一种基于复数神经网络的辐射源个体识别方法
文献发布时间:2024-04-18 19:58:26
技术领域
本发明属于辐射源个体识别和人工智能的交叉技术领域,具体涉及一种基于复数神经网络的辐射源个体识别方法。
背景技术
随着电子信息技术迅猛发展,无线信号调制方式越来越多,辐射源种类和数量不断增加,电磁环境愈发复杂,对辐射源个体信息的获取越来越困难,进而给电子对抗带来极大挑战。辐射源个体识别技术可区分辐射源种类、确定辐射源身份,在军事领域具有广阔的应用前景。由于发射机硬件在设计、生产和使用过程中存在不同程度的差异,从而使发射信号带有区别于其他发射机的无意调制特征,因此可以通过特定流程进行提取和分析,实现对辐射源个体的识别。但是无意调制特征不确定且差别细微,特征分辨过程复杂,且识别准确率较低。深度学习方法可自动抽象地提取特征,弥补传统方法的短板,基于神经网络的个体识别方法被广泛应用,专利202210231892.0中提出了《一种基于孪生网络的小样本辐射源个体识别方法》,该方法采用ResNet神经网络作为分类基本网络模型,设计孪生网络进行进行网络训练与个体识别,解决了传统神经网络个体识别方法在小样本条件下容易过拟合,分类效果差的问题,提高了小样本条件下辐射源个体识别的准确率。该方法中,网络训练中采用的信号数据为辐射源时域数据,而辐射源信号的信息还包含在频域和时频域中,该方法未有效利用辐射源信号的IQ复数特性。
发明内容
本发明提出了一种基于复数神经网络的辐射源个体识别方法,基于传统神经网络的辐射源个体识别技术的基础上,引入深度复数网络,并设计复数交叉熵损失函数,完成基于辐射源IQ复数信号的个体识别。
实现本发明的技术解决方案为:一种基于复数神经网络的辐射源个体识别方法,包括以下步骤:
S1:采集不同雷达发射的携带相同信息的中频AD信号数据,并截取信号中各脉冲数据分别包含上升沿和下降沿的采样点数据,构成脉冲前后沿复数序列集合,生成雷达辐射源个体识别样本集。
S2:对雷达辐射源个体识别样本集进行归一化处理,并按照4:1的比例划分为训练样本集和测试样本集。
S3:构建复数神经网络,复数神经网络包括依次连接的复数卷积层、复数BN层、复数CReLU层、复数池化层、全连接层和softmax分类器。
S4:采用训练样本集训练复数神经网络模型,利用改进的交叉熵损失函数计算分类损失,再经过反向传播更新复数神经网络模型的权值,当训练轮次达到预设次数或分类损失值低于预设值,训练完成,得到雷达辐射源个体识别模型。
S5:将测试样本集输入雷达辐射源个体识别模型,输出样本个体识别标签和识别概率,将识别概率最大的标签作为该样本个体识别结果。
本发明与现有技术相比,其显著优点在于:基于复数神经网络实现对包含时域和频域内丰富个体特征信息的复数IQ数据辐射源信号的深度学习识别,有效提高辐射源个体识别准确率。
附图说明
图1为本发明的实施例提供的一种基于复数神经网络的辐射源个体识别方法的流程示意图。
图2为本发明的辐射源信号1500点前后沿采样点数据示例。
图3为本发明实施例提供的复数神经网络结构示意图。
图4为采用传统神经网络的辐射源个体识别方法的识别混淆矩阵图。
图5为采用基于复数神经网络的辐射源个体识别方法的识别混淆矩阵图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明中,除非另有明确的规定和限定,术语“连接”、“固定”等应作广义理解,例如,“固定”可以是固定连接,也可以是可拆卸连接,或成一体;“连接”可以是机械连接,也可以是电连接。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
另外,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围指内。
下面将结合本设计实例对具体实施方式、以及本次发明的技术难点、发明点进行进一步介绍。
结合图1,本发明所述的一种基于复数神经网络的辐射源个体识别方法,步骤如下:
