基于一維卷積神經網絡的雷達輻射源信號的識別方法與流程

本發明屬于輻射源信號識別
技術領域：
，具體涉及一種基于一維卷積神經網絡的雷達輻射源信號的識別方法。
背景技術：
：雷達輻射源信號識別是電子對抗中一項重要環節，在電子情報偵察、電子支援偵察和威脅告警系統中都起到了關鍵的作用。隨著電子信息技術的飛速發展，現代電子戰場的對抗愈發激烈，新型復雜體制雷達逐漸占據主導地位。電磁環境日益復雜和密集，傳統的基于脈沖描述字(載頻、脈沖到達時間、脈沖到達角、脈沖幅度、脈沖寬度)已經難以勝任在這樣密集、復雜和多變的環境中的雷達輻射源信號識別任務。目前，很多專家提出了基于雷達輻射源信號脈內分析的識別方法。主要有時域分析法、頻域分析法、瞬時自相關法、譜相關法和時頻域分析法等。但是這些方法存在著不少缺點，一方面很多方法對于低信噪下信號的識別效果一般，另一方面，這些方法往往要耗費大量的時間在信號的特征提取上，而提取的某些特征并不具有普適性，如果要利用組合特征則又可能要面臨維度災難或者特征選擇的難題。因此，發明一種基于一維卷積神經網絡的雷達輻射源信號的識別方法，可以將特征提取的步驟利用網絡實現。技術實現要素：發明目的：本發明針對上述現有技術存在的問題做出改進，即本發明公開了一種基于一維卷積神經網絡的雷達輻射源信號的識別方法。本發明能夠減去脈內特征提取花費的時間，并且在低至-10db信噪比下仍能夠取得不俗的識別效果，且實現簡單，適應性強，可用于電子情報偵察中。實現本發明的技術思路是：首先，對雷達輻射源信號進行預處理；其次，構建卷積神經網絡；然后，設置參數并訓練卷積神經網絡，用訓練好的網絡對測試集中的信號進行分類識別；最后，計算分類精度。技術方案：基于一維卷積神經網絡的雷達輻射源信號的識別方法，步驟如下：(1)生成雷達輻射源信號數據集通過matlab仿真生成雷達輻射源信號數據集，雷達輻射源信號數據集包括七種不同調制方式，分別為cw、lfm、nlfm、bpsk、qpsk、bfsk、qfsk，每種信號從-10db到6db每隔2db信噪比下生成數量相等的樣本，其中：輻射源信號參數設置如下：采樣頻率均為2ghz，采樣點數均為512個；cw、lfm、nlfm、bpsk、qpsk載頻設置為200mhz，lfm頻偏設置為50mhz，bpsk采用13位巴克碼，qpsk信號采用16位弗蘭克碼；bfsk的兩個載頻分別為200mhz、400mhz，采用13為巴克碼；qfsk的四個載頻是100mhz、300mhz、500mhz和700mhz；(2)數據預處理(21)將步驟(1)生成雷達輻射源信號通過fft從時域變換到頻域，進入步驟(22)；(22)對經過fft后的雷達輻射源信號數據集進行去噪處理，去噪采用以下公式：其中：ft(i)表示經過fft后的雷達輻射源信號頻域；mf為經過fft后的雷達輻射源信號頻域序列{ft(i)}的均值；(23)去噪處理后的雷達輻射源信號進行能量歸一化處理，并標注信號所屬的類別，得到用于網絡訓練和測試的數據集；(3)構建卷積神經網絡構建含有五層的一維卷積神經網絡，一維卷積神經網絡依次為輸入層、卷積層、池化層、全連接層和輸出層；(4)設置參數并訓練卷積神經網絡(41)設置一維卷積神經網絡的學習率為0.01、批量大小設置為10、迭代次數為500，卷積層激活函數設置為relu，relu函數定義為f(x)＝max(0,x)，其中：x表示神經元的輸入；(42)在步驟(23)得到的用于網絡訓練和測試的數據集中隨機抽取每種信號總量的5/6的樣本作為訓練集；(43)將訓練集輸入到步驟(3)得到的一維卷積神經網絡中，通過迭代計算，當達到一維卷積神經網絡設置的迭代次數時，完成卷積神經網絡的訓練過程；(5)預測分類將步驟(42)中用于網絡訓練和測試的數據集抽取后余下的樣本作為測試樣本，輸入步驟(4)得到的一維卷積神經網絡中，獲取識別結果，完成雷達輻射源信號的識別；(6)計算精度根據輸出的正確樣例來計算每一類雷達輻射源信號在單個信噪比下的識別率；(7)輸出結果。