基于GCN的雷达辐射源工作模式识别方法及其装置

本发明属于雷达信号分类，具体涉及一种基于gcn的雷达辐射源工作模式识别方法及其装置。

背景技术：

1、随着雷达技术的发展，特别是新体制、新用途雷达的使用，调制形式变得复杂，调制参数转换越来越快捷，正如相控阵雷达可以根据不同的功能需求进入不同的工作模式，而不同的模式代表着不同的威胁等级，进而直接影响采取何种措施加以应对，显然相控阵雷达因具备多种工作模式从而给电子搜索带来巨大挑战。

2、传统的工作模式识别往往是对雷达信号进行参数提取后，根据提取到的参数由人工或半人工地通过模板比对等方式进行，显然大量的时间消耗对于瞬息万变的环境来说是极为不适应的。近年来，人工智能领域得到快速发展，cnn、rnn都是非常经典的算法，在很多领域都能取得较为先进的结果，实际上经过研究发现，经典的算法只适合于处理一些可以被建立为欧式空间模型的数据(如图像、文本、语音等)，这类型的数据具有平移不变性。但是随着社会的发展，越来越多的非欧空间结构的问题摆在面前，如社交网络、推荐系统等，同样，由于相控阵雷达各工作模式特征差别小、提取难，所构建的图谱中的每个节点连接不尽相同，有的节点有多个连接，有的节点只有一个连接，是不规则的结构；这些图谱结构的数据使得适合处理欧式空间的模型不再适用，如此，对处理图谱结构数据的模型提出挑战。

3、因此，亟需提出一种适用于识别雷达辐射源工作模式的方法。

技术实现思路

1、为了解决现有技术中存在的上述问题，本发明提供了一种基于gcn的雷达辐射源工作模式识别方法及其装置。本发明要解决的技术问题通过以下技术方案实现：

2、第一方面，本申请提供一种基于gcn的雷达辐射源工作模式识别方法，包括：

3、对雷达辐射源的各个工作模式进行仿真；

4、提取各个仿真工作模式的特征参数，并形成特征矩阵；其中，特征参数包括脉重频、脉宽、占空比脉内调制方式、频率视数、回照、每个cpi上的脉冲数和带宽；

5、将特征矩阵进行归一化处理；

6、使用处理后的特征矩阵训练预设的gcn识别网络，得到雷达辐射源识别模型；

7、使用雷达辐射源识别模型识别处理后的待识别的雷达辐射源信号，得到雷达辐射源信号的工作模式；

8、将雷达辐射源信号的工作模式进行降维可视化。

9、可选地，将特征矩阵进行归一化处理的过程包括：

10、获取row-normalize归一化算法，并对特征矩阵进行处理，其表达式为：

11、

12、其中，为归一化结果，xij为第i个节点的第j个特征，xij为特征矩阵，n为特征参数的数量。

13、可选地，还包括：

14、获取同种仿真工作模式下各个特征参数的连接关系，并构建邻接矩阵a；

15、对邻接矩阵a进行归一化处理。

16、可选地，预设的gcn层识别网络包括多层gcn层；

17、其中，相邻gcn层之间的传递关系为：

18、

19、其中，h(l)为节点在第l层的特征，σ为非线性变换，为加入自循环的邻接矩阵，为

20、对应的度矩阵，w(l)为第l层的权重，b(l)为第l层的截距。

21、可选地，预设的gcn识别网络依次包括第一gcn层、relu激活层、dropout层、第二gcn层。

22、可选地，使用处理后的特征矩阵训练预设的gcn识别网络，得到雷达辐射源识别模型的过程包括：

23、将处理后的特征矩阵输入预设的gcn识别网络；

24、使用glorot算法初始化预设的gcn识别网络的权值；

25、使用adam算法迭代更新预设的gcn识别网络的权值次；

26、得到雷达辐射源识别模型。

27、可选地，adam算法的表达式为：

28、

29、m←β1m+(1-β1)g；

30、v←β2v+(1-β2)g2；

31、

32、

33、其中，g为当前迭代时损失函数l(θ)的梯度，←为赋值操作，为梯度算子，l(θ)为对预设的gcn识别网络进行迭代训练时当前迭代的损失函数，θ为对预设的gcn识别网络进行迭代训练时当前迭代的权重，m为初值为0的梯度g的一阶矩估计，β1为取值为0.9的一阶矩估计的指数衰减率，v为初值为0的梯度g的二阶矩估计，β2为取值为0.999的二阶矩估计的指数衰减率，t为转置操作，α为预设取值为0.001的参数，ε为取值为10-8的平滑常数。

