基于一维卷积神经网络的雷达辐射源信号的识别方法与流程

本发明属于辐射源信号识别
技术领域：
，具体涉及一种基于一维卷积神经网络的雷达辐射源信号的识别方法。
背景技术：
：雷达辐射源信号识别是电子对抗中一项重要环节，在电子情报侦察、电子支援侦察和威胁告警系统中都起到了关键的作用。随着电子信息技术的飞速发展，现代电子战场的对抗愈发激烈，新型复杂体制雷达逐渐占据主导地位。电磁环境日益复杂和密集，传统的基于脉冲描述字(载频、脉冲到达时间、脉冲到达角、脉冲幅度、脉冲宽度)已经难以胜任在这样密集、复杂和多变的环境中的雷达辐射源信号识别任务。目前，很多专家提出了基于雷达辐射源信号脉内分析的识别方法。主要有时域分析法、频域分析法、瞬时自相关法、谱相关法和时频域分析法等。但是这些方法存在着不少缺点，一方面很多方法对于低信噪下信号的识别效果一般，另一方面，这些方法往往要耗费大量的时间在信号的特征提取上，而提取的某些特征并不具有普适性，如果要利用组合特征则又可能要面临维度灾难或者特征选择的难题。因此，发明一种基于一维卷积神经网络的雷达辐射源信号的识别方法，可以将特征提取的步骤利用网络实现。技术实现要素：发明目的：本发明针对上述现有技术存在的问题做出改进，即本发明公开了一种基于一维卷积神经网络的雷达辐射源信号的识别方法。本发明能够减去脉内特征提取花费的时间，并且在低至-10db信噪比下仍能够取得不俗的识别效果，且实现简单，适应性强，可用于电子情报侦察中。实现本发明的技术思路是：首先，对雷达辐射源信号进行预处理；其次，构建卷积神经网络；然后，设置参数并训练卷积神经网络，用训练好的网络对测试集中的信号进行分类识别；最后，计算分类精度。技术方案：基于一维卷积神经网络的雷达辐射源信号的识别方法，步骤如下：(1)生成雷达辐射源信号数据集通过matlab仿真生成雷达辐射源信号数据集，雷达辐射源信号数据集包括七种不同调制方式，分别为cw、lfm、nlfm、bpsk、qpsk、bfsk、qfsk，每种信号从-10db到6db每隔2db信噪比下生成数量相等的样本，其中：辐射源信号参数设置如下：采样频率均为2ghz，采样点数均为512个；cw、lfm、nlfm、bpsk、qpsk载频设置为200mhz，lfm频偏设置为50mhz，bpsk采用13位巴克码，qpsk信号采用16位弗兰克码；bfsk的两个载频分别为200mhz、400mhz，采用13为巴克码；qfsk的四个载频是100mhz、300mhz、500mhz和700mhz；(2)数据预处理(21)将步骤(1)生成雷达辐射源信号通过fft从时域变换到频域，进入步骤(22)；(22)对经过fft后的雷达辐射源信号数据集进行去噪处理，去噪采用以下公式：其中：ft(i)表示经过fft后的雷达辐射源信号频域；mf为经过fft后的雷达辐射源信号频域序列{ft(i)}的均值；(23)去噪处理后的雷达辐射源信号进行能量归一化处理，并标注信号所属的类别，得到用于网络训练和测试的数据集；(3)构建卷积神经网络构建含有五层的一维卷积神经网络，一维卷积神经网络依次为输入层、卷积层、池化层、全连接层和输出层；(4)设置参数并训练卷积神经网络(41)设置一维卷积神经网络的学习率为0.01、批量大小设置为10、迭代次数为500，卷积层激活函数设置为relu，relu函数定义为f(x)＝max(0,x)，其中：x表示神经元的输入；(42)在步骤(23)得到的用于网络训练和测试的数据集中随机抽取每种信号总量的5/6的样本作为训练集；(43)将训练集输入到步骤(3)得到的一维卷积神经网络中，通过迭代计算，当达到一维卷积神经网络设置的迭代次数时，完成卷积神经网络的训练过程；(5)预测分类将步骤(42)中用于网络训练和测试的数据集抽取后余下的样本作为测试样本，输入步骤(4)得到的一维卷积神经网络中，获取识别结果，完成雷达辐射源信号的识别；(6)计算精度根据输出的正确样例来计算每一类雷达辐射源信号在单个信噪比下的识别率；(7)输出结果。