数分别为32，512，激活函数为relu函数，第一至第三上采样层上采样窗口大小为22；步骤3：构建全连接自编码器网络：所述的全连接自编码器网络包括6层，其结构依次为：第一隐含层
→
第二隐含层
→
第三隐含层
→
第四隐含层
→
第五隐含层
→
输出层，其中，前3层组成编码器，后三层组成解码器；将第一至第五隐含层的神经元个数分别设置为8，8，16，8，8，激活函数为relu函数，输出层的神经元个数设置为2，激活函数为sigmoid函数；步骤4：网络预训练：将信号时频图输入卷积自编码器网络中进行预训练得到特征提取雷达辐射源脉内特征提取编码器网络，将载频和脉宽输入全连接自编码器网络中进行预训练得到雷达辐射源脉间特征提取编码器网络；步骤5：特征融合：将雷达辐射源数据集中每个样本对应的雷达辐射源脉内特征提取编码器网络和脉间特征提取编码器网络的输出拼接，得到样本对应的联合特征；步骤6：聚类数目估计：利用密度峰值聚类算法估计得到雷达辐射源数据集的聚类数目；步骤7：数据聚类：对雷达辐射源数据集中的样本进行聚类，得到每个样本对应的聚类标签，将其定义为样本的标签；步骤8：网络微调：将两个编码器网络的输出拼接后输入一个全连接层和一个输出层，将网络改造成分类网络，用伪标签监督网络进行训练，实现网络参数的微调，其中，全连接层的神经元个数设置为32，激活函数为relu函数，输出层节点个数等于步骤6中的估计得到的聚类数目，
激活函数为softmax函数；步骤9：分选结果输出：重复执行步骤5至步骤8多次，取最后一次的数据聚类结果作为最终的雷达辐射源分选结果。
8.本发明进一步的技术方案：步骤1中数据预处理具体如下：（1a）用侦察接收机截获一段时间内的雷达辐射源信号，得到雷达辐射源数据集；（1b）测量雷达辐射源数据集内每个雷达辐射源信号样本的载频和脉宽，并利用min-max归一化方法对雷达辐射源数据集中每个样本的载频和脉宽进行归一化处理；（1c）利用短时傅里叶变换计算得到雷达辐射源数据集中每个样本的时频图，并对其进行min-max归一化和下采样，得到信号时频图。
9.本发明进一步的技术方案：步骤4具体如下：将信号时频图输入卷积自编码器网络中，利用adam算法迭代更新卷积自编码器网络的权值n次，丢弃训练好的卷积自编码器的解码器部分，得到预训练好的雷达辐射源脉内特征提取编码器网络；将载频和脉宽输入全连接自编码器网络中，利用adam算法迭代更新网络的权值n次，丢弃训练好的全连接自编码器的解码器部分，得到预训练好的雷达辐射源脉间特征提取编码器网络。
10.本发明进一步的技术方案：步骤7采用k-means聚类算法对雷达辐射源数据集中的样本进行聚类。
11.有益效果现有技术需要人工提取雷达辐射源信号的脉内特征，并且需要已知聚类数目等先验知识，对于信号的特征挖掘不够充分。本发明用自编码器提取雷达辐射源信号的脉内和脉间特征，并且将脉间和脉内特征融合形成联合特征，然后采用聚类和网络微调交替进行的策略微调网络，提高分选正确率；另一方面，为了降低对先验知识的依赖，本发明利用密度峰值聚类算法估计聚类数目，为深度聚类算法提供输入参数信息，提高了方法的智能性。与现有技术相比，本发明具有以下优点：第一，由于本发明利用神经网络自动提取雷达辐射源信号的脉内特征，避免了人为设计和计算脉内特征，减少了人工的干预，提高了本发明的智能性和自适应能力。
12.第二，由于本发明利用密度峰值聚类算法估计聚类数目，解决了k-means聚类需要预设聚类数目的问题，使得本发明所需的先验知识减少，能实现对未知雷达辐射源的分选。
13.第三，由于本发明将雷达辐射源的脉内和脉间特征融合，形成联合特征，使得用于分选的联合特征中同时包含雷达辐射源的脉内和脉间信息，能提高雷达辐射源分选的正确率；另一方面，本发明将聚类与特征提取相结合，交替进行网络微调和样本聚类，使网络能学习到易于聚类算法区分的特征，提高了分选的准确性。
附图说明
14.附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
15.图1是本发明的流程图。
具体实施方式
16.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