34、可选地，迭代学习率为0.01，权重衰减为5e-4。

35、可选地，将待识别工作模式的识别结果进行降维可视化的过程包括：

36、将识别结果以高维数据表示；

37、使用t-sne算法，将高维数据转换为低维数据。

38、第二方面，本发明还提供一种基于gcn的雷达辐射源工作模式识别装置，包括：

39、仿真模块，用于对雷达辐射源的各个工作模式进行仿真；

40、特征提取模块，用于提取各个仿真工作模式的特征参数，并形成特征矩阵；其中，特征参数包括脉重频、脉宽、占空比脉内调制方式、频率视数、回照、每个cpi上的脉冲数和带宽；

41、处理模块，用于将特征矩阵进行归一化处理；

42、训练模块，用于使用处理后的特征矩阵训练预设的gcn识别网络，得到雷达辐射源识别模型；

43、识别模块，用于使用所述雷达辐射源识别模型识别处理后的待识别的雷达辐射源信号，得到雷达辐射源信号的工作模式；

44、降维可视化模块，用于将所述雷达辐射源信号的工作模式进行降维可视化。

45、本发明的有益效果：

46、本发明提供的一种基于gcn的雷达辐射源工作模式识别方法及其装置，基于gcn模式，处理图结构数据，并进行工作模式的识别，可以挖掘数据节点和数据节点之间的某种关联，只使用随机初始化的参数进行雷达工作模式识别，产生的效果明显，大大降低了深度网络模型识别的计算量，此外，还能解决了现有雷达辐射源不同工作模式之间特征参数上的联系弱、稀疏性的问题。

47、以下将结合附图及实施例对本发明做进一步详细说明。

技术特征：

1.一种基于gcn的雷达辐射源工作模式识别方法，其特征在于，包括：

2.根据权利要求1所述的基于gcn的雷达辐射源工作模式识别方法，其特征在于，所述将所述特征矩阵进行归一化处理的过程包括：

3.根据权利要求1所述的基于gcn的雷达辐射源工作模式识别方法，其特征在于，还包括：

4.根据权利要求1所述的基于gcn的雷达辐射源工作模式识别方法，其特征在于，所述预设的gcn层识别网络包括多层gcn层；

5.根据权利要求1所述的基于gcn的雷达辐射源工作模式识别方法，其特征在于，所述预设的gcn识别网络依次包括第一gcn层、relu激活层、dropout层、第二gcn层。

6.根据权利要求1所述的基于gcn的雷达辐射源工作模式识别方法，其特征在于，所述使用处理后的特征矩阵训练预设的gcn识别网络，得到雷达辐射源识别模型的过程包括：

7.根据权利要求6所述的基于gcn的雷达辐射源工作模式识别方法，其特征在于，所述adam算法的表达式为：

8.根据权利要求6所述的基于gcn的雷达辐射源工作模式识别方法，其特征在于，迭代学习率为0.01，权重衰减为5e-4。

9.根据权利要求1所述的基于gcn的雷达辐射源工作模式识别方法，其特征在于，所述将雷达辐射源信号的工作模式进行降维可视化的过程包括：

10.一种基于gcn的雷达辐射源工作模式识别装置，其特征在于，包括：

技术总结
本发明公开了一种基于GCN的雷达辐射源工作模式识别方法及其装置，涉及雷达信号分类技术领域，包括：对雷达辐射源的各个工作模式进行仿真；提取各个仿真工作模式的特征参数，并形成特征矩阵；其中，特征参数包括脉重频、脉宽、占空比脉内调制方式、频率视数、回照、每个CPI上的脉冲数、带宽；将特征矩阵进行归一化处理；使用处理后的特征矩阵训练预设的GCN识别网络，得到雷达辐射源识别模型；使用雷达辐射源识别模型识别处理后的待识别的雷达辐射源信号，得到雷达辐射源信号的工作模式；将雷达辐射源信号的工作模式进行降维可视化。本申请能够解决现有雷达辐射源不同工作模式之间特征参数上的联系弱、稀疏性的问题。

技术研发人员：武斌,李晓,刘睿超,王杰,李鹏,陈旭伟,张葵
受保护的技术使用者：西安电子科技大学
技术研发日：
技术公布日：2024/1/11