一种基于深度迁移学习的雷达信号自动识别方法

技术领域

本发明涉及雷达信号识别技术领域，具体为一种基于深度迁移学习的雷达信号自动识别方法。

背景技术

雷达信号自动识别是雷达对抗侦察信号处理的关键环节，直接影响着雷达侦察设备性能的发挥并关系到后续的作战决策，基于这一意义，国内外研究学者关于雷达辐射源信号自动识别开展了大量的研究工作，而复杂体制雷达脉冲的深度学习自动识别研究无疑是其中具有挑战性和实用价值的研究方向。深度学习自动识别是指通过构建具有多隐藏层的机器学习模型，优化深度学习迁移学习网络，学习雷达脉冲信号的分布式特征，从随机交织的脉冲流中分离出不同雷达的脉冲序列，并识别有用信号的过程。

它的相关研究成果在军事和国防领域有着重要的应用前景。在需要对威胁等级高的雷达及时、全面、准确地截获识别的电子支援侦察(ESM)系统中，高速、准确的自动识别是正确识别敌方辐射源威胁，并迅速引导控制干扰设备(ECM)或为武器系统指示目标位置的前提，而错误的自动识别将导致大量的虚警和漏警，严重影响对抗效果甚至直接关系战争的胜败。因此，信号自动识别的技术水平己成为衡量电子情报侦察(ELINT)、电子支援侦察(ESM)和威胁告警(RWR)系统技术先进程度的重要标志。

近年来，随着超高速集成电路(VHIC)和超大规模集成电路(VLSIC)的迅速发展，数字化接收机已开始在雷达、电子战和通信接收机中普遍使用，尤其是中频数字接收机在现代雷达中的应用越来越广泛，它利用模数变换器(ADC)来取代检波器，直接对中频信号采样，这使得除常规参数之外，信号的脉内信息都被保存下来，从而提供了雷达信号的脉内特征和个体特征描述。因此，在对抗设备数目急剧增加，复杂体制雷达广泛应用等因素共同造成的复杂密集电磁环境下，需要一种对雷达信号的脉内信息进行分析并利用脉内特征参数进行雷达信号识别的技术方法。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于深度迁移学习的雷达信号自动识别方法，解决了在复杂密集电磁环境下，现有雷达信号识别方法对于雷达信号的脉内信息分析性能以及并利用脉内特征参数进行雷达信号识别性能不足的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种基于深度迁移学习的雷达信号自动识别方法，其特征在于，包括下述步骤：

步骤1、雷达信号深度迁移神经网络构建：基于雷达仿真信号数据集对AlexNet深度卷积神经网络模型进行训练；

步骤2、基于雷达信号双谱图像切片对于深度迁移神经网络主要结构参数进行调节和优化；

步骤3、深度迁移神经网络针对雷达信号的泛化能力增强。

优选的，步骤1包括下述步骤：

a.对雷达信号数据集的双谱分析，提取雷达信号的深度迁移特征并用于识别任务；

b.输入雷达信号对于AlexNet深度卷积神经网络的预训练；

c.利用AlexNet深度卷积神经网络提取实测雷达信号双谱图像切片的深度迁移特征。

优选的，步骤1的步骤a中输入的实测雷达信号双谱图像切片经正向传播提取高层次语义特征，雷达信号网络参数通过分类误差的反向传播进行训练；所述步骤1的步骤b中将仿真数据集预训练得到的DCNN迁移至实测雷达信号分类识别任务，在深度迁移学习框架下实现对雷达信号的快速高精度分类识别。