17.下面结合附图1，对本发明具体实现步骤作进一步的描述。
18.步骤1，数据预处理。
19.用侦察接收机截获一段时间内的雷达辐射源信号，得到雷达辐射源数据集。
20.测量雷达辐射源数据集内每个雷达辐射源信号样本的载频和脉宽，并利用min-max归一化方法对雷达辐射源数据集中每个样本的载频和脉宽进行归一化处理。
21.利用短时傅里叶变换计算得到雷达辐射源数据集中每个样本的时频图，并对其进行min-max归一化和下采样，得到尺寸为6464的信号时频图。
22.所述min-max归一化如下：其中，表示归一化处理后的雷达辐射源数据，表示归一化处理前的雷达辐射源数据，和分别表示取最大值和最小值操作。
23.步骤2，构建卷积自编码器网络。
24.搭建一个16层的卷积自编码器网络，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
→
flatten层
→
第一全连接层
→
第二全连接层
→
reshape层
→
第一上采样层
→
第四卷积层
→
第二上采样层
→
第五卷积层
→
第三上采样层
→
第六卷积层，其中前8层组成编码器，后8层组成解码器。
25.将第一至第六卷积层中卷积核的个数分别设置为16，8，8，8，16，1，卷积核的大小都设置为33，步长均设置为1，激活函数为relu函数，填充方式选用“same”填充，第一至三池化层均采用最大池化方式，池化区域核的大小都设置为22，步长均设置为1，第一和第二全连接层的神经元个数分别为32，512，激活函数为relu函数，第一至第三上采样层上采样窗口大小为22。
26.所述relu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relu后的响应。
27.步骤3，构建全连接自编码器网络。
28.搭建一个6层的全连接自编码器网络，其结构依次为：第一隐含层
→
第二隐含层
→
第三隐含层
→
第四隐含层
→
第五隐含层
→
输出层，其中，前3层组成编码器，后三层组成解码器。
29.将第一至第五隐含层的神经元个数分别设置为8，8，16，8，8，激活函数为relu函数，输出层的神经元个数设置为2，激活函数为sigmoid函数。
30.所述relu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relu后的响应。
31.所述sigmiod函数的数学模型表示如下：其中，g(z)表示网络的输入值经过激活函数sigmoid后的响应，e
（。）
表示以自然常数e为底的指数操作。
32.步骤4，网络预训练。
33.将雷达辐射源数据集中样本的信号时频图输入卷积自编码器网络中，利用adam算法迭代更新网络的权值100次，丢弃训练好的卷积自编码器的解码器部分，得到预训练好的雷达辐射源脉内特征提取编码器网络。
34.将雷达辐射源数据集中样本的载频和脉宽输入全连接自编码器网络中，利用adam算法迭代更新网络的权值100次，丢弃训练好的全连接自编码器的解码器部分，得到预训练好的雷达辐射源脉间特征提取编码器网络。
35.所述的adam算法如下：其中，g表示当前迭代时损失函数的梯度，表示赋值操作，表示梯度算子，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，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，表示取值为0.9的一阶矩估计的指数衰减率，表示初值为0的梯度g的二阶矩估计，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，表示预设取值为0.001的参数，表示取值为10-8
的平滑常数。
36.步骤5，特征融合。
37.将雷达辐射源数据集中每个样本对应的雷达辐射源脉内特征提取编码器网络和脉间特征提取编码器网络的输出拼接，得到样本对应的联合特征。
38.步骤6，聚类数目估计。
39.基于样本的联合特征，利用密度峰值聚类算法估计得到雷达辐射源数据集的聚类数目。
