本發(fā)明屬于輻射源信號識別
技術(shù)領(lǐng)域：
，具體涉及一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)輻射源信號的識別方法。
背景技術(shù)：
：雷達(dá)輻射源信號識別是電子對抗中一項(xiàng)重要環(huán)節(jié)，在電子情報(bào)偵察、電子支援偵察和威脅告警系統(tǒng)中都起到了關(guān)鍵的作用。隨著電子信息技術(shù)的飛速發(fā)展，現(xiàn)代電子戰(zhàn)場的對抗愈發(fā)激烈，新型復(fù)雜體制雷達(dá)逐漸占據(jù)主導(dǎo)地位。電磁環(huán)境日益復(fù)雜和密集，傳統(tǒng)的基于脈沖描述字(載頻、脈沖到達(dá)時(shí)間、脈沖到達(dá)角、脈沖幅度、脈沖寬度)已經(jīng)難以勝任在這樣密集、復(fù)雜和多變的環(huán)境中的雷達(dá)輻射源信號識別任務(wù)。目前，很多專家提出了基于雷達(dá)輻射源信號脈內(nèi)分析的識別方法。主要有時(shí)域分析法、頻域分析法、瞬時(shí)自相關(guān)法、譜相關(guān)法和時(shí)頻域分析法等。但是這些方法存在著不少缺點(diǎn)，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(fèi)大量的時(shí)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(zāi)難或者特征選擇的難題。因此，發(fā)明一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)輻射源信號的識別方法，可以將特征提取的步驟利用網(wǎng)絡(luò)實(shí)現(xiàn)。技術(shù)實(shí)現(xiàn)要素：發(fā)明目的：本發(fā)明針對上述現(xiàn)有技術(shù)存在的問題做出改進(jìn)，即本發(fā)明公開了一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)輻射源信號的識別方法。本發(fā)明能夠減去脈內(nèi)特征提取花費(fèi)的時(shí)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(shí)現(xiàn)簡單，適應(yīng)性強(qiáng)，可用于電子情報(bào)偵察中。實(shí)現(xiàn)本發(fā)明的技術(shù)思路是：首先，對雷達(dá)輻射源信號進(jìn)行預(yù)處理；其次，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)；然后，設(shè)置參數(shù)并訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，用訓(xùn)練好的網(wǎng)絡(luò)對測試集中的信號進(jìn)行分類識別；最后，計(jì)算分類精度。技術(shù)方案：基于一維卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)輻射源信號的識別方法，步驟如下：(1)生成雷達(dá)輻射源信號數(shù)據(jù)集通過matlab仿真生成雷達(dá)輻射源信號數(shù)據(jù)集，雷達(dá)輻射源信號數(shù)據(jù)集包括七種不同調(diào)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(shù)量相等的樣本，其中：輻射源信號參數(shù)設(shè)置如下：采樣頻率均為2ghz，采樣點(diǎn)數(shù)均為512個(gè)；cw、lfm、nlfm、bpsk、qpsk載頻設(shè)置為200mhz，lfm頻偏設(shè)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(gè)載頻分別為200mhz、400mhz，采用13為巴克碼；qfsk的四個(gè)載頻是100mhz、300mhz、500mhz和700mhz；(2)數(shù)據(jù)預(yù)處理(21)將步驟(1)生成雷達(dá)輻射源信號通過fft從時(shí)域變換到頻域，進(jìn)入步驟(22)；(22)對經(jīng)過fft后的雷達(dá)輻射源信號數(shù)據(jù)集進(jìn)行去噪處理，去噪采用以下公式：其中：ft(i)表示經(jīng)過fft后的雷達(dá)輻射源信號頻域；mf為經(jīng)過fft后的雷達(dá)輻射源信號頻域序列{ft(i)}的均值；(23)去噪處理后的雷達(dá)輻射源信號進(jìn)行能量歸一化處理，并標(biāo)注信號所屬的類別，得到用于網(wǎng)絡(luò)訓(xùn)練和測試的數(shù)據(jù)集；(3)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建含有五層的一維卷積神經(jīng)網(wǎng)絡(luò)，一維卷積神經(jīng)網(wǎng)絡(luò)依次為輸入層、卷積層、池化層、全連接層和輸出層；(4)設(shè)置參數(shù)并訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)(41)設(shè)置一維卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率為0.01、批量大小設(shè)置為10、迭代次數(shù)為500，卷積層激活函數(shù)設(shè)置為relu，relu函數(shù)定義為f(x)＝max(0,x)，其中：x表示神經(jīng)元的輸入；(42)在步驟(23)得到的用于網(wǎng)絡(luò)訓(xùn)練和測試的數(shù)據(jù)集中隨機(jī)抽取每種信號總量的5/6的樣本作為訓(xùn)練集；(43)將訓(xùn)練集輸入到步驟(3)得到的一維卷積神經(jīng)網(wǎng)絡(luò)中，通過迭代計(jì)算，當(dāng)達(dá)到一維卷積神經(jīng)網(wǎng)絡(luò)設(shè)置的迭代次數(shù)時(shí)，完成卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程；(5)預(yù)測分類將步驟(42)中用于網(wǎng)絡(luò)訓(xùn)練和測試的數(shù)據(jù)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(jīng)網(wǎng)絡(luò)中，獲取識別結(jié)果，完成雷達(dá)輻射源信號的識別；(6)計(jì)算精度根據(jù)輸出的正確樣例來計(jì)算每一類雷達(dá)輻射源信號在單個(gè)信噪比下的識別率；(7)輸出結(jié)果。