优选的，步骤2包括下述步骤：

a.重构深度迁移学习框架下浅层网络结构；

b.提取卷积自编码器中实测雷达信号的特征粒度；

c.对于卷积自编码器中主要结构参数进行调节和优化。

优选的，步骤2的步骤a通过对实测雷达信号双谱图像切片的采样及白化处理，实测雷达信号局部特征的稀疏自编码，实测雷达信号双谱图像切片在卷积自编码器中的卷积和池化；所述步骤2的步骤b通过实测雷达信号分类的特点，在使用卷积自编码器重构深度卷积神经网络第一个卷积层时，卷积自编码器中的结构参数需要进行相应的调节以提取到具有适当特征粒度的浅层特征用于对实测雷达信号进行表达，并间接影响DCNN提取到的深度迁移特征，进而取得更好的实测雷达信号分类识别效果；所述步骤2的步骤c利用卷积层中特征激励值的判别性与不变性，池化域内不同稀疏度下的池化方法选择，卷积自编码器中主要结构参数的调节实验与分析。

优选的，所述步骤3包括下述步骤：

a.深度卷积神经网络泛化能力的分析；

b.轻量深度卷积神经网络针对实测雷达信号的泛化能力研究；

c.深度卷积神经网络中实测雷达信号迁移特征的分析；

d.利用级联的线性主成分分析网络(LPCANet)网络结构对实测雷达信号调制信息的优化处理。

(三)有益效果

本发明提供了一种基于深度迁移学习的雷达信号自动识别方法。具备以下有益效果：

该基于深度迁移学习的雷达信号自动识别方法，运用雷达仿真信号数据集对现有的并已被证明是有效的深度卷积神经网络进行预训练，获取相应的网络结构参数；在此基础上，将训练好的深度卷积神经网络迁移至雷达实测信号，并初步提取到信号双谱图像的多尺度深度迁移特征；分析了深度卷积神经网络中特征判别性与不变性的变化规律，研究了其中影响特征粒度的主要结构参数，针对不同的特征粒度，调节网络结构参数；通过对信号双谱图像的预处理，在不改变其原有数据结构的条件下整合其调制和干扰信息，缩小雷达实测信号双谱图像与雷达仿真信号双谱图像间的概率分布差异，增强了深度迁移神经网络针对雷达信号的泛化能力。

附图说明

图1为本发明二维图像的卷积操作流程图；

图2为本发明使用卷积自编码器重构AlexNet第一个卷积层后的网络结构形式图；

图3为本发明不同卷积范围对池化特征距离函数的影响示意图；

图4为本发明不同卷积范围对Bhattacharyya距离下界的影响示意图；

图5为本发明不同卷积范围对分类识别准确率的影响示意图；

图6为本发明不同白化处理参数对池化特征距离函数的影响示意图

图7为本发明不同白化处理参数对Bhattacharyya距离下界的影响示意图；

图8为本发明不同白化处理参数对分类识别准确率的影响示意图。

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做出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。

请参阅图1-8，本发明提供一种技术方案：一种基于深度迁移学习的雷达信号自动识别方法，包括下述步骤：

步骤1、雷达信号深度迁移神经网络构建：基于雷达仿真信号数据集对AlexNet深度卷积神经网络模型进行训练；

步骤2、基于雷达信号双谱图像切片对于深度迁移神经网络主要结构参数进行调节和优化；

步骤3、深度迁移神经网络针对雷达信号的泛化能力增强。

本实施例中，步骤1通过下述步骤实现：

a.对雷达信号数据集的双谱分析，提取雷达信号的深度迁移特征并用于识别任务：此步骤中输入的实测雷达信号双谱图像切片经正向传播提取高层次语义特征，雷达信号网络参数通过分类误差的反向传播进行训练；

b.输入雷达信号对于AlexNet深度卷积神经网络的预训练：此步骤b中将仿真数据集预训练得到的DCNN迁移至实测雷达信号分类识别任务，在深度迁移学习框架下实现对雷达信号的快速高精度分类识别。

c.利用AlexNet深度卷积神经网络提取实测雷达信号双谱图像切片的深度迁移特征。

本实施例中，步骤2具体包括下述步骤：

a.重构深度迁移学习框架下浅层网络结构：此步骤中通过对实测雷达信号双谱图像切片的采样及白化处理，实测雷达信号局部特征的稀疏自编码，实测雷达信号双谱图像切片在卷积自编码器中的卷积和池化。

