CN109446877B - 一种联合多维特征迁移融合的雷达辐射源信号调制识别方法 - Google Patents

Abstract

本发明属于电子侦察识别领域，具体涉及一种联合多维特征迁移融合的雷达辐射源信号调制识别方法，包括以下步骤：产生九种雷达信号组成雷达信号集；运用时频变换将雷达信号转换为时频图像；对时频图像进行变换使得符合之后的预训练大网络的输入要求；将预处理完的时频图像送入LeNet5网络进行特征提取，从输入层至C5卷积层构成特征提取模块输出提取特征；对上述提取特征步骤得到的数据选择降维的方式进行处理；本发明采用时频分析的方法，将一维时域信号映射到二维时频域，在时频域对雷达信号进行分析与处理，且对于非平稳的雷达信号有更好的效果，本发明采用的自训练网络结构简单，在低信噪比的情况下可以很好的提高系统的可靠性。

Description

一种联合多维特征迁移融合的雷达辐射源信号调制识别方法

技术领域

本发明属于电子侦察识别领域，具体涉及一种联合多维特征迁移融合的雷达辐射源信号调制识别方法。

背景技术

雷达辐射源信号调制识别是电子对抗及电子侦察中的重要环节，在电子战中具有十分重要的地位和作用。在战争中，获取更多的信息就能掌握主动权，战场复杂的电磁军事环境以及雷达信号调制技术体制的增强，使得雷达辐射源信号的调制识别变得愈发困难。对于不断变化的复杂环境与雷达信号，现有的识别方法识别效果低，因此寻找新型的识别方式是很迫切的、很有必要的且非常有意义的。雷达信号调制识别方法可以分为提取固定特征参数和利用卷积神经网络提取特征参数两类。

对于提取固定参数而言，可以根据具体的需求来获得相对应的特征参数。这种识别方式具有强的针对性，但是缺乏适用性，且低信噪比下的识别效果差。

对于CNN提取特征而言，可以实现对雷达信号时频图像特征的自动提取，并且通过深层次网络可以提取更本质的特征。但在使用小样本训练时，大型CNN网络会因训练出现欠拟合的问题导致识别率下降。另外，CNN的训练需要大量的时间而且在大多数设备无法满足训练的需求。

综上所述，现有技术存在识别效果低、适用面窄、低信噪比下的识别效果差、识别率低等问题。

发明内容

本发明的目的是提出一种识别方法，主要为了解决现有识别方法低信噪比下识别率低的问题。利用自训练深层次神经网络提取时频图像的外部特征来提高系统在低信噪比下的可靠性，而且自训练神经网络结构简单，训练方便，也适合小样本。与此同时，利用预训练深层次神经网络提取时频图像的内部细节特征，使得特征提取更加全面有效，从而解决了提取固定特征参数适用性不强的问题。并且提取的固定特征参数可以作为补充，使得提取到的特征参数更加全面，进一步提升识别率。利用极限学习机(ELM)模型参数少且适合小样本训练的特点，最终实现雷达信号的高效识别。

一种联合多维特征迁移融合的雷达辐射源信号调制识别方法，包括以下步骤：

(1)产生九种雷达信号组成雷达信号集；

(2)运用时频变换将雷达信号转换为时频图像；

(3)对时频图像进行变换使得符合之后的预训练大网络的输入要求；

(4)将预处理完的时频图像送入LeNet5网络进行特征提取，从输入层至C5卷积层构成特征提取模块输出提取特征；

(5)对上述提取特征步骤得到的数据选择降维的方式进行处理；

(6)对时频图像的尺寸大小进行变换，得到224×224×3大小的三原色图像；

(7)将步骤(6)得到的图像输入D类网络进行特征提取；

(8)对步骤(7)得到的特征进行PCA降维与KPCA降维各得到50个特征；

(9)对雷达信号集进行包络谱熵提取；

(10)将降维后得到的特征与提取到的一维特征分别进行归一化融合之后，送入ELM进行训练；

(11)保存最终网络模型参数，对实际侦察接收变频后的信号进行识别。

所述产生九种雷达信号组成雷达信号集，包括：

依据提供的9种雷达参数值，产生由CW、LFM、BPSK、COSTAS、FRANK、P1、P2、P3、P4组成的雷达信号集X(t)＝{x₁(t),x₂(t),…x₉(t)}。

