基于深度迁移学习的雷达有源干扰信号识别方法

1.本发明属于雷达技术领域，更进一步涉及电子对抗技术领域中的一种基于深度迁移学习的雷达有源干扰信号识别方法。本发明可用于雷达有源干扰环境下的多种有源干扰信号的识别。


背景技术：

2.雷达有源干扰信号识别是雷达抗干扰的前提和基础。在现代电子战战场环境中，目标回波、有源干扰和无源干扰信号纷繁复杂，其中，有意施放的雷达有源干扰信号针对性更强、破坏性更大，给雷达准确检测目标信号的存在带来严峻的挑战。随着数字射频存储技术drfm(digital radio frequency memory)技术的不断发展，干扰机能够在较短时间内产生形式多样、参数多变的干扰信号，加剧了雷达面临的生存威胁。只有精准识别出有源干扰信号的类型，才能及时采取有效的抗干扰措施，保证己方雷达的正常工作。但目前现有技术仍然存在一定的问题和不足，在多种雷达有源干扰信号存在的环境中，已有方法对雷达有源干扰信号的识别率往往依赖于较大数量的已知干扰信号，与干扰信号不易获取这一事实相悖，存在小样本条件下识别率较低的问题，此外，模型在搭建、训练过程中需耗费大量时间，模型在训练阶段的收敛速度较慢。
3.唐陈、王峰在其发表的论文“基于卷积神经网络的雷达干扰识别技术研究”(journal of china academy of electronics and information technology 17(1)(2022)63-70)中提出了一种基于联合特征平面的残差卷积神经网络的雷达干扰识别方法。该方法的实现步骤是，1)获得叠加高斯白噪声和杂波的5种干扰信号；2)分别对其进行脉冲压缩、mtd处理和空域处理，得到距离多普勒平面和角度多普勒平面；3)构建联合特征平面同时生成训练集和测试集，建立cnn-resnet网络模型并利用训练集进行训练；4)利用预训练网络对测试集进行测试。该方法存在的不足之处是，搭建和训练cnn-resnet网络模型过程耗时耗力，由于该网络训练参数较多，对雷达有源干扰信号的识别率依赖于较大量的训练数据，而在小样本数据集上识别率较低。
4.西安电子科技大学在其申请的专利文献“开集场景下基于深度卷积网络的雷达有源干扰识别方法”(申请号202110831478.9，申请公布号：cn 113534059 a)中公开了一种开集场景下基于深度卷积网络的雷达有源干扰识别方法。该方法的实现步骤是，1)获取雷达有源干扰信号，并进行归一化处理，生成训练集和验证集；2)搭建深度卷积网络；3)训练构建的深度卷积网络；4)利用该深度卷积网络获取待识别有源干扰信号的后验分布，进而计算干扰信号后验分布的置信分数；5)将置信分数与阈值进行比较，若置信分数超过阈值，识别结果为后验分布中后验概率最高的干扰类别，否则识别结果为未知干扰类型。该发明虽然能准确识别已知有源干扰类型、检测出未知有源干扰类型，但是，该方法仍然存在的不足之处是，需要自行搭建一个网络层数为14的深度卷积网络，该网络结构较为复杂，且该网络模型在训练时的收敛速度较慢。


技术实现要素：

5.本发明的目的在于针对上述现有技术的不足，提出一种基于深度迁移学习的雷达有源干扰信号识别方法，以解决雷达有源干扰环境下干扰信号类型识别结果依赖于较大量训练数据集，以及网络在训练时收敛速度较慢的问题。
6.实现本发明目的的具体思路是：本发明将在开源数据集imagenet上训练好的vgg-16深度神经网络，进行同构空间下的模型迁移，得到迁移后的深度学习网络，有效借助了在开源数据集上预训练的网络参数，通过在样本数量庞大、标签类别丰富、易于获取的imagenet数据集上进行训练获取通用性更好的模型，避免了自行搭建网络模型这一消耗大量时间的过程。本发明保持深度迁移学习网络预训练参数不变，利用小样本数据集仅对深度迁移学习网络的分类层进行训练，得到训练好的深度迁移学习网络，克服了网络模型需要从零开始训练的缺陷，加快了网络在训练时的收敛速度，解决了网络对干扰信号的识别准确率依赖于较大量训练数据集的问题。
