一种基于多源融合网络的雷达辐射源个体识别方法技术

本发明专利技术公开了一种基于多源融合网络的雷达辐射源个体识别方法，包括：采集来自不同雷达辐射源设备的信号，并对采集到的数据进行预处理；对数据进行多域特征的提取；对提取出的多域特征进行降维处理，构成雷达特征数据集，设计多源融合的神经网络模型并进行训练，利用交叉熵损失进行反向传播对多源融合的神经网络模型进行参数的调优，得到雷达辐射源个体识别的分类器；通过分类器对待测雷达特征数据集进行识别。本发明专利技术能够有效提高雷达辐射源特征的全面性，增强了模型的泛化性，从而提高识别的准确率；通过引入神经网络作为分类器避免了专家经验判断过于主观的问题，从而提高了识别系统的稳定性与泛化性，有效的提高了识别准确率。率。率。

【技术实现步骤摘要】
一种基于多源融合网络的雷达辐射源个体识别方法


[0001]本专利技术属于辐射源识别、信号处理领域，尤其涉及一种基于多源融合网络的雷达辐射源个体识别方法。

技术介绍

[0002]随着电子战在正规战场的比重增加，战争已经由原来的实战转变为信息战，雷达辐射源识别作为雷达侦查中对雷达信号的截获与检测的主要手段，逐渐成为雷达侦查领域中的研究重点。雷达辐射源识别是以已有的数据库为基础，对所截获得到的信号特征与数据库中的信号特征匹配，从而确定出信号类型并以此判断发射该信号的辐射源类型。这也是作战过程中截获敌人情报，获取敌人雷达信息并加以干扰的重要过程，因此如何对所截获的雷达信号进行特征提取成为了所要研究的关键。
[0003]为防止雷达辐射源被识别，经常会构造一些反侦察手段，对信号附加一些调制信息去干扰和隐藏原本有用的信息，因此这也会恶化电磁环境，使识别变得复杂，对于一些雷达识别装置，在单一域的特征提取与识别会出现识别效果不明显等情况，无法获取其正确的信息。
[0004]现有技术中辐射源识别存在特征参数提取方面:信号特征参数只针对信号的某一方面进行提取,未能融合信号多个维度的特征,对信号的特性表征参数还不够全面；分类器设计方面:输入到分类器的特征,未能进一步处理,比如特征选择、建立组合特征,构建的分类器泛化能力弱,在低信噪比时准确率低。