所述运用时频变换将雷达信号转换为时频图像，包括：

对雷达信号集做SPAW变换得到时频图像，对应的SPAW公式为：

其中，t表示时间，f表示频率，h,g表示窗函数。

所述对时频图像进行变换使得符合之后的预训练大网络的输入要求，包括：

将时频图像的大小调整为28×28×3的彩色图像，然后根据下述公式

I_(i,j)＝0.3B_(i,j)+0.59G_(i,j)+0.11R_(i,j)

将三分量为R、G和B的彩色图像转换为灰度图像，I表示该点的亮度，然后根据下述公式归一化时频图像的灰度值

其中，

为图像灰度值的均值，N为图片尺寸大小；

进行二值化处理，对于灰度图像

则有：

其中，TH为二值化门限。

所述对上述提取特征步骤得到的数据选择降维的方式进行处理，包括：

采用PCA线性降维和KPCA非线性降维各保留50个特征；

PCA将提取的特征作为原始样本够成一个数据矩阵：

其中，M表示信号数量，L表示特征数量；

其协方差矩阵为R＝XX^T，对该协方差矩阵做特征值分解：

R_M×L＝U∧U^T

其中，T表示转置，∧为协方差矩阵的特征值对角阵，U为相对应的特征矩阵；

对提取特征做如下变换：

P_M×L＝U^TX＝[p₁,p₂,…p_M]^T

其中，P为提取特征二值矩阵的主成分，p₁是第一主成分，p_k是第k主成分；

选取前50个成分(p₁～p₅₀)构成新的PCA特征矩阵；

KPCA降维会通过非线性映射将特征矩阵映射到高维特征空间：

将

映射到高维特征空间Φ，得到Φ(x)，则此时的协方差矩阵为

对该矩阵做特征值分解，求得特征值λ_c和特征向量μ_c：

Rμ_c＝λ_cμ_c

特征向量μ_c表示为Φ(x)的线性组合：

其中，a为线性组合系数a＝(a₁,a₂,...a_n)^T，定义一个核函数：

K_cs＝K(x_c,x_s)＝Φ(x_c)^TΦ(x_c)

Nλ_ca＝Ka

通过网络提取的特征数据通过KPCA映射后的得到的第k个非线性主成分为：

将前50个非线性主成分(p₁～p₅₀)构成新的KPCA特征矩阵。

所述将步骤(6)得到的图像输入D类网络进行特征提取，包括：将调整好大小的图像输入D类网络进行特征提取，网络的input输入层至fc7全连接层构成特征提取模块输出提取特征。

所述对雷达信号集进行包络谱熵提取，包括：

对雷达信号集进行希尔伯特变换：

构成新的复合信号：

z(t)＝x(t)+jh(t)

包络信号的定义为：

对包络信号进行FFT变换，得到包络谱，将包络谱与信息熵结合得到包络谱熵：

其中，p_d表示第d个包络谱在整个包络谱中所占的比例，n表示为包络谱数量。

本发明的有益效果在于：

1.本发明采用时频分析的方法，将一维时域信号映射到二维时频域，在时频域对雷达信号进行分析与处理，且对于非平稳的雷达信号有更好的效果。

2.本发明的时频变换采用的Affine类平滑伪Wigner分布(SPAW)结合了Wigner分布与尺度图理论，能够得到更好的时间和频率分辨率且没有交叉项。

3.本发明采用了灰度归一化和自适应二值化的图像预处理对图像信息进行压缩，去除了部分噪声，增强了外部信息，获得了更好的效果。

4.本发明采用的自训练网络结构简单，模型参数少适合小样本的训练，同时可以用于自训练使表征信号更完善，在低信噪比的情况下可以很好的提高系统的可靠性。

5.本发明使用在深度学习的图像处理领域性能优异的Imagenet-vgg-verydeep-16，结合迁移学习的思想，获取图像特征，其深层次网络能够提取更加本质的特征，并且实现了特征提取的自动化，也提高了系统的适用性。