7.实现本发明目的的具体步骤包括如下：
8.步骤1，生成训练集：
9.步骤1.1，生成至少包含8类雷达有源干扰信号，每类雷达有源干扰信号至少包含400个样本的雷达有源干扰信号数据集；
10.步骤1.2，对雷达有源干扰信号数据集中每个干扰信号依次进行崔-威廉斯分布cwd变换、预处理，得到雷达有源干扰信号时频图像训练集；
11.步骤2，搭建深度迁移学习网络：
12.步骤2.1，搭建一个22层的卷积神经网络，其结构依次为：第一卷积层，第二卷积层，第一池化层，第三卷积层，第四卷积层，第二池化层，第五卷积层，第六卷积层，第七卷积层，第三池化层，第八卷积层，第九卷积层，第十卷积层，第四池化层，第十一卷积层，第十二卷积层，第十三卷积层，第五池化层，第六池化层，第一全连接层，第二全连接层，softmax层；
13.步骤2.2，设置深度迁移学习网络的参数：
14.将第一、第二卷积层的卷积核数目均设置为64，第三、第四卷积层的卷积核数目均设置为128，第五至第七卷积层的卷积核数目均设置为256，第八至第十三卷积层的卷积核数目均设置为512，第一至第十三卷积层的卷积核大小均设置为3，卷积核的激活函数均设置为relu激活函数；将第一至第五池化层均设置为最大池化，第六池化层设置为平均池化，第一、第二全连接层的全连接神经元的数目分别设置为256、8；
15.步骤3，对深度迁移学习网络进行第一次训练：
16.步骤3.1，将第一次训练深度迁移学习网络初始参数中的初始学习率设置为0.01，选择sgd随机梯度下降算法，将随机梯度下降算法sgd中的动量项设置为0.9，权值衰减系数设置为0.0005；
17.步骤3.2，将大数据集中的图像按批次依次输入到深度迁移学习网络中，输出初始分类结果，计算初始分类结果与真实标签的交叉熵损失，利用梯度下降法，迭代更新网络参数，直到损失函数收敛为止，得到第一次训练后的深度迁移学习网络；
18.步骤4，对第一次训练后的深度迁移学习网络进行第二次训练：
19.固定第一次训练后深度迁移学习网络第一至第十三卷积层、第一至第五池化层的
参数，重新设置训练的学习率为0.001，将步骤1生成的训练集按批次依次输入到第一次训练后的深度迁移学习网络中，使用适应性矩估计adam优化算法，迭代更新第一次训练后深度迁移学习网络全连接层的参数，直到交叉熵损失函数收敛为止，得到训练好的深度迁移学习网络；
20.步骤5，对待识别的雷达有源干扰信号进行识别：
21.步骤5.1，采用与步骤1.2相同的方法对待识别的雷达有源干扰信号进行处理；
22.步骤5.2，将处理后待识别的雷达有源干扰信号输入到训练好的深度迁移学习网络中，输出雷达有源干扰信号的识别结果。
23.本发明与现有技术相比，具有以下优点：
24.第一，本发明将对开源数据集imagenet上训练好的vgg-16深度神经网络，进行同构空间下的模型迁移，利用小样本数据集对重新配置的分类层进行训练，得到训练好的深度迁移学习网络，使得本发明能够在小样本环境下进行未知有源干扰信号类型的有效检测，克服了现有技术的深度学习网络识别结果依赖于较大训练样本的缺陷，在样本数量不充足、不易获取干扰信号的条件下实现雷达有源干扰信号的准确分类。
25.第二，本发明充分利用了现有vgg-16深度神经网络在类别众多、数据量丰富的imagenet数据集上的预训练参数，提高了深度迁移学习网络的通用性，避免了已有技术中的深度学习网络从无到有搭建网络、从零开始训练网络这两个过程耗费大量时间的问题，本发明通过仅仅训练重新配置的分类层代替了原本需要训练整个网络层这一方式，显著加快了网络在训练时的收敛速度，提高了雷达有源干扰信号识别的效率，有利于及时选取有效的抗干扰措施，进而提升雷达的生存率。
附图说明
26.图1是本发明的流程图。