进一步地，步骤(43)包括以下步骤：(431)前向传播按照步骤(41)中设置的批量大小，将样本输入到卷积神经网络，样本从输入层经过逐级变换，传送到输出层，卷积层的前向算法如下：其中：表示第l层网络的第k个特征向量；表示第l层网络的第k个卷积核的共享权值；表示偏置；f(·)是步骤(41)中的relu函数；conv1d(·)表示一维卷积；(432)反向传播计算步骤(431)的输出与在步骤(23)中标注类别的样本的均方误差，公式如下其中：表示步骤(431)的输出向量；表示步骤(23)中标注的类别标签，按照极小化误差的方式，反向逐层调整网络的权值；卷积层误差反向传播的计算公式为：其中表示l+1层第i个神经元的残差；rev(·)表示对序列进行反转操作，conv1dz(·)表示进行的是一维的全卷积；(433)重复进行步骤(431)和步骤(432)，直到达到设置的最大迭代次数为止，从而得到训练好的卷积神经网络。更进一步地，步骤(431)中池化层采用的是均值池化。有益效果：本发明公开的基于一维卷积神经网络的雷达辐射源信号的识别方法与现有技术相比较，具有以下优点：第一，本发明采用基于卷积神经网络的雷达辐射源信号识别方法，通过卷积神经网络中的网络结构对信号进行特征提取避免了传统算法中需要人工设计特征的过程；第二，能正确识别信噪比低至-10db时的多种雷达辐射源信号脉内调制方式；第三，实现简单，并且改进的一维卷积神经网络相对于常规用于图像识别的卷积神经网络训练代价更低，利用训练好的卷积神经网络进行雷达辐射源信号识别计算代价较小。附图说明图1是本发明公开的基于一维卷积神经网络的雷达辐射源信号的识别方法的流程图；图2是卷积神经网络的结构示意图。具体实施方式：下面对本发明的具体实施方式详细说明。参照图1，基于一维卷积神经网络的雷达辐射源信号的识别方法，步骤如下：(1)生成雷达辐射源信号数据集通过matlab仿真生成雷达辐射源信号数据集，雷达辐射源信号数据集包括七种不同调制方式，分别为cw、lfm、nlfm、bpsk、qpsk、bfsk、qfsk，每种信号从-10db到6db每隔2db信噪比下生成数量相等的样本，其中：辐射源信号参数设置如下：采样频率均为2ghz，采样点数均为512个；cw、lfm、nlfm、bpsk、qpsk载频设置为200mhz，lfm频偏设置为50mhz，bpsk采用13位巴克码，qpsk信号采用16位弗兰克码；bfsk的两个载频分别为200mhz、400mhz，采用13为巴克码；qfsk的四个载频是100mhz、300mhz、500mhz和700mhz；(2)数据预处理(21)将步骤(1)生成雷达辐射源信号通过fft从时域变换到频域，进入步骤(22)；(22)对经过fft后的雷达辐射源信号数据集进行去噪处理，去噪采用以下公式：其中：ft(i)表示经过fft后的雷达辐射源信号频域；mf为经过fft后的雷达辐射源信号频域序列{ft(i)}的均值；(23)去噪处理后的雷达辐射源信号进行能量归一化处理，并标注信号所属的类别，得到用于网络训练和测试的数据集；(3)构建卷积神经网络构建含有五层的一维卷积神经网络，一维卷积神经网络依次为输入层、卷积层、池化层、全连接层和输出层；基本结构如图2所示，输入为512x1的信号样本，首先在卷积层与6个33x1大小的滤波因子卷积得到6个480x1的特征向量；其次通过3x1大小的池化层进行下采样操作，得到6个160x1的特征向量；最后经过全连接层和输出