6.本发明结合时域一维特征的提取，包络谱熵可以增强信号的外信息，提高了系统的抗干扰能力，可以很好的提升系统在低信噪比下的性能。

7.本发明的特征选择采用PCA与KPCA降维方式，去除网络提取特征中的冗余信息以及部分噪声，在保留线性与非线性特征的同时降低了运算量。

8.本发明采用归一化的方法进行多特征融合，使得提取到的特征更加全面，提升了识别效果。

9.本发明的分类器采用ELM，因为结构简单参数少，有效避免了训练参数选择不当导致识别率低的问题，进一步提升了识别效果。

附图说明

图1是本发明涉及的VGG网络结构图；

图2是本发明涉及的LeNet5网络结构图；

图3是本发明的方案设计图；

图4是本发明的测试结果图；

图5是雷达参数值图；

具体实施方式

下面结合附图对本发明做进一步描述。

本发明属于电子侦察识别领域，具体涉及一种联合多维特征迁移融合的雷达辐射源信号调制识别方法。

雷达辐射源信号调制识别是电子对抗及电子侦察中的重要环节，在电子战中具有十分重要的地位和作用。在战争中，获取更多的信息就能掌握主动权，战场复杂的电磁军事环境以及雷达信号调制技术体制的增强，使得雷达辐射源信号的调制识别变得愈发困难。对于不断变化的复杂环境与雷达信号，现有的识别方法识别效果低，因此寻找新型的识别方式是很迫切的、很有必要的且非常有意义的。雷达信号调制识别方法可以分为提取固定特征参数和利用卷积神经网络(CNN)提取特征参数两类。

对于提取固定参数而言，可以根据具体的需求来获得相对应的特征参数。这种识别方式具有强的针对性，但是缺乏适用性，且低信噪比下的识别效果差。

对于CNN提取特征而言，可以实现对雷达信号时频图像特征的自动提取，并且通过深层次网络可以提取更本质的特征。但在使用小样本训练时，大型CNN网络会因训练出现欠拟合的问题导致识别率下降。另外，CNN的训练需要大量的时间而且在大多数设备无法满足训练的需求。

本发明的目的是提出一种识别方法，主要为了解决现有识别方法低信噪比下识别率低的问题。利用自训练深层次神经网络提取时频图像的外部特征来提高系统在低信噪比下的可靠性，而且自训练神经网络结构简单，训练方便，也适合小样本。与此同时，利用预训练深层次神经网络提取时频图像的内部细节特征，使得特征提取更加全面有效，从而解决了提取固定特征参数适用性不强的问题。并且提取的固定特征参数可以作为补充，使得提取到的特征参数更加全面，进一步提升识别率。利用极限学习机(ELM)模型参数少且适合小样本训练的特点，最终实现雷达信号的高效识别。

本发明的上述目的主要是通过如下的技术方案实现的：

首先产生九种雷达信号组成雷达信号集；

其次对于雷达信号这类非平稳信号的处理而言，时域和频域存在交叠无法区分，所以运用时频变换将雷达信号转换为时频图像；

在上述时频变换中，采用Wigner分布；对时频图像进行尺寸变换使得符合之后的预训练大网络的输入要求；在上述的图片尺寸变换中，将时频图像大小调整为224×224×3；同时对时频图像进行图像预处理使得符合之后的自训练网络的输入要求；在上述图像预处理中，包括图像的灰度化，归一化以及自适应二值化，最终得到28×28的图像；然后训练深层次大型网络，将224×224×3大小的时频图像输入网络进行内部细节特征提取；在上述细节特征提取中，采用的深层次网络结构图如图1所示，从输入层至fc7层构成特征迁移提取模块；同时构建一个五层自训练网络，将调整好的28×28的图像输入网络进行外部特征提取；在上述外部特征提取中，自训练网络结构如图2所示，从输入层至C5卷积层构成自训练特征提取迁移模块；随后对网络提取到的特征进行数据选择；在上述数据选择中采用降维的方式进行处理；