27.图2是本发明仿真实验深度迁移学习网络的结构图。
28.图3是本发明仿真实验中深度迁移学习网络在训练过程中识别准确率、损失函数的变化曲线图。
具体实施方式
29.下面结合附图和实施例，对本发明做进一步详细描述。
30.参照图1和实施例，对本发明的具体实现步骤做进一步详细描述。
31.步骤1，生成雷达有源干扰信号数据集。
32.本发明实施例生成的雷达有源干扰信号数据集包含8类雷达有源干扰信号，分别为噪声调幅干扰、噪声调频干扰、扫频干扰、梳状谱干扰、灵巧噪声干扰、距离多假目标干扰、间歇采样干扰和c&i干扰。每个干扰信号的脉冲重复周期、采样率分别固定为40μs、80mhz，时间间隔为0.0125μs，除灵巧噪声干扰信号外的每个干扰信号的脉宽固定为20μs，每个干扰信号的载频、带宽范围分别为[6，32]mhz、[1，20]mhz。其它可变参数设置如下，噪声调频干扰信号的调频斜率范围为[11，14]mhz/s；扫频干扰信号的扫频周期范围为[27，32]μs；梳状谱干扰信号的子频段个数范围为[2，4]；c&i干扰信号的子脉冲分段个数范围为[4，5]，时隙数范围为[4，5]；灵巧噪声干扰信号的真实目标距离范围为[800，1300]m，脉宽
范围为[10，17]μs，调频斜率范围为[6e4，5e5]hz/s；间歇采样转发干扰信号的真实目标距离范围为[300，600]m；距离多假目标干扰信号的假目标个数范围为[3，4]，时延范围为[7，10]μs。
[0033]
本发明实施例对以上8种雷达有源干扰信号，在[-10，11]db干噪比范围内，每次间隔3db，在各个干噪比下对每种雷达有源干扰信号分别添加指定干噪比的高斯噪声，得到每种雷达有源干扰信号在每个干噪比下的60个不同的时间序列样本，每种雷达有源干扰信号分别共计有480个时间序列样本。将8种雷达有源干扰信号共计3840个不同的时间序列样本组成雷达有源干扰信号数据集。
[0034]
步骤2，构建雷达有源干扰信号时频图像训练集、验证集和测试集。
[0035]
步骤2.1，利用下述的崔-威廉斯分布cwd(choi-williams distribution)时频分析方法，对雷达有源干扰信号数据集中的每个时间序列样本进行时频分析：
[0036][0037]
其中，cwdi(t,f)表示第i个雷达有源干扰信号在时刻t、频率f的cwd变换时频分布功率谱密度，1≤i≤3200，t的取值范围为[0，40]μs，f的取值范围为[0，40]μhz，π表示圆周率，σ表示正值缩放因子，本发明实施例取σ＝1，τ表示雷达有源干扰信号的时延，e(
·
)表示以自然常数e为底的指数操作，u表示雷达有源干扰信号的局部时间，j表示虚数单位符号，ji(
·
)表示第i个雷达有源干扰信号的时间序列，*表示共轭操作。
[0038]
步骤2.2，以每个雷达有源干扰信号的时间为横轴，频率为纵轴，以颜色深浅表示该雷达有源干扰信号cwd变换时频分布功率谱密度，得到该雷达有源干扰信号cwd变换的时频图像。
[0039]
步骤2.3，对每个时频图像依次进行裁剪、灰度化、中值滤波、二值化处理，得到每个雷达有源干扰信号预处理后的时频图像。
[0040]
所述裁剪指的是将雷达有源干扰信号时频图像裁剪成大小为224*224的时频图像；灰度化指的是对裁剪后的时频图像进行灰度化处理，得到灰度图像；中值滤波指的是对灰度图像进行中值滤波，得到消除图像噪声后的时频图像；二值化处理指的是通过设定的阈值0.9，从消除噪声的时频图像创建二值化图像的过程，得到只有黑白两色的时频图像。将每个雷达有源干扰信号预处理后的时频图像组成雷达有源干扰信号时频图像集。
[0041]
步骤2.4，使用随机采样函数，打乱雷达有源干扰信号时频图像集中时频图像的顺序，得到乱序后的时频图像集；
[0042]
步骤2.5，将乱序后的时频图像集按照9:1:2的比例进行随机划分后得到雷达有源干扰信号时频图像训练集、验证集和测试集。
