推荐星级:
- 1
- 2
- 3
- 4
- 5
基于深层卷积神经网络和双谱特征的雷达信号识别方法
资料介绍
针对复杂电磁环境下利用人工提取特征识别雷达信号存在的主观性强、特征冗余的问题,提出了一种基于深层卷积神经网络的识别方法。该方法首先提取雷达信号的双谱信息作为深层卷积神经网络模型的输入,然后利用模型的自学习能力提取深层特征,实现对不同调制样式雷达信号的识别,最后对不同结构网络模型的识别结果进行对比。仿真实验结果表明,相比传统雷达信号识别方法,该方法对于不同调制类型信号的识别效果优异,并且在识别率、抗噪性上都有所提升。
部分文件列表
文件名 | 大小 |
基于深层卷积神经网络和双谱特征的雷达信号识别方法.pdf | 2M |
部分页面预览
(完整内容请下载后查看)第
卷
第
期
系统工程与电子技术
41
9
Vol.41 No.9
ꢀ
ꢀ
年
月
2019
9
SstemsEnineerin andElectronics
ꢀ g ꢀ
y g
ꢀ
Setember2019
p
ꢀ
:
( )
1001506X201909199808
-
:
网址
www.ssele.com
文章编号
-
-
ꢀ
y-
基于深层卷积神经网络和双谱特征的
雷达信号识别方法
, ,
刘 赢 田润澜 王晓峰
ꢀ
( ,
空军航空大学航空作战勤务学院 吉林 长春
)
130022
: 、 ,
要 针对复杂电磁环境下利用人工提取特征识别雷达信号存在的主观性强 特征冗余的问题 提出了一
摘
ꢀꢀ
ꢀ
。
种基于深层卷积神经网络的识别方法 该方法首先提取雷达信号的双谱信息作为深层卷积神经网络模型的输
, , ,
入 然后利用模型的自学习能力提取深层特征 实现对不同调制样式雷达信号的识别 最后对不同结构网络模型
。 , ,
的识别结果进行对比 仿真实验结果表明 相比传统雷达信号识别方法 该方法对于不同调制类型信号的识别效
, 、
果优异 并且在识别率 抗噪性上都有所提升
。
: ; ; ;
关键词 雷达信号识别 深层卷积神经网络 特征提取 双谱
:
:
文献标志码
A
:
/
j
中图分类号
TN974
ꢀ ꢀꢀꢀꢀ
DOI10.3969 .issn.1001506X.2019.09.12
ꢀꢀꢀꢀ
-
Radarsinalreconitionmethodbasedondee convolutional
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ
p
ꢀ
g
g
neuralnetworkandbisectrumfeature
ꢀ ꢀ ꢀ ꢀ
p
,
g
,
LIU Yin TIAN Runlan WANGXiaofen
g
ꢀ
ꢀ
ꢀ
(
, , ,
Schoolo AviationO erationsandServices AviationUniversit o AirForce Chanchun130022 China
ꢀ
)
ꢀ
ꢀ
p
ꢀ
ꢀ
ꢀ
ꢀ
f
y f
ꢀ ꢀ
g
ꢀ
:
Abstract Aimin atthe roblemofstron subectivit andfeatureredundanc ofradarsinalreconitionin
g ꢀ ꢀp y ꢀ
ꢀꢀ ꢀꢀ ꢀg
g
ꢀ
j
y
ꢀ
ꢀ
ꢀ
ꢀ
g
ꢀ
ꢀ
ꢀ
,
thecomlexelectromaneticenvironment areconitionmethodbasedondee convolutionalneuralnetworkis
ꢀ ꢀ
ꢀ
p
ꢀ
g
ꢀ
ꢀ
g
ꢀ
ꢀ
p
ꢀ
ꢀ
ꢀ
ꢀ
,
roosed.B extractin thebisectruminformationoftheradarsinalastheinutofthenetworkmodel the
p p
ꢀ p ꢀ ꢀ ꢀg ꢀ ꢀ ꢀ p ꢀ ꢀ
y
ꢀ
g
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
,
networkmodelisusedtoautomaticalllearnthedee features identif thedifferentmodulation atternsinals
ꢀ ꢀ ꢀ ꢀ ꢀp ꢀg
,
ꢀ
y
ꢀ
ꢀ
ꢀ
p
ꢀ
y
ꢀ
ꢀ
ꢀ
andcom arethereconitionresultsofthedee networkmodelswithdifferentstructures.Theresultsofsimulation
ꢀ ꢀꢀ ꢀ ꢀ ꢀ ꢀ ꢀꢀ
ꢀ
p
ꢀ
ꢀ
g
p
ꢀ
ꢀ
ꢀ
,
exerimentshowthatcom aredwiththetraditionalradarsinalreconitionmethod the roosedmethodhas
ꢀ
p
ꢀ
ꢀ
ꢀ
p
ꢀ
ꢀ
ꢀ
ꢀ
ꢀg
g
ꢀ
ꢀp p
ꢀ
ꢀ
im rovedreconitionrateandnoiseimmunit .