层得到输入样本的标签向量；(4)设置参数并训练卷积神经网络(41)设置一维卷积神经网络的学习率为0.01、批量大小设置为10、迭代次数为500，卷积层激活函数设置为relu，relu函数定义为f(x)＝max(0,x)，其中：x表示神经元的输入；(42)在步骤(23)得到的用于网络训练和测试的数据集中随机抽取每种信号总量的5/6的样本作为训练集；(43)将训练集输入到步骤(3)得到的一维卷积神经网络中，通过迭代计算，当达到一维卷积神经网络设置的迭代次数时，完成卷积神经网络的训练过程；(5)预测分类将步骤(42)中用于网络训练和测试的数据集抽取后余下的样本作为测试样本，输入步骤(4)得到的一维卷积神经网络中，获取识别结果，完成雷达辐射源信号的识别；(6)计算精度根据输出的正确样例来计算每一类雷达辐射源信号在单个信噪比下的识别率；(7)输出结果。进一步地，步骤(43)包括以下步骤：(431)前向传播按照步骤(41)中设置的批量大小，将样本输入到卷积神经网络，样本从输入层经过逐级变换，传送到输出层，卷积层的前向算法如下：其中：表示第l层网络的第k个特征向量；表示第l层网络的第k个卷积核的共享权值；表示偏置；f(·)是步骤(41)中的relu函数；conv1d(·)表示一维卷积；(432)反向传播计算步骤(431)的输出与在步骤(23)中标注类别的样本的均方误差，公式如下其中：表示步骤(431)的输出向量；表示步骤(23)中标注的类别标签，按照极小化误差的方式，反向逐层调整网络的权值；卷积层误差反向传播的计算公式为：其中表示l+1层第i个神经元的残差；rev(·)表示对序列进行反转操作，conv1dz(·)表示进行的是一维的全卷积；(433)重复进行步骤(431)和步骤(432)，直到达到设置的最大迭代次数为止，从而得到训练好的卷积神经网络。更进一步地，步骤(431)中池化层采用的是均值池化。下面结合仿真实验对本发明的效果做进一步的描述1、仿真实验条件：本发明所用的数据为用matlab仿真生成的雷达辐射源信号，数据集由七种不同调制方式的雷达辐射源信号构成，每种信号在-10db到6db每隔2db信噪比下有1200个样本，其中1000个样本用于训练卷积神经网络，200个样本用来测试。这样每个信噪比下的训练集一共有7000个样本组成，每个信噪比点上的测试集则有1400个样本。实验硬件平台为：intel(r)core(tm)i5-3230m@2.60ghz，4gbram，软件平台为：matlabr2012a。2、实验结果cwlfmnlfmbpskbfskqfskqpsk-10db9399.594.5967610088-8db9799.5989690.510099-6db98.599.599.5999910099-4db98.510010010097100100-2db1001001001001001001000db1001001001001001001002db1001001001001001001004db1001001001001001001006db100100100100100100100从实验结果可以看出在低信噪比下lfm和qfsk的识别率最高，而bfsk最差。当信噪比大于-2db时，七种信号的识别率就能达到100％，即便低至-6db，各种信号的识别率也都在97％以上，信噪比进一步下降后，bfsk信号的识别率比较差。可见一维卷积神经网络对于低信噪比下雷达辐射源信号的识别有着相当优异的表现。上面对本发明的实施方式做了详细说明。但是本发明并不限于上述实施方式，在所属
技术领域：
普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。当前第1页12