基于TCN网络的雷达辐射源脉间调制模式识别方法技术

一种基于TCN网络的雷达辐射源脉间调制模式识别方法，属于信号处理技术领域。本发明专利技术的目的是以雷达辐射源脉冲信号序列输入到TCN网络中进行基于卷积运算的特征提取识别，从而提高雷达脉冲信号识别率的基于TCN网络的雷达辐射源脉间调制模式识别方法。本发明专利技术步骤包括分别生成训练集和测试集数据；对产生的数据集信号进行预处理；构建TCN网络，设置TCN网络参数；将训练集和测试集数据输入到TCN网络中，按算法需求再处理数据；以“训练

【技术实现步骤摘要】
基于TCN网络的雷达辐射源脉间调制模式识别方法


[0001]本专利技术属于信号处理


技术介绍

[0002]随着电子和通信技术的发展，雷达系统在现代战争中起着举足轻重的作用，面对日益激烈的电子对抗形式和不断发展的雷达系统相关技术，作为关键技术的雷达信号识别成为了电子战争中决定胜负的关键因素。
[0003]随着人工智能（Artificial Intelligence，AI）技术的迅猛发展，深度学习（Deep Learning，DL）技术得以在自然语言处理、计算机视觉等领域广泛应用。深度学习模型是一种基于人工神经网络的机器学习模型，通过多层次的神经元相互连接和计算，来学习和提取数据中的特征信息，并完成对数据的分类、聚类、回归等任务。目前对于雷达脉冲信号识别的神经网络主要为RNN等网络，然而对于长时稀疏且存在缺失和虚假脉冲的雷达脉冲信号，上述网络在运行时极易出现梯度爆炸或梯度消失等问题，致使网络失效、分类准确率较低。因此有必要设计一种针对存在缺失和虚假干扰的长时稀疏雷达辐射源脉间调制模式识别方法，以解决上述技术问题。