進(jìn)一步地，步驟(43)包括以下步驟：(431)前向傳播按照步驟(41)中設(shè)置的批量大小，將樣本輸入到卷積神經(jīng)網(wǎng)絡(luò)，樣本從輸入層經(jīng)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(wǎng)絡(luò)的第k個(gè)特征向量；表示第l層網(wǎng)絡(luò)的第k個(gè)卷積核的共享權(quán)值；表示偏置；f(·)是步驟(41)中的relu函數(shù)；conv1d(·)表示一維卷積；(432)反向傳播計(jì)算步驟(431)的輸出與在步驟(23)中標(biāo)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(biāo)注的類別標(biāo)簽，按照極小化誤差的方式，反向逐層調(diào)整網(wǎng)絡(luò)的權(quán)值；卷積層誤差反向傳播的計(jì)算公式為：其中表示l+1層第i個(gè)神經(jīng)元的殘差；rev(·)表示對序列進(jìn)行反轉(zhuǎn)操作，conv1dz(·)表示進(jìn)行的是一維的全卷積；(433)重復(fù)進(jìn)行步驟(431)和步驟(432)，直到達(dá)到設(shè)置的最大迭代次數(shù)為止，從而得到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)。更進(jìn)一步地，步驟(431)中池化層采用的是均值池化。有益效果：本發(fā)明公開的基于一維卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)輻射源信號的識別方法與現(xiàn)有技術(shù)相比較，具有以下優(yōu)點(diǎn)：第一，本發(fā)明采用基于卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)輻射源信號識別方法，通過卷積神經(jīng)網(wǎng)絡(luò)中的網(wǎng)絡(luò)結(jié)構(gòu)對信號進(jìn)行特征提取避免了傳統(tǒng)算法中需要人工設(shè)計(jì)特征的過程；第二，能正確識別信噪比低至-10db時(shí)的多種雷達(dá)輻射源信號脈內(nèi)調(diào)制方式；第三，實(shí)現(xiàn)簡單，并且改進(jìn)的一維卷積神經(jīng)網(wǎng)絡(luò)相對于常規(guī)用于圖像識別的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練代價(jià)更低，利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行雷達(dá)輻射源信號識別計(jì)算代價(jià)較小。附圖說明圖1是本發(fā)明公開的基于一維卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)輻射源信號的識別方法的流程圖；圖2是卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。具體實(shí)施方式：下面對本發(fā)明的具體實(shí)施方式詳細(xì)說明。參照圖1，基于一維卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)輻射源信號的識別方法，步驟如下：(1)生成雷達(dá)輻射源信號數(shù)據(jù)集通過matlab仿真生成雷達(dá)輻射源信號數(shù)據(jù)集，雷達(dá)輻射源信號數(shù)據(jù)集包括七種不同調(diào)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(shù)量相等的樣本，其中：輻射源信號參數(shù)設(shè)置如下：采樣頻率均為2ghz，采樣點(diǎn)數(shù)均為512個(gè)；cw、lfm、nlfm、bpsk、qpsk載頻設(shè)置為200mhz，lfm頻偏設(shè)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(gè)載頻分別為200mhz、400mhz，采用13為巴克碼；qfsk的四個(gè)載頻是100mhz、300mhz、500mhz和700mhz；(2)數(shù)據(jù)預(yù)處理(21)將步驟(1)生成雷達(dá)輻射源信號通過fft從時(shí)域變換到頻域，進(jìn)入步驟(22)；(22)對經(jīng)過fft后的雷達(dá)輻射源信號數(shù)據(jù)集進(jìn)行去噪處理，去噪采用以下公式：其中：ft(i)表示經(jīng)過fft后的雷達(dá)輻射源信號頻域；mf為經(jīng)過fft后的雷達(dá)輻射源信號頻域序列{ft(i)}的均值；(23)去噪處理后的雷達(dá)輻射源信號進(jìn)行能量歸一化處理，并標(biāo)注信號所屬的類別，得到用于網(wǎng)絡(luò)訓(xùn)練和測試的數(shù)據(jù)集；(3)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建含有五層的一維卷積神經(jīng)網(wǎng)絡(luò)，一維卷積神經(jīng)網(wǎng)絡(luò)依次為輸入層、卷積層、池化