然后对雷达信号集进行包络谱熵的提取；之后用归一化的方法将网络提取的特征与一维特征相融合；最后搭建ELM分类器并进行训练；最终保存网络模型参数，对实际侦察接收变频后的信号进行识别。

具体实施方案如图3所示。

1.本发明采用时频分析的方法，将一维时域信号映射到二维时频域，在时频域对雷达信号进行分析与处理，且对于非平稳的雷达信号有更好的效果。

2.本发明的时频变换采用的Affine类平滑伪Wigner分布(SPAW)结合了Wigner分布与尺度图理论，能够得到更好的时间和频率分辨率且没有交叉项。

3.本发明采用了灰度归一化和自适应二值化的图像预处理对图像信息进行压缩，去除了部分噪声，增强了外部信息，获得了更好的效果。

4.本发明采用的自训练网络结构简单，模型参数少适合小样本的训练，同时可以用于自训练使表征信号更完善，在低信噪比的情况下可以很好的提高系统的可靠性。

5.本发明使用在深度学习的图像处理领域性能优异的Imagenet-vgg-verydeep-16，结合迁移学习的思想，获取图像特征，其深层次网络能够提取更加本质的特征，并且实现了特征提取的自动化，也提高了系统的适用性。

6.本发明结合时域一维特征的提取，包络谱熵可以增强信号的外信息，提高了系统的抗干扰能力，可以很好的提升系统在低信噪比下的性能。

7.本发明的特征选择采用PCA与KPCA降维方式，去除网络提取特征中的冗余信息以及部分噪声，在保留线性与非线性特征的同时降低了运算量。

8.本发明采用归一化的方法进行多特征融合，使得提取到的特征更加全面，提升了识别效果。

9.本发明的分类器采用ELM，因为结构简单参数少，有效避免了训练参数选择不当导致识别率低的问题，进一步提升了识别效果。

图1是本发明涉及的VGG网络结构图。

图2是本发明涉及的LeNet5网络结构图。

图3是本发明的方案设计图。

图4是本发明的测试结果图。

步骤一：依据表一提供的9种雷达参数值，产生由CW、LFM、BPSK、COSTAS、FRANK、P1、P2、P3、P4组成的雷达信号集X(t)＝{x₁(t),x₂(t),…x₉(t)}。

步骤二：对雷达信号集做SPAW变换得到时频图像，对应的SPAW公式为

式中，t表示时间，f表示频率，h,g表示窗函数。

步骤三：对时频图像进行图像预处理，首先对时频图像的大小进行调整变为28×28×3的彩色图像，然后根据公式

I_(i,j)＝0.3B_(i,j)+0.59G_(i,j)+0.11R_(i,j) (2)

将三分量为R、G和B的彩色图像转换为灰度图像，I表示该点的亮度，然后根据公式

归一化时频图像的灰度值，其中，

为图像灰度值的均值，N为图片尺寸大小。然后需要进行二值化处理。对于灰度图像

则有：

其中，TH为二值化门限。

根据上述过程对时频图像进行预处理使得符合LeNet5网络的输入条件。

步骤四：将预处理完的时频图像送入如图3的LeNet5网络进行特征提取，从输入层至C5卷积层构成特征提取模块输出提取特征。

步骤五：经过网络提取的特征数量庞大，其中存在的冗余信息会导致训练速度和系统的有效性下降，可以通过降维而保留其中的显著特征。为了能够保留更全面的信息，同时采用PCA线性降维和KPCA非线性降维各保留50个特征。具体来说，PCA将提取的特征作为原始样本够成一个数据矩阵