40.所述利用密度峰值聚类算法估计得到雷达辐射源数据集的聚类数目的具体步骤如下：第一步，按照下式，两两之间计算雷达辐射源数据集中样本间的距离：其中，dist（fi，fj）表示雷达辐射源数据集中第i个样本和第j个样本间的距离，fi表示第i个样本的联合特征向量，fj表示第j个样本的联合特征向量，f
iu
表示第i个样本的联合特征的第u个特征值，f
ju
表示第j个样本的联合特征的第u个特征值，表示求平方根操作，表示求和操作，表示取绝对值操作；第二步，将第一步求得的样本距离按升序排列，取排名小于等于前2%且值最大的样本距离作为截断距离dc；第三步，按照下式，计算每个样本的局部密度：其中，表示雷达辐射源数据集中第i个样本的局部密度，f表示雷达辐射源数据集对应的联合特征矩阵；第四步，按照下式，计算每个样本的中心偏移距离：其中，表示雷达辐射源数据集中第i个样本的中心偏移量；第五步，分别以局部密度和中心偏移距离为横纵坐标，根据每个样本的和，将所有样本点标记在该二维平面上，得到数据集的决策图，观察并统计决策图中分布在右上角的样本数目，该样本数即为聚类数据的估计值。
41.步骤7，数据聚类。
42.基于样本的联合特征，利用k-means聚类算法对雷达辐射源数据集中的样本进行聚类，得到每个样本对应的聚类标签，将其定义为样本的标签。
43.步骤8，网络微调。
44.将两个编码器网络的输出拼接后输入一个全连接层和一个输出层，将网络改造成分类网络，用伪标签监督网络进行训练，实现网络参数的微调，其中，全连接层的神经元个数设置为32，激活函数为relu函数，输出层节点个数等于步骤6中的估计得到的聚类数目，激活函数为softmax函数。
45.步骤9，分选结果输出。
46.重复执行步骤5至步骤8多次（15次），取最后一次的数据聚类结果作为最终的雷达辐射源分选结果。
47.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) core(tm) i9-9980hk，主频为2.40ghz、内存64gb。
48.本发明的仿真实验的软件平台为：windows 10操作系统，matlab r2018a，keras。
49.2.仿真内容及结果分析：本发明的仿真实验所用的待分选的雷达辐射源样本利用matlab仿真产生，共仿真了10种不同类型的雷达信号，具体参数如表1所示，所有抖动参数的抖动率为10%。接收系统的采样频率为2.5ghz，每种类型的辐射源在10 db、8 db、6 db、4 db、2 db、0 db、-2 db信噪比下仿真了500个样本，由此共生成了35000个样本，每个信噪比下5000个。
50.仿真实验1：聚类数目估计本发明利用仿真生成的样本数据，对每个信噪比下的5000个样本用密度峰值聚类估计聚类数目。每个信噪比下进行了20次重复实验，取20次结果的众数为最终聚类数目估计的结果，如下表2所示。由表2可知，当信噪比大于等于2db时，能正确估计出聚类数目，当信噪比为0或-2db时，利用密度峰值算法估计得出的聚类数目为14，估计错误。由此，可得出结论，密度峰值聚类在信噪比较高的时候估计出的聚类数目相对而言是可靠的。
51.表2 不同信噪比下聚类数目估计结果信噪比/db-20246810聚类数目14141010101010仿真实验2：不同信噪比下雷达辐射源深度聚类分选为进一步验证基于深度聚类的分选方法的性能，本发明在不同信噪比情况下进行了实验，统计每个信噪比下10不同类型信号正确分选的样本总数，然后将每个信噪比下10种不同类型信号正确分选的样本总数除以每个信噪比下的样本总数5000，得到每个信噪比下雷达辐射源分选的正确率，将所有计算结果绘制成表3。
52.表3 不同信噪比下分选正确率一览表信噪比/db1086420-2正确率94.99�.51�.86�.8�.65�.01�.05%从表1可见，本发明受噪声影响较小，在任何一个信噪比条件下，分选正确率都高于80%，即使是在-2db的条件在，分选正确率也能达到84.05%。因此，本发明有效抑制噪声的影响，提取合适的脉内及脉间特征，提高雷达辐射源分选的性能。
53.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明公开的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。