ꢀ ꢀ ꢀ ꢀ ꢀ
p
g
y
:
;
Kewords radarsinalreconition dee convolutionalneuralnetwork featureextraction bisectrum
p
;
;
ꢀg
ꢀ
g
p
ꢀ
ꢀ
ꢀ
ꢀ
y
[]
2
、
[]
3
小波脊频特征 高阶谱 等特征
、
时频特征 小波包特征
、
引
言
ꢀ
0
ꢀ
。 ,
都在信号识别领域取得了不错的效果 其中 信号双谱是
,
在军事对抗过程中 能够迅速准确地对敌方信号进行
, ,
一种高阶累计量 不仅包含了信号的振幅和相位信息 还具
, ,
识别 就能够优先获得制信息权 对战场走势发挥着至关重
、 、 、
有时移不变性 尺度不变性 相位保持性 时间无关性等特
。 , ,
要的作用 随着战场电磁环境日益复杂 雷达种类增多 信
, ,
性 能够有效抑制高斯噪声 因此被广泛应用在信号识别领
,
号调制样式更加复杂以及各类信号交叠严重 传统的信号
。
,
K
(
近 邻
knearest
域
随着近 年 来 深 度 学 习 的 广 泛 应 用
-
[]
4
) 、
反向传播
, ,
识别方法准确率降低 抗干扰性差 已经不能满足现代战争
,
( , )
神经网
back roaation BP
ꢀp pg
neihbor KNN
g
[]
5
、
[]
6
。 ,
需求 因此 研究能够适应复杂电磁环境的雷达信号识别
(
,
)
等分类
su ortvectormachineSVM
pp
络
支持向量机
ꢀ
ꢀ
[
]
1
7-1
。
方法对提升我军雷达对抗侦察战斗力具有重要意义
。 ,
器被应用到信号识别领域上来 其中 卷积神经网络
早期基于脉冲描述字对信号提取脉间参数进行识别的
,
是深度学习的一个主要研究方向 具有强大的特征自学 习
[]
1
。
[ ]
12
,
方法 已无法满足现代电子战需求
,
能 力 在 图 像 分 类
、
,
中频直接采样和数
语 音 识 别 等 领 域 均 有 成 熟 应 用 文
网 络 实 现 对 机 场 辐 射 源 的 识
AlexNet
,
字信号处理技术的迅速发展 使得基于脉内特征参数的信
[ ]
采用 改 进 型
13
献
,
号识别方法已经成为雷达对抗侦察系统中的关键技术 如
; [ ]
别 文献 结合降噪自编码器和卷积神经网络解决了雷
14
:
;
:
; :
网络优先出版日期
2019-03-15 2019-07-30
。
收稿日期
修回日期
2018-12-05
: : / / /
htt kns.cnki.netkcmsdetail11 .2422 .T N .20190730 .1108 .002 .html
p ∥
网络优先出版地址
:
基金项目 国家自然科学基金
( )
资助课题
61571462
·
1999
ꢀ
·
ꢀ
:
刘赢等 基于深层卷积神经网络和双谱特征的雷达信号识别方法
第
期
9
ꢀ
,
达信号识别中时间复杂度高的问题 卷积神经网络的出现
计以
段双谱估计的平均值给出
K
K
。
为雷达信号识别提供了一个新的思路
1
^
BD
^
( , )
b
ω ω
K 1 2
( , )
ω ω
2
()
6
=
1
∑
K K
1
=
本文提出一种基于深层卷积神经网络的雷达信号识别
2
π
f
s
2
π
f
s
,
方法 首先介绍了信号的双谱分析方法和卷积神经网络结
,
ω
1
;
λ ω
2
。
λ
2
式中
=
=
1
N0
N0
, ,
构 然后提取脉冲数据的双谱生成训练集和测试集 最后采
,
相比功率谱是表征信号能量随频率变化的分布函数
。
用不同结构的卷积神经网络模型进行训练及测试 仿真结
,
双谱没有这样清晰的物理意义 无法在能量域上进行分析
,
, 、
果表明 本方法在抗噪性 识别率等方面较传统识别方法有
, ,
可以理解为信号的偏态在双谱域上的分解 因此 信号经过
。
所提升
[ ],
18
双谱处理提高输出信噪比的分析过程参考文献
分析
,
过程如下 假设
雷达辐射源信号双谱提取
1
ꢀ
:()
H0 xk
(), :()
nk H1 xk
() ()
sk nk
= +
()
7
=
信号双谱的数学描述
1.1
ꢀ
,
,,…, ;()
为实信号
nk
;()
,
为高斯噪声 并假
式中
k=12
N sk
,
高于二阶的累积量称为高阶累积量 多维傅里叶变换
()
设信号 与噪声
sk
() 。
之间互相独立
nk
[ ]
15
, 。
称为多谱 双谱即 三阶谱 文献
[ ]
给出了高阶累积量
16
() ,
的信号检测问题 若采用传统的功率谱估计方
7
对式
,
及多谱的定义 并证明了高阶累积量可以有效抑制高斯分
,
法 则有
。 ,
布噪声带来的干扰 侦察接收机接收到的信号 经过预处