其中，M表示信号数量，L表示特征数量。其协方差矩阵为R＝XX^T，可对该协方差矩阵做特征值分解：

R_M×L＝U∧U^T (6)

式中，T表示转置，∧为协方差矩阵的特征值对角阵，U为相对应的特征矩阵，对提取特征做如下变换：

P_M×L＝U^TX＝[p₁,p₂,…p_M]^T (7)

式中，P为提取特征二值矩阵的主成分，p₁是第一主成分，p_k是第k主成分，选取前50个成分(p₁～p₅₀)构成新的特征矩阵。

KPCA与PCA的区别在于，KPCA降维会通过非线性映射将特征矩阵映射到高维特征空间，所以对于(5)而言，首先映射到高维特征空间Φ，得到Φ(x)，则此时的协方差矩阵为

对该矩阵做特征值分解，求得特征值λ_c和特征向量μ_c，即，

Rμ_c＝λ_cμ_c (8)

特征向量μ_c可以表示为Φ(x)的线性组合，即，

式中a为线性组合系数a＝(a₁,a₂,…a_n)^T，定义一个核函数，

K_cs＝K(x_c,x_s)＝Φ(x_c)^TΦ(x_c) (11)

Nλ_ca＝Ka (12)

通过网络提取的特征数据通过KPCA映射后的得到的第k个非线性主成分为，

将前50个非线性主成分(p₁～p₅₀)构成新的特征矩阵。

步骤六：对时频图像的尺寸大小进行变换，得到224×224×3大小的三原色图像。

步骤七：将调整好大小的图像输入图1的D类网络(Imagenet-vgg-verydeep-16)进行特征提取，网络的input输入层至fc7全连接层构成特征提取模块输出提取特征。

步骤八：重复步骤五，对步骤七得到的特征进行PCA降维与KPCA降维各得到50个特征。

步骤九：对雷达信号集进行包络谱熵提取。对于包络谱熵而言可以通过以下公式得到，首先对雷达信号集进行希尔伯特变换：

这样x(t)与h(t)可以构成新的复合信号z(t)，

z(t)＝x(t)+jh(t) (15)

而包络信号的定义为：

对包络信号进行FFT变换，可以得到包络谱。将包络谱与信息熵结合就可以得到包络谱熵：

式中，p_d表示第d个包络谱在整个包络谱中所占的比例，n表示为包络谱数量。

步骤十：将降维后得到的特征与提取到的一维特征分别进行归一化融合之后，送入ELM进行训练。

步骤十一：固定系统的训练参数，选取信噪比为-6～10dB情况下的雷达信号时频图像共45900张，每类雷达信号单一信噪比300张，利用训练好的系统对雷达信号时频图像进行识别。

图4给出了本发明的识别效果，其识别率随着信噪比的增大呈上升趋势，在3dB后趋于平滑。在-6dB的时候取得了80％的识别率，表明了本发明在低信噪比时识别率高。之后就呈稳步上升趋势，在5dB的时候达到了99％以上，表明了本发明在高信噪比时识别率高。此外本发明的识别率稳定，未出现大幅度的波动现象，表明了本发明的稳定性和鲁棒性好。

本发明提供了一种联合多维特征迁移融合的雷达辐射源信号调制识别方法，具体实现该技术方案的方法和途径有很多，以上所述仅是本发明的优选实施方案。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (7)