[0043]
步骤3，搭建深度迁移学习网络。
[0044]
步骤3.1，搭建一个22层的卷积神经网络，其结构依次为：第一卷积层，第二卷积层，第一池化层，第三卷积层，第四卷积层，第二池化层，第五卷积层，第六卷积层，第七卷积层，第三池化层，第八卷积层，第九卷积层，第十卷积层，第四池化层，第十一卷积层，第十二卷积层，第十三卷积层，第五池化层，第六池化层，第一全连接层，第二全连接层，softmax层。
[0045]
步骤3.2，设置深度迁移学习网络的参数。
[0046]
将第一、第二卷积层的卷积核数目均设置为64，第三、第四卷积层的卷积核数目均设置为128，第五至第七卷积层的卷积核数目均设置为256，第八至第十三卷积层的卷积核数目均设置为512，第一至第十三卷积层的卷积核大小均设置为3，卷积核的激活函数均设置为relu激活函数。
[0047]
将第一至第五池化层均设置为最大池化，第六池化层设置为平均池化，第一、第二全连接层的全连接神经元的数目分别设置为256、8。
[0048]
步骤4，对深度迁移学习网络进行第一次训练。
[0049]
训练深度神经网络时的训练集通常需要超过500张的时频图像，而要一次获取如此大量的雷达有源干扰信号的时频图像是很困难的。而训练集的样本过少，深度神经网络在训练时容易过拟合，进而导致网络识别率较低。为此，本发明实施例需要进行两次训练，第一次训练是在大样本数据集上进行预训练的，本发明实施例的大样本数据集采用开源数据集imagenet，将预训练的网络进行模型迁移，得到预训练后的深度迁移学习网络。第二次训练是在少量的雷达有源干扰信号时频图像训练集上进行训练，得到训练好的深度迁移学习网络。开源数据集imagenet易于获取，包含类别众多、数据量丰富的图像，利用imagenet数据集训练时，得到的预训练深度神经网络鲁棒性更佳、泛化能力更强、识别准确率更高。而在雷达有源干扰信号时频图像训练集上进行第二次训练能够进一步提高深度神经网络的识别准确率。
[0050]
步骤4.1，设置第一次训练深度迁移学习网络初始参数。
[0051]
将初始学习率设置为0.01，选择随机梯度下降算法sgd(stochastic gradient descent)，并将sgd中的动量项设置为0.9，权值衰减系数设置为0.0005。
[0052]
步骤4.2，利用imagenet数据集训练深度迁移学习网络，得到第一次训练后的深度迁移学习网络。
[0053]
本发明实施例中第一次训练是将imagenet数据集按批次依次输入到深度迁移学习网络中，生成初始分类结果，计算初始分类结果与真实标签的交叉熵损失，利用梯度下降法，迭代更新网络参数，直到损失函数收敛为止，得到第一次训练后的深度迁移学习网络。
[0054]
步骤5，对第一次训练后的深度迁移学习网络进行第二次训练。
[0055]
固定第一次训练后深度迁移学习网络第一至第十三卷积层、第一至第五池化层的参数，重新设置训练的学习率为0.001，本发明实施例中的第二次训练是将雷达有源干扰信号时频图像训练集、验证集按照批次输入到第一次训练后的深度迁移学习网络中，使用适应性矩估计adam优化算法(adaptive moment estimation)迭代更新第一次训练后深度迁移学习网络分类层的参数，直到交叉熵损失函数收敛为止，得到训练好的深度迁移学习网络。
[0056]
步骤6，利用深度迁移学习网络预测测试集。
[0057]
本发明实施例将雷达有源干扰信号时频图像测试集，按每批次10张图像依次输入到训练好的深度迁移学习网络模型中，输出识别结果。
[0058]
本发明的效果可以通过下面的仿真实验得到进一步证明。
[0059]
1.仿真条件：
[0060]
本发明的仿真实验的硬件平台为：intel core i5-8300处理器，内存16gb。
[0061]