:
( )
ω =
( ),
H1
ω
:
( )
ω =
( )
P
ω +
s
( )()
P 8
ω
n
H0
P
P
n
P
x
x
, , 。
理之后 含有各种噪声 这类噪声均趋于高斯分布 因此对
()
可以看出 当信噪比
8
,
(
,
sinaltonoiseratioSNR
-
)
从式
ꢀꢀ
g
-
ꢀ
[
]
7
,
1
雷达辐射 源 信 号 的 处 理 可 以 首 先 提 取 其 双 谱 信 息
其
,
下降时 信号的检测能力将明显下降
。
,
中 以三阶累积量定义的双谱如下
。
() , ,
的信号检测问题 若采用双谱估计 则有
7
同样对于式
{ ( ), (
x n x n+
),…, (
x n+
)}
的高阶
τ
k-1
若随机序列
τ
1
: (
ω ,ω
B
x
)
=
,
0 H
: (
ω ,ω
B
x
)
=
(
) ()
ω ,ω
9
2
H0
B
s
1
2
1
1
2
1
( , ,…,
τ τ
2
)
满足
累积量
cx
k
τ
k-1
1
() , ,
可以看出 只要信号的双谱信息足够大 即使
9
从式
ꢀꢀ
∞
∞
,
很小的情况下 随机信号经过双谱处理后
,
SNR
在
也
…
( ,…,
τ τ
1
)
|
∞
<
()
1
SNR
c
|
kx
k 1
-
∑
τ =-∞
1
∑
τ
k
=-∞
1
-
,
将大大提高 因此有利于信号的检测
。
(
) ,
维离散傅里叶变换 即
则
阶谱定义为 阶累积量的
K
K
k-1
( ,…, )
=
,
由此可知 信号在双谱特征提取后输出
有明显提
SNR
Sx
k
ω
1
ω
k 1
-
,
升 说明双谱不仅很好地反映了辐射源信号的幅度分布特
∞
∞
(
…
)
, 。
征 并且有效抑制了高斯噪声的干扰
-jωτ +
)
e
|
1
ω τ
k-1 k-1
1
1
…
( ,…,
τ τ
1
()
2
c
|
kx
k
-
∑
τ =-∞
1
∑
τ
k
=-∞
1
-
图
是常用调制样式信号在
条件下的双谱
SNR=0dB
1
,
,
,,…,
,
i=12 k=1
|ω
… 。
+
ω |≤π
k-1
式中
+
+
|ω|≤π
ω
i
1
2
,
图像 分别为连续 波
(
,
)
信 号 线 性 调 频
continuouswave CW
、
ꢀ
,
双谱即三阶谱 定义为
(
,
)
信 号 二 进 制 相 移 键 控
linearfreuenc modulation LFM
ꢀ q
、
y
ꢀ
∞
∞
(
,
)
信 号 以 及 正 交 相 移 键 控
binar haseshiftkein BPSK
yp
ꢀ y g
(
)
ꢀ
-jωτ +ωτ
2 2
ꢀ
1
1
( , )
ω ω
2
( , )
e
τ τ
|
1 2
B
x
c
|
3x
=
1
∑ ∑
τ =-∞ τ
1
(
,
)
信号 可见不同信号
uadrature haseshiftkein QPSK
ꢀp ꢀ y g
,
k
1
- =-∞
q
ꢀ
。
的双谱特征区分仍很明显 与文献
[ ]
采用
16
()
3
变换的
Walsh
,
方法提取双谱信息的二维图片数据不同 图 所示的信号
2
信号双谱估计
1.2
ꢀ
,
双谱图片是用颜色来表示幅度的高低 并没有造成信息的
[ ] ,
中非参数化估计的直接估计法 对信号
16
采用文献
, ,
丢失 而是完整地保留了信号的双谱特征 这与以往在双谱
,
进行双谱估计 计算过程如下
:
,
信息基础上进一步优化的手段相比 最大限度地保留了信
()
将数据
1
{ (),(),… ( )}
分成
x 0 x 1 x N-1
,
段 每段
K
。
号原有的的信息
,
个样本 即
· , 。
这里允许两端相邻数据的重叠
M
M
N=K
()
计算离散傅里叶变换系数
2
M 1
-
()
k
()
1
()
k
/
2n M
-jπλ
()
ne
()
4
X
x
λ =
∑
M n
0
=
,
λ
,,…, / ;
,,…, 。
M 2k=12 K
式中
=01
()
求出系数的三重相关
3
()
k
()
X
λ =
M 1
-
1
()
k
(
()
k
(
()
k
)
)
·
(
)
i
-
2
x
i X
λ +
i
X
i
-λ -λ -
1
λ +
1
1
2
2
1
2
∑
M n
0
=
()
5
,
k=12
,,…, ;
K
,
/ ;
/ ;
N0 M=
f
s
式中
+
λ ≤λ λ λ ≤
2
2
=
Δ
0
2
1
1
f
s
(
) 。
2L +1 N0
1
()
将所给数据
4
{ ( ), ( ),…, ( )}
的双谱估
x 0 x 1 x N-1
全部评论(0)