S1:对不同雷达发射的携带相同信息的中频信号依次进行AD采样,截取中频信号中各脉冲数据的包含上升沿的前沿750点采样数据和包含下降沿的后沿750点采样数据组成1500个采样点的前后沿复数IQ数据序列,如图2所示,生成不同雷达的辐射源信号个体识别样本集。
S2:对S1生成的不同雷达的辐射源信号个体识别样本集中的复数IQ数据序列进行归一化处理,并按照4:1的比例划分为训练样本集和测试样本集。具体包括以下步骤:
S21:将辐射源个体识别样本集中复数IQ数据序列进行归一化处理,由于数据类型为复数,表示为x
其中,x
S22:将S21归一化处理的辐射源个体识别样本集中各类辐射源个体的样本按照4:1的比例随机划分为训练样本集T
S3:构建复数神经网络,复数神经网络包括依次连接的复数卷积层、复数BN层、复数CReLU层、复数池化层、全连接层和softmax分类器,具体包括以下步骤:
S31:深度复数神经网络的复数卷积层对复数IQ数据进行复数卷积,输出复数特征向量;
假设输入的复数IQ数据为h=x
W*h=(A*x
将上式写成矩阵形式,则表示为:
其中,
S32:复数池化层包含最大池化层和平均池化层,复数池化层将卷积计算结果的实部和虚部分别计算其最大值或平均值作为池化层输出,池化表达式如下:
maxpool(W*h)=max(A*x
avgpool(W*h)=avg(A*x
其中,maxpool()表示最大池化,avgpool()表示平均池化,max()表示求最大值,avg()表示求平均值。
S33:复数激活函数为CReLU激活函数,在实部和虚部均应用ReLU函数,则复数激活函数的表达式为:
其中,ReLU函数的计算过程为ReLU(x)=max(0,x)。
S34:复数BN层首先将输入x的分布转换为均值为0方差为1的数据
其中,E[x]表示求期望,协方差矩阵V的计算方式为:
其中,Cov表示计算相关系数。
复数BN层还包括缩放参数γ和平移因子β,因此复数BN层的表达式如下:
其中,由于归一化的输入
S35:全连接层将复数BN层的输出转换成一维特征向量,再输入softmax分类器得到复数IQ数据的分类结果。
S4:采用训练样本集训练雷达辐射源个体识别模型,改进交叉熵损失函数计算分类损失。
改进前的交叉熵损失函数的计算过程如下:
其中,M表示类别数量;N表示样本个数;y
由于雷达辐射源个体中存在较多难以学习区分的同型号雷达,而对于不同型号的雷达辐射源样本个体,模型可以很轻松地将其预测正确,模型只要将大量容易学习的不同型号雷达辐射源样本分类正确,交叉损失函数值将减小很多,导致模型难以顾及难以学习的同型号雷达辐射源个体,因此对交叉熵损失函数进行改进,让模型更加关注难学习的样本。
改进的交叉熵损失函数计算方式如下:
其中,α为加权因子,取值通常设置为2。
再经过反向传播更新个体识别模型权值,当训练轮次达到预设次数或分类损失值低于预设值,模型训练完成,保存已训练个体识别模型,否则重新训练。
S5:采用测试样本集输入S4中保存的已训练的个体识别模型,输出样本个体识别标签和识别概率,将识别概率最大的标签作为该样本个体识别结果。
采用实测雷达辐射源数据集进行辐射源个体识别,数据集包含7类雷达辐射源信号数据,信噪比为10dB,单个样本为2*1500的IQ信号,采用传统神经网络方法,即将图3中所示的网络结构中的复数层采用传统网络层进行替代,分类实验的识别准确率为83.5%,识别混淆矩阵如图4。采用本发明提出的基于复数神经网络辐射源个体识别方法,分类实验的识别准确率为89.6%,识别混淆矩阵如图5。传统神经网络方法与本发明方法辐射源个体识别方法对比如表1:
表1传统神经网络方法与本发明方法辐射源个体识别方法对比
结合图4、图5和表1结果,证明基于本发明的辐射源个体识别方法在识别不同类型的辐射源个体任务中的有效性,且识别准确率相比于现有方法有较大提升。
- 基于差分复数深度神经网络的通信辐射源个体识别方法
- 一种基于复数深度残差网络的通信辐射源个体识别方法