1.一种联合多维特征迁移融合的雷达辐射源信号调制识别方法，其特征在于，包括以下步骤：

(1)产生九种雷达信号组成雷达信号集；

(2)运用时频变换将雷达信号转换为时频图像；

(3)对时频图像进行变换使得符合之后的预训练大网络的输入要求；

(4)将预处理完的时频图像送入LeNet5网络进行特征提取，从输入层至C5卷积层构成特征提取模块输出提取特征；

(5)对上述提取特征步骤得到的数据选择降维的方式进行处理；

(6)对时频图像的尺寸大小进行变换，得到224×224×3大小的三原色图像；

(7)将步骤(6)得到的图像输入D类网络进行特征提取；

(8)对步骤(7)得到的特征进行PCA降维与KPCA降维各得到50个特征；

(9)对雷达信号集进行包络谱熵提取；

(10)其将步骤(5)和步骤(8)中降维后得到的特征与步骤(9)中提取到的一维特征分别进行归一化融合之后，送入ELM进行训练；

(11)保存最终网络模型参数，对实际侦察接收变频后的信号进行识别。

2.根据权利要求1所述的方法，其特征在于，所述产生九种雷达信号组成雷达信号集，包括：

依据提供的9种雷达参数值，产生由CW、LFM、BPSK、COSTAS、FRANK、P1、P2、P3、P4组成的雷达信号集X(t)＝{x₁(t),x₂(t),…x₉(t)}。

3.根据权利要求1所述的方法，其特征在于，所述运用时频变换将雷达信号转换为时频图像，包括：

对雷达信号集做SPAW变换得到时频图像，对应的SPAW公式为：

其中，t表示时间，f表示频率，h,g表示窗函数。

4.根据权利要求1所述的方法，其特征在于，所述对时频图像进行变换使得符合之后的预训练大网络的输入要求，包括：

将时频图像的大小调整为28×28×3的彩色图像，然后根据下述公式

I_(i,j)＝0.3B_(i,j)+0.59G_(i,j)+0.11R_(i,j)

将三分量为R、G和B的彩色图像转换为灰度图像，I表示该点的亮度，然后根据下述公式归一化时频图像的灰度值

其中，

为图像灰度值的均值，N为图片尺寸大小；

进行二值化处理，对于灰度图像

则有：

其中，TH为二值化门限。

5.根据权利要求1所述的方法，其特征在于，所述对上述提取特征步骤得到的数据选择降维的方式进行处理，包括：

采用PCA线性降维和KPCA非线性降维各保留50个特征；

PCA将提取的特征作为原始样本够成一个数据矩阵：

其中，M表示信号数量，L表示特征数量；

其协方差矩阵为R＝XX^T，对该协方差矩阵做特征值分解：

R_M×L＝U∧U^T

其中，T表示转置，∧为协方差矩阵的特征值对角阵，U为相对应的特征矩阵；

对提取特征做如下变换：

P_M×L＝U^TX＝[p₁,p₂,…p_M]^T

其中，P为提取特征二值矩阵的主成分，p₁是第一主成分，p_k是第k主成分；

选取前50个成分(p₁～p₅₀)构成新的PCA特征矩阵；

KPCA降维会通过非线性映射将特征矩阵映射到高维特征空间：

将

映射到高维特征空间Φ，得到Φ(x)，则此时的协方差矩阵为

对该矩阵做特征值分解，求得特征值λ_c和特征向量μ_c：

Rμ_c＝λ_cμ_c

特征向量μ_c表示为Φ(x)的线性组合：

其中，a为线性组合系数a＝(a₁,a₂,...a_n)^T，定义一个核函数：

K_cs＝K(x_c,x_s)＝Φ(x_c)^TΦ(x_c)

Nλ_ca＝Ka

通过网络提取的特征数据通过KPCA映射后的得到的第k个非线性主成分为：

将前50个非线性主成分(p₁～p₅₀)构成新的KPCA特征矩阵。

6.根据权利要求1所述的方法，其特征在于，所述将步骤(6)得到的图像输入D类网络进行特征提取，包括：将调整好大小的图像输入D类网络进行特征提取，网络的input输入层至fc7全连接层构成特征提取模块输出提取特征。

7.根据权利要求1所述的方法，其特征在于，所述对雷达信号集进行包络谱熵提取，包括：

对雷达信号集进行希尔伯特变换：

构成新的复合信号：

z(t)＝x(t)+jh(t)

包络信号的定义为：

对包络信号进行FFT变换，得到包络谱，将包络谱与信息熵结合得到包络谱熵：

其中，p_d表示第d个包络谱在整个包络谱中所占的比例，n表示为包络谱数量。

Images