b.提取卷积自编码器中实测雷达信号的特征粒度：此步骤中通过实测雷达信号分类的特点，在使用卷积自编码器重构深度卷积神经网络第一个卷积层时，卷积自编码器中的结构参数需要进行相应的调节以提取到具有适当特征粒度的浅层特征用于对实测雷达信号进行表达，并间接影响DCNN提取到的深度迁移特征，进而取得更好的实测雷达信号分类识别效果。

c.对于卷积自编码器中主要结构参数进行调节和优化：此步骤中利用卷积层中特征激励值的判别性与不变性，池化域内不同稀疏度下的池化方法选择，卷积自编码器中主要结构参数的调节实验与分析。

本实施例中，步骤3通过以下步骤实现：

a.深度卷积神经网络泛化能力的分析；

b.轻量深度卷积神经网络针对实测雷达信号的泛化能力研究；

c.深度卷积神经网络中实测雷达信号迁移特征的分析；

d.利用级联的线性主成分分析网络(LPCANet)网络结构对实测雷达信号调制信息的优化处理。

本发明工作原理：本发明通过下述步骤实现对于雷达信号的快速高精度识别：

步骤1、雷达信号深度迁移神经网络构建：基于雷达仿真信号数据集对AlexNet深度卷积神经网络模型进行训练：

本步骤中首先对雷达信号模型、双谱分析与估计以及雷达信号双谱分析展开讨论，形成了用于深度特征提取雷达信号双谱切片；然后AlexNet这一深度卷积神经网络模型为典型，在对它的结构组成及计算流程分析基础上，用产生的基于雷达仿真信号数据集对深度神经网络进行预训练，并采用随机批量梯度下降优化算法进行优化；最后以预训练的参数为基础，基于AlexNet提取出了实测雷达信号双谱图像切片的深度迁移特征，并对AlexNet的结构参数进行微调，以充分表征实测雷达信号的语义信息，由分析可知，在保持AlexNet网络中的浅层结构参数不发生变化的同时，可使用实测雷达信号双谱图像切片对其深层结构参数进一步训练。

步骤2、基于雷达信号双谱图像切片对于深度迁移神经网络主要结构参数进行调节和优化：

本步骤中对于复杂环境中的特定实测雷达信号，深度卷积神经网络中的结构参数需要通过进一步的调节以提取泛化能力更好的深度迁移特征。基于这种考虑，本步骤中首先对深度迁移学习框架下的浅层网络结构进行了重构，通过实测雷达信号双谱图像切片的采样及白化处理、局部特征的稀疏自编码和双谱图像切片在卷积自编码器中的卷积和池化等操作实现网络结构重构；然后对卷积自编码器中实测雷达信号的特征粒度进行分析，研究表明具有适当特征粒度的浅层特征能对实测雷达信号进行有效表达；最后通过卷积层中特征激励值的判别性与不变性和池化域内不同稀疏度下的池化方法选择研究，对不同池化粒度条件下集中分类识别评价指标进行仿真，给出雷达信号深度特征提取过程中卷积自编码器中具体结构参数的调整优化值。

步骤3、深度迁移神经网络针对雷达信号的泛化能力增强：

本步骤中，首先对深度卷积神经网络的泛化能力进行分析，指出深度卷积神经网络在训练真实雷达信号双谱数据时学习到了特定“模式”；然后依据轻量深度卷积神经网络的“记忆”效果，设计了研究的轻量深度卷积神经网络(LDCNN)并对其进行了训练，通过对直接迁移的深度卷积神经网络(TDCNN)和LDCNN在实测雷达信号数据集上的分类结果进行比较，表明LDCNN对复杂的实测雷达信号进行就有更好的分类识别效果；最后，通过设计级联的线性主成分分析网络(LPCANet)的网络结构形式，对实测雷达信号的调制信息进行优化处理，并在几种典型的深度卷积神经网络结构上进行实验，结果表明级联的LPCANet网络结构在进行实测雷达信号分类识别时具有更强的稳定性。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下。由语句“包括一个……限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素”。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。