進一步地，步驟(43)包括以下步驟：(431)前向傳播按照步驟(41)中設置的批量大小，將樣本輸入到卷積神經網絡，樣本從輸入層經過逐級變換，傳送到輸出層，卷積層的前向算法如下：其中：表示第l層網絡的第k個特征向量；表示第l層網絡的第k個卷積核的共享權值；表示偏置；f(·)是步驟(41)中的relu函數；conv1d(·)表示一維卷積；(432)反向傳播計算步驟(431)的輸出與在步驟(23)中標注類別的樣本的均方誤差，公式如下其中：表示步驟(431)的輸出向量；表示步驟(23)中標注的類別標簽，按照極小化誤差的方式，反向逐層調整網絡的權值；卷積層誤差反向傳播的計算公式為：其中表示l+1層第i個神經元的殘差；rev(·)表示對序列進行反轉操作，conv1dz(·)表示進行的是一維的全卷積；(433)重復進行步驟(431)和步驟(432)，直到達到設置的最大迭代次數為止，從而得到訓練好的卷積神經網絡。更進一步地，步驟(431)中池化層采用的是均值池化。有益效果：本發明公開的基于一維卷積神經網絡的雷達輻射源信號的識別方法與現有技術相比較，具有以下優點：第一，本發明采用基于卷積神經網絡的雷達輻射源信號識別方法，通過卷積神經網絡中的網絡結構對信號進行特征提取避免了傳統算法中需要人工設計特征的過程；第二，能正確識別信噪比低至-10db時的多種雷達輻射源信號脈內調制方式；第三，實現簡單，并且改進的一維卷積神經網絡相對于常規用于圖像識別的卷積神經網絡訓練代價更低，利用訓練好的卷積神經網絡進行雷達輻射源信號識別計算代價較小。附圖說明圖1是本發明公開的基于一維卷積神經網絡的雷達輻射源信號的識別方法的流程圖；圖2是卷積神經網絡的結構示意圖。具體實施方式：下面對本發明的具體實施方式詳細說明。參照圖1，基于一維卷積神經網絡的雷達輻射源信號的識別方法，步驟如下：(1)生成雷達輻射源信號數據集通過matlab仿真生成雷達輻射源信號數據集，雷達輻射源信號數據集包括七種不同調制方式，分別為cw、lfm、nlfm、bpsk、qpsk、bfsk、qfsk，每種信號從-10db到6db每隔2db信噪比下生成數量相等的樣本，其中：輻射源信號參數設置如下：采樣頻率均為2ghz，采樣點數均為512個；cw、lfm、nlfm、bpsk、qpsk載頻設置為200mhz，lfm頻偏設置為50mhz，bpsk采用13位巴克碼，qpsk信號采用16位弗蘭克碼；bfsk的兩個載頻分別為200mhz、400mhz，采用13為巴克碼；qfsk的四個載頻是100mhz、300mhz、500mhz和700mhz；(2)數據預處理(21)將步驟(1)生成雷達輻射源信號通過fft從時域變換到頻域，進入步驟(22)；(22)對經過fft后的雷達輻射源信號數據集進行去噪處理，去噪采用以下公式：其中：ft(i)表示經過fft后的雷達輻射源信號頻域；mf為經過fft后的雷達輻射源信號頻域序列{ft(i)}的均值；(23)去噪處理后的雷達輻射源信號進行能量歸一化處理，并標注信號所屬的類別，得到用于網絡訓練和測試的數據集；(3)構建卷積神經網絡構建含有五層的一維卷積神經網絡，一維卷積神經網絡依次為輸入層、卷積層、池化層、全連接層和輸出層；基本結構如圖2所示，輸入為512x1的信號樣本，首先在卷積層與6個33x1大小的濾波因子卷積得到6個480x1的特征向量；其次通過3x1大小的池化層進行下采樣操作，得到6個160x1的特征向量；最