本发明的仿真实验的软件平台为：windows 10操作系统，matlab r2018a和python 3.7。
[0062]
本发明仿真实验构建的雷达有源干扰信号数据集包含8类干扰信号，其中脉冲重复周期为40μs，采样率为80mhz，时间间隔为0.0125μs，除灵巧噪声干扰信号外的每个干扰信号的脉宽固定为20μs，每个干扰信号的载频、带宽范围分别为[6，32]mhz、[1，20]mhz。其它可变参数设置如下，噪声调频干扰信号的调频斜率范围为[11，14]mhz/s；扫频干扰信号的扫频周期范围为[27，32]μs；梳状谱干扰信号的子频段个数范围为[2，4]；c&i干扰信号的子脉冲分段个数范围为[4，5]，时隙数范围为[4，5]；灵巧噪声干扰信号的真实目标距离范围为[800，1300]m，脉宽范围为[10，17]μs，调频斜率范围为[6e4，5e5]hz/s；间歇采样转发干扰信号的真实目标距离范围为[300，600]m；距离多假目标干扰信号的假目标个数范围为[3，4]，时延范围为[7，10]μs。
[0063]
2.仿真内容与结果分析：
[0064]
本发明的仿真实验是使用本发明的识别方法，将在开源数据集imagenet上预训练的vgg-16深度神经网络进行模型迁移，利用雷达有源干扰信号时频图像训练集这一小数据集对深度迁移学习网络再次训练后，得到训练好的深度迁移学习网络，进而实现雷达有源干扰信号时频图像测试集的分类。
[0065]
通过计算网络每次迭代的损失函数值和识别准确率，得到本发明识别方法在训练过程中损失函数值的变化曲线如图3(a)所示、识别准确率的变化曲线如图3(b)所示。
[0066]
采用以下公式，计算本发明的方法在雷达有源干扰信号时频图像测试集上对每种雷达有源干扰信号的识别准确率，利用混淆矩阵绘制各个雷达有源干扰信号识别准确率结果图如图3(c)所示。
[0067][0068]
下面结合图3的仿真图对本发明的效果做进一步的描述。
[0069]
图3(a)中的横轴代表网络参数更新时的迭代次数，纵轴对应每次迭代的识别准确率。其中，以加号标示的实曲线表示采用本发明提出的深度迁移学习网络在训练集上的准确率，以点划线标示的曲线表示采用本发明提出的深度迁移学习网络在验证集上的准确率。
[0070]
从图3(a)可以看出，随着迭代次数的增加，本发明提出的深度迁移学习网络对雷达有源干扰信号的识别准确率急剧增加，当迭代次数达到40次时，训练集上的准确率不再明显增加，最终收敛至接近1，表明该网络对雷达有源干扰信号的识别性能较好。
[0071]
图3(b)中的横轴代表网络参数更新时的迭代次数，纵轴对应每次迭代的损失值。其中，以加号标示的实曲线表示采用本发明提出的深度迁移学习网络在训练集上的损失值，以点划线标示的曲线表示采用本发明提出的深度迁移学习网络在验证集上的损失值。
[0072]
从图3(b)可以看出，训练集上的损失随着迭代次数的增加迅速减小，当迭代次数增加至40次时，损失不再显著减小，表明该网络对雷达有源干扰信号时频图像的拟合效果较好。
[0073]
图3(c)中的cijam、dismftjam、jxcyjam、noiseam、noisefm、sfjam、smnoise和szpjam标签，分别对应8种雷达有源干扰信号中的切片干扰、距离多假目标干扰、间歇采样
转发干扰、噪声调幅干扰、噪声调频干扰、扫频干扰、灵巧噪声干扰和梳状谱干扰。混淆矩阵的每一列为预测类别，每一行为实际类别。
[0074]
从图3(c)可以看出，本发明提出的深度迁移学习网络对间歇采样转发干扰、噪声调幅干扰、扫频干扰的识别率均为1，对c&i干扰、噪声调频干扰的识别率均为98.75％，对梳状谱干扰的识别率为93.75％，对灵巧噪声干扰的识别率为87.5％。以上仿真实验表明：本发明提出的方法解决了现有方法在小数据训练集上识别准确率较低的问题，加快了网络在训练时的收敛速度，提高了雷达有源干扰信号识别的效率。