層、全連接層和輸出層；基本結(jié)構(gòu)如圖2所示，輸入為512x1的信號樣本，首先在卷積層與6個(gè)33x1大小的濾波因子卷積得到6個(gè)480x1的特征向量；其次通過3x1大小的池化層進(jìn)行下采樣操作，得到6個(gè)160x1的特征向量；最后經(jīng)過全連接層和輸出層得到輸入樣本的標(biāo)簽向量；(4)設(shè)置參數(shù)并訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)(41)設(shè)置一維卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率為0.01、批量大小設(shè)置為10、迭代次數(shù)為500，卷積層激活函數(shù)設(shè)置為relu，relu函數(shù)定義為f(x)＝max(0,x)，其中：x表示神經(jīng)元的輸入；(42)在步驟(23)得到的用于網(wǎng)絡(luò)訓(xùn)練和測試的數(shù)據(jù)集中隨機(jī)抽取每種信號總量的5/6的樣本作為訓(xùn)練集；(43)將訓(xùn)練集輸入到步驟(3)得到的一維卷積神經(jīng)網(wǎng)絡(luò)中，通過迭代計(jì)算，當(dāng)達(dá)到一維卷積神經(jīng)網(wǎng)絡(luò)設(shè)置的迭代次數(shù)時(shí)，完成卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程；(5)預(yù)測分類將步驟(42)中用于網(wǎng)絡(luò)訓(xùn)練和測試的數(shù)據(jù)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(jīng)網(wǎng)絡(luò)中，獲取識別結(jié)果，完成雷達(dá)輻射源信號的識別；(6)計(jì)算精度根據(jù)輸出的正確樣例來計(jì)算每一類雷達(dá)輻射源信號在單個(gè)信噪比下的識別率；(7)輸出結(jié)果。進(jìn)一步地，步驟(43)包括以下步驟：(431)前向傳播按照步驟(41)中設(shè)置的批量大小，將樣本輸入到卷積神經(jīng)網(wǎng)絡(luò)，樣本從輸入層經(jīng)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(wǎng)絡(luò)的第k個(gè)特征向量；表示第l層網(wǎng)絡(luò)的第k個(gè)卷積核的共享權(quán)值；表示偏置；f(·)是步驟(41)中的relu函數(shù)；conv1d(·)表示一維卷積；(432)反向傳播計(jì)算步驟(431)的輸出與在步驟(23)中標(biāo)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(biāo)注的類別標(biāo)簽，按照極小化誤差的方式，反向逐層調(diào)整網(wǎng)絡(luò)的權(quán)值；卷積層誤差反向傳播的計(jì)算公式為：其中表示l+1層第i個(gè)神經(jīng)元的殘差；rev(·)表示對序列進(jìn)行反轉(zhuǎn)操作，conv1dz(·)表示進(jìn)行的是一維的全卷積；(433)重復(fù)進(jìn)行步驟(431)和步驟(432)，直到達(dá)到設(shè)置的最大迭代次數(shù)為止，從而得到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)。更進(jìn)一步地，步驟(431)中池化層采用的是均值池化。下面結(jié)合仿真實(shí)驗(yàn)對本發(fā)明的效果做進(jìn)一步的描述1、仿真實(shí)驗(yàn)條件：本發(fā)明所用的數(shù)據(jù)為用matlab仿真生成的雷達(dá)輻射源信號，數(shù)據(jù)集由七種不同調(diào)制方式的雷達(dá)輻射源信號構(gòu)成，每種信號在-10db到6db每隔2db信噪比下有1200個(gè)樣本，其中1000個(gè)樣本用于訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，200個(gè)樣本用來測試。這樣每個(gè)信噪比下的訓(xùn)練集一共有7000個(gè)樣本組成，每個(gè)信噪比點(diǎn)上的測試集則有1400個(gè)樣本。實(shí)驗(yàn)硬件平臺為：intel(r)core(tm)i5-3230m@2.60ghz，4gbram，軟件平臺為：matlabr2012a。2、實(shí)驗(yàn)結(jié)果cwlfmnlfmbpskbfskqfskqpsk-10db9399.594.5967610088-8db9799.5989690.510099-6db98.599.599.5999910099-4db98.510010010097100100-2db1001001001001001001000db1001001001001001001002db1001001001001001001004db1001001001001001001006db100100100100100100100從實(shí)驗(yàn)結(jié)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(dāng)信噪比大于-2db時(shí)，七種信號的識別率就能達(dá)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(jìn)一步下降后，bfsk信號的識別率比較差?？梢娨痪S卷積神經(jīng)網(wǎng)絡(luò)對于低信噪比下雷達(dá)輻射源信號的識別有著相當(dāng)優(yōu)異的表現(xiàn)。上面對本發(fā)明的實(shí)施方式做了詳細(xì)說明。但是本發(fā)明并不限于上述實(shí)施方式，在所屬
技術(shù)領(lǐng)域：
普通技術(shù)人員所具備的知識范圍內(nèi)，還可以在不脫離本發(fā)明宗旨的前提下做出各種變化。當(dāng)前第1頁12