技术实现思路

[0005]为解决现有技术中的不足，本专利技术提供一种基于多源融合网络的雷达辐射源个体识别方法，能够提高不同识别场景下的识别性能，减少出现识别性能表现的参差不齐的问题。
[0006]为了实现上述目标，本专利技术采用如下技术方案。
[0007]本专利技术提供了一种基于多源融合网络的雷达辐射源个体识别方法，具体包括以下步骤：
[0008]步骤S1：采集来自不同雷达辐射源设备的信号，并对采集到的数据进行预处理，将处理结果以I/Q数据的形式存储在存储终端中；
[0009]步骤S2：对存储终端中的I/Q数据进行多域特征的提取；
[0010]步骤S3：对提取出的多域特征进行降维处理，构成雷达特征数据集；
[0011]步骤S4：对雷达特征数据集进行切割，分为训练雷达特征数据集和测试雷达特征数据集；
[0012]步骤S5：设计多源融合的神经网络模型；
[0013]步骤S6：利用步骤S4中的训练雷达特征数据集和测试雷达特征数据集对步骤S5中的多源融合的神经网络模型进行训练，并利用交叉熵损失进行反向传播对多源融合的神经
网络模型进行参数的调优，得到雷达辐射源个体识别的分类器；
[0014]步骤S7：通过步骤S6中的分类器对待测雷达特征数据集进行识别，得到分类结果。
[0015]进一步地，步骤S1中所述预处理过程分为信号时延估计、稳态部分信号提取和功率归一化。
[0016]进一步地，步骤S2具体为：首先对信号进行三阶累积量的计算，并对其进行二维傅里叶变换得到信号的双谱特征，同时对信号进行HHT变换得到信号的时频域特征。
[0017]进一步地，步骤S3具体为：首先对步骤S2中的双谱特征通过照积分路径积分，得到一维双谱特征，再分析一维双谱特征中时频谱中的差异，提取出边际谱作为信号指纹特征，利用降维后的时频特征与双谱特征，构成雷达多域特征数据集。
[0018]进一步地，步骤S5中模型设计具体如下：
[0019]步骤S51：利用两个卷积块对输入的降维后的雷达多域特征，分别提取出其特征中的隐藏信息；
[0020]步骤S52：利用自适应平均池化层的输出对多域特征中提取的隐藏信号进行多源特征信息融合；
[0021]步骤S53：将融合后的信息送入全连接层中。
[0022]进一步地，步骤S6具体包括如下步骤：
[0023]步骤S61：将雷达特征训练数据集输入多源融合网络中；
[0024]步骤S62：设置训练优化器为Adam优化器、Batch Size为32、以及初始学习率为0.001；
[0025]步骤S63：设置损失函数为交叉熵损失如下：
[0026][0027]其中M为类别的数量，y
ic
为符号函数，如果样本i的真实类别为c则取1，否则取0，p
ic
为观测样本属于类别c的类别概率；
[0028]步骤S64：利用最小化交叉熵损失对模型进行反向传播，对模型的参数进行调优，所用
[0029]公式如下：
[0030][0031]其中θ为网络参数，为最小化损失得到最优网络参数。
[0032]进一步地，三阶累积量计算公式如下：
[0033][0034]其中，c
3x
(τ1,τ2)三阶累积量，x(n)是预处理后的雷达信号，*表示共轭运算，τ1,τ2代表时延，E{
·
}代表均值；
[0035]所述二维傅里叶变换公式如下：
[0036][0037]进一步地，所述边际谱为：
[0038][0039]其中l为时延，ω为频率。
[0040]进一步地，还包括在全连接层后加入dropout层，丢失率设置为0.5，并在最后一层全连接层后，利用SoftMax激活函数得到分类中的概率。
[0041]与现有技术相比，本专利技术有益效果是：
[0042]1.本专利技术提供的一种基于多源融合网络的雷达辐射源个体识别方法，减少对专家经验的依赖：避免了传统识别算法中过度依赖专家经验的问题，提高了方法的可靠性和稳定性。
[0043]2.本专利技术提供的一种基于多源融合网络的雷达辐射源个体识别方法，通过解决单一特征在不同场景下的鲁棒性问题，降低了识别效果变差的风险。
[0044]3.本专利技术提供的一种基于多源融合网络的雷达辐射源个体识别方法，利用信号特征的多源融合，提高了特征的全面性，有效地提高了识别准确率。
附图说明
[0045]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0046]图1为是本专利技术基于多源融合网络的雷达辐射源个体识别方法流程图；
[0047]图2为本专利技术方法步骤图；
[0048]图3为本专利技术提出多源融合网络架构；图4为本专利技术提出的具体多源融合网络。
具体实施方式
[0049]下面结合附图对本专利技术作进一步地详细说明，以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。
[0050]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
[0051]如图1所示，一种基于多源融合网络的雷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源融合网络的雷达辐射源个体识别方法，其特征在于：具体包括以下步骤：步骤S1：采集来自不同雷达辐射源设备的信号，并对采集到的数据进行预处理，将处理结果以I/Q数据的形式存储在存储终端中；步骤S2：对存储终端中的I/Q数据进行多域特征的提取；步骤S3：对提取出的多域特征进行降维处理，构成雷达特征数据集；步骤S4：对雷达特征数据集进行切割，分为训练雷达特征数据集和测试雷达特征数据集；步骤S5：设计多源融合的神经网络模型；步骤S6：利用步骤S4中的训练雷达特征数据集和测试雷达特征数据集对步骤S5中的多源融合的神经网络模型进行训练，并利用交叉熵损失进行反向传播对多源融合的神经网络模型进行参数的调优，得到雷达辐射源个体识别的分类器；步骤S7：通过步骤S6中的分类器对待测雷达特征数据集进行识别，得到分类结果。2.根据权利要求1所述的一种基于多源融合网络的雷达辐射源个体识别方法，其特征在于，步骤S1中所述预处理过程分为信号时延估计、稳态部分信号提取和功率归一化。3.根据权利要求1所述的一种基于多源融合网络的雷达辐射源个体识别方法，其特征在于，步骤S2具体为：首先对信号进行三阶累积量的计算，并对其进行二维傅里叶变换得到信号的双谱特征，同时对信号进行HHT变换得到信号的时频域特征。4.根据权利要求1所述的一种基于多源融合网络的雷达辐射源个体识别方法，其特征在于，步骤S3具体为：首先对步骤S2中的双谱特征通过照积分路径积分，得到一维双谱特征，再分析一维双谱特征中时频谱中的差异，提取出边际谱作为信号指纹特征，利用降维后的时频特征与双谱特征，构成雷达多域特征数据集。5.根据权利要求1所述的一种基于多源融合网络的雷达辐射源个体识别方法，其特征在于，步骤S5中模型设计具体如下：步骤S51：利用两个卷积块对输入的降维后的雷达多域特征，分别提取出...

【专利技术属性】
技术研发人员：陆智怡，林云，陈雪梅，徐从安，吴泽锋，张逸彬，闫文君，刘凯，葛亮，桂冠，
申请(专利权)人：南京桂瑞得信息科技有限公司，
类型：发明
国别省市：