后經過全連接層和輸出層得到輸入樣本的標簽向量；(4)設置參數并訓練卷積神經網絡(41)設置一維卷積神經網絡的學習率為0.01、批量大小設置為10、迭代次數為500，卷積層激活函數設置為relu，relu函數定義為f(x)＝max(0,x)，其中：x表示神經元的輸入；(42)在步驟(23)得到的用于網絡訓練和測試的數據集中隨機抽取每種信號總量的5/6的樣本作為訓練集；(43)將訓練集輸入到步驟(3)得到的一維卷積神經網絡中，通過迭代計算，當達到一維卷積神經網絡設置的迭代次數時，完成卷積神經網絡的訓練過程；(5)預測分類將步驟(42)中用于網絡訓練和測試的數據集抽取后余下的樣本作為測試樣本，輸入步驟(4)得到的一維卷積神經網絡中，獲取識別結果，完成雷達輻射源信號的識別；(6)計算精度根據輸出的正確樣例來計算每一類雷達輻射源信號在單個信噪比下的識別率；(7)輸出結果。進一步地，步驟(43)包括以下步驟：(431)前向傳播按照步驟(41)中設置的批量大小，將樣本輸入到卷積神經網絡，樣本從輸入層經過逐級變換，傳送到輸出層，卷積層的前向算法如下：其中：表示第l層網絡的第k個特征向量；表示第l層網絡的第k個卷積核的共享權值；表示偏置；f(·)是步驟(41)中的relu函數；conv1d(·)表示一維卷積；(432)反向傳播計算步驟(431)的輸出與在步驟(23)中標注類別的樣本的均方誤差，公式如下其中：表示步驟(431)的輸出向量；表示步驟(23)中標注的類別標簽，按照極小化誤差的方式，反向逐層調整網絡的權值；卷積層誤差反向傳播的計算公式為：其中表示l+1層第i個神經元的殘差；rev(·)表示對序列進行反轉操作，conv1dz(·)表示進行的是一維的全卷積；(433)重復進行步驟(431)和步驟(432)，直到達到設置的最大迭代次數為止，從而得到訓練好的卷積神經網絡。更進一步地，步驟(431)中池化層采用的是均值池化。下面結合仿真實驗對本發明的效果做進一步的描述1、仿真實驗條件：本發明所用的數據為用matlab仿真生成的雷達輻射源信號，數據集由七種不同調制方式的雷達輻射源信號構成，每種信號在-10db到6db每隔2db信噪比下有1200個樣本，其中1000個樣本用于訓練卷積神經網絡，200個樣本用來測試。這樣每個信噪比下的訓練集一共有7000個樣本組成，每個信噪比點上的測試集則有1400個樣本。實驗硬件平臺為：intel(r)core(tm)i5-3230m@2.60ghz，4gbram，軟件平臺為：matlabr2012a。2、實驗結果cwlfmnlfmbpskbfskqfskqpsk-10db9399.594.5967610088-8db9799.5989690.510099-6db98.599.599.5999910099-4db98.510010010097100100-2db1001001001001001001000db1001001001001001001002db1001001001001001001004db1001001001001001001006db100100100100100100100從實驗結果可以看出在低信噪比下lfm和qfsk的識別率最高，而bfsk最差。當信噪比大于-2db時，七種信號的識別率就能達到100％，即便低至-6db，各種信號的識別率也都在97％以上，信噪比進一步下降后，bfsk信號的識別率比較差。可見一維卷積神經網絡對于低信噪比下雷達輻射源信號的識別有著相當優異的表現。上面對本發明的實施方式做了詳細說明。但是本發明并不限于上述實施方式，在所屬
技術領域：
普通技術人員所具備的知識范圍內，還可以在不脫離本發明宗旨的前提下做出各種變化。當前第1頁12