技术实现思路

[0004]本专利技术的目的是以雷达辐射源脉冲信号序列输入到TCN网络中进行基于卷积运算的特征提取识别，从而提高雷达脉冲信号识别率的基于TCN网络的雷达辐射源脉间调制模式识别方法。
[0005]本专利技术的步骤是：S1. 训练集和测试集信号进行预处理：S01、将带干扰数据的雷达脉冲序列离散傅里叶变换，得到带噪声的频域信号，在频谱中将小于最大幅值的10%的点置0，达到去噪的效果，得到去噪后的频域信号；S02、对去噪后的频域信号傅里叶逆变换，以0.5为幅值基准，得到去噪后的二值时域信号；S2、构建TCN网络，设置TCN网络参数：S01、将扩张因果卷积输出通道数设置为[16, 32, 32, 32, 16]，网络层数设置为5，将dropout设置为0.1，内核大小设置为5，将TCN网络的损失函数设置为负对数似然损失函数，使用AdamOptimizer算法来控制学习率，使用修正线性单元函数作为激活函数，并将LogSoftmax分类器作为网络的输出层；S02、TCN网络中的神经元表示如下：(1)式中代表滤波器；代表序列；d代表扩张因子；t
代表时间；k代表内核尺寸；S03、TCN网络中的残差块表示如下：(2)式中代表激活函数；代表输入序列；代表输入序列经过卷积操作后的序列；S04、修正线性单元激活函数，表示如下：（3）式中，表示输入值，是一个常系数，表示修正线性单元激活函数的输出；S05、LogSoftmax分类器表示如下：（4）式中，表示数据中第i个元素，表示对第i个元素求指数，表示对所有元素求指数和，表示第i个元素输出的评分值。
[0006]本专利技术所采用的TCN网络，输入的是存在缺失和虚假干扰的长时稀疏雷达辐射源脉冲信号序列，以频域中去噪的方式减少干扰数据的影响，将去噪后的时域和频域信号分别经TCN网络提取特征后，拼接融合二者的特征向量并作为识别依据，进而实现不同调制方式信号的高效准确识别，避免了梯度爆炸等问题。因此，本专利技术对雷达信号处理
具有重要的实际应用价值。
附图说明
[0007]图1是本专利技术的实现流程图；图2是不同工况下网络的识别准确率。
具体实施方式
[0008]为了使本领域的技术人员更好地理解本专利技术的技术方案，下面结合具体实例对本专利技术的优选实施方案进行描述。
[0009]如图1所示，基于TCN网络的雷达辐射源脉间调制方式识别方法，所述识别方法包括如下步骤：S1、仿真生成五种典型雷达脉冲信号，包括常规脉冲信号、参差脉冲信号、组变捷变脉冲信号、滑变脉冲信号、抖动脉冲信号。每种脉冲信号的脉冲重复间隔（Pulse Repetition Interval，PRI）均取值于[4，100]，常规脉冲PRI在上述区间中随机选取且保持不变；参差脉冲的PRI随机取2~5个，且最小值不低于最大值的80%；组变捷变脉冲的PRI随机取3~4个，且最小值不低于最大值的80%，每个PRI随机重复15~30次；滑变脉冲的PRI也在上述区间中随机选取，其每次步长增加为1，总共增加34次；抖动脉冲的PRI在上述区间中随机选取且保持不变，其脉冲信号的抖动率为15%。同时在除抖动类型脉冲信号的其余信号中加入不到1%的抖动，每条脉冲序列数据长度为3000个单位，每单位代表，每种信号生成
1000个，按缺失和虚假的不同程度，干扰程度以10%为间隔，总共有28种情况，因此训练集总共生成140000条数据，测试集同样根据不同程度的干扰，生成28个数据集，每个数据集中每类信号生成200条，每类数据集中生成1000条。
[0010]S2、对生成的雷达辐射源脉冲序列数据进行预处理，将带干扰数据的雷达脉冲序列离散傅里叶变换，得到带噪声的频域信号，在频谱中将小于最大幅值的10%的点置0，达到去噪的效果，得到去噪后的频域信号，对去噪后的频域信号傅里叶逆变换，以0.5为幅值基准，得到去噪后的二值时域信号。
[0011]S3、构建TCN网络，设置TCN网络参数。
[0012]S4、将去噪后的雷达辐射源脉冲序列的时域和频域信号，即步骤S2所述的去噪信号输入至步骤S3的TCN网络中，经特征提取后，将二者的特征向量拼接融合，输入到两层全连接层中，进行组合、抽象、转换和非线性映射。
[0013]S5、以“训练
‑
测试”的方式迭代网络，当迭代次数达到n次时，训练结束，网络输出为雷达辐射源脉间调试方式预测类别标签。
[0014]所述步骤S1中，可以通过matlab建立数据库程序，仿真生成数据集。
[0015]所述步骤S2中，雷达辐射源脉冲信号预处理步骤包括：S01、将带干扰数据的雷达脉冲序列离散傅里叶变换，得到带噪声的频域信号，在频谱中将小于最大幅值的10%的点置0，达到去噪的效果，得到去噪后的频域信号。
[0016]S02、对去噪后的频域信号傅里叶逆变换，以0.5为幅值基准，得到去噪后的二值时域信号。
[0017]所述步骤S3中，设置TCN网络参数：将扩张因果卷积输出通道数设置为[16, 32 ,32 ,32 ,16]，网络层数设置为5，将dropout设置为0.1，内核大小设置为5，将TCN网络的损失函数设置为负对数似然损失函数，使用AdamOptimizer算法来控制学习率，使用修正线性单元函数作为激活函数，并将LogSoftmax分类器作为网络的输出层。
[0018]所述TCN网络中的神经元，表示如下：（1）式中代表滤波器；代表序列；d代表扩张因子；t代表时间；k代表内核尺寸。
[0019]所述TCN网络中的残差块，表示如下：（2）式中代表激活函数；代表输入序列；代表输入序列经过卷积等操作后的序列。
[0020]所述修正线性单元激活函数，表示如下：（3）式中，表示输入值，是一个常系数，表示修正线性单元激活函数的输出。
[0021]所述LogSoftmax分类器，表示如下：
...

【技术保护点】

【技术特征摘要】
1.一种基于TCN网络的雷达辐射源脉间调制模式识别方法，其特征在于：其步骤是：S1. 训练集和测试集信号进行预处理：S01、将带干扰数据的雷达脉冲序列离散傅里叶变换，得到带噪声的频域信号，在频谱中将小于最大幅值的10%的点置0，达到去噪的效果，得到去噪后的频域信号；S02、对去噪后的频域信号傅里叶逆变换，以0.5为幅值基准，得到去噪后的二值时域信号；S2、构建TCN网络，设置TCN网络参数：S01、将扩张因果卷积输出通道数设置为[16, 32, 32, 32, 16]，网络层数设置为5，将dropout设置为0.1，内核大小设置为5，将TCN网络的损失函数设置为负对数似然损失函数，使用AdamOptim...

【专利技术属性】
技术研发人员：徐卓君，于剑博，李浩，
申请(专利权)人：吉林大学，
类型：发明
国别省市：